Đề xuất thuật toán phân loại văn bản tiếng Việt sử dụng mạng LSTM và Word2vec

Tóm tắt: Hiện nay, phân loại văn bản là một trong những ứng dụng cơ bản của

xử lý ngôn ngữ tự nhiên. Đặc biệt, những thành tựu gần đây của các mạng học sâu

cho thấy các phương pháp học sâu đang làm rất tốt trong việc phân loại văn bản.

Các phương pháp này cho thấy hiệu quả trong việc phân loại văn bản với ngôn ngữ

tiếng Anh. Tuy nhiên, hiện nay, trong phạm vi nghiên cứu của chúng tôi, không có

nhiều nghiên cứu đối với văn bản tiếng Việt. Do đó, trong nghiên cứu này, chúng tôi

sử dụng mạng Long Short Term Memory (LSTM) kết hợp với Word2vec để phân

loại văn bản nhằm cải thiện hiệu suất và độ chính xác. Kết quả đánh giá mô hình

trên bộ văn bản tiếng Việt VNTC [1] đã cho thấy sự khả thi và hứa hẹn áp dụng

trong thực tế

Đề xuất thuật toán phân loại văn bản tiếng Việt sử dụng mạng LSTM và Word2vec trang 1

Trang 1

Đề xuất thuật toán phân loại văn bản tiếng Việt sử dụng mạng LSTM và Word2vec trang 2

Trang 2

Đề xuất thuật toán phân loại văn bản tiếng Việt sử dụng mạng LSTM và Word2vec trang 3

Trang 3

Đề xuất thuật toán phân loại văn bản tiếng Việt sử dụng mạng LSTM và Word2vec trang 4

Trang 4

Đề xuất thuật toán phân loại văn bản tiếng Việt sử dụng mạng LSTM và Word2vec trang 5

Trang 5

Đề xuất thuật toán phân loại văn bản tiếng Việt sử dụng mạng LSTM và Word2vec trang 6

Trang 6

Đề xuất thuật toán phân loại văn bản tiếng Việt sử dụng mạng LSTM và Word2vec trang 7

Trang 7

Đề xuất thuật toán phân loại văn bản tiếng Việt sử dụng mạng LSTM và Word2vec trang 8

Trang 8

Đề xuất thuật toán phân loại văn bản tiếng Việt sử dụng mạng LSTM và Word2vec trang 9

Trang 9

Đề xuất thuật toán phân loại văn bản tiếng Việt sử dụng mạng LSTM và Word2vec trang 10

Trang 10

Tải về để xem bản đầy đủ

pdf 13 trang xuanhieu 5820
Bạn đang xem 10 trang mẫu của tài liệu "Đề xuất thuật toán phân loại văn bản tiếng Việt sử dụng mạng LSTM và Word2vec", để tải tài liệu gốc về máy hãy click vào nút Download ở trên

Tóm tắt nội dung tài liệu: Đề xuất thuật toán phân loại văn bản tiếng Việt sử dụng mạng LSTM và Word2vec

