Xây dựng kho ngữ liệu du lịch song ngữ Việt–Anh gióng hàng mức câu cho dịch máy

Các công trình nghiên cứu phát triển Công nghệ Thông tin và Truyền thông
Xây dựng kho ngữ liệu du lịch song ngữ
Việt–Anh gióng hàng mức câu cho dịch máy
Nguyễn Tiến Hà1, Nguyễn Thị Minh Huyền2, Nguyễn Minh Hải2
1Trung tâm Giáo dục Thường xuyên tỉnh Phú Thọ
2Trường Đại học Khoa học Tự nhiên, Đại học Quốc gia Hà Nội
Tác giả liên hệ: Nguyễn Tiến Hà, tienhapt@gmail.com
Ngày nhận bài: 11/08/2017, ngày sửa chữa: 03/05/2018, ngày duyệt đăng: 25/07/2018
Xem sớm trực tuyến: 08/11/2018, định danh DOI: 10.32913/rd-ict.vol1.no39.550
Biên tập lĩnh vực điều phối phản biện và quyết định nhận đăng: PGS. TS. Nguyễn Lê Minh
Tóm tắt: Kho ngữ liệu song ngữ được gióng hàng mức câu là một dạng tài nguyên ngôn ngữ quan trọng được sử dụng
trong nhiều ứng dụng của xử lý ngôn ngữ tự nhiên, như: nghiên cứu ngôn ngữ học so sánh, tìm kiếm thông tin xuyên
ngữ, xây dựng từ điển song ngữ. Đặc biệt trong lĩnh vực dịch máy, chất lượng và độ lớn của kho ngữ liệu song ngữ có
vai trò quyết định đến chất lượng dịch. Các hệ thống dịch máy hiện nay vẫn cần được cải tiến để xử lý nhiều hiện tượng
ngôn ngữ. Các hệ thống dịch máy huấn luyện trên miền tổng quát thường có chất lượng kém khi ứng dụng vào văn bản
trên miền hạn chế. Một giải pháp cho vấn đề này là kết hợp mô hình dịch trên miền tổng quát và miền hạn chế. Để làm
được điều đó, việc xây dựng được kho ngữ liệu trên miền hạn chế là rất cần thiết. Bài báo này trình bày việc xây dựng
một kho ngữ liệu song ngữ Việt–Anh trong lĩnh vực du lịch và cải thiện một công cụ gióng hàng ở mức câu đã có cho
văn bản song ngữ Việt–Anh, đạt được độ chính xác trên 90% cho các tập dữ liệu của chúng tôi. Với sự trợ giúp của công
cụ này, chúng tôi đã xây dựng được kho ngữ liệu song ngữ Việt–Anh miền du lịch có gióng hàng mức câu, cho phép
huấn luyện mô hình dịch máy Việt–Anh tăng được khoảng 8,79 điểm BLEU so với các mô hình được huấn luyện trên
miền tổng quát.
Từ khóa: Dịch máy thống kê, dịch máy Việt–Anh, dữ liệu song ngữ, gióng hàng song ngữ, kho văn bản du lịch.
Title: Building a sentence-aligned Vietnamese–English bilingual corpus in tourism domain for machine translation
Abstract: Sentence-aligned bilingual corpora constitute an important language resource for many applications in natural language
processing, such as comparative linguistics, cross-language information retrieval, bilingual dictionary construction. In
machine translation, in particular, the quality and the size of bilingual corpora plays a crucial role in translation quality.
Present machine translation systems still need to be improved to handle many linguistic phenomena. Translation systems
trained on general-domain corpora usually perform poorly on texts from a specific domain. A solution is to combine
the general-domain translation model with a specific-domain translation model. Consequently, the construction of
annotated bilingual corpora in specific domains is important. In this paper, we present our work on the construction of
a Vietnamese–English bilingual corpus in the field of tourism, and the improvement of an existing sentence alignment
tool for Vietnamese–English bilingual texts, with the accuracy of above 90% on our different datasets. With the help
of this tool, we build a sentence-aligned tourism domain corpus which, when used to train a Vietnamese–English
translation model, allows an improvement of about 8.79 BLEU scores in comparison with the models trained with only
parallel general domain texts.
Keywords: Bilingual data, bilingual alignment, statistical machine translation, tourism domain corpus, Vietnamese–English
machine translation.
I. GIỚI THIỆU
Kho ngữ liệu song ngữ gióng hàng ở mức câu là tài
nguyên ngôn ngữ quan trọng cho nhiều ứng dụng của xử
lí ngôn ngữ tự nhiên, như nghiên cứu ngôn ngữ học so
sánh, tìm kiếm thông tin xuyên ngữ, xây dựng từ điển song
ngữ, đặc biệt là để huấn luyện các hệ thống dịch máy dựa
vào thống kê, ví dụ như hệ thống MOSES [1]. Chất lượng
dịch của một hệ thống dịch máy dựa vào thống kê chịu
ảnh hưởng rất nhiều bởi kích thước và chất lượng của kho
ngữ liệu song ngữ. Bên cạnh đó, các hệ dịch máy huấn
luyện trên miền tổng quát có chất lượng giảm đi rõ rệt khi
ứng dụng vào dịch văn bản trên miền hạn chế. Do vậy, khi
triển khai hệ thống dịch máy thống kê trên một miền hạn
chế, việc xây dựng kho ngữ liệu phù hợp là một nhiệm vụ
thiết yếu.
