Luận án ts phát triển các mô hình dựa trên mạng nơron cho phân tích quan điểm th

Mục lục Lời cảm ơn i Lời cam đoan ii Mục lục iii Danh mục các chữ viết tắt vii Danh mục các bảng ix Danh mục các hình vẽ xi Lời mở đầu 1 1 Tổng quan vấn đề nghiên cứu 5 1.1 Giới thiệu bài toán .2 Các bài toán trong phân tích quan điểm .1 Tổng quan một hệ thống phân tích quan điểm .2 Phân tích quan điểm cho toàn bộ văn bản .3 Phân tích quan điểm theo khía cạnh .4 Các bài toán trong phân tích quan điểm theo khía cạnh .3 Các nghiên cứu liên quan .1 Trích xuất từ thể hiện khía cạnh .2 Xác định khía cạnh .3 Phân đoạn khía cạnh .4 Phân loại quan điểm theo khía cạnh .5 Xếp hạng khía cạnh .6 Xác định hạng và trọng số khía cạnh ẩn .4 Các tiếp cận giải quyết bài toán .5 Nghiên cứu trên thế giới và Việt nam. 16 2 Kiến thức cơ sở 18 2.1 Các ký hiệu và khái niệm liên quan .2 Các mô hình học máy cơ sở cho phân tích quan điểm theo khía cạnh .1 Mô hình hồi quy đánh giá ẩn .2 Thuật toán xác suất xếp hạng khía cạnh .3 Các mô hình học biểu diễn mức từ, câu, đoạn/văn bản .1 Mô hình Word2Vec .2 Mô hình GloVe .3 Mô hình véc-tơ Paragraph .4 Mô hình mạng nơ-ron tích chập CNN .5 Mô hình véc-tơ kết hợp .4 Kết luận và thảo luận. 34 3 Đề xuất mô hình dựa trên mạng nơ-ron xác định hạng và trọng số khía cạnh của thực thể 35 3.2 Mô hình hóa bài toán .1 Bài toán xác định hạng và trọng số khía cạnh ẩn của thực thể .2 Bài toán xác định trọng số khía cạnh chung của các thực thể .3 Phương pháp đề xuất .1 Xác định hạng và trọng số khía cạnh ẩn của thực thể sử dụng mô hình mạng nơ-ron một lớp ẩn .2 Xác định hạng và trọng số khía cạnh ẩn của thực thể sử dụng mô hình học biểu diễn đa tầng .3 Xác định trọng số khía cạnh chung của thực thể sử dụng mô hình mạng nơ-ron .2 Cài đặt mô hình .3 Kết quả thực nghiệm .5 Hiệu quả của các tham số trong mô hình LRNN-ASR. 66 4 Học véc-tơ biểu diễn từ cho phân tích quan điểm theo khía cạnh 68 4.2 Mô hình hóa bài toán .1 Bài toán tinh chỉnh véc-tơ biểu diễn từ .2 Bài toán học véc-tơ biểu diễn từ .3 Phương pháp đề xuất .1 Mô hình tinh chỉnh véc-tơ biểu diễn từ .2 Mô hình học véc-tơ biểu diễn từ SSCWE .1 Dữ liệu thực nghiệm và các độ đo .5 Cài đặt và đánh giá mô hình tinh chỉnh véc-tơ từ WEFT .1 Cài đặt mô hình .2 Đánh giá mô hình .6 Cài đặt và đánh giá mô hình SSCWE .1 Cài đặt mô hình .2 Đánh giá mô hình .3 So sánh hai mô hình WEFT và SSCWE.