Đề xuất thuật toán phân loại văn bản tiếng Việt sử dụng mạng LSTM và Word2vec
& Điện tử 
N. T. M. Ánh, N. H. Phát, “Đề xuất thuật toán phân loại văn bản  LSTM và Word2vec.” 76 
tạo một thư mục để biểu diễn tài liệu. Mỗi từ sẽ được đưa về dạng vector chỉ bao gồm một 
số 1 và các thành phần còn lại là 0. 
Trong bài toán này, chúng tôi sẽ sử dụng thêm Word2vec giúp cải thiện việc xuất đặc 
trưng cho văn bản. Khi thực hiện bài toán, sau khi thử nghiệm tập pre-train có sẵn của thư 
viện gensim không có nhiều sự phù hợp với bộ dữ liệu của mình. Với tập dữ liệu lên tới 
hơn 80000 văn bản, chúng tôi đã train lại mô hình Word2vec để có thể cải thiện cho bài 
toán của mình với embedding_size = 300, window_size = 5. Dưới đây là hình ảnh biểu 
diễn một số từ của model đã train sử dụng t-SNE. 
Hình 7. Các từ trong không gian vector từ Word2Vec. 
2.2.4. Phân loại văn bản 
Trong bài toán này, do một bản tin thường dao động từ 500 – 1000 từ nên để có thể 
giảm kích thước đầu vào cho mạng thì chúng tôi lựa chọn độ dài tối đa của mỗi văn bản là 
400, kích thước của word embedding là 300. Việc lựa chọn kích thước văn bản và không 
gian vector để có thể giải quyết vấn đề về dữ liệu nhiều chiều của các phương pháp truyền 
thống. Chúng tôi huấn luyện mô hình với 1 lớp ẩn có 128 units, sử dụng RMSProp với tỷ 
lệ học (learning rate) là 0,001 cho hàm tối ưu, sử dụng dropout là 0,4. 
2.2.5. Tiêu chí đánh giá 
Để đánh giá hiệu suất của mô hình, chúng tôi sử dụng Precision, Recall và F1-score 
làm tiêu chí đánh giá của bài toán này. Để minh họa ý nghĩa của các chỉ số này, confusion 
matrix [4] được thể hiện dưới bảng sau: 
Bảng 1. Confution Matrix. 
 Negative Pre Positive Pre 
Negative Act True Negative(TN) False Positive(FP) 
Positive Act False Negative(FN) True Positive(TP) 
Trong đó: 
- TN là kết quả trong đó mô hình dự đoán chính xác lớp negative. 
- TP là kết quả trong đó mô hình dự đoán chính xác lớp positive. 
Nghiên cứu khoa học công nghệ 
Tạp chí Nghiên cứu KH&CN quân sự, Số 69, 10 - 2020 77 
- FN là kết quả trong đó mô hình dự đoán không chính xác lớp negative. 
- FP là kết quả trong đó mô hình dự đoán không chính xác lớp positive. 
Precision là tỉ lệ số điểm Positive mô hình dự đoán đúng trên tổng số điểm mô hình dự 
đoán là Positive: 
Precision = 
𝑇𝑃
𝑇𝑃+𝐹𝑃
 (11) 
Recall là tỉ lệ số điểm Positive mô hình dự đoán đúng trên tổng số điểm thật sự là 
Positive (hay tổng số điểm được gán nhãn là Positive ban đầu): 
Recall = 
𝑇𝑃
𝑇𝑃+𝐹𝑁
 (12) 
F1-score là trung bình điều hòa (harmonic mean) của precision và recall (giả sử hai đại 
lượng này khác 0): 
2
𝐹1
= 
1
𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛
+ 
1
𝑅𝑒𝑐𝑎𝑙𝑙
 (13) 
3. KẾT QUẢ VÀ THẢO LUẬN 
Kết quả của mô hình mà chúng tôi đã thực hiện: 
Bảng 2. So sánh kết quả thuật toán. 
 Precision Recall F1-score 
LSTM 92.36% 91.81% 92,09% 
LSTM + Word2Vec (Mô 
hình đề xuất) 
95,55% 95,93% 95,74% 
Từ bảng 2 cho thấy kết quả của việc phân loại văn bản tiếng Việt, độ chính xác của mô 
