Tài liệu Một cách tiếp cận sử dụng mô hình N-Gram trong việc tự động phát hiện và sửa lỗi nhận dạng văn bản tiếng Việt - Nguyễn Chí Thành: Nghiên cứu khoa học công nghệ
Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san CNTT, 12 - 2017 33
MỘT CÁCH TIẾP CẬN SỬ DỤNG MÔ HÌNH N-GRAM
TRONG VIỆC TỰ ĐỘNG PHÁT HIỆN VÀ SỬA LỖI
NHẬN DẠNG VĂN BẢNTIẾNG VIỆT
Nguyễn Chí Thành1*, Thái Trung Kiên1, Hoàng Đình Thắng1,
Nguyễn Thị Lan Phượng2
Tóm tắt: Trong bài báo này, chúng tôi trình bày những kết quả nghiên cứu trong
việc nâng cao độ chính xác của nhận dạng văn bản tiếng Việt. Kết quả của nhận
dạng văn bản từ hình ảnh thường không đạt được độ chính xác tuyệt đối, nhất là đối
với các tài liệu có chất lượng hình ảnh đầu vào thấp. Do đó, việc tự động phát hiện
và sửa lỗi nhận dạng văn bản là cần thiết, giúp giảm công sức hiệu đính của người
dùng. Trong nghiên cứu này, chúng tôi đề xuất một thuật toán phát hiện và sửa lỗi
nhận dạng văn bản tiếng Việt dựa trên mô hình n-gram. Kết quả thử nghiệm cho
thấy việc áp dụng thuật toán này giúp nâng cao độ chính xác của nhận dạng.
Từ khóa: Nhận dạng văn bản, Mô hình ngôn ngữ.
...
12 trang |
Chia sẻ: quangot475 | Lượt xem: 467 | Lượt tải: 0
Bạn đang xem nội dung tài liệu Một cách tiếp cận sử dụng mô hình N-Gram trong việc tự động phát hiện và sửa lỗi nhận dạng văn bản tiếng Việt - Nguyễn Chí Thành, để tải tài liệu về máy bạn click vào nút DOWNLOAD ở trên
Nghiên cứu khoa học công nghệ
Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san CNTT, 12 - 2017 33
MỘT CÁCH TIẾP CẬN SỬ DỤNG MÔ HÌNH N-GRAM
TRONG VIỆC TỰ ĐỘNG PHÁT HIỆN VÀ SỬA LỖI
NHẬN DẠNG VĂN BẢNTIẾNG VIỆT
Nguyễn Chí Thành1*, Thái Trung Kiên1, Hoàng Đình Thắng1,
Nguyễn Thị Lan Phượng2
Tóm tắt: Trong bài báo này, chúng tôi trình bày những kết quả nghiên cứu trong
việc nâng cao độ chính xác của nhận dạng văn bản tiếng Việt. Kết quả của nhận
dạng văn bản từ hình ảnh thường không đạt được độ chính xác tuyệt đối, nhất là đối
với các tài liệu có chất lượng hình ảnh đầu vào thấp. Do đó, việc tự động phát hiện
và sửa lỗi nhận dạng văn bản là cần thiết, giúp giảm công sức hiệu đính của người
dùng. Trong nghiên cứu này, chúng tôi đề xuất một thuật toán phát hiện và sửa lỗi
nhận dạng văn bản tiếng Việt dựa trên mô hình n-gram. Kết quả thử nghiệm cho
thấy việc áp dụng thuật toán này giúp nâng cao độ chính xác của nhận dạng.
Từ khóa: Nhận dạng văn bản, Mô hình ngôn ngữ.
1. ĐẶT VẤN ĐỀ
1.1. Giới thiệu
Nhận dạng văn bản trong tiếng Anh thường được nhắc đến với cái tên nhận
dạng ký tự quang học (optical character recognition) và được viết tắt là OCR. Đây
là lĩnh vực được ứng dụng rộng rãi trong việc số hóa các văn bản, tài liệu cũng như
việc hỗ trợ nhập liệu tự động các nguồn dữ liệu in trên giấy như hộ chiếu, giấy
chứng minh thư, hóa đơn, báo cáo tài chính, danh thiếp Các nghiên cứu về nhận
dạng văn bản tiếng Anh cũng như tiếng Việt đã đạt được nhiều kết quả tốt, có độ
chính xác cao đối với những nguồn ảnh văn bản rõ ràng. Tuy nhiên, với các văn
bản, tài liệu do đã cũ hoặc do quá trình bảo quản không tốt bị mờ chữ, mất chữ thì
độ chính xác của quá trình nhận dạng văn bản bị giảm đi đáng kể. Một số phần
mềm có tính năng tự sửa lỗi nhận dạng, tuy nhiên, chủ yếu sửa lỗi ở mức ký tự, sửa
lỗi chính tả dựa vào từ điển, không có khả năng sửa lỗi ở mức từ, ở mức ngữ cảnh.
Do đó, khi gặp những tài liệu có nguồn ảnh đầu vào không tốt thì công sức bỏ ra
để hiệu chỉnh lại văn bản kết quả là khá lớn, nhiều khi còn tương đương với công
đánh lại toàn bộ văn bản.
