Đồ án tốt nghiệp
5
máy tính dưới dạng các tệp các tín hiệu (signal) “tiếng nói”. Tín hiệu sóng âm của
hai âm tiết tiếng Việt có thể nhìn thấy như sau:
Hình 1.1 : Tín hiệu sóng âm của hai âm tiêt Tiếng Việt
Tuy nhiên, một văn bản thật sự (một bài báo khoa học chẳng hạn) có thể có
đến hàng nghìn câu, và ta không phải có một mà hàng triệu văn bản. Web là một
nguồn dữ liệu văn bản khổng lồ, và cùng với các thư viện điện tử − khi trong một
tương lai gần các sách báo xưa nay và các nguồn âm thanh được chuyển hết vào
máy tính (chẳng hạn bằng các chương trình nhận dạng chữ, thu nhập âm thanh, hoặc
gõ thẳng vào máy) − sẽ sớm chứa hầu như toàn bộ kiến thức của nhân loại. Vấn đề
là làm sao “xử lý” (chuyển đổi) được khối dữ liệu văn bản và tiếng nói khổng lồ này
qua dạng khác để mỗi người có được thông tin và tri thức cần thiết từ chúng.
Xử lý ngôn ngữ tự nhiên đã được ứng dụng trong thực tế để giải quyết các
bài toán như : nhận dạng chữ viết, nhận dạng tiếng nói, tổng hợp tiếng nói, dịch tự
động, tìm kiếm thông tin, tóm tắt văn bản, khai phá dữ liệu và phát hiện tri thức.
Section 2.01 1.2. Cơ sở khoa học
1.2.1 Một số khái niệm cơ bản
1.2.1.1. Ngôn ngữ tự nhiên
Ngôn ngữ là hệ thống để giao thiệp hay suy luận dùng một cách biểu diễn
phép ẩn dụ và một loại ngữ pháp theo logic, mỗi cái đó bao hàm một tiêu chuẩn hay
sự thật thuộc lịch sử và siêu việt. Nhiều ngôn ngữ sử dụng điệu bộ, âm thanh, ký
hiệu, hay chữ viết, và cố gắng truyền khái niệm, ý nghĩa, và ý nghĩ, nhưng mà nhiều
khi những khía cạnh này nằm sát quá, cho nên khó phân biệt nó.
(a) 1.2.1.2. Xử lý ngôn ngữ tự nhiên
Đồ án tốt nghiệp
6
Xử lý ngôn ngữ tự nhiên (natural language processing - NLP) là một nhánh
của trí tuệ nhân tạo tập trung vào các ứng dụng trên ngôn ngữ của con người. Trong
trí tuệ nhân tạo thì xử lý ngôn ngữ tự nhiên là một trong những phần khó nhất vì nó
liên quan đến việc phải hiểu ý nghĩa ngôn ngữ - công cụ hoàn hảo nhất của tư duy
và giao tiếp.
(b) 1.2.1.3. Trí tuệ nhân tạo
Trí tuệ nhân tạo hay trí thông minh nhân tạo (tiếng Anh: artificial
intelligence hay machine intelligence, thường được viết tắt là AI) là trí tuệ được
biểu diễn bởi bất cứ một hệ thống nhân tạo nào. Thuật ngữ này thường dùng để nói
đến các máy tính có mục đích không nhất định và ngành khoa học nghiên cứu về
các lý thuyết và ứng dụng của trí tuệ nhân tạo.
(c) 1.2.1.4. Nhập nhằng
Nhập nhằng trong ngôn ngữ học là hiện tượng thường gặp, trong giao tiếp
hàng ngày con người ít để ý đến nó bởi vì họ xử lý tốt hiện tượng này. Nhưng trong
các ứng dụng liên quan đến xử lý ngôn ngữ tự nhiên khi phải thao tác với ý nghĩa từ
vựng mà điển hình là dịch tự động nhập nhằng trở thành vấn đề nghiêm trọng . Ví
dụ trong một câu cần dịch có xuất hiện từ “đường” như trong câu “ra chợ mua cho
mẹ ít đường” vấn đề nảy sinh là cần dịch từ này là road hay sugar, con người xác
định chúng khá dễ dàng căn cứ vào văn cảnh và các dấu hiệu nhận biết khác nhưng
với máy thì không. Một số hiện tượng nhập nhằng: Nhập nhằng ranh giới từ, Nhập
nhằng từ đa nghĩa, Nhập nhằng từ đồng âm (đồng tự), Nhập nhằng từ loại.