hình phân loại văn bản sử dụng LSTM kết hợp với Word2vec cao hơn so với mô hình 
phân loại văn bản chỉ sử dụng LSTM. Do mô hình Word2Vec được đào tạo trước tương 
đương với việc tăng khối lượng đào tạo một cách gián tiếp. Hơn nữa, Word2vec có thể 
ngăn chặn sự phù hợp quá mức (over fiting), giảm số lượng các thông số cần thiết trong 
đào tạo và cải thiện độ chính xác. 
Đồng thời, các thử nghiệm của bài toán dựa trên CNN và CNN + Word2vec được thực 
hiện riêng. Hai đặc điểm quan trọng của CNN là ý nghĩa cục bộ (local sensing) và chia sẻ 
trọng số (weight sharing). Thuật toán CNN khi được áp dụng vào bài toán này thì coi đoạn 
văn bản đầu vào là một ma trận 2 chiều có kích thước 400x300. Độ dài cố định của mỗi 
văn bản là 400 và kích thước word embedding của từng từ là 300. 
Bảng 3. So sánh các thuật toán khác. 
 Precision Recall F1-score 
CNN 83.48% 83.02% 83,25% 
CNN+ Word2Vec 84,13% 84,89% 84,01% 
Kết quả trên cho thấy rằng, độ chính xác của mô hình phân loại văn bản dựa trên 
LSTM + Word2vec cho kết quả tốt hơn nhiều so với thuật toán CNN. CNN có những lợi 
thế lớn trong việc xử lý hình ảnh, tuy nhiên, đối với phân loại văn bản thì mô hình này cho 
kết quả không cao. Có thể thấy rằng, LSTM cho kết quả tốt trong việc xử lý các dữ liệu là 
dạng text. Thuật toán LSTM là phương pháp xử lý dạng chuỗi, trong quá trình học dữ liệu 
nó sẽ ghi nhớ dữ liệu trong quá khứ và xử lý dựa vào cả dữ liệu hiện tại và quá khứ nên có 
sự liên kết giữa các từ nên đạt được độ chính xác cao hơn so với CNN. 
Kỹ thuật điều khiển & Điện tử 
N. T. M. Ánh, N. H. Phát, “Đề xuất thuật toán phân loại văn bản  LSTM và Word2vec.” 78 
Bảng 4. So sánh các phương pháp phân loại văn bản khác đã thực nghiệm. 
Tác giả Phương pháp Dữ liệu Số đặc trưng Độ chính xác 
(%) 
BùiKhánh Linh, 
Nguyễn Thị Thu 
Hà, Nguyễn Thị 
Ngọc Tú, Đào 
Thanh Tĩnh [17] 
Mô hình chủ đề VLSP (20000 
câu) 
829; 339 83; 94.07 
Nguyễn Linh 
Giang, Nguyễn 
Mạnh Hiển [18] 
Support Vector 
Machine (SVM) 
[6] (4162 tài 
liệu) 
7721 80,72 
Phu X.V. 
Nguyen, Tham 
T.T Hong, Kiet 
Van Nguyen, 
Ngan Luu-Thuy 
Nguyen [20] 
Naive Bayes, 
Maxent, LSTM, 
Bi-LSTM 
Vietnamese 
Students’ 
Feedback Corpus 
for Sentiment 
Analysis (16000 
phản hồi) [21] 
300 81,2 – 89,6 
V. C. D. Hoang, 
D. Dinh, N. le 
Nguyen and H. Q. 
Ngo [1] 
SVM 
kNN 
NGram 
VNTC [1] N/A 93,4% 
84,67% 
97,1% 
Toan Pham Van, 
Ta Minh Thanh 
[22] 
SVM 
Random Forest 
SVC 
Neural Network 
VNTC [1] N/A 96,52% 
99,21% 
99,22% 
99,75% 
Hung T.Vo, Duc 
Dung Nguyen 
[26] 
Naive Bayes 
kNN 
SVM 
N/A Bag – of – 
structure (BoS) 
72,6% 
83,66% 
87,95% 
Huy – Thanh 
Duong, Vinh 
Truong Hoang 
[27] 
Linear SVM VNNews-01 Tf-Idf 92,3% 
Huy – Tien 
Nguyen, Bac Le 
[28] 
LSTM + CNN VS 200 87,5% 
Từ bảng trên, mặc dù mỗi nghiên cứu thực hiện trên những bộ dữ liệu khác nhau nhưng 
nhìn chung khi sử dụng phương pháp đề xuất là sử dụng mô hình LSTM + Word2vec đã cải 
thiện được kết quả so với các phương pháp truyền thống như Naive Bayes, kNN,... So với 
