Phân lớp văn bản Tiếng Việt tự động theo chủ đề

Mạng Internet ngày càng phát triển mạnh mẽ, mang lại nguồn thông tin vô cùng phong phú. Nhu cầu khai thác dữ liệu, phát hiện tri thức cũng ngày càng gia tăng. Phân lớp văn bản đóng vai trò quan trọng trong việc khai thác dữ liệu và phát hiện tri thức. Nhiều kỹ thuật trong học máy được ứng dụng để huấn luyện dữ liệu cho quá trình phân lớp. Hiện nay, có nhiều thuật toán được sử dụng để phân lớp văn bản như Naïve Bayes, K-NN, SVM, Maximum Entropy. Trong bài báo này, nhóm tác giả sử dụng các thuật toán như Naïve Bayes, SVM và K-NN dể thực nghiệm phân lớp văn bản tiếng Việt trên 05 bộ dữ liệu thuộc 04 chủ đề khác nhau: Du lịch, Giài trí, Giáo dục và Pháp luật. Các bộ dữ liệu này được rút trích từ Website tin tức VnExpress.net. Một số đặc trưng định danh riêng được đưa vào quá trình xử lý để tăng độ chính xác trong quá trình phân lớp. Kết quả thử nghiệm cho thấy thuật toán SVM cho kết quả phân lớp với độ chính xác cao nhất (trên 90% ) và thời gian thử nghiệm mô hình thấp nhất.

Phân lớp văn bản Tiếng Việt tự động theo chủ đề trang 1

Trang 1

Phân lớp văn bản Tiếng Việt tự động theo chủ đề trang 2

Trang 2

Phân lớp văn bản Tiếng Việt tự động theo chủ đề trang 3

Trang 3

Phân lớp văn bản Tiếng Việt tự động theo chủ đề trang 4

Trang 4

Phân lớp văn bản Tiếng Việt tự động theo chủ đề trang 5

Trang 5

Phân lớp văn bản Tiếng Việt tự động theo chủ đề trang 6

Trang 6

Phân lớp văn bản Tiếng Việt tự động theo chủ đề trang 7

Trang 7

Phân lớp văn bản Tiếng Việt tự động theo chủ đề trang 8

Trang 8

Phân lớp văn bản Tiếng Việt tự động theo chủ đề trang 9

Trang 9

Phân lớp văn bản Tiếng Việt tự động theo chủ đề trang 10

Trang 10

Tải về để xem bản đầy đủ

pdf 11 trang Trúc Khang 08/01/2024 4420
Bạn đang xem 10 trang mẫu của tài liệu "Phân lớp văn bản Tiếng Việt tự động theo chủ đề", để tải tài liệu gốc về máy hãy click vào nút Download ở trên