Trong lĩnh vực nghiên cứu nhận dạng văn bản tiếng Anh, các kĩ thuật sửa lỗi
cho nhận dạng sử dụng các kĩ thuật thống kê, các kĩ thuật xử lý ngôn ngữ tự nhiên
được nghiên cứu từ lâu và đã đưa đến những kết quả sửa lỗi tốt, nâng cao đáng kể
độ chính xác của nhận dạng văn bản, nhất là đối với các nguồn ảnh đầu vào có chất
lượng không tốt. Tuy nhiên, với việc nhận dạng văn bản tiếng Việt thì các công
trình nghiên cứu về phương pháp sửa lỗi sau khi nhận dạng còn khá mới mẻ, chưa
có những nghiên cứu về việc sử dụng các kĩ thuật xử lý ngôn ngữ tự nhiên vào việc
nâng cao tính chính xác của nhận dạng văn bản.
Bài toán phát hiện và sửa lỗi văn bản không chỉ quan trọng trong quá trình nhận
dạng văn bản từ hình ảnh mà nó còn đóng vai trò quan trọng trong nhiều ứng dụng
khác như các giao diện nhập bằng viết tay cho phép người sử dụng viết chữ làm
đầu vào cho máy tính, các thiết bị tổng hợp giọng nói (text-to-speech) và nhận
Công nghệ thông tin
N. C. Thành, , N. T. L. Phượng, “Một cách tiếp cận sử dụng văn bản tiếng Việt.” 34
dạng giọng nói (speech-to-text). Các ứng dụng khác cũng có thể sử dụng phát hiện
và sửa lỗi văn bản để tăng chất lượng kết quả như các hệ thống soạn thảo văn bản,
soạn thảo code, biên tập có trợ giúp của máy tính, dịch máy, học ngoại ngữ, tương
tác cơ sở dữ liệu, cũng như các ứng dụng có đầu vào hoặc đầu ra là tiếng nói.
1.2. Các nghiên cứu liên quan
Đã có một số phương pháp được đề xuất để giải quyết bài toán phát hiện và sửa
lỗi chính tả tiếng Việt. Ở bài báo [1], các tác giả sử dụng luật cấu tạo âm tiết tiếng
Việt hai thành phần để phát hiện lỗi chính tả. Một phương pháp phát hiện và sửa
lỗi tiếng Việt sử dụng mô hình bi-gram đã được đề xuất trong [2]. Mô hình n-gram
cũng được sử dụng để kiểm lỗi cách dùng từ và cụm từ tiếng Việt trong công bố
[3], tuy nhiên, nghiên cứu này không đề xuất phương pháp sửa các lỗi chính tả
phát hiện được. Bài báo [4] mô tả một phương pháp sử dụng một mô hình n-gram
được xây dựng từ một kho ngữ liệu có kích thước lớn để phát hiện các lỗi chính tả
khi đánh máy. Trong các nghiên cứu về phát hiện và sửa lỗi tiếng Việt, chỉ có một
phương pháp có liên quan tới phát hiện và sửa lỗi nhận dạng văn bản (OCR –
optical character recognition), trong nghiên cứu này, việc phát hiện lỗi tiếng Việt
dựa vào xác suất unigram và bộ đếm sự xuất hiện đồng thời của các âm tiết [5].
Đối với nhận dạng văn bản tiếng Anh, đã có nhiều phương pháp được đề xuất
để đưa ra danh sách các từ thay thế cho từ bị sai. Tương ứng với một từ lỗi thuật
toán sẽ đưa ra một danh sách các ứng cử viên để thay thế cho từ đó. Một số thuật
toán sửa lỗi dựa trên từ điển đã được đề xuất. Một trong số đó là thuật toán đối
sánh chuỗi đánh trọng số các từ trong văn bản sử dụng độ đo khoảng cách. Ứng cử
viên sửa lỗi với khoảng cách ngắn nhất với từ lỗi sẽ được chọn [6]. Thuật toán
khác sử dụng thuộc tính cú pháp của ngôn ngữ và mô hình n-gram để tiến hành quá
trình sinh ra các ứng cử viên sửa lỗi và chọn ra ứng cử viên tốt nhất. [7] đề xuất
một phương pháp sửa lỗi sau OCR dựa trên học mẫu, trong đó đầu tiên một danh
sách các ứng cử viên sửa lỗi được sinh ra từ một từ điển, sau đó ứng cử viên phù
hợp nhất sẽ được lựa chọn dựa trên các đặc tính về từ vựng và ngữ pháp xung
quanh từ lỗi. Các kĩ thuật sửa lỗi dựa trên từ điển là khá hợp lý và thành công. Tuy
nhiên, chúng không thể sửa những lỗi dựa trên ngữ cảnh, ví dụ như sửa những lỗi
dựa trên vị trí ngữ pháp của chúng trong câu. Các kĩ thuật sửa lỗi dựa trên ngữ
cảnh thực hiện phát hiện lỗi và sửa lỗi dựa trên ngữ cảnh ngữ pháp và ngữ nghĩa.
Nó có thể giải quyết vấn đề sửa lỗi từ thực như ở câu “Học sinh tơi trường” vì theo
ngữ cảnh mà “tơi” xuất hiện, nó phải là một động từ chứ không phải là một danh
từ. Để thực hiện sửa lỗi dựa trên ngữ cảnh, một số giải pháp đã được cân nhắc tới,
phần lớn là dựa trên mô hình ngôn ngữ thống kê và mô hình dựa trên đặc trưng. [8]
mô tả một hệ thống sửa lỗi từ theo ngữ cảnh dựa trên ánh xạ hỗn loạn, sử dụng xác
xuất hỗn loạn để xác định các dãy tần suất sai và chuyển chúng thành chuỗi đúng
nhất. Nói cách khác, nó mô hình hóa mức độ có thể xảy ra của một chữ cái có thể
bị nhận nhầm thành chữ cái khác. [9] đề xuất một bộ phân lớp Bayesian trong đó
coi các lỗi từ thực là nhập nhằng và sau đó tìm từ đúng bằng cách tính toán mối
quan hệ xác xuất giữa từ lỗi và ứng cử viên sửa lỗi. Trong nghiên cứu [10], các tác
giả sử dụng mô hình ngôn ngữ n-gram để phát hiện và sửa lỗi văn bản tiếng Anh.
