Bằng cách so khớp chính xác từtrong danh sách từkhóa (từkhóa là kết quảcủa tách
từsau khi loại bỏcác từcó trong stoplist) với từtiếng Việt có trong MRD, chương
trình sẽtìm ra nghĩa tiếng Anh của từtiếng Việt. Nếu mục từ đó có từ đồng nghĩa thì
hệthống sẽlấy luôn cảtừ đồng nghĩa đểthêmvào câu truy vấn
133 trang |
Chia sẻ: haianh_nguyen | Lượt xem: 1339 | Lượt tải: 1
Bạn đang xem trước 20 trang tài liệu Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa, để xem tài liệu hoàn chỉnh bạn click vào nút DOWNLOAD ở trên
.
4 TimBanDichTotNhat
TrongSongNgu()
arrWord1[]:
chuỗi
arrWord2[]:
chuỗi
strResult:
chuỗi
void - Lần lượt tính tần số
đồng xuất hiện của từng
cặp phần tử của 2 mảng
arrWord1 và arrWord2
bằng cách gọi hàm
TSDXHTrongSongNgu()
- Tìm cặp có tần số cao
nhất.
- Nếu các cặp đều có tần
số bằng không thì chọn
cặp đầu tiên là bản dịch
tốt nhất.
5 KhoiTaoTuDien() Không có Void - Tùy vào giá trị của type
mà khởi tạo đường dẫn và
các từ điển cần thiết
- Gọi hàm
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
89
Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
KhoiTaoNguLieu() và
KhoiTaoMangHash()
6 KhoiTaoMangHash () type: int Void Cắt câu trong các file
ngữ liệu thành từng từ và
lưu vào mảng HashTable.
7 KhoiTaoNguLieu() Directory:
chuỗi
Void Lần lượt đọc các file ngữ
liệu vào lưu vào các phần
tử của arrDoc
8 DocNguLieu() m_Filename:
chuỗi
Mảng
chuỗi
Mỗi phần tử của mảng
chuỗi được trả về là một
câu trong file ngữ liệu
9 TimTanSo() word: chuỗi,
dicXml:
xmlDocument,
lan: int
float Tìm tần số xuất hiện của
từ trong một ngôn ngữ
trong file từ điển tần số
được lưu trong
xmlDocument.
10 ChuanHoaTu() m_word: chuỗi Chuỗi Chuẩn hóa từ : xóa
khoảng trắng đầu và cuối
chuỗi
3.2.4.2.5 TimKiem:
? Biến thành phần:
STT Tên biến Kiểu Ràng
buộc
Khởi
động
Ý nghĩa Ghi
chú
1 loaiTimKiem int Cho biết ngôn ngữ cần
tìm :
- type = 0: tiếng Việt.
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
90
Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
- type = 1: tiếng Anh
- type = 2: tiếng Hoa
? Hàm thành phần:
STT Tên hàm Tham số Kết quả Xử lí Ghi
chú
1 XuLyChuoiTimKiem() nSearchEngine: int,
szQuery: chuỗi,
Chuỗi - Thêm vào chuổi
tìm kiếm font của
file input và file
output là “utf-8”.
- Tùy vào
nSearchEngine mà
thêm vào chuỗi tìm
kiếm loại ngôn ngữ.
2 DownLoadKetQua() nSearchEngine: int,
szQuery: chuỗi,
node[]: chuỗi ,
index: int
Mảng chuỗi - Gọi hàm xử lý
chuỗi tìm kiếm.
- Gọi hàm download
Webpage theo chuỗi
tìm kiếm.
- Gọi hàmPhanTich
– TrangKetQua và
lưu vào node[].
- Gọi hàm
LayCacTrang_
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
91
Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
KeTiep()
3 LayCacTrangKeTiep() strFile: chuỗi Mảng chuỗi - Duyệt qua chuỗi
strFile, tìm vị trí của
chuỗi “<div
class=\"n\">”
- Lặp:
+ Tìm vị trị của
chuỗi "href=\""
, cắt chuỗi bắt đầu
từ vị trí tìm thấy và
lưu vào một mảng
chuỗi.
+ Tăng biến i.
+ Lặp cho đến khi
không tìm thấy
chuỗi "href=\""
4 PhanTichTrangKetQua() webpage:
StreamReader
index: int
node[]: mảng chuỗi
void - Trong khi index <
1000 và vẫn tìm
thấy chuỗi "<p
class=\"g\">"
thì lặp.
- Cắt chuỗi từ vị trí
tìm thấy trước đó
đến vị trí vừa tìm và
lưu vào node.
-Tăng index thêm 1
đơn vị.
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
92
Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
3.2.4.2.6 frmTimKiem:
? Biến thành phần:
STT Tên biến Kiểu Ràng
buộc
Khởi
động
Ý nghĩa Ghi
chú
1 bnSearch Button
2 m_TachTu TachTu Dùng để tách từ
câu truy vấn
3 m_DichTuTuDie
n
DichTuTuDien Dịch câu truy vấn
4 m_KhuNhapNha
ng
KhuNhapNhang Khử nhập nhằng
các kết quả sau khi
dịch
5 m_TimKiem TimKiem Tìm kết quả theo
các câu truy vấn
? Hàm thành phần:
STT Tên hàm Tham số Kết
quả
Xử lí Ghi
chú
1 DichAnh() arrWord[]: chuỗi
numW: int
Chuỗi - Gọi hàm dịch cùa đối
tượng
m_DichTuTuDien cho
mảng arrWord.
- Khử nhập nhằng kết
quả dịch bằng cách gọi
các hàm của đối tượng
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
93
Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
m_KhuNhapNhang.
2 DichHoa() arrWord[]: chuỗi
numW: int
Chuỗi - Gọi hàm dịch cùa đối
tượng
m_DichTuTuDien cho
mảng arrWord.
- Khử nhập nhằng kết
quả dịch bằng cách gọi
các hàm của đối tượng
m_KhuNhapNhang.
3 HienThiKetQua() thutu: int,
E_nodes[]: mảng chuỗi,
V_nodes[]: mảng chuỗi,
C_nodes[]: mảng chuỗi
void Lần lượt hiển thị các
kết quả xen kẽ Việt –
Anh – Hoa lên màn
hình
4 OnBnSearchClick() Không có void - Gọi hàm DichAnh(),
DichHoa().
- Lấy kết quả tìm kiếm
bằng cách gọi hàm
DownloadKetQua()
của đối tượng
m_TimKiem
- Gọi hàm hiển thị kết
quả.
3.2.5 Thiết kế giao diện:
3.2.5.1 Màn hình chính:
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
94
Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
1
2
4
3
6 5
7
Hình 3.8: M n hình chính
Danh sách các đối tượn thể hiện:
STT Tên Loại/Kiểu Ý nghĩa hi chú
1 txtQuery A_TextBox Nhập câu truy vấn
2 cmbDesLan A_ComboBox Danh sách ngôn ngữ
đích
3 cmbDisplayLan A_ComboBox Danh ách ngôn ngữ
hiển ị
4 cmdTimKiem A_Button Nút t kiếm
5 txtEnglish A_TextBox Câu truy vấn tiếng
Anh
6 txtChinese A_TextBox Câu truy vấn tiếng
Hoa
7 lkAbout A_LinkButtom Link đến trang About
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
95th
ìm sgàG
Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
3.2.5.2 Màn hình kết quả:
3
2
1
5
4
Hình 3.9: Màn hình kết quả
Danh sách các đối tượng thể hiện: ngoài các đối tượng như màn hình chính còn có một
số đồi tượng thể hiện như sau:
STT Tên Loại/Kiểu Ý nghĩa Ghi chú
1 lblViet1 A_Label Hiển thị kết quả tiếng
Việt
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
96
Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
2 lblEnglish1 A_Label Hiển thị kết quả tiếng
Anh
3 lblChinese1 A_Label Hiển thị kết quả tiếng
Hoa
4 Hiển thị các kết
quả còn lại
5 Các link button Hiển thị kết quả ở các
trang kế tiếp.