9
Các công trình nghiên cứu phát triển Công nghệ Thông tin và Truyền thông
Vấn đề dịch máy Anh–Việt trên miền tổng quát đã được
nhiều nhóm nghiên cứu quan tâm. Đặc biệt đã có những kho
ngữ liệu song ngữ Anh–Việt được xây dựng cho dịch máy
trên miền tổng quát như kho VLSP gồm 100000 cặp câu
được xây dựng bởi các nhóm nghiên cứu trong khuôn khổ
đề tài VLSP KC01/06-101, hay kho ngữ liệu EVBCorpus
gồm 800000 cặp câu [2].
Trong bài báo này, chúng tôi quan tâm tới bài toán dịch
trên miền văn bản du lịch. Hiện nay, lượng khách du lịch
nước ngoài đến du lịch tại Việt Nam là khá lớn, theo
thống kê của Tổng cục Du lịch Việt Nam, 9 tháng đầu
năm 2016, lượng khách quốc tế đến Việt Nam là 7.265.380
lượt khách2. Nhu cầu tra cứu thông tin du lịch hầu hết bằng
tiếng Anh của du khách rất lớn. Gần đây cũng đã có đề tài
về dịch tiếng nói cho các hội thoại nhằm phục vụ khách du
lịch3. Bài báo này tập trung vào chủ đề dịch máy Việt–Anh
cho văn bản trong lĩnh vực du lịch, nhằm hỗ trợ cho việc
truyền bá các thông tin du lịch của các địa phương. Cụ thể,
chúng tôi đặt mục tiêu cải thiện chất lượng dịch văn bản du
lịch bằng việc thực hiện xây dựng kho ngữ liệu song ngữ
Việt–Anh gióng hàng ở mức câu với kích thước lớn trên
miền hạn chế là thông tin du lịch. Việc xây dựng này bao
gồm hai nhiệm vụ: thứ nhất là thu thập văn bản song ngữ
Việt–Anh về chủ đề du lịch, thứ hai là phát triển nâng cấp
một phần mềm gióng hàng câu hiệu quả cho văn bản song
ngữ Việt–Anh nhằm hỗ trợ việc gióng hàng kho văn bản
song ngữ. Chúng tôi cũng chỉ ra rằng kho ngữ liệu song
ngữ có gióng hàng đã xây dựng thực sự có giá trị nâng cao
chất lượng dịch văn bản Việt–Anh thuộc lĩnh vực du lịch.
Trong mục II của bài báo chúng tôi trình bày các bước
xây dựng một kho ngữ liệu song ngữ có gióng hàng câu.
Mục III trình bày việc xây dựng kho ngữ liệu du lịch song
ngữ Việt–Anh, việc cải tiến một công cụ tự động gióng
hàng mức câu và ứng dụng công cụ đó trong việc gióng
hàng kho ngữ liệu thu được. Mục IV trình bày kết quả thực
nghiệm ứng dụng kho ngữ liệu đã xây dựng vào hệ thống
dịch máy Việt–Anh cho dữ liệu văn bản du lịch. Mục V
đưa ra kết luận và định hướng nghiên cứu tiếp theo.
II. PHƯƠNG PHÁP THU THẬP NGỮ LIỆU SONG
NGỮ VÀ GIÓNG HÀNG CÂU
Giai đoạn đầu tiên trong tiến trình xây dựng kho ngữ
liệu song ngữ có gióng hàng mức câu là thu thập văn bản
song ngữ. Có hai phương pháp cơ bản thu thập văn bản
song ngữ, đó là phương pháp thủ công [3] và phương pháp
tự động [4].
1https://vlsp.hpda.vn/demo/?page=resources.
2
3Đề tài Nhà nước KC01.03/11-15: Nghiên cứu phát triển hệ thống dịch
tiếng nói hai chiều Việt–Anh, Anh–Việt có định hướng lĩnh vực.
Phương pháp thủ công [3]: Chụp ảnh hoặc scan các
sách báo, tài liệu, bảng thông tin, v.v. rồi dùng các phầm
mềm xử lí để tách văn bản; gõ lại văn bản; hoặc tìm các
dữ liệu đã số hóa, chẳng hạn như các trang web, rồi trích
xuất văn bản ra. Ưu điểm của phương pháp này là cho
phép thu thập được từ nhiều nguồn văn bản song ngữ khác
nhau trong đó có cả những nguồn chưa được số hóa, nhưng
nhược điểm là tốn rất nhiều công sức, tiền bạc và thời gian.
Phương pháp tự động [4]: Chủ yếu dùng các chương
trình gom tự động các dữ liệu trên mạng Internet rồi trích
chọn văn bản song ngữ có sự tương đương dịch. Sau đó,
cần kiểm tra lại bằng phương pháp thủ công để loại bỏ các
kết quả không như ý. Ưu điểm của phương pháp này là cho
phép thu thập văn bản song ngữ nhanh và tốn ít chi phí,
nhưng nhược điểm là nguồn dữ liệu song ngữ thu thập bị
hạn chế. Trong thực tế, phương pháp này chỉ có thể áp dụng
để thu thập văn bản song ngữ từ các trang web song ngữ.