việc sử dụng các mạng LSTM, Bi-LSTM,... chúng tôi kết hợp với phương pháp Word2vec 
cũng đã giúp cải thiện kết quả và thời gian thực hiện. Kết quả của chúng tôi cho thấy sự vượt 
trội so với các phương pháp tương tự như trong [20] tác giả cũng sử dụng LSTM, bộ dữ liệu 
là 16000 phản hồi và phân loại với 4 nhãn còn đối với nghiên cứu chúng tôi có 10 nhãn và 
kết quả cải thiện 6% về độ chính xác. Với những nghiên cứu sử dụng cùng bộ dữ liệu với 
chúng tôi, phương pháp của chúng tôi cũng đã đạt được kết quả tốt hơn hoặc tương đương 
với các phương pháp truyền thống đã đạt được nhiều kết quả tốt trong xử lý ngôn ngữ tự 
nhiên là SVM như trong [18, 1, 26, 27]. Việc kết hợp giữa LSTM và phương pháp học sâu 
khác như CNN trong [28] mặc dù chỉ phân loại 3 nhãn nhưng đạt kết quả vẫn còn hạn chế so 
với phương pháp của chúng tôi. Trong [22], nghiên cứu đã đạt được kết quả rất tốt trên tập 
Nghiên cứu khoa học công nghệ 
Tạp chí Nghiên cứu KH&CN quân sự, Số 69, 10 - 2020 79 
dữ liệu VNTC, trong đề xuất đã sử dụng các phương pháp vector hóa các từ và phân lớp văn 
bản khác với chúng tôi. Với kiến trúc mạng mới kết hợp với Bag of Word và Keyword 
Extraction đã đạt tới 99.75% độ chính xác, tốt hơn so với phương pháp đề xuất của chúng 
tôi. Qua đây có thể thấy, phương pháp đề xuất của chúng tôi vẫn còn nhiều hạn chế và chúng 
tôi sẽ tiếp tục cải thiện trong những nghiên cứu tiếp theo. 
4. KẾT LUẬN 
Việc phân loại văn bản là công việc cơ bản và cũng có vai trò quan trọng trong việc 
nghiên cứu, khai thác lượng dữ liệu lớn hiện nay. Trong bài viết này, chúng tôi đã trình 
bày phương pháp phân loại văn bản dựa trên mô hình LSTM. Thuật toán LSTM khắc phục 
được vấn đề đạo hàm biến mất (vanishing gradient), có sự liên kết giữa các đặc trưng 
trong câu, liên kết giữa từ chính và các từ ngữ cảnh giúp cải thiện kết quả của mô hình. 
Đóng góp của chúng tôi là đã đề xuất sử dụng kết hợp mô hình Word2vec giúp giảm số 
chiều của không gian đặc trưng để làm giảm độ phức tạp của phương pháp. Việc học lại 
đặc trưng bằng phương pháp Word2vec trên bộ dữ liệu VNTC giúp liên kết đặc trưng phù 
hợp, liên quan và tương tự nhau giúp nâng cao hiệu quả của mô hình. Với phương pháp 
Word2vec, chúng tôi sử dụng số chiều là 300, giảm số đặc trưng so với các phương pháp 
khác giúp tăng tốc độ xử lý, tránh hiện tượng sự bùng nổ tổ hợp (curse of dimensionality). 
Chúng tôi đã kiểm chứng mô hình này so với việc không sử dụng Word2vec cho thấy khi 
sử dụng kết hợp với Word2vec kết quả cho tốt hơn. Do việc trích chọn đặc trưng từ 
Word2vec đã giúp mô hình chọn ra những đặc trưng phù hợp và giúp mô hình cải thiện độ 
chính xác. Thực nghiệm đã so sánh kết quả phân loại văn bản sử dụng LSTM với CNN, 
qua đó cho thấy rằng LSTM thực sự tốt hơn CNN. Mô hình của chúng tôi cũng đã cải 
thiện kết quả so với những phương pháp học truyền thống khác. 
Tuy nhiên, khi sử dụng mô hình này, chúng tôi thấy một số nhược điểm của mô hình 
này như sau: 
- Thời gian train mô hình lâu hơn so với các phương pháp như SVM, CNN. 