3.3 Xây dựng hệ thống:
3.3.1 Tổ chức các MRD:
Trong luận văn này, chúng tôi xây dựng hai MRD Việt – Anh và Việt – Hoa cho hệ
thống vì từ điển Việt – Anh là thể hiện của từ điển song ngữ có loại hình ngôn ngữ
khác nhau (đơn lập và biến hình), còn Việt – Hoa là thể hiện của từ điển song ngữ có
loại hình ngôn ngữ giống nhau (đơn lập). Điều này cho thấy khả năng tìm kiếm trên
các loại hình ngôn ngữ khác nhau của hệ thống.
3.3.1.1 Giai đoạn tiền xử lý:
Để phục vụ cho việc tạo lập từ điển MRD, công việc đầu tiên và mất nhiều thời gian
nhất là thu thập và chỉnh lý các kho dữ liệu có sẵn, tìm kiếm nguồn dữ liệu tối ưu.
Trong luận văn này chúng tôi sử dụng các kho dữ liệu có sẵn kế thừa từ [16].
Trước khi sử dụng các dữ liệu này, chúng tôi tiến hành giai đoạn tiền xử lý như sau:
? Loại bỏ các từ không có nghĩa trong từ điển.
? Chuẩn hoá các ký tự đặc biệt, tạo sự nhất quán trong toàn bộ các từ điển đầu
vào.
? Thống nhất chuyển hết các dữ liệu nguồn về mã Unicode.
Trước giai đoạn tiền xử lý, mục từ của từng từ điển (điện tử của người) có cấu trúc
như sau:
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
97
Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
Việt – Anh: ứng với một từ gốc tiếng Việt (V) sẽ có một hoặc nhiều từ loại (P),
ứng với mỗi từ loại (P) lại có một hoặc nhiều nghĩa tiếng Anh (E) hoặc tham
chiếu (R) của từ đó và mỗi nghĩa tiếng Anh (E) có một hoặc nhiều ví dụ (Ex)
của nó.
V
PP P
Ví dụ: một số mục từ trong từ điển Việt – Anh:
(1) @a
* excl
- O; oh (exclamation of surprise, regret, ect.)
=a, đồ_chơi đẹp quá!+ Oh! What a nice toy!
=a, tội nghiệp quá+Oh!What a pity!
- By the way
=a, còn một vấn_đề này nữa +By the way, there's this one other question
Hình 3.10: Cấu trúc cây của mục từ trong từ điển Việt –
Anh
E EE E R
Ex Ex Ex Ex
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
98
Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
* noun
- Acre (100 square meters)
(2) @kỳ thi
* noun
- examination
=kỳ_thi tuyển+competitive examination
Việt – Hoa: ứng với một từ gốc tiếng Việt (V) sẽ có một hoặc nhiều nghĩa tiếng
Hoa (C) hoặc có tham chiếu của từ đó (R) và mỗi nghĩa tiếng Hoa (C) có một
hoặc nhiều ví dụ (Ex) của nó.
V
Ví dụ: một số mục từ trong từ điển Việt– Hoa:
(1) *Máy tính
1.電腦
2. 計算機
&Máy tính bức xạ: 射線計算機
C C R
Ex Ex Ex
Hình 3.11: Cấu trúc cây của mục từ trong từ điển Việt – Hoa
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
99
Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
&Máy tính điện tử: 電子計算機
(2) *Chế
1. 譏諷
2. 制造
&chế ra cái máy: 造出機器
3. 泡 制
&chế thuốc: 制藥
4. 制度
&đế chế: 帝制
5. 守制
&đang có chế không được cưới xin: (~古)孝服在身,不得婚娶
Sau giai đoạn tiền xử lý, mục từ của từng từ điển có cấu trúc như sau:
Việt – Anh: ứng với một từ gốc tiếng Việt (V) sẽ có một từ loại (P), một nghĩa
tiếng Anh (E) hoặc một tham chiếu (R) của từ đó.
Ví dụ: một số mục từ trong từ điển Việt – Anh:
(1) @a
* excl
- O; oh (exclamation of surprise, regret, ect.)
(2) @a
* excl
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
100
Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
- By the way
(3) @a
* noun
- Acre (100 square meters)
Việt – Hoa: ứng với một từ gốc tiếng Việt (V) sẽ có một nghĩa tiếng Hoa (C)
hoặc có một tham chiếu của từ đó (R).
Ví dụ: một số mục từ trong từ điển Việt– Hoa:
(1) *Máy tính
-電腦
(2) *Máy tính
-計算機
Sau khi đã tiền xử lý xong các từ điển, chúng tôi tiến hành tạo từ điển MRD bằng cách
đánh cấu trúc các trường.
3.3.1.2 MRD Việt – Anh (VEDic):
3.3.1.2.1 Cấu trúc vĩ mô, vi mô của VEDic:
Để đảm bảo tính đơn trị của MRD, trong một mục từ mỗi từ tiếng Việt ứng với một từ
loại sẽ có một nghĩa tiếng Anh, một lĩnh vực, một tham chiếu và đồng nghĩa Anh của
nó. Chẳng hạn, MRD Việt – Anh có cấu trúc mục từ như sau:
Từ tiếng Việt Từ loại Nghĩa tiếng Anh Lĩnh vực Ref11 Đồng nghĩa Anh
Máy tính Noun Computer Tin_học
Lật tẩy Verb Unmask Uncloak
Luận bàn Verb Bàn
11 Ref: từ viết tắt của Reference nghĩa là từ tham chiếu (tiếng Việt).
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
101
Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
luận
Luân lý Noun Morals Ethical motive,
ethics, morality
Bảng 3.1: Ví dụ một số mục từ trong từ điển Việt – Anh
Các trường lĩnh vực, ref được rút trích ngay trong từ điển điện tử Việt – Anh. Trường
đồng nghĩa Anh được thêm vào dựa trên từ điển đồng nghĩa tiếng Anh của mạng
WORDNET.