1.2.1.5. Dịch máy
Dịch máy là một trong những ứng dụng chính của xử lý ngôn ngữ tự nhiên,
dùng máy tính để dịch văn bản từ ngôn ngữ này sang ngôn ngữ khác. Mặc dù dịch
máy đã được nghiên cứu và phát triển hơn 50 năm qua, xong vẫn tồn tại nhiều vấn
đề cần nghiên cứu. Ở Việt Nam, dịch máy đã được nghiên cứu hơn 20 năm, nhưng
các sản phẩm dịch máy hiện tại cho chất lượng dịch còn nhiều hạn chế. Hiện nay,
Đồ án tốt nghiệp
7
dịch máy được phân chia thành một số phương pháp như: dịch máy trên cơ sở luật,
dịch máy thống kê và dịch máy trên cớ sở ví dụ.
1.2.2 Lý thuyết thông tin
(d) 1.2.2.1. Khái niệm
Lý thuyết thông tin nghiên cứu về: Áp dụng các công cụ toán học trong việc
lượng hóa dữ liệu cho mục đích lưu trữ và truyền dữ liệu. Độ đo thông tin là
Entropy, là số lượng bít trung bình cần thiết để cho việc lưu trữ hay truyền dữ liệu.
Đóng vai trò quan trọng trong xử lý thông tin bằng các phương pháp thống kê, đặc
biệt trong NLP.
(e) 1.2.2.2. Entropy
Entropy là một độ đo thông tin. Entropy ~ hỗn độn, mờ, trái nghĩa với
order
Đo độ không chắc chắn: Entropy thấp -> Đo độ không chắc chắn thấp;
Entropy cao -> Đo độ không chắc chắn cao. Trong vật lý: Entropy giảm khi năng
lượng được sử dụng. Ký hiệu p(x) là một phân bố của một biến ngẫu nhiên X. là
không gian mẫu của X. Entropy được tính như sau:
H(X) = - ∑ x p(x) log2p(x).
Đơn vị: bits (log10: nats). Kí hiệu: H(X) = Hp(X) = H(p).
(f) 1.2.2.3. Perplexity - Cross Entropy
1. Entropy liên quan thế nào đến hiểu ngôn ngữ?
Liên quan đến sự không chính xác: một vấn đề càng có nhiều thông tin thì
Entropy càng thấp. Có nhiều mô hình -> entropy đo chất lượng của các mô hình?
Ví dụ: mô hình mã hóa ký tự với trung bình số bít sử dụng trên mỗi ký tự là 2.5 .
Đây là mô hình ngôn ngữ 0-gram, nếu đặt trong sự liên kết của các âm tiết thì chúng
ta có thể sinh được mô hình tốt hơn, chẳng hạn cho entropy 1.22 bít trên một ký tự.
Đồ án tốt nghiệp
8
2. Perplexity
Entropy của một phân bố p(X) là: Hp(X) thì giá trị 2H được gọi là perplexity
perplexity là số lượng mẫu trung bình mà một biến phải lựa chọn. Perlexity càng bé
(tức là entropy càng bé) thì mô hình càng tốt <=> số bít dùng để mã hóa thông tin
càng bé.
Ví dụ : Cho 8 con ngựa với xác suất lựa chọn như sau:
Ngựa 1: 1/2 ngựa 2: 1/4 ngựa 3: 1/8 ngựa 4: 1/16
Ngựa 5: 1/64 ngựa 2: 1/64 ngựa 3: 1/64 ngựa 4: 1/64
3. Entropy rate
Tính entropy của một dãy các từ trong một ngôn ngữ L
H(w1, ,wn) = - W L p(W1n)log(W1n)
Entropy rate được coi như per-word entropy. Coi một ngôn ngữ như một quá trình
ngẫu nhiên sản xuất một dãy các từ. Cần quan tâm đến một dãy vô hạn từ. Entropy
rate H(L) được định nghĩa như sau:
), ,(log), ,(
1
lim), ,(
1
lim)(
111 nn
L
n
n
n
wwpwwp
n
wwH
n
LH
4 . Cross Entropy
Cross entropy được sử dụng khi chúng ta không biết phân bố thật p.