90 v 5 Mô hình đa kênh dựa trên CNN nhằm khai thác đa véc-tơ biểu diễn từ và ký tự cho phân tích quan điểm theo khía cạnh 91 5.2 Mô tả bài toán .3 Phương pháp đề xuất .1 Thành phần tích chập .2 Mô hình mạng nơ-ron tích chập đa kênh cho phân tích quan điểm theo khía cạnh .1 Dữ liệu thực nghiệm và cài đặt mô hình MCNN .2 Môi trường và thời gian thực nghiệm .4 Hiệu quả của các loại tham số. 109 Kết luận 110 Danh mục công trình khoa học của tác giả liên quan đến luận án 112 Tài liệu tham khảo 113 vi Danh mục các chữ viết tắt LRNN Latent Rating Neural Network (Mạng nơ-ron đánh giá ẩn) LRR Latent Rating Regression (Hồi quy đánh giá ẩn) ASR Aspect Semantic Representation (Biểu diễn ngữ nghĩa khía cạnh) NNAWs Neural Network Aspect Weights (Mạng nơ-ron trọng số khía cạnh) CNN Convolutional Neural Network (Mạng nơ-ron tích chập) MCNN Multichannel Convolutional Neural Network (Mạng nơ-ron đa kênh tích chập) NLP Natural Language Processing (Xử lý ngôn ngữ tự nhiên) POS Part Of Speech (Nhãn từ loại) SVM Support Vector Machine (Máy véc-tơ hỗ trợ) vii Danh sách bảng 3.1 Các từ hạt nhân được lựa chọn cho thuật toán phân đoạn khía cạnh .2 Thống kế dữ liệu thực nghiệm .3 Kết quả dự đoán hạng của 5 khách sạn .4 Kết quả xác định trọng số khía cạnh của 5 khách sạn .5 So sánh mô hình LRNN với phương pháp LRR trong bốn trường hợp biểu diễn khía cạnh .6 Top 10 từ có trọng số tích cực và tiêu cực của từng khía cạnh .7 Các kết quả thực nghiệm và so sánh các mô hình trong việc xác định hạng khía cạnh .8 Kết quả so sánh chất lượng trọng số khía cạnh chung .9 Các kết quả thực nghiệm trên các trường hợp khởi tạo trọng số khía cạnh 64 3.10 Kết quả thực nghiệm mô hình đề xuất sử dụng trọng số khía cạnh chung so với sử dụng riêng .1 Thống kê tập dữ liệu thứ 2 .2 Kết quả xác định khía cạnh .3 Kết quả phân loại quan điểm theo khía cạnh .4 Bốn từ gần ngữ nghĩa với từ đã cho đối với từng mô hình .5 Các kết quả xác định khía cạnh .6 Các kết quả phân loại quan điểm .7 Năm từ gần ngữ nghĩa với từ đã cho đối với từng mô hình .8 So sánh kết quả phân loại quan điểm giữa mô hình WEFT và SSCWE .9 So sánh thời gian thực hiện giữa mô hình WEFT và SSCWE .1 Thống kê số lượng câu được sử dụng trong thực nghiệm .2 Bảng từ điển các ký tự tiếng Anh .3 Kết quả xác định khía cạnh của mô hình MCNN và các mô hình cơ sở .4 Kết quả dự đoán phân loại quan điểm theo khía canh của mô hình MCNN và các mô hình cơ sở .5 Các từ gần nhau được xác định bằng véc-tơ biểu diễn từ trong kênh CNN3106 5.6 So sánh kết quả, thời gian sử dụng kỹ thuật dropout trong mô hình MCNN đối với cộng việc xác định khía cạnh .7 So sánh kết quả, thời gian sử dụng kỹ thuật dropout trong mô hình MCNN đối với công việc phân loại quan điểm khía cạnh .8 Kết quả xác định khía cạnh của mô hình MCNN với các mức lựa chọn số chiều véc-tơ ký tự nhúng khác nhau .9 Kết quả phân loại quan điểm của mô hình MCNN với các mức lựa chọn số chiều véc-tơ ký tự nhúng khác nhau .10 Kết quả xác định khía cạnh của mô hình MCNN khi sử dụng số lượng bộ lọc khác nhau .11 Kết quả phân loại quan điểm của mô hình MCNN khi sử dụng số lượng bộ lọc khác nhau. 108 ix Danh sách hình vẽ 1.1 Kiến trúc tổng quan của hệ thống phân tích quan điểm .1 Ví dụ một ý kiến khách hàng thể hiện quan điểm về dịch vụ khách sạn Vinpearl Phu Quoc Resort .2 Ví