3.3.1.2.2 Cấu trúc dữ liệu của VEDic:
Các mục từ trong file từ điển sau khi tiền xử lý được lưu vào mảng phụ theo dạng cấu
trúc sau:
typedef struct _tagLoaiTu_PhienAm_Nghia
{
CString loaiTu; //từ loại
CStringArray nghia; //Các nghĩa tiếng Anh tương ứng theo từ loại
}LOAITU_PA_NGHIA;
typedef LOAITU_PA_NGHIA *NGHIA_ANHS;
typedef struct _tagTU_VE
{
CString TuGoc; //từ gốc
NGHIA_ANHS NghiaAnh; //các nghĩa của từ gốc
}TU_VE;
Như vậy trong mỗi node của mảng này chỉ lưu thông tin của:
? Từ tiếng Việt
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
102
Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
? Nghĩa tiếng Anh
Vì mảng này có dung lượng khá lớn nên ta khai báo dữ liệu theo kiểu con trỏ động để
tiết kiệm bộ nhớ:
typedef TU_VE* TUDIEN_VE;
TUDIEN_VE = new TU[50000];
Mảng thứ hai là mảng chính chứa các thông tin cần quan tâm để sau khi được xử lý
xong sẽ lấy thông tin cho từ điển MRD:
typedef struct _tagTu_VEDic
{
CString TuTV; //từ tiếng Việt
CString TuLoai; //từ loại của từ tiếng Việt
CString NghiaAnh; //nghĩa tiếng Anh
CString LinhVuc; //lĩnh vực của từ tiếng Anh
CString TuThamChieu; //từ tham chiếu của từ tiếng Việt
CString DongNghiaAnh; //từ đồng nghĩa theo từ tiếng Anh
}TU_VEDic;
Mảng này cũng được khai báo dữ liệu theo kiểu con trỏ động như sau:
typedef TU_VEDic* VEDic;
VEDic = new TU_VEDic[100000];
Tuy nhiên, để việc khai thác MRD dễ dàng và tận dụng ưu điểm (dễ mang chuyển,
truy xuất nhanh) của cấu trúc tập tin xml chúng tôi tổ chức từ điển như sau:
từ tiếng Việt
từ loại
nghĩa tiếng Anh
lĩnh vực
từ tham chiếu tiếng Việt
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
103
Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
từ đồng nghĩa tiếng Anh
…
…
3.3.1.3 MRD Việt – Hoa (VCDic):
3.3.1.3.1 Cấu trúc vĩ mô, vi mô của VCDic:
Tương tự đối với MRD Việt – Hoa, cấu tạo mục từ như sau:
Từ tiếng Việt Ref Nghĩa tiếng Hoa
Chi phiếu Ngân phiếu 支票
Máy tính 電腦
Máy tính 電子計算機
chế 譏諷
chế 制造
Bảng 3.2: Ví dụ một số mục từ của từ điển Việt – Hoa
3.3.1.3.2 Cấu trúc dữ liệu của VCDic:
Các mục từ trong file từ điển sau khi tiền xử lý được lưu vào mảng phụ theo dạng cấu
trúc sau:
typedef struct _tagNGHIA
{
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
104
Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
CString TuThamChieu; //từ tham chiếu của từ tiếng Việt
CString NghiaHoa; //các nghĩa tiếng Hoa
}NGHIA;
typedef NGHIA* NGHIA_HOAS;
typedef struct _tagTU_VC
{
CString TuGoc; //từ gốc
NGHIA_HOAS NghiaHoa; //các nghĩa của từ gốc
}TU_VC;
Như vậy trong mỗi node của mảng này chỉ lưu thông tin của:
? Từ tiếng Việt
? Các nghĩa tiếng Hoa
Vì mảng này có dung lượng khá lớn nên ta khai báo dữ liệu theo kiểu con trỏ động để
tiết kiệm bộ nhớ:
typedef TU_VC* TUDIEN_VC;
TUDIEN_VC = new TU_VC[50000];
Mảng thứ hai là mảng chính chứa các thông tin cần quan tâm để sau khi được xử lý
xong sẽ lấy thông tin cho từ điển MRD:
typedef struct _tagTu_VCDic
{
CString TuTV; //từ tiếng Việt
CString TuThamChieu; //từ tham chiếu của từ tiếng Việt
CString NghiaHoa; //nghĩa tiếng Hoa
}TU_VCDic;
Mảng này cũng được khai báo dữ liệu theo kiểu con trỏ động như sau:
typedef TU_VCDic* VCDic;
VCDic = new TU_VCDic[100.000];
VCDic cũng đã được chuyển đổi thành dạng xml:
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
105
Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
từ tiếng Việt
từ tham chiếu
nghĩa tiếng Hoa
…
…
3.3.2 Phương pháp tìm kiếm dựa trên MRD:
3.3.2.1 Dịch dựa trên từ điển:
Trình tự dịch dựa trên từ điển như sau:
? Bước 1: Tách từ12 câu truy vấn mà người dùng nhập vào.
? Bước 2: Loại bỏ các từ có trong stoplist (đây là những từ mang ít
nghĩa như : đây, đó, này, …).
? Bước 3: Lần lượt tìm các bản dịch của các từ dựa vào MRD.
3.3.2.1.1 Tách từ câu truy vấn:
Để tách từ câu truy vấn chúng tôi sử dụng module tách từ dựa trên mô hình MMSEG
(áp dụng cho tiếng Việt) của nhóm VCL13.
3.3.2.1.2 Loại bỏ các từ có trong stoplist:
12 Từ ở đây chúng tôi dùng đó là từ từ điển (từ từ điển là từ mà dựa vào đặc tính của nó mà người ta đưa nó vào
từ điển).
13 VCL – Vietnamese Computational Linguistics
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
106
Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
Danh sách các stoplist được xây dựng dựa trên từ điển như sau: các từ có từ loại là
thán từ, hình thái từ, trợ từ, trạng từ, đại từ,… sẽ được thêm vào stoplist. Đây là những
từ ít mang nghĩa và không ảnh hưởng đến kết quả tìm kiếm nên cần được bỏ đi. Trong
câu truy vấn nếu có từ xuất hiện trong stoplist thì sẽ bị loại ra khỏi danh sách từ khóa.
3.3.2.1.3 Tìm các bản dịch dựa vào MRD:
Bằng cách so khớp chính xác từ trong danh sách từ khóa (từ khóa là kết quả của tách
từ sau khi loại bỏ các từ có trong stoplist) với từ tiếng Việt có trong MRD, chương
trình sẽ tìm ra nghĩa tiếng Anh của từ tiếng Việt. Nếu mục từ đó có từ đồng nghĩa thì
hệ thống sẽ lấy luôn cả từ đồng nghĩa để thêm vào câu truy vấn.
Ở đây có một số vấn đề cần được giải quyết như sau:
? Nếu từ tiếng Việt không có nghĩa tiếng Anh (tiếng Hoa), chỉ có
trường REF thì chương trình sẽ tìm nghĩa của REF để lấy ra nghĩa tiếng
Anh (tiếng Hoa) của từ tiếng Việt đó.
? Chưa xác định được từ loại của các từ khóa, do đó nghĩa tiếng
Anh (tiếng Hoa) của từ tiếng Việt ở tất cả các từ loại sẽ được trả về.
? Nếu từ khóa không được tìm thấy trong từ điển, lúc này có hai
trường hợp xảy ra:
? Từ khóa là tên riêng hoặc là tiếng nước ngoài : trả về chính
từ đó.
? Từ điển thiếu từ: hiện nay chương trình chúng tôi chấp
nhận giải pháp là nếu từ điển thiếu từ nào thì trả về chính từ đó.
(Chúng tôi sẽ cố gắng đến tối đa để hạn chế lỗi này, nhưng công
việc này chỉ ở mức thủ công).
3.3.2.2 Khử nhập nhằng:
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
107
Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
Một trong những khó khăn của việc phát triển CLIR một cách có hiệu quả là việc giải
quyết tính nhập nhằng trong quá trình dịch. Và các nguồn tài nguyên sẵn có cũng là
một vấn đề. Ở đây chúng tôi chọn kỹ thuật dựa trên số liệu thống kê việc đồng xuất
hiện từ ngữ liệu, kỹ thuật này có thể được sử dụng để làm giảm tính nhập nhằng và đạt
được hiệu suất khá cao.
Từ công thức của Lisa chúng tôi sử dụng hai ngữ liệu để khử nhập nhằng : ngữ liệu
đơn ngữ và ngữ liệu song song.
* Đơn ngữ: * Song ngữ: B
Target
Language . b1
A B . b2 . b1 a1 . . A.
a2 . . b2 . Source
Language a3 . . b3 .
.
Hình 3.12: Mô hình khử nhập nhằng dựa trên ngữ liệu đơn ngữ và song ngữ
Đối với ngữ liệu đơn ngữ (khoảng 100.000 câu tiếng Anh và 77.000 câu tiếng Hoa)
chúng tôi áp dụng theo đúng công thức (*). Giả sử câu truy vấn do người dùng nhập
vào là : “mạng máy tính”, bằng phương pháp dịch “word by word” dựa trên từ điển ta
được tập các bản dịch:
“Mạng” có tập bản dịch là T1 = {“net”, “network”, “darn”}
“Máy tính” có tập bản dịch là T2 = {“computer”, “calculator”, “arithmometer” }.
Áp dụng (*) ta tính:
. .
...