Cross-entropy của phân bố m của phân bố thật p được định nghĩa:
), ,(log
1
lim), ,(log), ,(
1
lim),(
111 n
n
L
nn
n
wwm
n
wwmwwp
n
mpH
(theo lý thuyết Shannon-McMillan-Breiman)
Đồ án tốt nghiệp
9
5. Cross entropy để so sánh các mô hình : H(p) ≤ H(p,m)
Cross entropy H(p,m) là cận trên của entropy H(p);
Mô hình m càng chính xác thì cross entropy H(p,m) càng gần với entropy
H(p);
Độ khác nhau H(p,m) và H(p) đo độ chính xác của mô hình m;
6. Các công thức Cross Entropy
Cross entropy giữa biến X với phân bố xác suất đúng p(x) và một phân bố m
được tính như sau:
)(log)()||()(),( xmxpmpDXHmXH
x
Chú ý: D(p||q) = ∑x p(x) log2 (p(x)/q(x))
1.3 Quy trình xử lý ngôn ngữ tự nhiên
Để máy tính có thể hiểu và thực thi một chương trình được viết bằng ngôn
ngữ cấp cao, ta cần phải có một trình biên dịch thực hiện việc chuyển đổi chương
trình đó sang chương trình ở dạng ngôn ngữ đích. Chương này trình bày một cách
tổng quan về cấu trúc của một trình biên dịch và mối liên hệ giữa nó với các thành
phần khác - “họ hàng” của nó - như bộ tiền xử lý, bộ tải và soạn thảo liên kết,v.v.
Cấu trúc của trình biên dịch được mô tả trong chương là một cấu trúc mức quan
niệm bao gồm các giai đoạn: Phân tích từ vựng, Phân tích cú pháp, Phân tích ngữ
nghĩa, Sinh mã trung gian, Tối ưu mã và Sinh mã đích. Nói một cách đơn giản, trình
biên dịch là một chương trình làm nhiệm vụ đọc một chương trình được viết bằng
một ngôn ngữ - ngôn ngữ nguồn (source language) - rồi dịch nó thành một chương
trình tương đương ở một ngôn ngữ khác - ngôn ngữ đích (target languague). Một
phần quan trọng trong quá trình dịch là ghi nhận lại các lỗi có trong chương trình
nguồn để thông báo lại cho người viết chương trình.
Đồ án tốt nghiệp
10
Hình 1.2 : Một trình biên dịch
(g) 1.3.1 Phân tích từ vựng (Lexical Analysis)
Trong một trình biên dịch, giai đọan phân tích từ vựng sẽ đọc chương trình
nguồn từ trái sang phải (quét nguyên liệu - scanning) để tách ra thành các thẻ từ
(token).
Ví dụ 1.2: Quá trình phân tích từ vựng cho câu lệnh gán position := initial + rate *
60 sẽ tách thành các token như sau:
1. Danh biểu position
2. Ký hiệu phép gán :=
3. Danh biểu initial
4. Ký hiệu phép cộng (+)
5. Danh biểu rate
6. Ký hiệu phép nhân (*)
7. Số 60
Trong quá trình phân tích từ vựng các khoảng trắng (blank) sẽ bị bỏ qua.
(h) 1.3.2 Phân tích cú pháp (Syntax Analysis)
Giai đoạn phân tích cú pháp thực hiện công việc nhóm các thẻ từ của chương
trình nguồn thành các ngữ đoạn văn phạm (grammatical phrase), mà sau đó sẽ được
trình biên dịch tổng hợp ra thành phẩm. Thông thường, các ngữ đoạn văn phạm này
được biểu diễn bằng dạng cây phân tích cú pháp (parse tree) với:
- Ngôn ngữ được đặc tả bởi các luật sinh.
- Phân tích cú pháp dựa vào luật sinh để xây dựng cây phân tích cú pháp.
Đồ án tốt nghiệp
11
Ví dụ 1.3: Giả sử ngôn ngữ đặc tả bởi các luật sinh sau:
Stmt → id := expr
expr → expr + expr | expr * expr | id | number
Với câu nhập: position := initial + rate * 60, cây phân tích cú pháp được xây
dựng như sau:
Hình 1.3 : Một cây phân tích cú pháp
Cấu trúc phân cấp của một chương trình thường được diễn tả bởi quy luật đệ qui.
Ví dụ 1.4:
1) Danh biểu (identifier) là một biểu thức (expr).
2) Số (number) là một biểu thức.
3) Nếu expr1 và expr2 là các biểu thức thì:
expr1 + expr2
expr1 * expr2
(expr)
4) Cũng là những biểu thức. Câu lệnh (statement) cũng có thể định nghĩa đệ qui :
Nếu id1 là một danh biểu và expr2 là một biểu thức thì id1 := expr2 là một
lệnh (stmt).