Mỗi phương pháp thu thập văn bản song ngữ đều có ưu
và nhược điểm của nó. Qua tìm hiểu, chúng tôi nhận thấy
ngữ liệu du lịch song ngữ Việt–Anh khá ít và phân tán ở
nhiều nguồn khác nhau, như sách, sổ tay, bảng thông báo,
hay website song ngữ, nên phương pháp thu thập tự động
thu được ít dữ liệu. Do vậy, chúng tôi chủ yếu dùng phương
pháp thu thập dữ liệu du lịch song ngữ một cách thủ công.
Giai đoạn thứ hai là gióng hàng mức câu các văn bản
song ngữ thu thập được. Phương pháp gióng hàng văn bản
song ngữ mức câu đầu tiên dựa trên độ dài câu được Brown
và cộng sự đề xuất năm 1991 [5]. Độ dài câu được tính
bằng số lượng từ (token) có trong câu. Thuật toán giả thiết
rằng độ dài của một câu bất kì và bản dịch của nó có sự
phụ thuộc chặt chẽ. Thuật toán gióng hàng hai văn bản
dựa vào mô hình Markov ẩn. Gale và Church [6] cũng có
hướng tiếp cận tương tự nhưng hai ông đo độ dài câu bằng
số lượng kí tự và áp dụng thuật toán quy hoạch động.
Kay và Ro¨scheisen [7] giả định nếu hai câu là gióng
hàng của nhau thì các từ của chúng cũng phải tương ứng.
Ban đầu, một ma trận các cặp ứng viên câu gióng hàng với
nhau được khởi tạo với cặp câu đầu, cuối văn bản và mỗi
cặp câu ở giữa phân bố gần đường chéo cũng được giả định
gióng với nhau. Sau đó, tính toán tần suất của các cặp từ
xuất hiện đồng thời trong cặp câu ứng viên. Bảng các cặp
câu ứng viên được cập nhật dựa trên số lượng cặp từ có
tần suất cao mà cặp câu đó chứa. Các cặp từ với tần suất
rất cao tạo thành các điểm neo mới để cập nhật giả định
gióng hàng các câu ở giữa. Thuật toán lặp đi lặp lại đến
khi hội tụ. Thuật toán đạt độ chính xác cao nhưng chậm.
Chen [8] đề xuất thuật toán gióng hàng dựa trên việc
tính toán xác suất cặp từ có mặt trong cặp câu gióng hàng
với nhau trong văn bản huấn luyện. Sau đó, áp dụng mô
hình Markov ẩn tương tự như của Brown và cộng sự để
gióng hàng câu.
10
Tập V-1, Số 39, 11.2018
Simard và Plamondon [9] đề xuất dùng các từ cùng gốc
(cognate) như ngày, tháng, tên riêng, một số dấu câu để tạo
thành các điểm neo chia 2 văn bản thành các khối tương
ứng nhỏ hơn. Các cognate được định nghĩa là cặp từ tố
trong 2 văn bản có 4 kí tự đầu giống nhau.
Romary và Bonhomme [10] đề xuất phương pháp gióng
hàng dựa vào cấu trúc văn bản kết hợp với gióng hàng dựa
vào độ dài văn bản theo ký tự của Gale và Church [6].
Huyen và Rossignol [11] đề xuất cải tiến công cụ gióng
hàng XAlign theo cách tiếp cận này bằng cách cho phép
chương trình ước lượng tự động các tỉ lệ độ dài trung bình
của văn bản trong hai ngôn ngữ bất kì. Tuy nhiên, đánh
giá kết quả gióng hàng của công cụ XAlign trên cặp ngôn
ngữ Anh–Việt và Pháp–Việt cho thấy độ chính xác thấp
hơn đáng kể so với kết quả gióng hàng các cặp ngôn ngữ
Ấn Âu như Anh–Pháp.
Cho đến thời điểm hiện tại các phương pháp gióng hàng
câu song ngữ Việt–Anh đều cho độ chính xác chưa cao [12],
nên cần được tiếp tục nghiên cứu và cải tiến.
III. XÂY DỰNG KHO NGỮ LIỆU DU LỊCH SONG
NGỮ VIỆT–ANH GIÓNG HÀNG MỨC CÂU
Việc xây dựng kho ngữ liệu du lịch song ngữ Việt–Anh
có gióng hàng câu được tiến hành theo ba bước sau.
1. Nguồn thu thập dữ liệu
Các văn bản song ngữ trong lĩnh vực du lịch không nhiều
và khá tản mát. Việc thu thập tự động dữ liệu song ngữ du
lịch trên các trang web không khả thi do số lượng trang web
trong lĩnh vực này không nhiều, và nếu có thì số lượng bài
cũng rất ít. Nếu có hai bài về cùng một chủ đề thì thường lại
viết khác nhau nên không thể coi là bản dịch của nhau. Do
đó, chúng tôi thu thập dữ liệu du lịch song ngữ Việt–Anh
bằng phương pháp thủ công là chủ yếu.