Nghiên cứu khoa học công nghệ
Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san CNTT, 12 - 2017 35
Trong bài báo này, chúng tôi nghiên cứu một phương pháp tự động và sửa lỗi
nhận dạng văn bản tiếng Việt dựa trên mô hình ngôn ngữ n-gram.
Nghiên cứu được trình bày theo thứ tự sau: Phần 2 trình bày nội dung nghiên
cứu; Phần 3 trình bày các kết quả thử nghiệm, đánh giá; Cuối cùng, kết luận được
trình bày trong Phần 4.
2. BÀI TOÁN PHÁT HIỆN VÀ SỬA LỖI NHẬN DẠNG VĂN BẢN
Trên thực tế, tỉ lệ lỗi của các hệ thống nhận dạng văn bản (OCR) thường khá
cao nếu tài liệu được quét có nhiều lỗi như trạng thái vật lý không tốt, chất lượng
in kém, tài liệu phai màu, giấy cũ. Khi một hệ thống OCR không thể nhận dạng
một ký tự sẽ tạo ra một lỗi OCR, thường là một lỗi chính tả trong văn bản đầu ra.
Ví dụ, ký tự “B” có thể được nhận dạng sai thành số “8”, ký tự “S” nhận dạng
thành số “5”, ký tự “O” nhận dạng thành số “0”,
Để nâng cao độ chính xác của nhận dạng, cần phát hiện và sửa các lỗi ngôn
ngữ trong văn bản OCR đầu ra sau khi ảnh đầu vào đã được quét và xử lý. Về cơ
bản, có hai loại lỗi OCR: lỗi không từ và lỗi từ thực. Một lỗi không từ là một từ
được nhận dạng bởi hệ thống OCR nhưng nó lại không tương ứng với một từ vựng
nào. Ví dụ, khi “Chào bạn” được hệ thống OCR nhận dạng là “Chào bụn” thì
“bụn” được xác định là lỗi không từ vì “bụn” không có nghĩa trong tiếng Việt. Trái
lại, lỗi từ thực là một từ được nhận dạng và tương ứng với một từ trong từ điển
mặc dù nó sai về ngữ pháp trong câu chứa nó. Ví dụ, khi “Học sinh tới trường”
được hệ thống OCR nhận dạng thành “Học sinh tơi trường” thì “tơi” được coi là
một lỗi từ thực vì “tơi” mặc dù đúng về mặt cú pháp (có xuất hiện trong tiếng Việt)
nhưng việc sử dụng nó trong câu này là sai về ngữ pháp. Thông thường, các lỗi
không từ và từ thực rơi vào một trong ba lớp lỗi sau: xóa, thêm và thay thế. Lỗi
xóa xuất hiện khi một hoặc nhiều ký tự bị xóa khỏi từ gốc. Ví dụ nhận dạng nhầm
từ “Trường” thành “Trưng”, “Trơng”, “Trươg”. Lỗi thêm xảy ra khi một hoặc
nhiều ký tự được thêm vào từ gốc. Ví dụ, nhận dạng nhầm từ “Học” thành “Họcc”
hay “Họoc”. Lỗi thay thế xảy ra khi một hoặc nhiều ký tự bị thay thế trong từ gốc,
ví dụ như thay thế ký tự “m” trong “Thêm” thành ký tự “n” hoặc thay thế ký tự “g”
trong “Thống” thành “q”.
Để giải quyết được bài toán này, đầu tiên cần phân tích xem những lý do nào
có thể gây nên việc nhận dạng lỗi một âm tiết. Qua quá trình khảo sát và thử
nghiệm với bài toán nhận dạng văn bản, chúng tôi tổng hợp một số loại lỗi nhận
dạng chủ yếu sau:
a) Loại 1: Lỗi xóa
Lỗi này xuất hiện khi âm tiết bị xóa mất 1 ký tự. Trường hợp này có thể xảy ra
khi một ký tự bị mờ hoặc xóa mất trên ảnh đầu vào.
Ví dụ:
+ "quan hệ đoàn kết giữa hai nước Việt Nam và Lào" có thể bị nhận dạng
nhầm thành "quan hệ đoàn kết giữa ha nước Việt Nam và Lào" nếu như ký tự "i"
của âm tiết "hai" bị mờ. Như vậy, âm tiết "hai" bị nhận dạng nhầm thành "ha", ký
tự bị xóa mất là ký tự "i".
Lỗi này có thể được mô hình hóa như sau.
- Lỗi xóa: Âm tiết bị xóa bớt một ký tự.
Công nghệ thông tin
N. C. Thành, , N. T. L. Phượng, “Một cách tiếp cận sử dụng văn bản tiếng Việt.” 36
( ) =
Trong đó: là âm tiết ban đầu, là âm tiết sau khi bị
nhận dạng sai, bị xóa mất ký tự (1 ≤ ≤ ).
b) Loại 2: Lỗi thêm
Lỗi này xảy ra khi âm tiết bị thêm 1 ký tự vào do có vết thêm vào trên ảnh nên
vết này bị nhận dạng nhầm thành ký tự.
Ví dụ:
+ "Thanh tra chính phủ" nếu có 1 vết gạch ở sau âm tiết "tra" thì có thể bị
nhận dạng nhầm thành "Thanh trai chính phủ". Ở đây, âm tiết "tra" bị nhận dạng
nhầm thành âm tiết "trai", ký tự bị thêm vào là ký tự "i".