Đồ án tốt nghiệp
12
Nếu expr1 là một biểu thức và stmt2 là một lệnh thì while (expr1) do stmt2
và if (expr1) then stmt2: đều là các lệnh. Người ta dùng các qui tắc đệ qui như
trên để đặc tả luật sinh (production) cho ngôn ngữ. Sự phân chia giữa quá trình
phân tích từ vựng và phân tích cú pháp cũng tuỳ theo công việc thực hiện.
(i) 1.3.3 Phân tích ngữ nghĩa (Semantic Analysis)
Giai đoạn phân tích ngữ nghĩa sẽ thực hiện việc kiểm tra xem chương trình
nguồn có chứa lỗi về ngữ nghĩa hay không và tập hợp thông tin về kiểu cho giai
đoạn sinh mã về sau. Một phần quan trọng trong giai đoạn phân tích ngữ nghĩa là
kiểm tra kiểu (type checking) và ép chuyển đổi kiểu.
Ví dụ 1.5: Trong biểu thức position := initial + rate * 60
Các danh biểu (tên biến) được khai báo là real, 60 là số integer vì vậy trình
biên dịch đổi số nguyên 60 thành số thực 60.0
.
Hình 1. 4 : Chuyển đổi kiểu trên cây phân tích cú pháp
(j) 1.3.4 Các giai đoạn của trình biên dịch
Một trình biên dịch được chia thành các giai đoạn, mỗi giai đoạn chuyển
chương trình nguồn từ một dạng biểu diễn này sang một dạng biểu diễn khác.
Đồ án tốt nghiệp
13
VÍ DỤ: Một cách phân rã điển hình trình biên dịch được trình bày trong hình
:
Hình 1.5 : Các giai đoạn của một trình biên dịch
Việc quản lý bảng ký hiệu và xử lý lỗi được thực hiện xuyên suốt qua tất cả
các giai đoạn. Các giai đoạn mà chúng ta đề cập ở trên là thực hiện theo trình tự
logic của một trình biên dịch. Nhưng trong thực tế, cài đặt các hoạt động của nhiều
hơn một giai đoạn có thể được nhóm lại với nhau. Thông thường chúng được nhóm
thành hai nhóm cơ bản, gọi là: Kỳ đầu (Front end) và kỳ sau (Back end).
1. Kỳ đầu (Front End)
Kỳ đầu bao gồm các giai đoạn hoặc các phần giai đoạn phụ thuộc nhiều vào
ngôn ngữ nguồn và hầu như độc lập với máy đích. Thông thường, nó chứa các giai
đoạn sau: Phân tích từ vựng, Phân tích cú pháp, Phân tích ngữ nghĩa và Sinh mã
trung gian. Một phần của công việc tối ưu hóa mã cũng được thực hiện ở kỳ đầu.
Front end cũng bao gồm cả việc xử lý lỗi xuất hiện trong từng giai đoạn.
2. Kỳ sau (Back End)
Kỳ sau bao gồm một số phần nào đó của trình biên dịch phụ thuộc vào máy
đích và nói chung các phần này không phụ thuộc vào ngôn ngữ nguồn mà là ngôn
ngữ trung gian. Trong kỳ sau, chúng ta gặp một số vấn đề tối ưu hoá mã, phát sinh
mã đích cùng với việc xử lý lỗi và các thao tác trên bảng ký hiệu.
Đồ án tốt nghiệp
14
1.3.5 Một số thuật toán phân tích cú pháp
(k) 1.3.5.1 Topdown
Phân tích từ trên xuống, từ trái qua phải;
Khi gặp một từ (terminal) thì phân tích nút tiếp theo;
Khi không tương ứng với input word thì quay lui;
(l) 1.3.5.2 Bottom-up
Là một dạng của shift-reduce actions;
Khi gặp vế phải của một luật thì thu gọn thành vế trái;
Khi không phân tích được tiếp thì quay lui;
(m) 1.3.5.3 CYK (Cocke-Younger-Kasami)
Văn phạm dạng chuẩn Chomsky (Chomsky Normal Form);
Các luật thuộc một trong 2 dạng:
A -> B C
A -> a
Ví dụ:
S -> X Y
X -> X A | a | b
Y -> A Y | a
A -> a
Phân tích câu “babaa” -> không sinh ra câu
“baaa” -> sinh ra câu
Không có nhận xét nào:
Đăng nhận xét