Các nguồn thu thập chủ yếu gồm có:
◦ Sổ tay du lịch của các địa danh du lịch, sổ hướng dẫn
sử dụng khách sạn, sách dạy hội thoại tiếng Anh với
khách du lịch;
◦ Lời giới thiệu song ngữ trên các bảng gắn tại các di
tích, địa điểm du lịch do tác giả đi du lịch chụp lại và
nhờ bạn bè đi du lịch chụp và gửi cho (Theo cách thu
thập này tác giả đã thu được 36 trang văn bản song
ngữ Việt–Anh, tương ứng với 741 câu Tiếng Việt và
756 câu Tiếng Anh);
◦ Tờ rơi, tờ gấp quảng cáo du lịch;
◦ Sách Luật du lịch;
◦ Văn bản trong hồ sơ đề nghị công nhận di sản văn hóa
của Việt Nam;
◦ Văn bản hợp tác du lịch với các quốc gia;
◦ Trang web song ngữ giới thiệu về du lịch Việt Nam.
2. Chuyển dữ liệu song ngữ thu thập thành dữ liệu
số có cấu trúc thống nhất
Đối với các tài liệu như sách, sổ tay, tờ rơi, bảng thông
báo, nếu chỉ có bản cứng (văn bản trên giấy), không có bản
mềm (văn bản lưu trên máy tính), thì chúng tôi tiến hành
công việc như sau:
Bước 1: Dùng máy quét ảnh hoặc máy ảnh để chụp ảnh;
Bước 2: Dùng phần mềm chuyển file ảnh văn bản thành
văn bản;
Bước 3: Chỉnh sửa các lỗi văn bản do phần mềm nhận
dạng văn bản nhận dạng sai để thu được văn bản song ngữ
chính xác bằng bản mềm.
Các dữ liệu dạng mềm được làm sạch thành phần không
phải chữ như ảnh, các thẻ, các bảng biểu (nếu có).
Tất cả các văn bản mềm sau đó được tách thành chương,
đoạn theo một định dạng thống nhất. Dữ liệu mới sau đó
trải qua quá trình tách câu bằng công cụ tự động. Chúng
tôi dùng công cụ tách câu vnSentDetector4 cho văn bản
tiếng Việt và Stanford NLP cho văn bản tiếng Anh5. Văn
bản sau khi tách câu được kiểm tra lại một lần nữa để loại
bỏ lỗi sai.
Chúng tôi cũng xây dựng một công cụ tự động gắn thẻ
cấu trúc văn bản (các khối văn bản như chương, đoạn văn
và câu).
3. Gióng hàng câu văn bản song ngữ
Các văn bản đã tách đoạn và câu được tiến hành gióng
hàng. Chúng tôi cải tiến công cụ XAlign [11] để gióng
hàng văn bản. Việc lựa chọn công cụ XAlign có hai lí do
sau. Thứ nhất là công cụ được phát triển bởi một thành viên
trong nhóm tác giả. Thứ hai đây là một trong các công cụ
có độ chính xác cao và ổn định trong các công cụ tham gia
dự án đánh giá các công cụ gióng hàng ARCADE II [13].
Trong mục này, phương pháp cải tiến của chúng tôi là mở
rộng khả năng gióng hàng và đề xuất giá trị phạt (penalty)
phù hợp đối với từng loại gióng hàng cho cặp ngôn ngữ
Việt–Anh. Dưới đây, trước hết, chúng tôi trình bày lí do
phải mở rộng khả năng gióng hàng và đề xuất công thức
mở rộng đối với giải thuật DTW (Dynamic Time Warping).
Sau đó, chúng tôi đề xuất công thức để tính giá trị hàm
phạt pen phù hợp đối với từng loại gióng hàng cho cặp
ngôn ngữ Việt–Anh. Cuối cùng, chúng tôi trình bày kết
quả thực nghiệm.
1) Mở rộng khả năng gióng hàng:
Cũng như tất cả các phương pháp gióng hàng câu đã
trình bày trong mục II, phương pháp gióng hàng cài đặt
trong XAlign chỉ xét đến các kiểu gióng hàng n-m, với n
4
5https://stanfordnlp.github.io/CoreNLP/download.html.
11
Các công trình nghiên cứu phát triển Công nghệ Thông tin và Truyền thông
câu văn bản gốc và m câu văn bản dịch, như sau: 0-1, 1-0,
1-1, 1-2, 2-1, 2-2 (gióng hàng đến cấp độ 2). Chúng tôi
thống kê trên kho ngữ liệu du lịch có khoảng 5000 cặp câu
song ngữ du lịch Việt–Anh đã được gióng hàng chính xác
(bằng cách gióng hàng tự động rồi chỉnh sửa thủ công),
chúng tôi nhận thấy rằn ... (i, j))
P(match(1 − 1))
)
+ 177, (2)
trong đó các cặp chỉ số i, j trong (1) thỏa mãn 0 ≤ i, j ≤ 3,
P(match(i − j)) là xác suất gióng hàng kiểu i- j. Xác suất
này được ước lượng dựa trên kho ngữ liệu gióng hàng mẫu
5000 gióng hàng dùng làm khảo sát.
Giá trị pen thu được đối với từng loại gióng hàng như
trong Bảng I.
3) Kết quả thực nghiệm: Chúng tôi sử dụng các độ đo độ
chính xác (Prec), độ phủ (Rec), độ đo F (F-mea) để đánh
giá công cụ gióng hàng câu.