Target Language Target Language
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
108
Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
⎟⎟⎠
⎞
⎜⎜⎝
⎛
+
−= 0,),(max),(
ba
ab
nn
baEnn
computernetem
Tương tự tính : em(net, calculator), em(net, arithmometer),…. Sau đó chọn cặp
có tần số lớn nhất là cặp dịch tốt nhất. Trường hợp tần số của các cặp bằng nhau thì ta
chọn cặp đầu tiên là cặp dịch tốt nhất.
Với ngữ liệu song song chúng tôi sử dụng lại công thức tính tần số đồng xuất hiện của
Lisa như trên nhưng a, b sẽ là hai từ ở hai ngôn ngữ khác nhau. Ta giả sử a là từ ở
ngôn ngữ nguồn và b là bản dịch của nó trong ngôn ngữ đích. Khi đó ta sẽ tính tần số
đồng xuất hiện của a và b dựa theo công thức (*) với nab là số lần b là bản dịch của a
trong ngữ liệu song song. Cụ thể như sau:
a = “máy tính”
b thuộc tập bản dịch T = {“computer”, “calculator”, “arithmometer”}
Ta lần lượt tính tần số đồng xuất hiện của từng cặp từ:
co(máy tính, computer) =
( )
computertinhmay
computertinhmay
nn
computertinhmayEnn
+
− ,(,
Tương tự tính co(“máy tính”, “calculator”) và co (“máy tính”, “arithmometer”). Sau
đó ta tìm tần số lớn nhất trong ba tần số trên và chọn bản dịch tốt nhất cho “máy tính”.
Nếu tần số của các cặp từ bằng nhau thì từ đầu tiên trong từ điển sẽ được chọn là bản
dịch tốt nhất.
Sau khi áp dụng cụ thể hai phương pháp trên vào module dịch và khử nhập nhằng
chúng tôi nhận thấy phương pháp khử nhập nhằng dựa trên ngữ liệu song song cho kết
quả tốt hơn ngữ liệu đơn ngữ. Điều này là hợp lý vì đối với ngữ liệu song song ta đã có
các tài liệu được dóng hàng ở mức câu (nghĩa là với một câu tiếng Việt thì ta sẽ có câu
tiếng Anh tương ứng của nó), do đó khi a và b đồng xuất hiện trong một cặp câu thì
xác suất b là bản dịch của a là rất lớn.
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
109
Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
Như đã nói ở trên, ngữ liệu song song là rất hiếm và thường thuộc về một lĩnh vực nào
đó nên việc khử nhập nhằng cũng bị giới hạn. Ngữ liệu song song mà chúng tôi sử
dụng để khử nhập nhằng các bản dịch tiếng Anh được kế thừa từ [16]. Việc khử nhập
nhằng sẽ rất chính xác nếu câu truy vấn cũng nằm trong lĩnh vực này. Còn đối với các
lĩnh vực khác việc khử nhập nhằng sẽ có độ chính xác không cao.
Riêng đối với tiếng Hoa, hiện nay chúng tôi vẫn chưa xây dựng được ngữ liệu song
song cần thiết cho việc khử nhập nhằng nên chúng tôi sẽ sử dụng phương pháp khử
nhập nhằng dựa trên ngữ liệu đơn ngữ cho các bản dịch tiếng Hoa.
3.3.3 Tìm kiếm tài liệu bằng công cụ tìm kiếm:
3.3.3.1 Giới thiệu:
Sau khi câu truy vấn tiếng Việt được dịch và khử nhập nhằng ta sẽ có thêm 2 câu truy
vấn: một câu tiếng Anh và một câu tiếng Hoa. Lúc này ta sẽ gửi cả 3 câu truy vấn
(Việt – Anh – Hoa) cho hệ thống tìm kiếm đơn ngữ để nhận về các tài liệu có liên
quan. Tiếp theo chương trình sẽ trộn cả 3 kết quả tìm được theo trình tự Việt – Anh –
Hoa và hiển thị cho người dùng.
Trong các hệ thống tìm kiếm đơn ngữ trên Internet hiện nay, có thể nói Google là công
cụ tìm kiếm mạnh nhất và rất được ưa chuộng nhờ vào tính chính xác và tốc độ của nó.
Google có khả năng tìm kiếm rất tốt bằng cho nhiều ngôn ngữ khác nhau đặc biệt là
tiếng Anh và tiếng Việt của chúng ta cũng được Google hỗ trợ khá tốt. Do đó , chúng
tôi chọn Google là công cụ hỗ trợ tìm kiếm cho hệ thống tìm kiếm xuyên ngôn ngữ
của mình.
3.3.3.2 Hệ thống tìm kiếm Google:
Nguyên tắc hoạt động của Google [17] là tìm các trang theo đề tài hoặc chủ đề có liên
quan đến câu truy vấn. Khi người dùng nhập vào câu truy vấn bình thường thì Google
sẽ mặc định dùng toán tử AND. Do đó nếu muốn tìm các tài liệu mà trong đó phải
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
110
Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
chứa toàn bộ cụm từ trong câu truy vấn thì chúng ta đặt câu truy vấn trong ngoăc kép
(“”). Điểm đặc biệt của Google là có tìm cả từ đồng nghĩa trong câu truy vấn. Kết quả
Google trả về là các trang đã được sắp xếp theo mức độ quan trọng của chúng. Mức độ
quan trọng này được đánh giá dựa vào số liên kết đến trang đó.
Để tăng hiệu quả cho hệ thống tìm kiếm của mình, chúng tôi còn thêm vào câu truy
vấn các từ đồng nghĩa. Kỹ thuật này gọi là “mở rộng câu truy vấn” (query expansion).
Đối với các từ đồng nghĩa tìm được chúng tôi sử dụng toán tử OR. Tuy nhiên, do từ
điển còn hạn chế, chỉ có một số mục từ có từ đồng nghĩa nên kỹ thuật này vẫn chưa
phát huy tính hiệu quả của nó.
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
111
Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
CHƯƠNG 4: CÀI ĐẶT VÀ THỬ NGHIỆM
Chương này sẽ trình bày cụ thể các kỹ thuật cài đặt cho hệ thống đồng thời trình bày
các thử nghiệm cũng như các kết quả đánh giá của hệ thống tìm kiếm. Nội dung cụ thể
như sau:
? Cài đặt.
? Thử nghiệm.
? Đánh giá.
4.1 Cài đặt:
Chương trình được cài đặt trên nền ASP.Net (C#) và được chạy trực tuyến (on-line ).
Chương trình gồm hai phần : phần chuyển ngữ và phần tìm kiếm. Phần chuyển ngữ có
sử dụng DLL tách từ kế thừa từ [16].
4.1.1 Tiền xử lý:
Các ngữ liệu trước khi sử dụng cần phải qua bước tiền xử lý để phù hợp với hệ thống.
Các chương trình để tiền xử lý gồm có:
? Chương trình xử lý tập tin từ điển ban đầu thành tập tin có cấu trúc theo yêu cầu
của MRD (đã mô tả ở trên).
? Chương trình tính tần số xuất hiện của từ (Việt, Anh, Hoa) dựa trên ngữ liệu
(song ngữ, đơn ngữ)
? Chương trình đánh tag các tập tin kết quả.
4.1.2 Cấu trúc dữ liệu:
Để tăng tốc độ khi tìm kiếm từ điển, cấu trúc của từ điển sẽ được đánh tag và lưu dưới
dạng XML, cấu trúc XML đồng thời cũng rất phù hợp với cấu trúc n-phân đã mô tả ở
trên (chương 3) của từ điển.
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
112
Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
Mỗi từ điển sẽ có nhiều tập tin và mỗi tập tin sẽ được lưu trong một đối tượng XML
Document.
Tương tự như từ điển các tập tin lưu tần số xuất hiện cũng được đánh tag và lưu dưới
dạng XML.