Lỗi này có thể được mô hình hóa như sau.
- Lỗi thêm: Âm tiết bị thêm một ký tự vào sau khi nhận dạng.
∗, ( ) =
∗ ế ≤
∗ ế = + 1
Trong đó: là âm tiết ban đầu,
∗ là âm tiết sau khi bị nhận
dạng sai, bị thêm vào ký tự ∗ ở trước ký tự (nếu 1 ≤ ≤ ) hoặc sau ký tự
nếu = + 1.
c) Loại 3: Lỗi thay thế
Lỗi này xuất hiện khi nhận dạng sai 1 ký tự của âm tiết thành 1 ký tự
khác.Trường hợp này xảy ra khi thuật toán nhận dạng nhận nhầm ký tự này thành
ký tự khác hoặc nhận dạng sai dấu trên ký tự.
Ví dụ:
+ "ảnh hưởng của các yếu tố" có thể bị nhận dạng nhầm thành "ánh hưởng của
các yếu tố". Ở đây, âm tiết "ảnh" bị nhận nhầm thành âm tiết "ánh" do dấu hỏi ở
trên ký tự "a" bị nhận dạng nhầm thành dấu sắc. Ký tự "ả" bị thay thế bằng ký tự
"a".
+ "các cơ sở giáo dục" có thể bị nhận dạng nhầm thành "các cơ sở giác dục"
nếu ký tự "o" của âm tiết "giáo" bị mờ một phần bên phải. Trong trường hợp này,
âm tiết "giáo" bị nhận dạng nhầm thành âm tiết "giác", ký tự "o" bị thay thế bằng
ký tự "c".
+ "bài toán tự động phát hiện mục tiêu" có thể bị nhận dạng nhầm thành "bài
toán tự đông phát hiện mục tiêu" nếu dấu nặng trong âm tiết "động" bị mờ hoặc
dính sát vào chữ cái "ô". Trong trường hợp này, âm tiết "động" bị nhận dạng nhầm
thành âm tiết "đông", ký tự "ộ" bị thay thế bằng ký tự "ô".
Lỗi này có thể được mô hình hóa như sau:
- Lỗi thay thế: nhận dạng sai một ký tự của âm tiết, thêm dấu vào âm tiết, bỏ
mất dấu của âm tiết.
∗, ( ) =
∗
Trong đó: là âm tiết ban đầu,
∗ là âm tiết sau khi bị
nhận dạng sai, ký tự (1 ≤ ≤ ) bị thay thế bằng ký tự
∗.
d) Loại 4: Lỗi gộp ký tự
Nghiên cứu khoa học công nghệ
Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san CNTT, 12 - 2017 37
Lỗi này xuất hiện khi hai ký tự của âm tiết bị gộp làm một ký tự khác.Trường
hợp này xảy ra khi 2 ký tự ở cạnh nhau có hình dạng giống với một ký tự thứ ba
nên bị nhận dạng sai.
Ví dụ:
+ "hội nghị thường niên" có thể bị nhận dạng nhầm thành "hội nghị thường
mên". Trong trường hợp này, âm tiết "niên" bị nhận nhầm thành âm tiết "mên", do
hai ký tự "ni" bị gộp lại thành một ký tự "m".
+ "các kỹ thuật tiên tiến" có thể bị nhận dạng nhầm thành "các kỹ thuật hên
tiến". Trong trường hợp này, âm tiết "tiên" bị nhận nhầm thành âm tiết "hên", do
hai ký tự "ti" bị gộp lại thành một ký tự "h".
Lỗi này có thể được mô hình hóa như sau:
- Lỗi gộp ký tự: 2 ký tự bị gộp làm 1.
( ) =
∗
Trong đó: là âm tiết ban đầu,
∗ là âm tiết sau khi bị
nhận dạng sai, hai ký tự (1 ≤ ≤ − 1) bị gộp lại nhận dạng thành ký tự
∗.
e) Loại 5: Lỗi chia tách ký tự
Lỗi này xuất hiện khi một ký tự của âm tiết bị nhận dạng thành 2 ký tự. Trường
hợp này xảy ra khi một ký tự khi tách đôi theo chiều dọc thì tạo thành hình ảnh
tương tự 2 ký tự khác.
Ví dụ:
+ "trong khoảng thời gian" có thể bị nhận dạng nhầm thành "trong khoảng thời
giaii" nếu ký tự "n" của âm tiết "gian" bị mờ phần trên. Trong trường hợp này, âm
tiết "gian" bị nhận nhầm thành "giaii", ký tự "n" bị nhận dạng tách thành 2 ký tự
"ii".
Lỗi này có thể được mô hình hóa như sau:
- Lỗi chia tách ký tự: 1 ký tự bị tách ra làm 2.
( ) =
Trong đó: là âm tiết ban đầu, là âm tiết sau
khi bị nhận dạng sai, ký tự (1 ≤ ≤ ) bị nhận dạng nhầm thành hai ký tự
.
f) Loại 6: Lỗi gộp âm tiết
Lỗi này xuất hiện khi 2 âm tiết bị gộp làm một âm tiết. Trường hợp này xảy ra
khi 2 âm tiết xuất hiện sát gần nhau khiến cho phần mềm OCR nhận dạng chúng là
1 âm tiết.
Ví dụ:
+ "mô phỏng huấn luyện" có thể bị nhận dạng nhầm thành "mô phỏng
huấnluyện" nếu hai âm tiết "huấn" và "luyện" bị in sát nhau, hoặc có vết bẩn giữa
hai âm tiết. Trong trường hợp này, hai âm tiết "huấn luyện" bị nhận nhầm thành
"huấnluyện".