Tóm tắt nội dung tài liệu: Phân lớp văn bản Tiếng Việt tự động theo chủ đề

Phân lớp văn bản Tiếng Việt tự động theo chủ đề
Tạp chí Khoa học Công nghệ và Thực phẩm 18 (1) (2019) 129-139 
129 
PHÂN LỚP VĂN BẢN TIẾNG VIỆT TỰ ĐỘNG THEO CHỦ ĐỀ 
Mạnh Thiên Lý*, Vũ Văn Vinh, Nguyễn Văn Lễ, 
Lâm Thị Họa Mi, Nguyễn Thị Thanh Thủy, Dƣơng Thị Mộng Thùy 
Trường Đại học Công nghiệp Thực phẩm TP.HCM 
*Email: lymt@hufi.edu.vn 
Ng y nh n i 16/01 Ng y h p nh n ng 06/3/2019 
TÓM TẮT 
Mạng Internet ng y ng phát triển mạnh mẽ, mang lại nguồn thông tin vô ùng phong 
phú. Nhu ầu khai thá dữ liệu, phát hiện tri thứ ũng ng y ng gia t ng. Phân lớp v n ản 
 óng vai trò quan trọng trong việ khai thá dữ liệu v phát hiện tri thức. Nhiều kỹ thu t 
trong họ máy ược ứng dụng ể hu n luyện dữ liệu ho quá trình phân lớp. Hiện nay, ó 
nhiều thu t toán ược sử dụng ể phân lớp v n ản như Naïve Bayes, K-NN, SVM, 
Maximum Entropy Trong i áo n y, nhóm tá giả sử dụng á thu t toán như Naïve 
Bayes, SVM v K-NN ể thực nghiệm phân lớp v n ản tiếng Việt trên 5 ộ dữ liệu thuộc 
04 chủ ề khá nhau: Du lịch, Giải trí, Giáo dụ v Pháp lu t. Cá ộ dữ liệu n y ược rút 
trí h từ Website tin tức VnExpress.net. Một số ặ trưng ịnh danh riêng ượ ưa v o quá 
trình xử lý ể t ng ộ hính xá trong quá trình phân lớp. Kết quả thử nghiệm cho th y thu t 
toán SVM ho kết quả phân lớp với ộ hính xá ao nh t (trên %) v thời gian thử 
nghiệm mô hình th p nh t. 
Từ khóa: Phân lớp v n ản, Naïve Bayes, K-NN, SVM, thu t toán. 
1. TỔNG QUAN VỀ PHÂN LỚP VĂN BẢN 
Phân lớp v n ản (Text lassifi ation) l quá trình gán nh n (tên lớp nh n lớp) cho á 
v n ản ngôn ngữ tự nhiên một á h tự ộng v o một hoặ nhiều lớp ho trướ . 
Phân lớp v n ản ượ xu t hiện từ những n m 6 , nhưng h 5 n m sau tr th nh 
l nh vự nghiên ứu hính trong hệ thống thông tin i sự a dạng ủa á ứng dụng. Phân lớp 
v n ản ượ sử dụng ể h trợ trong quá trình tìm kiếm thông tin (Information retrieval), hiết 
lọ thông tin (Information extra tion), lọ v n ản hoặ tự ộng d n ường ho á v n ản ến 
những hủ ề xá ịnh trướ . Ngo i ra, phân lớp v n ản ũng ược ứng dụng trong l nh vự 
hiểu v n ản. Có thể sử dụng phân lớp v n ản ể lọ v n ản hoặc một phần v n ản hứa dữ 
liệu ần tìm m không l m m t i tính phứ tạp ủa ngôn ngữ tự nhiên. Phân lớp v n ản ó thể 
thự hiện thủ ông hoặ tự ộng sử dụng á kỹ thu t họ máy ó giám sát. Tuy nhiên, phân lớp 
thủ ông ôi khi không hính xá vì quyết ịnh phụ thuộ v o sự hiểu iết v ộng ủa người 
thự hiện. Vì v y, việ xây dựng một bộ phân lớp v n ản tự ộng l r t quan trọng v ần thiết, 
 ặc biệt khi hầu hết á thông tin ượ sinh ra v lưu trữ iện tử. Cá i áo khoa họ v giải trí 
l những ví dụ về t p á t i liệu iện tử. Với sự phát triển ng y ng mạnh mẽ ủa mạng Internet 
v Intranet tạo ra nguồn thông tin vô ùng phong phú. Cá kỹ thu t phân lớp v n ản sẽ giúp 
 ho nguồn dữ liệu n y ượ lưu trữ tự ộng một á h hiệu quả v ượ tìm kiếm nhanh hóng. 
1.1. Định nghĩa phân lớp văn bản 
Phân lớp v n ản l nhiệm vụ ặt một giá trị logic ho m i ặp , trong 
 ó l t p á v n ản v l t p á lớp ho trướ [1]. 
 ạnh Thi n n inh g n n Th ọa i g n Th Thanh Th 
130 
Giá trị ượ gán ho ặp ó ngh a l t i liệu thuộ lớp . 
Giá trị ngh a l t i liệu không thuộ lớp . 
Nói á h khá , phân lớp v n ản l i toán tìm một h m , trong ó 