Ngoài mục đích làm tăng tốc độ tìm kiếm, giảm khối lượng lưu trữ, việc lưu trữ toàn
bộ dữ liệu bằng XML còn giúp cho hệ thống có thể dễ cải tiến, mở rộng và ngữ liệu
của hệ thống cũng có thể được sử dụng bằng các hệ thống khác mà không cần phải xử
lý hay xây dựng lại. Vì hiện nay XML là cấu trúc mà bất cứ ngôn ngữ lập trình nào
cũng có thể hiểu được.
4.1.3 Dịch từ từ điển:
Sau khi tách từ và loại bỏ các từ có trong stoplist, danh sách các từ khoá sẽ được dịch
sang tiếng Anh và tiếng Hoa dựa vào từ điển Việt – Anh và từ điển Việt – Hoa. Việc
tìm kiếm này tương đương với câu SQL:
“select TXT_E from Dic where TXT_V = word”
hoặc “select TXT_C from Dic where TXT_V = word”
4.1.4 Khử nhập nhằng :
Trước khi khử nhập nhằng cần phải lưu ngữ liệu vào bộ nhớ. Ngữ liệu được lưu theo
định dạng là mỗi dòng là một câu, để rõ ràng và tiện quản lý, chúng tôi lưu mỗi tâp tin
trong ngữ liệu thành một mảng chuỗi, mỗi phần tử mảng là một câu trong ngữ liệu.
Lưu ý là đối với ngữ liệu song ngữ thì các phần tử có chỉ số chẵn là phần tử lưu câu
tiếng Anh và phần tử có chỉ số lẻ lưu câu tiếng Việt.
Việc khử nhập nhằng dựa trên phương pháp tần số đồng xuất hiện của L. Ballesteros.
Thuật toán như sau:
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
113
Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
? Cách 1: dùng ngữ liệu song ngữ
string KhuNhapNhang(string * arrTran, string word)
{
int i=0;
int max = 0;
int arrFreq[];
Tính tần số của word trong ngữ liệu
for(i=0; i < length(arrTran); i++)
{
Tính tần số của bản dịch i;
arrFreq[i]= tần số đồng xuất hiện của word và bản dịch thứ i
Áp dụng công thức (*)
So sánh max với giá trị vừa tính và gán lại giá trị cho max
}
Tìm phần tử có giá trị max trong arrFreq
return arrTran[vtmax];
}
Hàm tính tần số đồng xuất hiện:
int TinhTSDXH(string srcWord, string desWord)
{
int count = 0;
Lần lượt duyệt qua các cặp câu có trong ngữ liệu
Nếu srcWord xuất hiện trong câu i+1 VÀ desWord xuất hiện trong câu i
thì count++;
return count;
}
? Cách 2: đối với ngữ liệu đơn ngữ
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
114
Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
void KhuNhapNhang(string * arrTran1, string * arrTran2, string & tran1 , string &
tran2)
{
int i=0, j=0;
int max = 0;
int arrFreq[][];
for(i=0; i < length(arrTran1); i++)
{
for(j=0; j < length(arrTran2); j++)
{
Tính tần số của bản dịch i;
Tính tần số của bản dịch j;
arrFreq[i][j] = tần số đồng xuất hiện của bản dịch i và bản dịch
thứ j
Áp dụng công thức (*)
So sánh max với giá trị vừa tính và gán lại giá trị cho max
}
}
Tìm phần tử có giá trị max trong ma trận arrFreq
tran1 = arrTran1[vtmaxi];
tran2 = arrTran2[vtmaxj];
}
Hàm tính tần số đồng xuất hiện:
int TinhTSDXH(string word1, string word2)
{
int count = 0;
Lần lượt duyệt qua các câu có trong ngữ liệu
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
115
Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
Nếu word1 và word2 đồng xuất hiện trong câu i thì
count++;
return count;
}
4.1.5 Tìm kiếm:
Sau khi dịch câu truy vấn sang tiếng Anh và tiếng Pháp, kết quả này sẽ được dùng để
tìm kiếm tài liệu từ Google. Đầu tiên câu truy vấn sẽ được tiền xử lý để có thể gọi
được trên web:
string GetURL (string strQuery)
{
string URL;
URL =
URL += "?ie=utf-8&oe=utf-8&q="+HttpUtility.UrlEncode(szQuery);
return URL;
}
Sau khi gọi Google chương trình sẽ nhận về file kết quả và thực hiện parser để lấy các
tài liệu:
string [] Parser(string strFile)
{
string node[];
int i=0;
Duyệt toàn file.
Tìm vị trí lưu thông tin các tài liệu được trả về
Gán phần tử node[i] cho chuỗi vừa lấy được.
i++;
return node;
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
116
Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
}
4.2 Thử nghiệm:
4.2.1 Module dịch và khử nhập nhằng:
Nhập vào câu truy vấn “phân tích thiết kế hệ thống thông tin”, chọn cách khử nhập
nhằng cho tiếng Anh là “Song ngữ” và tiếng Hoa mặc định là “Đơn ngữ” ta có kết quả
như hình 4.1
Hình 4.1 Module dịch và khử nhập nhằng
4.2.2 Chương trình demo trên web:
Bước 1: chạy chương trình ta sẽ có màn hình giao diện sau:
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
117
Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
1
2 3
4
Hình 4.2 Màn hình giao diện
65
1: Người dùng nhập câu truy vấn
2: Chọn ngôn ngữ đích
3: Chọn ngôn ngữ hiển thị
5: Nút tìm kiếm
4: Chuỗi dịch tiếng Anh
6: Chuỗi dịch tiếng Hoa
Bước 2: Sau khi nhập câu truy vấn: “thiết kế cơ sở dữ liệu phân tán”, chọn ngôn
ngữ đích là “Anh - Hoa” và ngôn ngữ hiển thị là “ngôn ngữ nguồn và ngôn ngữ
đích”, và nhấn vào nút “Tìm kiếm”. Ta có kết quả sau:
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
118
Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
3
1
Hình 4.3 Màn hình kết quả
2
1: Tài liệu tiếng Việt
2: Tài liệu tiếng Anh
3: Tài liệu tiếng Hoa
4.3 Đánh giá :
4.3.1 Module dịch và khử nhập nhằng:
Chúng tôi đã thực hiện việc dịch và khử nhập nhằng trên 100 câu tiếng Việt bao gồm
40 câu trong lĩnh vực tin học và 60 câu trong các lĩnh vực khác.
Kết quả của chuyển ngữ và khử nhập nhằng tiếng Anh được trình bày ở bảng 4.1
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
119
Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
Song ngữ Đơn ngữ Khử nhập nhằng
Lĩnh vực
Đúng (câu) Tỉ lệ Đúng (câu) Tỉ lệ
Tin học 36 90% 31 77,5%
Các lĩnh vực khác 50 83,33% 40 66,67%
Bảng 4.1: Kết quả dịch và khử nhập nhằng tiếng Anh
Từ các kết quả thống kê của bảng 4.1 ta dễ dàng nhận thấy việc khử nhập nhằng dựa
trên ngữ liệu song ngữ cho độ chính xác khá cao, đặc biệt là trong lĩnh vực tin học. Kết
quả này là hợp lý vì ngữ liệu song ngữ dùng để khử nhập nhằng thuộc về lĩnh vực tin
học. Tuy nhiên, kết quả đối với các lĩnh vực khác cũng khá cao, nguyên nhân là do đối
với các lĩnh vực khác thì sự nhập nhằng của các bản dịch cũng không nhiều, và thường
bản dịch đầu tiên trong từ điển là bản dịch phổ biến nên cho kết quả dịch là khá chính
xác.