dụ về Hạng chung của sản phẩm iPhone X 64GB .3 Mô hình hồi quy đánh giá khía cạnh ẩn [1] .4 Mô hình Word2Vec với hai kiến trúc CBOW và Skip-gram .5 Mô hình véc-tơ Paragraph học biểu diễn câu, đoạn hoặc cả văn bản [2] .6 Minh họa mô hình túi từ phân phối của các véc-tơ Paragraph [2] .7 Minh họa tích chập trong ma trận câu .8 Minh họa mô hình phân lớp câu sử dụng mạng CNN [3] .9 Minh họa việc sử dung mô hình véc-tơ kết hợp cho biểu diễn mức câu .1 Ví dụ: đầu vào, đầu ra của toán xác định hạng và trọng số khía cạnh ẩn .2 Ví dụ: đầu vào, đầu ra của toán xác định trọng số khía cạnh chung .3 Các công việc cần giải quyết của bài toán xác định hạng và trọng số khía cạnh ẩn của thực thể .4 Minh họa mô hình mạng nơ-ron LRNN xếp hạng ẩn .5 Các công việc cần giải quyết của bài toán xác định hạng, trọng số khía cạnh ẩn sử dụng mô hình học biểu diễn đa tầng .6 Minh họa mô hình học biểu diễn đa tầng cho phân tích quan điểm theo khía cạnh .7 Minh họa mô hình xác định hạng khía cạnh chung .8 Quy trình thực nghiệm, đánh giá mô hình LRNN .9 Quy trình thực nghiệm, đánh giá mô hình LRNN-ASR .10 Quy trình thực nghiệm, đánh giá mô hình NNAWs .11 Mô hình FULL-LRNN-ASR thực hiện với các giá trị khác nhau của trọng số γ và β (β + γ = 1) trên độ đo Preview .12 Mô hình FULL-LRNN-ASR thực hiện với số chiều véc-tơ biểu diễn từ khác nhau .13 Kết quả xác định trọng số khía cạnh chung của dịch vụ khách sạn .1 Mô tả đầu vào và đầu ra của của bài toán tính chỉnh véc-tơ biểu diễn từ .2 Mô tả đầu vào và đầu ra của của bài toán học véc-tơ biểu diễn từ .3 Minh họa mô hình tinh chỉnh véc-tơ biểu diễn từ WEFT .4 Minh họa thành phần nhúng ngữ nghĩa của véc-tơ biểu diễn từ sử dụng mô hình CBOW .5 Minh họa thành phần nhúng thông khía cạnh và quan điểm theo khía cạnh 79 4.6 Hiệu quả của số chiều véc-tơ từ trong công việc dự đoán quan điểm khía cạnh .1 Mô tả đầu vào, đầu ra của công việc khai thác đa véc-tơ biểu diễn từ, biểu diễn ký tự cho phân tích quan điểm theo khía cạnh .2 Minh họa thành phần tích chập .3 Mô hình mạng nơ-ron tích chập đa kênh MCNN cho công việc xác định khía cạnh .4 Minh họa mô hình lai CNN1 + CNN2 + CNN3 cho công việc xác định khía cạnh .5 Hiệu quả của mô hình MCNN với các kích cỡ mini-batching từ 10 đến 100. 108 xi Mở đầu 1.

Tính cấp thiết của luận án Dữ liệu đánh giá về các sản phẩm, dịch vụ và sự kiện xã hội trên các hệ thống tin tức và thương mại trực tuyến ngày càng đa dạng, phong phú. Dữ liệu này bao gồm các bài bình luận, các bài viết chứa ý kiến đánh giá về các sản phẩm, dịch vụ, sự kiện của người sử dụng mạng tạo ra trong quá trình sử dụng hệ thống. Sự bùng nổ của các trang Web thương mại trực tuyến, các trang tin tức, các diễn đàn, các mạng xã hội đã dẫn đến số lượng các bài viết chứa ý kiến ngày càng nhiều và được cập nhật liên tục. Nguồn thông tin này thực sự hữu ích, giúp các công ty, tổ chức nắm bắt thông tin khách hàng một cách kịp thời để cải tiến sản phẩm, nâng cấp dịch vụ; giúp khảo sát quan điểm mọi người về các sự kiện, hiện tượng xã hội; hỗ trợ tích cực trong việc quản trị thương hiệu.

Với số lượng thông tin rất lớn và cập nhật liên tục thì nhu cầu về xây dựng một hệ thống phân tích và tổng hợp quan điểm tự động trở nên cấp thiết và đóng một vai trò quan trọng trong các hệ thống khai thác dữ liệu và khai phá tri thức.