Prec =
CorS
AliS
, (3)
Rec =
CortS
HanS
, (4)
F-mea = 2 × RecPrec × Rec
Prec + Rec
, (5)
trong đó, CorS là số gióng hàng câu đúng bởi giải thuật,
AliS là tổng số gióng hàng câu bởi giải thuật và HanS là
tổng số gióng hàng câu thủ công làm chuẩn tham chiếu.
Thực hiện chạy công cụ XAlign được cải tiến trên kho
ngữ liệu song ngữ Việt–Anh “Le Petit prince” có 1663 câu
tiếng Việt và 1660 câu tiếng Anh và kho ngữ liệu du lịch
song ngữ Việt–Anh có 12457 câu tiếng Anh và 12286 câu
tiếng Việt so với khi chưa cải tiến chúng tôi thu được kết
quả trong Bảng II và Bảng III.
Như vậy, nhờ có việc bổ sung các phép gióng hàng cấp
độ 3, cùng với việc tính các giá trị phạt phù hợp, chất lượng
gióng hàng đã được tăng lên đáng kể trên cả văn bản trong
lĩnh vực du lịch và văn bản trên miền văn học.
12
Tập V-1, Số 39, 11.2018
Bảng II
GIÓNG HÀNG TRÊN KHO NGỮ LIỆU
VIỆT–ANH “LE PETIT PRINCE”
Precision Recall F-measure
Chưa cải tiến 81,42% 76,21% 78,73%
Đã cải tiến 89,15% 88,18% 88,66%
Bảng III
GIÓNG HÀNG TRÊN KHO NGỮ LIỆU DU LỊCH VIỆT–ANH
Precision Recall F-measure
Chưa cải tiến 80,61% 84,99% 82,74%
Đã cải tiến 90,60% 89,77% 90,18%
Phần mềm đã cải tiến được chia sẻ tại địa chỉ sau:
https://github.com/viXAlign/viXAlign-project.
IV. ỨNG DỤNG KHO NGỮ LIỆU DU LỊCH SONG
NGỮ VIỆT–ANH CHO HỆ THỐNG DỊCH MÁY
Phương pháp tiếp cận của chúng tôi hướng vào việc xây
dựng kho ngữ liệu song ngữ huấn luyện hệ thống dịch máy
phân chia theo các lĩnh vực. Kho ngữ liệu song ngữ Việt–
Anh đã gióng hàng ở bước trên được sử dụng để cải thiện
chất lượng của hệ thống dịch máy thống kê cho các văn
bản thuộc lĩnh vực du lịch. Trong phần này chúng tôi trình
bày kết quả thực nghiệm trên hệ thống dịch máy MOSES.
Cụ thể, chúng tôi sử dụng MOSES để huấn luyện hệ
thống dịch máy trên kho ngữ liệu du lịch song ngữ Việt–
Anh mà chúng tôi thu thập được, sau đó sử dụng hệ thống
dịch máy này để dịch văn bản du lịch rồi so sánh chất lượng
bản dịch với hệ thống dịch máy huấn luyện trên kho ngữ
liệu không chia theo lĩnh vực, sử dụng phương pháp đánh
giá chất lượng dịch máy theo điểm BLEU.
1. Hệ thông dịch máy MOSES
MOSES (Hình 1) là một hệ thống dịch máy thống kê.
Trong dịch máy thống kê, các hệ thống dịch máy được huấn
luyện trên kho ngữ liệu song ngữ lớn (để hệ thống học cách
dịch các đoạn nhỏ) và kho ngữ liệu đơn ngữ (để học cách
đưa ra đầu ra trôi chảy).
MOSES có hai thành phần chính, là luồng huấn luyện
và bộ giải mã. Luồng huấn luyện là một tập các công cụ
nhận dữ liệu thô (song ngữ và đơn ngữ) và biến nó thành
một mô hình dịch máy. Bộ giải mã là một ứng dụng C++
đơn giản, với một mô hình dịch máy được huấn luyện và
một câu nguồn cho trước, bộ giải mã sẽ dịch câu nguồn
thành câu đích.
Hình 1. Hệ thống dịch máy MOSES.
2. Độ đo đánh giá: điểm BLEU
Điểm BLEU (BiLingual Evaluation Understudy), được
đề xuất bởi Papineni và cộng sự vào năm 2002 [14], là
thước đo tự động đầu tiên được chấp thuận dùng để đánh
giá các bản dịch, được định nghĩa như sau:
BLEU = BP · e
∑n
n=1 wn log pn, (6)
trong đó pn là số n-gram của bản dịch máy mà xuất hiện
trong tập bản dịch tham chiếu chia cho tổng n-gram của
bản dịch máy, wi là trọng số tích cực và BP là phạt ngắn
dùng để phạt các bản dịch “quá ngắn”. Phạt ngắn được tính
toán trên toàn bộ kho ngữ liệu và được lựa chọn như là hàm
số mũ giảm ở “r/c”, với “c” là độ dài của bản dịch ứng
viên và r là độ dài của bản dịch tham chiếu, theo công
thức sau:
BP =
{
1, nếu c > r,
e1−
r
c , nếu c < r .