Kết quả chuyển ngữ và khử nhập nhằng tiếng Hoa:
Song ngữ Đơn ngữ Khử nhập nhằng
Lĩnh vực
Đúng (câu) Tỉ lệ Đúng (câu) Tỉ lệ
Tin học 25 62,5%
Các lĩnh vực khác 39 65%
Bảng 4.2: Kết quả dịch và khử nhập nhằng tiếng Hoa
Riêng đối với tiếng Hoa, do vẫn chưa xây dựng được ngữ liệu song ngữ nên chỉ có thể
khử nhập nhằng dựa trên ngữ liệu đơn ngữ. Tuy nhiên, ngữ liệu đơn ngữ mà chương
trình sử dụng không thuộc một lĩnh vực chuyên nào nên kết quả khử nhập nhằng chưa
cao. Trong tương lai, chúng tôi sẽ phát triển và hoàn thiện hơn nữa độ chính xác của
qui trình khử nhập nhằng tiếng Hoa
4.3.2 Chương trình tìm kiểm trên Web:
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
120
Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
Đối với chương trình tìm kiếm trên web, độ hiệu quả là khá cao, chương trình có thể
trả về các tài liệu tiếng Anh và tiếng Hoa tương đương với khi người dùng tìm kiếm
trực tiếp bằng tiếng Anh và tiếng Hoa trên Google. Đây là một kết quả đáng khích lệ.
Tuy nhiên, tốc độ tìm kiếm của chương trình lại phụ thuộc khá nhiều vào tính ổn định
của đường truyền mạng. Với chất lượng của đường mạng khá tốt thì thời gian chương
trình download các tài liệu chỉ mất khoảng 10s, thời gian tối đa để lấy tài liệu là 60s.
Nếu thời gian lấy tài liệu về từ Google lớn hơn 60s thì chương trình sẽ không hiện
được kết quả. Khuyết điểm này hiện nay vẫn chưa được khắc phục.
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
121
Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
Chương 5: KẾT LUẬN và HƯỚNG PHÁT TRIỂN
5.1 Kết luận:
Hệ thống tìm kiếm xuyên ngữ Việt – Anh – Hoa là hệ thống tìm kiếm xuyên ngữ đầu
tiên ở Việt Nam. Mặc dù vẫn còn một số hạn chế nhưng hệ thống đã đạt được một số
thành công nhất định. Hệ thống cho thấy việc tìm kiếm xuyên ngữ bằng tiếng Việt tuy
khác các ngôn ngữ khác nhưng hoàn toàn có thể thực hiện được.
Ngoài mục đích minh họa cho hai loại hình ngôn ngữ tiêu biểu, việc lựa chọn tiếng
Anh và tiếng Hoa cho hệ thống còn mang nhiều ý nghĩa khác. Tiếng Anh là một ngôn
ngữ quốc tế phổ biến và thông dụng, đối với tiếng Hoa, là ngôn ngữ có số lượng người
nói nhiều nhất trên thế giới; thông qua hệ thống người dùng có thể tiếp cận với kho
thông tin khổng lồ trên thế giới.
Những thành công mà hệ thống đạt được là nhờ may mắn kế thừa các kết quả từ [16].
Việc sử dụng công cụ tách từ đạt độ chính xác đến 98% là một khởi đầu tốt cho hệ
thống. Mặt khác điểm chính của hệ thống là khử nhập nhằng các bản dịch, mà qui
trình này đòi hỏi phải có ngữ liệu. Nếu không có kho ngữ liệu thì chắc chắn việc khử
nhập nhằng sẽ không đạt được độ chính xác cao. Và ngữ liệu song ngữ từ [11] lại là
một đóng góp vô cùng quan trọng cho hệ thống. Trong thời gian sắp tới chúng tôi sẽ
tiếp tục phát triển và nâng cao tính hiệu quả của hệ thống.
5.2 Huớng phát triển:
5.2.1 Đối với từ điển và ngữ liệu:
? MRD Việt – Anh mà chúng tôi xây dựng có cấu trúc khá đầy đủ (gồm cả
trường lĩnh vực, tham chiếu và đồng nghĩa) tuy nhiên số lượng các mục từ còn
hạn chế đặc biệt là các từ ghép và thuật ngữ chuyên ngành. Một MRD đầy đủ
hơn sẽ giúp cho giai đoạn chuyển ngữ đạt độ chính xác cao hơn. Tuy nhiên,
việc mở rộng từ điển đòi hỏi thời gian và công sức khá lớn.
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
122
Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
? MRD Anh – Hoa có cấu trúc khá đơn giản. Việc bổ sung thêm những trường
như lĩnh vực, đồng nghĩa là khả thi dựa vào ngữ liệu song song.
? Ngữ liệu là nguồn tài nguyên vô cùng quí và hiếm. Những ngữ liệu mà chúng
tôi dùng hiện nay là ngữ liệu song ngữ Việt – Anh (về lĩnh vực tin học) và ngữ
liệu đơn ngữ tiếng Hoa (thu thập từ các bài báo tiếng Hoa). Trong tương lai,
chúng tôi sẽ cố gắng bổ sung một số ngữ liệu ở lĩnh vực khác để việc khử nhập
nhằng đạt hiệu quả cao hơn.
5.2.2 Đối với IR Engine:
? Trong luận văn này chúng tôi sử dụng Google như là một IR Engine. Ngoài
Google hiện nay còn có rất nhiều công cụ mạnh khác có khả năng tìm kiếm trên
Internet. Để tăng tính hiệu quả của việc tìm kiếm, chúng ta hoàn toàn có thể gọi
thực thi các search engine khác.
? Trên thực tế các hệ thống tìm kiếm có IR Engine riêng biệt để làm công việc
tìm kiếm cụ thể. Chẳng hạn, hệ thống tìm kiếm xuyên ngữ mà chúng tôi xây
dựng có thể dùng ba IR Engine khác nhau (VIR Engine, EIR Engine và CIR
Engine) để tìm kiếm thông tin cần tìm cho ba loại ngôn ngữ Việt – Anh – Hoa.
Như vậy hướng phát triển trong tương lai là xây dựng các IR Engine chuyên
biệt cho từng ngôn ngữ giúp tăng độ chính xác khi tìm kiếm thông tin. Lúc đó
hệ thống có thể được xây dựng theo mô hình sau:
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
123
Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
Người dùng
Câu truy vấn bằng
tiếng Việt
? Trong các IR Engine chúng ta có thể dùng kỹ thuật local feedback để mở rộng
câu truy vấn, làm phong phú hơn tài liệu tìm kiếm .
5.2.3 Mở rộng ngôn ngữ tìm kiếm cho hệ thống:
Với giả thuyết là các nguồn tài nguyên từ điển và ngữ liệu của một ngôn ngữ khác
(chẳng hạn như tiếng Pháp) là khá đầy đủ thì hệ thống của chúng tôi hoàn toàn có thể
tìm kiếm tài liệu có liên quan đến câu truy vấn trong ngôn ngữ đó. Việc bổ sung các
ngôn ngữ khác cho hệ thống chỉ là vấn đề thời gian.