- Mặc dù được cải thiện về vấn đề đạo hàm biến mất của RNN nhưng đối với một số 
câu văn quá dài thì phương pháp vẫn xuất hiện hiện tượng này, điều này gây ra những 
trường hợp sai sót trong việc phân loại. 
- Hiệu quả không tốt trong thực tế. 
Công việc tiếp theo sẽ thực hiện là cải thiện mô hình phân loại bằng việc sử dụng kết 
hợp với các kỹ thuật khác để cải thiện hiện tượng biến mất đạo hàm như attention và cải 
thiện độ chính xác bằng việc sử dụng kết hợp với các mô hình học sâu khác. 
TÀI LIỆU THAM KHẢO 
[1]. V. C. D. Hoang, D. Dinh, N. le Nguyen and H. Q. Ngo, "A Comparative Study on 
Vietnamese Text Classification Methods," IEEE International Conference on 
Research, Innovation and Vision for the Future, Hanoi, 2007, pp. 267-273. 
[2]. T.V. Trung, Python Vietnamese Core NLP Toolkit (2019), Online: 
https://github.com/trungtv/pyvi 
[3]. Stopwords/Vietnamese stopwords (2019), Online: 
https://github.com/stopwords/vietnamese-stopwords 
[4]. Ting K.M., “Confusion Matrix,” In Sammut C., Webb G.I. (eds) Encyclopedia of 
Machine Learning and Data Mining. Springer, Boston, MA, 2017. 
[5]. Detailed explanation of Word2Vector Skip-gram (2013), Online: 
[6]. Vnexpress, Online: https://vnexpress.net/ 
Kỹ thuật điều khiển & Điện tử 
N. T. M. Ánh, N. H. Phát, “Đề xuất thuật toán phân loại văn bản  LSTM và Word2vec.” 80 
[7]. Tuoitre, Online: https://tuoitre.vn/ 
[8]. Thanhnien, Online: https://thanhnien.vn/ 
[9]. Người lao động, Online: https://nld.com.vn/ 
[10]. Hông P. L., Huyen T. M. N., Roussanaly A., Vinh H. T., “A Hybrid Approach to 
Word Segmentation of Vietnamese Texts. In: Martín-Vide C.,” Otto F., Fernau H. 
(eds) Language and Automata Theory and Applications. LATA 2008, pp 240-249. 
[11]. Thomas F. and Christopher K., “Deep learning with long short-term memory 
networks for financial market predictions,” European Journal of Operational 
Research, vol. 270, no. 2, pp. 654-669, 2018. 
[12]. Thanh V.Nguyen, Hoang K.Tran, Thanh T.T.Nguyen, Hung Nguyen. “Word 
Segmentation for Vietnamese Text Categorization: An online corpus approach”. 
[13]. Tạ Nguyễn, Vũ Đức Lung, “Xây dựng hệ thống rút trích các nội dung chính của văn 
bản khoa học tiếng Việt dựa trên cấu trúc”, (2014). 
[14]. Lizhong Xiao, Guanghong Wang, Yang Zuo, “Research on patent text classification 
based on Word2vec and LSTM”, (2018). 
[15]. Raouf Ganda, “Efficient Deep Learning Model for Text Classification Based on 
Recurrent and Convolutional Layers”, (2017). 
[16]. Anurag Sarkar, Saptarshi Chatterjee, Writayan Das, Debabrata Datta. “Text 
Classification using Support Vector Machine”. 
[17]. Bùi Khánh Linh, Nguyễn Thị Thu Hà, Nguyễn Thị Ngọc Tú, Đào Thanh Tĩnh. 
“Phân loại văn bản tiếng Việt dựa trên mô hình chủ đề.” 
[18]. Nguyễn Linh Giang, Nguyễn Mạnh Hiển, “Phân loại văn bản tiếng Việt với bộ phân 
loại vectơ hỗ trợ SVM”, (2005). 
[19]. Radhika Kuttala, Bindu K R, Latha Parameswaran, “A text classification model using 