(7)
3. Kết quả thực nghiệm
1) Đánh giá hiệu quả ứng dụng kho ngữ liệu du lịch vào
hệ thống dịch trên miền du lịch:
Trong mục này, chúng tôi thực hiện đánh giá hiệu quả
của việc ứng dụng kho ngữ liệu song ngữ Việt–Anh vào
huấn luyện các hệ thống dịch máy văn bản trong miền du
lịch. Để làm điều này, chúng tôi thực nghiệm so sánh kết
quả dịch của một hệ thống không được huấn luyện với
dữ liệu song ngữ trong miền du lịch (hệ thống 1) với 6
hệ thống được huấn luyện với dữ liệu miền du lịch theo
nguyên tắc đánh giá chéo. Chia 12000 cặp câu song ngữ
du lịch Việt–Anh thành 6 phần độc lập, lần lượt giữ lại 1
phần (2000 cặp câu) để làm dữ liệu đánh giá, 5 phần còn
lại (10000 cặp câu) đưa thêm vào kho ngữ liệu để huấn
luyện Hệ thống dịch máy. Cách thức huấn luyện các hệ
thống dịch như sau.
13
Các công trình nghiên cứu phát triển Công nghệ Thông tin và Truyền thông
Bảng IV
ĐIỂM BLEU CỦA CÁC HỆ THỐNG DỊCH
Hệ thống dịch máy Hệ thống dịch máy 1 (+)
2 16,75 4,16 12,59
3 20,05 5,24 14,81
4 11,59 4,42 7,17
5 10,42 3,59 6,8
6 10,89 2,88 8,01
7 7,16 3,85 3,31
TB 12,81 4,02 8,79
Trước hết là huấn luyện Hệ thống dịch máy 1. Chúng tôi
sử dụng kho ngữ liệu 165678 cặp câu song ngữ Việt–Anh
thuộc nhiều lĩnh vực khác nhau (từ nguồn đề tài VLSP1
và một số dữ liệu khác mà chúng tôi thu thập, gióng hàng
và cung cấp cùng với phần mềm gióng hàng). Sử dụng
MOSES để huấn luyện hệ thống dịch máy Việt–Anh trên
kho ngữ liệu này chúng tôi thu được hệ thống dịch máy 1.
Tiếp theo là huấn luyện Hệ thống dịch máy 2, 3, 4, 5,
6 và 7. Chúng tôi sử dụng hệ thống MOSES lần lượt huấn
luyện để thu được 6 hệ thống dịch máy Việt–Anh trên kho
ngữ liệu 165678 cặp câu song ngữ Việt–Anh mà chúng
tôi đã huấn luyện ra Hệ thống dịch máy 1 nhưng thay thế
10000 cặp câu của kho ngữ liệu này bằng 10000 cặp câu
song ngữ du lịch Việt–Anh ở mỗi lượt đánh giá chéo. Lần
1 thay thế từ cặp câu thứ 1 đến cặp câu thứ 10000. Lần 2
thay thế từ cặp câu thứ 30001 đến cặp câu thứ 40000. Lần
3 thay thế từ cặp câu thứ 50001 đến cặp câu thứ 60000. Lần
4 thay thế từ cặp câu thứ 90001 đến cặp câu thứ 100000.
Lần 5 thay thế từ cặp câu thứ 120001 đến cặp câu thứ
130000. Lần 6 thay thế từ cặp câu thứ 150001 đến cặp câu
thứ 160000.
Chúng tôi áp dụng lần lượt các cặp hệ thống dịch máy
Việt–Anh (1,2), (1,3), (1,4), (1,5), (1,6) và (1,7) cho việc
dịch 2000 câu tiếng Việt trong miền du lịch được giữ lại
làm dữ liệu kiểm tra. Sau đó dùng công cụ tính điểm BLEU
của MOSES [1] để tính điểm cho từng hệ thống dịch này
và so sánh kết quả tính được. Kết quả cho thấy cả 6 hệ
thống 2, 3, 4, 5, 6 và 7 đều cải thiện điểm BLEU so với hệ
thống 1 như trong Bảng IV. Kết quả qua 6 lần thực nghiệm
điểm BLEU tăng trung bình là 8,79.
Các kết quả thu được cho phép chúng tôi khẳng định
được ý nghĩa của việc xây dựng dữ liệu huấn luyện trên
một miền hạn chế để tăng chất lượng của các hệ thống dịch
máy trên miền này.
2) So sánh kết quả dịch giữa hệ thống huấn luyện trên
kho ngữ liệu với Google Translate:
Chúng tôi làm thực nghiệm trên kho ngữ liệu văn bản
có tổng cộng 177688 cặp câu, bao gồm các lĩnh vực sau:
Bảng V
ĐIỂM BLEU CỦA 17 HỆ THỐNG DỊCH MÁY KHI DỊCH
CÁC TẬP KIỂM TRA GỒM 10000 CÂU TIẾNG VIỆT SANG
TIẾNG ANH, SO VỚI HỆ THỐNG DỊCH MÁY GOOGLE
Hệ thống dịch máy Google Translate (+)
1 21,78 16,83 4,95
2 21,46 17,77 3,69
3 23,14 18,75 4,39
4 21,25 17,22 4,03
5 20,29 16,30 3,99
6 21,67 17,92 3.75
7 21,58 16,92 4,66
8 21,66 18,93 2,73
9 21,38 18,72 2,66
10 21,60 18,41 3,19
11 23,65 18,40 5,61
12 22,06 18,63 3.43
13 24,99 20,08 4,91
14 24,20 18,43 5,77
15 23,50 17,97 5,53
16 25,18 17,77 7,41
17 24,45 17,57 6,88
TB 22,58 18,02 4,56
• Văn bản lĩnh vực Luật: 30258 cặp câu1;
• Văn bản lĩnh vực Tin học: 19705 cặp câu1;
• Văn bản lĩnh vực Xã hội: 84613 cặp câu1;
• Văn bản lĩnh vực Kinh thánh: 31102 cặp câu1;
• Văn bản lĩnh vực Du lịch: 12010 cặp câu (do tác giả
thu thập được).