Bộ dịch
Bộ khử nhập nhằng
Các từ điển
Câu truy vấn
tiếng Anh
Câu truy vấn
tiếng Hoa
Các tài liệu có liên
quan đến câu truy vấn
bằng ba ngôn ngữ
Việt - Anh - Hoa
EIR Engine
Ngữ liệu
VIR Engine CIR Engine
Hình 5.1 Mô hình của hệ thống truy xuất xuyên ngữ Việt – Anh –
Hoa (dùng ba IR Engine)
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
124
Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
PHỤ LỤC
1. DANH SÁCH CÁC PHỤ TỐ TIẾNG ANH:
HẬU TỐ DẪN XUẤT
Stt Hậu tố Nghĩa tiếng Việt Ghi chú, Ví dụ
1. ability khả_năng ~ readability (khả_năng đọc)
2. able có_thể ~ được;
khả_~
readable (có_thể đọc được),
transferrable (khả_chuyển)
3. ably có_thể ~ được;
khả_~
interchangeably (có_thể hoán_đổi
được), transferrably (khả_chuyển)
4. al (thuộc về) ~ national (quốc_gia)
5. ance sự ~ assistance (sự trợ_giúp)
6. ant ~ assistant (trợ_giúp)
7. ate Làm cho ~ fascinate (làm cho chặt)
8. ation sự ~ decoration (sự-trang_trí)
9. cation sự ~ application (sự-áp_dụng)
10. ed* (đã được / bị) ~ closed-door (cửa bị đóng)
11. ee người/vật được interviewee (người được phỏng_vấn)
12. en Làm bằng ~ golden (làm bằng vàng)
13. en Làm cho ~ shorten (làm cho ngắn)
14. ence sự ~ dependence (sự-phụ_thuộc)
15. ent ~ referent (tham_khảo)
16. er* người/máy ~ printer (thợ_in, máy_in)
17. ese tiếng/người ~ Japanese (tiếng_Nhật), Vietnamese
18. ful ~ đầy handful (nắm_tay đầy), cupful
19. hood thời_kỳ ~ childhood (thời_kỳ niên_thiếu)
20. ial (thuộc về) ~ sentential (thuộc về câu)
21. ian người ~, ~_viên technician (kỹ_thuật_viên)
22. ibility khả_năng ~ comprehensibility (khả_năng hiểu)
23. ible có_thể ~ được;
khả_~
visible (có_thể nhìn thấy được),
visible (khả_kiến)
24. ibly có_thể ~ được; visibly (có_thể nhìn thấy được),
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
125
Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
khả_~ visible (khả_kiến)
25. ic (có tính) ~ graphic (đồ_hoạ)
26. ing* (đang) ~ running car (xe_hơi đang chạy)
27. ion sự ~ action (hành_động)
28. ise/ize ~_hóa normalise/-ize (bình_thường_hoá)
29. ism chủ_nghĩa ~ socialism (chủ_nghĩa xã_hội)
30. ist người ~, nhà_~ scientist (nhà_khoa_học)
31. ity sự ~ activity (sự-hoạt_động)
32. ive ~ active (tích_cực)
33. less không có ~; bất_~,
vô_~
careless (bất_cẩn, không cẩn_thận)
34. let ~ nhỏ booklet (cuốn-sách nhỏ)
35. like giống như ~ humanlike (giống như người)
36. ly (một cách) ~ strongly (một cách mạnh_mẽ)
37. Ment sự ~ replacement (sự-thay_thế)
38. ness sự ~ brightness (sự-chói_sáng)
39. Logy (ngành)_~_học etymology (ngành_từ_nguyên_học)
40. or người/máy_~ editor (người_hiệu_đính),
generator (máy_phát)
41. st,nd,rd,t
h
thứ ~ 31st, 32nd, 33rd ,34th (thứ 31,32,32,34)
42. tion sự ~ evolution (sự-tiến_triển)
43. Tive ~ talkative (hay nói)
44. Y có ~ cloudy, rocky (có mây, có đá)
Lưu ý:
• Dấu ~ để đại diện cho thân từ.
• Các hậu tố đánh dấu * là những hậu tố bị trùng với hậu tố của biến cách.
TIỀN TỐ DẪN XUẤT
Stt Tiền tố Nghĩa tiếng Việt Ghi chú, Ví dụ
1. Anti chống ~, kháng_~ antivirus (chống virút),
antibody (kháng_thể)
2. Auto ~ tự_động autocar (xe_hơi tự_động)
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
126
Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
3. Bi Hai ~, lưỡng_~ bicenter (lưỡng_tâm)
4. Centi Xen-ti_~ centimeter (xen_ti_mét)
5. Co đồng_~ co-author (đồng_tác_giả)
6. Counter trái ngược với ~ counterclockwise (ngược chiều kim
đồng_hồ)
7. De khử_~, giải_~ decode (giải_mã)
8. Dis khử_ discharge (khử_tích_điện)
9. Former cựu_~ former-president (cựu_tổng_thống)
10. Giga gi_ga_~ gigabyte (gi_ga_byte)
11. Hexa sáu ~, lục_~ hexagon (lục_giác)
12. Hyper siêu_~ hypertext (siêu_văn bản)
13. in, il, im,
ir (*)
không ~, bất_~,
vô_~
illiterate (không biết chữ), impatient
(không kiên_nhẫn), irregular
(bất_quy_tắc)
14. Inter ~ lẫn nhau, liên_~ interconnection (kết_nối lẫn nhau)
15. Kilo kí_lô_~ kilogram (kí_lô_gam)
16. Macro ~ vĩ mô macro-economy (kinh_tế vĩ_mô)
17. Mega mê_ga_~ megawatt (mê_ga_oát)
18. Meta siêu ~ metavariable (siêu_biến)
19. Micro vi_~ micro-instruction (vi_lệnh)
20. Mid giữa ~, trung ~ midterm (giữa kỳ, trung_hạn)
21. Milli mi_li ~ millimeter (mi_li_mét)
22. Mis ~ sai, ~ lầm mismatch (không trùng nhau)
23. Mono đơn_~ monotone (đơn_điệu)
24. Multi đa_~ multi-media (đa_phương_tiện)
25. Nano na_nô ~ nanofarad (na_nô_fara)
26. Non không ~, phi ~ non-profit (không lợi_nhuận)
27. Oct tám ~, bát_~ octal (bát_phân)
28. Over quá_~ overload (quá_tải)
29. Pent năm ~, ngũ_~ pentagon (ngũ_giác)
30. Photo quang_~ photo-electronic (quang_điện_tử)
31. Pico pi_cô_~ picofarad (pi_cô_farad)
32. Post hậu_~, sau ~ post-graduate (sau đại_học)
33. Pre tiền_~ pre-process (tiền_xử_lý)
34. Pseudo ~_giả pseudo-code (mã_giả)
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
127
Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
35. Quad bốn ~, tứ ~ quadruple (bộ bốn)
36. Re ~ lại, tái_~ re-calculate (tính_toán lại)
37. Self tự_~ self-educate (tự_học)
38. Semi bán_~ semi-conductor (bán_dẫn)
39. Stereo ~ nổi stereo-image (hình_ảnh_nổi)
40. Sub ~_con, ~ phụ subprogram (chương_trình_con)
41. Super siêu_~ super-conductor (siêu_dẫn)
42. Tele ~ từ xa, viễn ~ tele-meter (đo_lường từ xa)
43. Tera tê_ra_~ terabyte (tê_ra_byte)
44. Tri ba ~, tam_~ triangle (tam_giác), tripod (ba cực)
45. Ultra cực_~ ultraviolet (cực_tím)
46. Un không ~ unhappy (không hạnh_phúc)
47. Under dưới ~,hạ ~, ~thấp under-estimate (đánh_giá thấp)
48. Vice phó ~ vice-director (phó_giám_đốc)
(*): “in-” biến thể thành “il-” khi đứng trước “l”; thành “im-” khi đứng trước “b”,
“m” hay “p” và thành “ir-” khi đứng trước “r”.
Lưu ý: dấu gạch dưới (“_”) để nối các hình vị trong cùng một từ của tiếng Việt.