convolution neural network and recurrent neural network”, (2018). 
[20]. Phu X.V. Nguyen, Tham T.T Hong, Kiet Van Nguyen, Ngan Luu-Thuy Nguyen. 
“Deep Learning versus Traditional Classifiers on Vietnamese Students’ Feedback 
Corpus”, (2018). 
[21]. Kiet Van Nguyen, Vu Duc Nguyen, Phu Xuan-Vinh Nguyen, Tham Thi-Hong 
Truong, Ngan Luu-Thuy Nguyen, UIT-VSFC: “Vietnamese Students’ Feedback 
Corpus for Sentiment Analysis”, 2018 10th International Conference on Knowledge 
and Systems Engineering (KSE 2018), November 1-3, 2018, Ho Chi Minh City, 
Vietnam. 
[22]. Toan Pham Van, Ta Minh Thanh, “Vietnamese News Classification based on BoW 
with Keywords Extraction and Neural Network”, (2017). 
[23]. Dat Quoc Nguyen, Dai Quoc Nguyen, Thanh Vu, Mark Dras, Mark Johnson, “A Fast 
and Accurate Vietnamese Word Segmenter”, (2018) 
[24]. Dat Quoc Nguyen, Karin Verspoor, “An improved neural network model for joint 
POS tagging and dependency parsing”, (2018) 
[25]. Le Hong Phuong, Huyen Thi Minh Nguyen, Azim Roussanaly, Tuong Vinh Ho, “A 
Hyvird Approach to word Segmentation of Vietnamese Texts.” 
[26]. Hung T.Vo, Hai C.Lam, Duc Dung Nguyen, Nguyen Huynh Tuong. “Topic 
classification and sentiment analysis for Vietnamese education survey system.” 
(2016) 
[27]. Huy – Thanh Duong, Vinh Truong Hoang. “A survey on the multiple classifier for 
new benchmark dataset of Vietnamese news classification.” (2019) 
[28]. Huy – Tien Nguyen, Bac Le. “Multi – channel LSTM – CNN model for Vietnamese 
sentiment analysis.” (2017) 
Nghiên cứu khoa học công nghệ 
Tạp chí Nghiên cứu KH&CN quân sự, Số 69, 10 - 2020 81 
ABSTRACT 
PROPOSAL CLASSIFICATION ALGORITHM OF VIETNAMESE TEXT USING 
LONG SHORT TERM MEMORY AND WORD2VECABSTRACT 
Recently, text classification is considered as a fundamental approach in Natural 
Language Processing (NLP). It can be widely applied into numerous fields namely 
sentiment analyses, topic labelings and so on. Specifically, recent achievements 
have shown that Deep Learning (DL) methods obtained great performance in 
classifying texts. These methods have positive effects on text classification, 
especially in English. However, there are few studies investigating about their 
impacts on Vietnamese text classification. Therefore, in this research, Long Short 
Term Memory (LSTM) network and Word2Vec engine were used in text 
classification with the aim of improving efficiency and accuracy. The results of 
model evaluation on Vietnamese text VNTC [1] we concluded were feasible and 
likely to be applied in real-life contexts in the near future. 
Keywords: Text Classification; Natural Language Processing; Long Short Term Memory; Word2vec; Data 
Processing. 
Nhận bài ngày 23 tháng 4 năm 2020 
Hoàn thiện ngày 13 tháng 6 năm 2020 
Chấp nhận đăng ngày 15 tháng 10 năm 2020 
Địa chỉ: Viện Điện tử Viễn thông, Đại học Bách khoa Hà Nội. 
*
Email: phat.nguyenhuu@hust.edu.vn. 

File đính kèm:

  • pdfde_xuat_thuat_toan_phan_loai_van_ban_tieng_viet_su_dung_mang.pdf