Chúng tôi thực hiện kiểm tra chéo như sau. Lần lượt giữ
lại 10000 cặp câu để làm tệp kiểm tra, lấy trải đều trên mỗi
lĩnh vực văn bản, cụ thể là: 1700 cặp câu văn bản lĩnh vực
Luật; 1100 cặp câu văn bản lĩnh vực Tin học; 4700 cặp câu
văn vản lĩnh vực Xã hội; 1700 cặp câu văn bản lĩnh vực
Kinh thánh; 800 cặp câu văn bản lĩnh vực Du lịch. Chúng
tôi thu được 17 tệp kiểm tra, mỗi tệp gồm 10000 cặp câu,
và 17 tệp dùng huấn luyện Hệ thống dịch, mỗi tệp gồm
167688 cặp câu.
Dùng MOSES huấn luyện 17 hệ thống dịch máy trên 17
kho ngữ liệu với 167688 cặp câu còn lại. Kết quả điểm
BLEU của 17 hệ thống dịch máy khi dịch tệp kiểm tra, so
với hệ thống dịch máy Google được thể hiện trong Bảng V.
Hệ thống huấn luyện trên kho ngữ liệu 167688 cặp câu
song ngữ Anh–Việt trung bình đạt cao hơn 4,6 điểm BLEU
so với hệ thống dịch máy Google hiện nay.
14
Tập V-1, Số 39, 11.2018
3) Phân tích kết quả hệ thống dịch:
Hệ thống dịch có một số hạn chế sau:
1) Hệ thống không dịch được những từ không biết;
2) Cấu trúc ngữ pháp của một số câu dịch chưa đúng;
3) Không dịch được theo ngữ cảnh của văn bản dịch;
4) Tách từ tiếng Việt bị sai;
5) Đa số các câu được dịch ở đầu ra chưa được trôi chảy.
V. KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
Chúng tôi đã xây dựng được kho ngữ liệu du lịch song
ngữ Việt–Anh được gióng hàng câu chính xác với trên
12000 cặp câu, sẵn sàng chia sẻ cho cộng đồng nghiên cứu
xử lí ngôn ngữ tự nhiên. Chúng tôi cũng đã cải tiến công cụ
gióng hàng XAlign sẵn có và thu được được công cụ gióng
hàng câu tự động Việt–Anh viXAlign đạt mức độ chính
xác khoảng 90%, cao hơn khoảng 7% so với các công cụ
gióng hàng câu Việt–Anh hiện nay. Công cụ này được chia
sẻ tại địa chỉ https://github.com/viXAlign/viXAlign-project.
Chúng tôi cũng đã dùng kho ngữ liệu này để nâng cao chất
lượng hệ thống dịch máy thống kê, thực nghiệm cho điểm
BLEU đã tăng lên 8,79 so với hệ thống chỉ dùng ngữ liệu
trên miền tổng quát gồm 165678 cặp câu để huấn luyện.
Chúng tôi cũng đã tiến hành đánh giá hệ thống dịch máy
được huấn luyện trên kho ngữ liệu song ngữ Việt–Anh với
167688 cặp câu. Kết quả cho thấy, hệ thống dịch máy mà
chúng tôi huấn luyện đạt cao hơn 4,6 điểm BLEU so với hệ
thống dịch máy Google hiện nay. Mặc dù sự so sánh này có
thể nói là thiếu công bằng vì hai hệ thống sử dụng nguồn
tài nguyên khác nhau, nhưng kết quả cũng giúp chúng ta
thấy rằng kết quả dịch của Google Translate còn phải cải
thiện khá nhiều.
Trong thời gian tới, chúng tôi tập trung vào việc xây
dựng kho ngữ liệu du lịch song ngữ Việt–Anh để có được
kho ngữ liệu chất lượng, lớn về số lượng và đa dạng về chủ
đề, đồng thời chia sẻ kho ngữ liệu này cùng với công cụ
gióng hàng câu tự động cho cộng đồng nghiên cứu. Chúng
tôi cũng sẽ tiếp tục nghiên cứu cải tiến công cụ gióng hàng
câu tự động Việt–Anh để tăng mức độ chính xác. Song song
với việc xây dựng tài nguyên, chúng tôi thực hiện phân tích
lỗi của hệ thống dịch để đưa ra giải pháp khắc phúc đồng
thời nghiên cứu đề xuất các giải pháp nhằm nâng cao hơn
nữa chất lượng dịch của hệ thống dịch máy Việt–Anh trên
miền du lịch.