Lỗi này có thể được mô hình hóa như sau.
- Lỗi gộp âm tiết: 2 âm tiết bị gộp làm 1.
_ ( , ) =
Công nghệ thông tin
N. C. Thành, , N. T. L. Phượng, “Một cách tiếp cận sử dụng văn bản tiếng Việt.” 38
Trong đó: và là hai âm tiết ban đầu, là kết quả nhận dạng sai, hai
âm tiết bị gộp làm một.
g) Loại 7: Lỗi chia tách âm tiết
Lỗi này xuất hiện khi 1 âm tiết bị tách làm 2 âm tiết sau khi nhận dạng.Trường
hợp này xảy ra khi khoảng cách giữa 2 ký tự của âm tiết lớn hoặc một phần ký tự
bị mờ làm cho âm tiết bị tách làm 2 phần.
Ví dụ:
+ "Việc xác định" có thể bị nhận dạng nhầm thành "V iệc xác định" nếu chữ
"V" bị mờ một phần bên phải.Trong trường hợp này âm tiết "Việc" bị nhận dạng
nhầm thành hai âm tiết là "V" và "iệc".
Lỗi này có thể được mô hình hóa như sau.
- Lỗi chia tách âm tiết: 1 âm tiết bị tách ra làm 2.
_
( ) = +
Trong đó: là âm tiết ban đầu, và là hai âm tiết sau khi
bị nhận dạng sai (1 ≤ ≤ − 1).
Lỗi nhận dạng có thể xảy ra theo một trong các trường hợp trên hoặc có thể là
tổng hợp của các trường hợp trên.
3. PHƯƠNG PHÁP PHÁT HIỆN VÀ SỬA LỖI BẰNG MÔ HÌNH N-GRAM
Chúng tôi đề xuất một phương pháp phát hiện và sửa lỗi nhận dạng văn bản
tiếng Việt dựa trên mô hình n-gram. Trước hết, chúng ta cần xây dựng được mô
hình n-gram dựa trên một tập hợp các văn bản huấn luyện, sau đó với mỗi văn bản
cần tìm lỗi, dựa vào mô hình n-gram đã tính, xác định xác suất n-gram của các âm
tiết liền nhau trong văn bản đang xét. Nếu xác suất này nhỏ hơn một ngưỡng lỗi thì
dãy âm tiết đó được coi là có lỗi dùng từ.
Để xây dựng mô hình n-gram, đầu tiên cần thu thập các văn bản tiếng Việt
thành một kho ngữ liệu, và dùng kho này để làm dữ liệu huấn luyện. Sau đó, tiến
hành tính toán các giá trị unigram (1-gram), bigram (2-gram) và trigram (3-gram)
bằng cách thống kê tần suất xuất hiện và áp dụng các công thức để tính xác suất,
làm trơn các xác suất thấp, hiệu chỉnh xác suất và tính các hệ số backoff. Tiếp theo
cần xây dựng bộ từ điển các âm tiết có trong tiếng Việt để xác định các lỗi chính
tả. Việc tính toán các giá trị n-gram và bộ từ điển âm tiết tiếng Việt được xây dựng
tương tự với tài liệu [3].
Sau khi đã xây dựng được mô hình n-gram dựa trên tập dữ liệu huấn luyện,
chúng ta có thể phát hiện lỗi cho kết quả nhận dạng văn bản theo các bước sau. Đầu
tiên phát hiện các âm tiết sai sử dụng từ điển âm tiết. Sau đó, duyệt toàn bộ văn bản
kết quả theo cụm 3 âm tiết liền nhau, tính xác suất trigram của từng cụm, nếu giá trị
nhỏ hơn ngưỡng lỗi thì xác định cụm từ đó có lỗi dùng từ. Sau khi đã xác định cụm
từ có lỗi thì chúng ta cần xác định vị trí của âm tiết bị lỗi. Một âm tiết nếu nó thuộc
về hai hoặc ba cụm từ có lỗi thì có thể xác định đó chính là âm tiết gây ra lỗi. Do đó,
chúng ta có thể xác định được chính xác vị trí của âm tiết gây lỗi.
Sau khi đã xác định được âm tiết có lỗi, bước tiếp theo là xác định âm tiết đúng
để sửa lỗi. Với mô hình n-gram, dựa vào xác suất của cụm âm tiết, chúng ta có thể
đoán biết được khi cho trước một cụm âm tiết và vị trí âm tiết lỗi thì âm tiết nào có
Nghiên cứu khoa học công nghệ
Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san CNTT, 12 - 2017 39
khả năng thay thế âm tiết đó với xác suất cao nhất. Để xác định được âm tiết đúng
để sửa lỗi, chúng ta có thể sử dụng phương pháp sinh ra tập các ứng cử viên để từ
đó xác định ứng cử viên có khả năng đúng cao nhất.
Từ những phân tích đó chúng tôi đề xuất một phương pháp xác định âm tiết
đúng để sửa lỗi cho văn bản sau khi nhận dạng như sau. Sau khi đã xác định được
âm tiết có lỗi, cần xác định âm tiết đúng là gì.
Xuất phát từ chính âm tiết bị lỗi, chúng ta sử dụng các phép biến đổi từ âm tiết
bị lỗi sinh ra 1 tập các âm tiết ứng cử viên là những âm tiết có thể là âm tiết đúng.