2. DANH SÁCH CÁC PHÓ TỪ TIẾNG VIỆT:
DANH TỪ CHỈ LOẠI (KHÔNG PHẢI ĐỘNG VẬT )
Stt Loại từ Ví dụ Ghi chú
1. Ang Văn
2. Bài thơ, diễn văn,
3. bản tuyên ngôn, tài liệu, tiểu thuyết
4. bộ từ điển, máy,
5. bông hoa,
6. bức tranh, thư, tượng, vách, ảnh
7. cái Bàn, ghế, đầu, thuyền;
khuyết điểm, tâm trạng
chiếm đa số cho các danh từ cụ
thể cũng như trừu tượng
8. cây nến, đèn, roi, bút, súng, đàn, tăm vật có hình trụ, dài
9. căn phòng, nhà
10. chiếc Bàn, ghế, thuyền, chỉ sự lẻ loi
11. con Dao, thuyền, sông, con đa số được dùng chỉ động
vật
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
128
Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
12. cơn gió,
13. cuốn Sách, tập, vở, tiểu thuyết sự vật đóng thành quyển
14. đoá Hoa
15. hòn đạn, bi, núi có dạng tròn
16. khẩu súng, đại bác
17. lá Bùa, thư, phiếu, đơn có dạng dẹp giống lá cây
18. làn Gió
19. màn kịch,
20. món Quà, nợ,
21. nền Văn hoá, độc lập, khoa học, chỉ danh từ trừu tượng
22. nóc Nhà
23. ngọn cờ, núi,
24. ngôi Nhà, đền, mộ, (sao) chỉ công trình xây dựng
25. pho tượng, truyện, sách
26. quả Bom, núi, có hình tròn (giống trái cây)
27. quyển Sách, vở
28. tấm ảnh, tranh, bảng, bìa
29. tấn tuồng, kịch
30. toà Nhà, lâu đài chỉ công trình xây dựng
31. thanh gươm, kiếm
32. thửa ruộng, đất
33. vì sao, vua
34. vở kịch, tuồng
DANH TỪ CHỈ LOẠI (NGƯỜI/CON VẬT)
Stt Loại từ Ví dụ Ghi chú
1. anh Sinh viên, cán bộ
2. bà chủ nhiệm, vợ
3. bác thợ, phu xe
4. chị Giáo viên, nhà báo
5. bậc vĩ nhân, anh hùng trọng
6. cái Tí, Tỉu
7. cậu học trò, con trai
8. con Gián điệp, mẹ mìn Khinh
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
129
Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
9. con Trâu, bò, gà chỉ dùng cho con vật
10. cô dược sĩ, y tá
11. chàng thi sĩ, văn nhân văn chương
12. chú Liên lạc, tài xế
13. đấng Anh hùng, thánh thần trọng
14. em học sinh, nhi đồng
15. lão quản gia, tri huyện khinh
16. mụ Đàn bà, vợ khinh
17. nàng công chúa, tiên văn chương
18. người Giáo viên, thợ nề
19. tay thầu khoán, nhà buôn khinh
20. tên sĩ quan địch, nguỵ binh khinh
21. thằng quỷ sứ, mật thám khinh
22. vị phụ lão, chủ tịch trọng
23. viên sĩ quan, đại uý
24.
DANH TỪ CHỈ ĐƠN VỊ QUY ƯỚC
Stt Từ Tiếng Anh Ví dụ Ghi chú
1. cân pound thịt
2. chai bottle rượu
3. chuyến time tàu, hàng đây là đơn vị lâm thời
4. cục clot Đá
5. dãy Row, line Nhà dùng với danh từ tập hợp
6. đàn herd Gà dùng với danh từ tập hợp
7. đoàn herd, người dùng với danh từ tập hợp
8. đoạn section, Văn
9. giấc sleep,slunker ngủ đây là đơn vị lâm thời
10. giọt drop nước
11. gói pack thuốc lá
12. hạt grain, drop cát, gạo
13. hàng Row, line Cây dùng với danh từ tập hợp
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
130
Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
14. hột grain gạo
15. hòn Ball, piece Đá
16. lít litter rượu
17. lon jar, pot, can gạo
18. miếng piece thịt
19. sợi string, thread dây, chỉ
20. tấn Ton sắt, vàng
21. thìa spoon Canh
22. thước metter vải
23. thúng basket gạo
24. thùng barrel, cask rượu
25. tờ sheet giấy
26. trận battle Mưa đây là đơn vị lâm thời
27. xâu thread, string Cá
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
131
Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
TÀI LIỆU THAM KHẢO
[1] Lisa Ballesteros, W.Bruce Croft . “Statistical Methods for Cross-Language
Information Retrieval ”. Computer Science Department – University of Massachusetts.
[2] Christian Fluhr, Dominique Schmit, Philippe Ortet, Faza Elkateb, Karine Gurtner,
Khaled Radwan. “Distributed Cross-Lingual Informtion retrieval”. DIST/SMTI CEA-
Saclay France.
[3 ] Mark. W .Davis and Ted. E. Dunning, March 1995. Query translation using an
evolutionary programming for multi-lingual information retrieval. In proceeding the
Fourth Annual Conference on Evolutionary Programming.
[4] Michael L. Littman, Susan T. Dumais, Thomas K. Landauer, “Automatic Cross-
Language Information Retrieval using Latent Semantic Indexing”, Computer Science
Department, Brown University.
[5] Lisa Ballesteros, W. Bruce Croft, Resolving Ambiguity for Cross-language
Retrieval, 1997.
[6] Lisa Ballesteros, W. Bruce Croft, Phrase Translation and Query Expansion
Techniques for Cross-Language Information Retrieval, 1997
[7 ] Yamabana Kiyoshi, Muraki Kazunori, Doi Shinichi, Kamei Shin-ichiro . “A
language conversion front-end for Cross-language Information Retrieval ”.
[8] Atsushi Fuiji and Tetsuya Ishikawa. 9.2002. “Japanise/English Cross-Language
Information Retrieval: Exploration of Query Translation and Translisteration”.
[9] J.S.Chang, Y.C.Lin, Y.K.Su (1995). “Automatic Construction of a Chinese
Electronic Dictionary”. Proceedings of Workshop of ACL-1995, pp.107-120.
[10] Hoàng Phê (1998), Từ điển tiếng Việt, Trung tâm từ điển học, NXB Đà Nẵng.
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
132
Hệ thống tìm kiếm thông tin xuyên ngôn ngữ Việt – Anh – Hoa
[11] Đinh Điền (2004), “Một số vấn đề trong việc xây dựng từ điển tiếng Việt điện
tử”, Tập san Khoa học Xã hội và Nhân văn – ĐH Khoa học Xã hội & Nhân văn TP
HCM, 2004 (27), trang 37 – 46.
[12] George Miller (2000): Introduction to WordNet,
[13] Dien Dinh, Kiem Hoang, Toan Nguyen Van (2001), “Vietnamese Word
Segmentation”, Proceedings of NLPPRS’01 (The 6th Natural Language Processing
Pacific Rim Symposium), Tokyo, Japan, 11/2001, pg 749-756.
[14] Tsai, C. H. (1996), MMSEG: A word identification system for Mandarin
Chinese text based on two variations of the maximum matching algorithm,
Unpublished manuscript, University of Illinois at Urbana-Champaign.
[15] Mark W. Davis và William C.Ogden , 1997. “Implementing Cross-Language
Text Retrieval Systems for Large-scale Text Collections and the World Wide Web”.
Computing Research Laboratory – New Mexico State Univeristy
[16] Đinh Điền (2005). “Xây dựng và khai thác kho ngữ liệu song ngữ Anh – Việt”.
Luận án tiến sĩ ngôn ngữ học, Trường đại học Khoa học Xã hội và Nhân văn.
[17] Lê Thuý Ngọc, Đỗ Mỹ Nhung, Tìm hiểu về Search Engine và xây dựng ứng
dụng minh hoạ cho Search Engine tiếng Việt, Luận văn cử nhân tin học, GVHD:
Nguyễn Thị Diễm Tiên.
GVHD: TS. Hồ Bảo Quốc Nguyễn Thị Hồng Nhung - 0112235
TS. Đinh Điền Nguyễn Thị Tuyết Mai - 0112229
133
Các file đính kèm theo tài liệu này:
- CNTT1009.pdf