TÀI LIỆU THAM KHẢO
[1] P. Koehn, MOSES Statistical Machine Translation System
User Manual and Code Guide. references, September
19, 2016. [Online]. Available: https://vlsp.hpda.vn/demo/?
page=resources
[2] N. Quoc-Hung and W. Winiwarter, “Building an english-
vietnamese bilingual corpus for machine translation,” In-
ternational Conference on Asian Language Processing, pp.
157–160, 2012.
[3] Đinh Điền and L. N. Minh, “Ứng dụng ngữ liệu song ngữ
anh-việt trong giảng dạy ngôn ngữ,” hội thảo Liên ngành
NNH Ứng dụng và Giảng dạy Ngôn ngữ, pp. 559–567,
11/2015.
[4] M. M.Sakre, M. M.Kouta, and A. M.N.Allam, “automated
construction of arabic-english parallel corpus,” Arab World
English Journal (AWEJ) Special Issue on Translation, vol.
No.5, May, 2016.
[5] P. F. Brown, J. C. Lai, and R. L.Mercer, “Aligning sentences
in parallel corpora,” Proceedings of the 29th Annual Meeting
of the Association of Computational Linguistics (ACL), 1991.
[6] W. A. Gale and K. W. Church, “A program for aligning
sentences in bilingual corpora,” in Proceedings of the 29th
Annual Meeting of the Association of Computational Lin-
guistics (ACL), 1991.
[7] M. Kay and M. Ro¨scheisen, “Text-translation alignment,” in
Computational Linguistics, 1993.
[8] S. F. Chen, “Aligning sentences in bilingual corpora using
lexical information,” Proceedings of the 31st Annual Meeting
of the Association for Computational Linguistics (ACL),
1993.
[9] M. Simard and P. Plamondon, “Bilingual sentence align-
ment: Balancing robustness and accuracy,” Proceedings of
the Conference of the Association for Machine Translation
in the Americas, 1998.
[10] L. Romary and P. Bonhomme, “Parallel alignment of struc-
tured documents,” Jean Véronis. Parallel Text Processing,
Kluwer Academic Publisher, pp. 233–253, 2000.
[11] N. T. M. Huyền and M. Rossignol, “A language-independent
method for the alignement of parallel corpora,” Proceedings
of 20th Pacific Asia Conference on Language, Information
and Computation (PACLIC), 2006.
[12] H.-L. Trieu, P.-T. Nguyen, and L.-M. Nguyen, “A new
feature to improve moore’s sentence alignment method,”
VNU Journal of Science: Comp. Science & Com, vol. Eng.
Vol. 31. No. 1, p. 32–44, 2015.
[13] Y.-C. Chiao, O. Kraif, D. Laurent, T. M. H. Nguyen,
and e. a. Nasredine Semmar, “Evaluation of multilingual
text alignment systems: the arcade ii project,” 5th interna-
tional Conference on Language Resources and Evaluation -
LREC’06, May 2006, Genoa/Italy, 2006.
[14] K. Papineni, S. Roukos, T. Ward, , and W.-J. Zhu, “Leu:
a method for automatic evaluation of machine translation,”
Proceedings of the 40th Annual Meeting of the Association
for Computational Linguistics (ACL), Philadelphia, pp. 311–
318, July 2002.
Nguyễn Tiến Hà sinh năm 1977 tại Vĩnh
Phúc. Tác giả tốt nghiệp Trường Đại học Sư
phạm Hà Nội năm 2005; nhận bằng Thạc
sĩ tại Trường Đại học Khoa học Tự Nhiên,
Đại học Quốc gia Hà Nội, năm 2010. Hiện
nay, tác giả đang công tác tại Trung tâm
Giáo dục Thường xuyên tỉnh Phú Thọ và
là nghiên cứu sinh tiến sĩ tại Trường Đại
học Khoa học Tự Nhiên, Đại học Quốc gia Hà Nội. Lĩnh vực
nghiên cứu của tác giả là Xử lý ngôn ngữ tự nhiên.
15
Các công trình nghiên cứu phát triển Công nghệ Thông tin và Truyền thông
Nguyễn Thị Minh Huyền sinh năm 1973
tại Hà Nội. Tác giả tốt nghiệp Trường Đại
học Tổng hợp Hà Nội năm 1994; nhận
bằng Thạc sĩ và Tiến sĩ tại Trường Đại học
Nancy 1, Cộng hòa Pháp vào các năm 1999
và 2006. Hiện nay, tác giả đang công tác
tại Trường Đại học Khoa học Tự nhiên, Đại
học Quốc gia Hà Nội. Lĩnh vực nghiên cứu
của tác giả là Xử lý ngôn ngữ tự nhiên.
Nguyễn Minh Hải sinh năm 1986 tại Ninh
Bình. Tác giả nhận bằng Cử nhân và Thạc
sĩ tại Trường Đại học Khoa học Tự Nhiên,
Đại học Quốc gia Hà Nội vào các năm 2013
và 2016. Hiện nay, tác giả đang công tác tại
Trường Đại học Khoa học Tự Nhiên, Đại
học Quốc gia Hà Nội. Lĩnh vực nghiên cứu
của tác giả là Xử lý ngôn ngữ tự nhiên.
16