( )
= {
( ) ∪
( ) ∪
( ) ∪
( ) ∪
( )
∪ _
( ) ∪ _
( )}
Trong đó, tập ứng cử viên
( ) là tập các ứng cử viên sinh ra từ âm tiết
lỗi qua phép biến đổi ngược theo trường hợp
∗, , nghĩa là ∈
( ) khi
∗, ( ) = .
( ) = |
∗, ( ) = , 1 ≤ ≤ + 1
Trong đó, n là số ký tự của u và ký tự ∗ là ký tự bất kì trong bảng chữ cái (có
dấu hoặc không dấu).
Ví dụ, với âm tiết "giác" thì "giá" một biến đổi ngược của phép thêm với = 4
ký tự thêm vào ∗ là "c". Nghĩa là "giá" ∈
("giác") do "giác" =
" ", ("giá"). Tương tự, "gác" là một ngược của phép thêm với = 2 ký tự thêm
vào ∗ là "i". Như vậy, "gác" ∈
("giác").
Tương tự,
( ) là tập các ứng cử viên sinh ra từ âm tiết lỗi qua phép biến
đổi ngược theo trường hợp
.
( ) = |
( ) = , 1 ≤ ≤
Trong đó, n là số ký tự của u.
Ví dụ, với âm tiết "côn" thì "công" là một biến đổi ngược của phép xóa với
= 4. Nghĩa là "công" ∈
("côn") do "côn" =
("công").
( ) là tập các ứng cử viên sinh ra từ âm tiết lỗi qua phép biến đổi ngược
theo trường hợp
∗, .
( ) = |
∗, ( ) = , 1 ≤ ≤
Trong đó, n là số ký tự của u.
Ví dụ, với âm tiết "giác" thì "giáo" là một phép biến đổi ngược của phép thay
thế với = 4, nghĩa là "giáo" ∈
("giác")
( ) là tập các ứng cử viên sinh ra từ âm tiết lỗi qua phép biến đổi ngược
theo trường hợp
.
( ) = |
( ) = , 1 ≤ ≤ − 1
( ) là tập các ứng cử viên sinh ra từ âm tiết lỗi qua phép biến đổi ngược
theo trường hợp
.
( ) = |
( ) = , 1 ≤ ≤
Công nghệ thông tin
N. C. Thành, , N. T. L. Phượng, “Một cách tiếp cận sử dụng văn bản tiếng Việt.” 40
Tương tự, _
( ) là tập các ứng cử viên sinh ra từ âm tiết lỗi qua phép biến
đổi ngược theo trường hợp _ . _
( ) là tập các ứng cử viên sinh ra từ âm
tiết lỗi qua phép biến đổi ngược theo trường hợp _
.
Có thể áp dụng các phép biến đổi nhiều lần để tìm ra tập các ứng cử viên.
( ) = ( ( ))
Sau khi có tập ứng cử viên, đầu tiên chúng ta loại bỏ các âm tiết không đúng
chỉnh tả, là các âm tiết không có trong từ điển âm tiết. Sau đó, từ tập các ứng cử
viên này chúng ta tính toán xác suất n-gram của các âm tiết trong tập âm tiết ứng
cử viên để tìm ra âm tiết đúng. Để sửa lỗi tự động chúng ta có thể đặt ra ngưỡng để
có thể tự động sửa lỗi, nếu tìm được đúng 1 âm tiết ứng cử viên có độ chính xác
vượt ngưỡng hoặc âm tiết ứng cử viên có độ chính xác vượt trội hơn so với các
ứng cử viên khác thì tự động sửa lỗi. Nếu có nhiều âm tiết chính xác thì chúng ta
có 1 tập các âm tiết để người dùng có thể lựa chọn trong sửa lỗi bán tự động.
Các bước trong thuật toán tìm tập ứng cử viên cho âm tiết bị lỗi dựa trên mô
hình n-gram được minh họa ở hình 1. Dữ liệu đầu vào cho thuật toán là âm tiết bị
lỗi và vị trí của nó trong văn bản. Đầu ra của thuật toán là tập các ứng cử viên có
thể là âm tiết đúng ban đầu trong văn bản gốc.
Bắt đầu
Sinh tập ứng cử viên từ các
phép biến đổi ngược
Âm tiết
bị lỗi
Loại bỏ các ứng cử viên không
có trong từ điển âm tiết
Loại bỏ các ứng cử viên có xác
suất n-gram thấp
Kết thúc
Hình 1. Các bước tìm ứng cử viên để sửa lỗi.
Nghiên cứu khoa học công nghệ
Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san CNTT, 12 - 2017 41
4. THỬ NGHIỆM, ĐÁNH GIÁ
Chương trình thử nghiệm đã được xây dựng dựa trên phương pháp tìm và sửa
lỗi tự động trình bày ở trên. Phần mềm được viết bằng ngôn ngữ C# sử dụng bộ
công cụ lập trình Microsoft Visual Studio. Sau khi lấy về kết quả nhận dạng của
phần mềm mã nguồn mở VietOCR, chương trình thử nghiệm thực hiện phát hiện
lỗi nhận dạng và tự động sửa lỗi, hỗ trợ người sử dụng sửa lỗi bán tự động bằng
cách đưa ra một danh sách các âm tiết ứng cử viên để sửa lỗi.
Hình 2 minh họa các bước hoạt động của chương trình thử nghiệm. Sau khi
người dùng nhập đường dẫn đến file ảnh của văn bản cần nhận dạng, phần mềm
tiến hành nhận dạng văn bản bằng cách gọi hàm của VietOCR. Sau đó, kết quả
nhận dạng sẽ được xử lý để phát hiện lỗi nhận dạng dựa trên mô hình n-gram. Tiếp
theo, các ứng cử viên để thay thế cho âm tiết lỗi sẽ được sinh ra bằng phương pháp
sửa lỗi được đề xuất ở phần trước. Chương trình sẽ hiển thị kết quả sửa lỗi nhận
dạng lên cửa sổ hỗ trợ sửa lỗi. Các âm tiết bị xác định là có lỗi nhận dạng sẽ được
đánh dấu để người dùng dễ dàng nhận biết. Những âm tiết chỉ có 1 ứng cử viên
thay thế sẽ được tự động sửa lỗi bằng ứng cử viên đó, với những âm tiết có nhiều
ứng cử viên thay thế thì khi âm tiết đó được lựa chọn chương trình sẽ hiển thị danh
sách ứng cử viên để người dùng lựa chọn.
Đọc file ảnh đầu vào
Nhận dạng văn bản (VietOCR)
Phát hiện lỗi nhận dạng
Sửa lỗi nhận dạng
Hiển thị lỗi và hỗ trợ sửa lỗi
Hình 2. Các bước hoạt động của chương trình.
Để thực hiện phát hiện lỗi và sửa lỗi nhận dạng, cần có thông tin về các xác
suất n-gram của các âm tiết. Các xác suất này được tính dựa trên một kho ngữ liệu
huấn luyện. Trong chương trình thử nghiệm, mô hình n-gram được xây dựng từ
trước và ghi vào file dữ liệu, kho ngữ liệu sử dụng để huấn luyện gồm hơn 300.000
câu tiếng Việt được thu thập từ nhiều lĩnh vực. Các xác suất unigram, bigram,
trigram của các âm tiết được tính toán dựa trên thống kê tần suất xuất hiện các âm
Công nghệ thông tin
N. C. Thành, , N. T. L. Phượng, “Một cách tiếp cận sử dụng văn bản tiếng Việt.” 42
tiết trong kho ngữ liệu. Các xác suất n-gram thấp được làm trơn, sau đó tính toán
các hệ số backoff.
Chương trình đã được chạy thử nghiệm với một số văn bản quét và cho kết quả
như trình bày ở Bảng 1. Văn bản đầu vào sử dụng phông Times New Roman, được
quét thành ảnh trắng đen ở độ phân giải 300dpi. Sau khi sử dụng chương trình để
phát hiện và sửa lỗi, độ chính xác của kết quả nhận dạng đã tăng lên. Ở đây, chúng
tôi chỉ tính các âm tiết được sửa lỗi tự động, nghĩa là chương trình tự động thay thế
âm tiết lỗi bằng âm tiết do chương trình tự động xác định là âm tiết đúng. Ngoài ra,
đối với các âm tiết lỗi khác, chương trình cũng sinh ra một danh sách các ứng cử
viên để hỗ trợ người dùng sửa lỗi một cách nhanh chóng và thuận tiện hơn. Trên
bảng 1, số âm tiết nhận dạng lỗi ở cột (2) là số âm tiết lỗi sau khi nhận dạng bằng
phương pháp nhận dạng của VietOCR, số lỗi này được xác định bằng cách so sánh
với văn bản gốc bằng tay (sử dụng con người). Độ chính xác ở cột (3) là độ chính
xác của văn bản là kết quả của module nhận dạng của VietOCR, tính bằng số âm
tiết đúng chia cho tổng số âm tiết của trang văn bản. Cột (4) là số âm tiết lỗi còn lại
sau khi một số âm tiết lỗi đã được sửa lỗi lại thành âm tiết đúng bằng thuật toán
phát hiện và tự động sửa lỗi do chúng tôi đề xuất.
Bảng 1. Kết quả thử nghiệm chương trình.
Số âm tiết Âm tiết
nhận dạng
lỗi
Độ chính
xác
Số âm tiết
lỗi sau khi
tự động sửa
lỗi
Độ chính
xác sau sửa
lỗi
(1) (2) (3) (4) (5)
Văn bản 1 446 15 96.64% 10 97.76%
Văn bản 2 706 16 97.73% 13 98.16%
Văn bản 3 509 10 98.04% 9 98.23%
Văn bản 4 447 32 92.84% 25 94.41%
Văn bản 5 367 28 92.37% 22 94.01%
Tổng 2475 101 95.92% 79 96.81%
Kết quả thử nghiệm cho thấy phương pháp được đề xuất có khả năng kiểm tra,
phát hiễn lỗi tốt, giúp người dùng tự động sửa lỗi. Tốc độ phát hiện và sửa lỗi khá
cao, có thể đưa vào sử dụng trong thực tế để xây dựng các hệ thống số hóa văn bản
để xây dựng thư viện điện tử.
5. KẾT LUẬN
Bài báo đã trình bày về kết quả nghiên cứu để tìm cách nâng cao độ chính xác
của nhận dạng văn bản, sử dụng các tri thức khai thác được từ kho ngữ liệu thông
qua mô hình thống kê n-gram. Chúng tôi đã đề xuất một phương pháp phát hiện và
tự động sửa lỗi cho văn bản nhận dạng, đồng thời, xây dựng chương trình cài đặt
thuật toán đó để thực hiện nâng cao độ chính xác cho nhận dạng văn bản. Chương
trình thử nghiệm đã cho kết quả tốt, tự động sửa được lỗi nhận dạng và hỗ trợ
người dùng sửa lỗi bán tự động. Kết quả nhận dạng đã được nâng lên so với
phương pháp truyền thống. Kết quả này có thể được áp dụng để đưa vào thực hiện
số hóa tài liệu cho các thư viện điện tử.
Nghiên cứu khoa học công nghệ
Tạp chí Nghiên cứu KH&CN quân sự, Số Đặc san CNTT, 12 - 2017 43
Qua thực tế nghiên cứu và thử nghiệm việc nhận dạng các tài liệu, chúng tôi
thấy rằng ngay cả khi đã áp dụng các phương pháp sửa lỗi, rất khó để đạt được tỉ lệ
nhận dạng chính xác 100%. Do đó, để việc tìm kiếm, quản lý các kho tài liệu số
hóa chính xác và thuận tiện hơn cần phát triển một hệ thống tìm kiếm thông minh
có khả năng tìm được đúng các văn bản mà không cần các từ khóa phải chính xác
100% (do kết quả nhận dạng không đảm bảo được chính xác 100%). Việc áp dụng
các kĩ thuật học máy, các lý thuyết tập mờ, tập thô vào bài toán tìm kiếm thông
minh này là hết sức cần thiết.
Lời cảm ơn: Tác giả cảm ơn sự tài trợ về kinh phí của đề tài: “Nghiên cứu phát
triển giải pháp nâng cao độ chính xác của nhận dạng văn bản sử dụng tri thức khai thác
từ kho ngữ liệu tiếng Việt ứng dụng vào hệ thống số hóa tài liệu để xây dựng các thư
viện điện tử”.
TÀI LIỆU THAM KHẢO
[1]. Đinh Thị Phương Thu, Huỳnh Quyết Thắng, Nguyễn Văn Lợi. “Sử dụng luật
cấu tạo âm tiết tiếng Việt hai thành phần trong bài toán kiểm tra chính tả
tiếng Việt”. Tạp chí Bưu chính Viễn thông, Chuyên san Các nghiên cứu và
triển khai ứng dụng trong viễn thông và Công nghệ thông tin, Số 18, tháng 10
năm 2007, trang 83-92.
[2]. Nguyen Hong Phuong, Ngo Duc Thuan, Phan Anh Dung, Dinh Thi Phuong
Thu, Huynh Quyet Thang. “Vietnamese spelling detection and correction by
using a syllable Bi-gram and building a weight function combining Minimum
Edit Distance and SoundEx algorithms with some heuristics”. International
Conference on Research, Innovation and Vision for the Future in Computing
and Communication Technologies, RIVF 2008, July 13-17, 2008, pp. 96 –
102.
[3]. Trần Ngọc Anh, Đào Thanh Tĩnh. “Kỹ thuật mã hóa âm tiết tiếng Việt và các
mô hình n-gram ứng dụng kiểm lỗi cách dùng từ và cụm từ tiếng Việt”. Tạp
chí Công nghệ thông tin và Truyền thông, Tập V-1, Số 6 (26), tháng 9 năm
2011, tr.280-289.
[4]. Huong, Nguyen Thi Xuan, Tran-Thai Dang, and Anh-Cuong Le. "Using large
n-gram for Vietnamese spell checking." Knowledge and Systems
Engineering. Springer, Cham, 2015. 617-627.
[5]. Vu Hoang, Cong Duy, and Ai Ti Aw. "An unsupervised and data-driven
approach for spell checking in Vietnamese OCR-scanned texts." Proceedings
of the Workshop on Innovative Hybrid Approaches to the Processing of
Textual Data. Association for Computational Linguistics, 2012.
[6]. V.I. Levenshtein, "Binary codes capable of correcting deletions, insertions,
and reversals", Cybernetics and Control Theory, 10(8), 707-710, 1966.
[7]. H. Niwa, K. Kayashima, Y. Shimeki, "Postprocessing for Character
Recognition Using Keyword Information", IAPR Workshop on Machine
Vision Applications, Dec. 7-9, Tokyo, 1992.
[8]. D. Evans, C. Zhai, X. Tong, N. Milic-Frayling, "OCR Correction and Query
Expansion for Retrieval on OCR Data", Clarit trec-5 confusion track report,
volume 52, 1996.
Công nghệ thông tin
N. C. Thành, , N. T. L. Phượng, “Một cách tiếp cận sử dụng văn bản tiếng Việt.” 44
[9]. R.A. Golding, "A Bayesian Hybrid Method for Context-Sensitive Spelling
Correction", Proceedings of the Third Workshop on Very Large Corpora,
Cambridge, MA. 39-53, 1995.
[10]. Islam, Aminul, and Diana Inkpen. "Real-word spelling correction using
Google Web IT 3-grams." Proceedings of the 2009 Conference on Empirical
Methods in Natural Language Processing: Volume 3-Volume 3. Association
for Computational Linguistics, 2009.
ABSTRACT
AN APPROACH FOR VIETNAMESE OCR ERROR CHECK
AND CORRECTION USING N-GRAM MODEL
In the paper, the result of a studying on improving Vietnamese OCR
accuracy is presented. OCR result rarely reach pefect accuracy, especially
with documents with low quality image input. Therefore, automatic OCR
check and correcion can reduce user efforts in OCR post-processing. In this
study, a method for Vietnamese OCR error check and correction based on n-
gram model is proposed. Experiment results show that the proposed method
can improve the accuracy of OCR process.
Từ khóa: Optical Character Recognition, Language model.
Nhận bài ngày 16 tháng 8 năm 2017
Hoàn thiện ngày 26 tháng 11 năm 2017
Chấp nhận đăng ngày 28 tháng 11 năm 2017
Địa chỉ: 1Viện Công nghệ Thông tin, Viện KHCNQS;
2Trung tâm tin học, Trường Đại học Nội vụ Hà Nội.
* Email: thanhnc80@gmail.com.
Các file đính kèm theo tài liệu này:
- 04_97_2151875.pdf