 l t p á v n ản v l t p á lớp ho trướ , h m ượ gọi l ộ phân lớp. 
1.2. Phân loại bài toán phân lớp văn bản 
Tùy thuộc v o những r ng uộc khá nhau ể phân loại i toán phân lớp v n ản. 
Nhìn hung, ó thể phân loại i toán phân lớp theo á á h sau 
- Phân lớp v n ản nhị phân a lớp B i toán phân lớp v n ản ượ gọi l nhị phân 
nếu , gọi l a lớp nếu . 
- Phân lớp v n ản n nh n a nh n B i toán phân lớp v n ản ượ gọi l n nh n 
nếu m i t i liệu ượ gán v o hính xá một lớp. Ngược lại, b i toán phân lớp v n ản ượ 
gọi l a nh n nếu một t i liệu ó thể ượ gán nhiều h n một nh n. 
1.3. uá t nh ây d ng bộ phân lớp văn bản 
 uá trình phân lớp v n ản thường gồm 2 ướ xây dựng mô hình (tạo ộ phân lớp) v 
sử dụng mô hình ó ể phân lớp v n ản. Cá ông ụ phân lớp ượ xây dựng dựa trên một 
thu t toán phân lớp qua ướ họ quy nạp. Trong ướ họ n y, hệ thống ó t p dữ liệu ầu 
v o (t p ví dụ) m thuộ tính lớp ủa m i t i liệu (ví dụ) trong t p ó iết. Tại ó, t p 
dữ liệu an ầu ượ hia th nh 2 t p dữ liệu rời nhau, một t p ượ gọi l t p hu n luyện 
(training set) v một t p ượ gọi l t p kiểm tra (test set). Thông thường, t p hu n luyện 
 hiếm á ví dụ trong , òn t p kiểm tra hiếm số lượng ví dụ òn lại. Hệ thống 
dùng t p hu n luyện ể xây dựng mô hình (xá ịnh tham số) phân lớp v dùng t p dữ liệu 
kiểm tra ể ánh giá thu t toán phân lớp vừa ượ thiết l p. 
 uá trình thực hiện cụ thể như sau 
* Bƣớc 1 ây d ng m h nh 
Một mô hình sẽ ượ xây dựng dựa trên phân tí h á ối tượng dữ liệu ượ gán 
nh n từ trướ . T p á m u dữ liệu n y òn ượ gọi l t p hu n luyện. Cá nh n lớp ủa t p 
dữ liệu hu n luyện ượ xá ịnh i on người trướ khi xây dựng mô hình (họ ó giám sát). 
Ngo i ra, òn phải sử dụng một t p kiểm tra ể tính ộ hính xá ủa mô hình. Nếu ộ 
 hính xá l h p nh n ượ , mô hình sẽ ượ sử dụng ể xá ịnh nh n lớp ho á dữ liệu 
khá mới trong tư ng lai. Trong  ... ới . 
Cá thuộ tính ộc l p iều kiện ôi một với nhau. 
Theo ịnh lý Bayes: 
Theo tính h t ộc l p iều kiện: 
 ∏ 
Trong ó 
 l xá su t thuộ phân loại khi biết trước m u . 
 xá su t l phân loại . 
 xá su t thuộ tính thứ mang giá trị khi iết thuộ phân loại . 
 h n p v n n i ng iệ ự ng h o ch 
133 
Cá ước thực hiện thu t toán Naïve Bayes 
Bƣớc 1: Hu n luyện Naïve Bayes (dựa v o t p dữ liệu), tính v . 
Bƣớc 2 Phân loại , ta cần tính xá su t thuộc từng phân loại khi 
 iết trước . ượ gán v o lớp ó xá su t lớn nh t theo ông thức: 
( ∏ 
) 
Ví dụ 2.1: Xét i toán phân loại email l thư rá (spam) hay không phải thư rá (non-spam). 
 ể ánh giá một email, ước ầu tiên phải chuyển email sang vector ) với 
 l giá trị á thuộ tính trong không gian ve tor ặ trưng . M i 
thuộ tính ượ thể hiện i một token n. Theo phư ng pháp n giản nh t ta ó thể l p ra 
một từ iển hứa á token. Sau ó với m i token trong email nếu nó xu t hiện trong từ iển 
thì giá trị thuộ tính sẽ l , ngượ lại thì l . Tuy nhiên, trên thự tế, t p hu n luyện không 
thường l một ộ từ iển như v y. Thay v o ó, t p hu n luyện lú n y sẽ gồm 2 kho ngữ 
liệu. Kho ngữ liệu thư rá sẽ hứa một danh sá h á email ượ xá ịnh l thư rá trướ 
 ó, v tư ng tự với kho ngữ liệu không thư rá sẽ hứa á email hợp lệ. 
Như v y, nếu v n ể giá trị á thuộ tính l hoặ thì sẽ r t khó ánh giá ượ một 
email l spam hay không. ặ iệt, nếu email nh n ượ l d i, khi ó nếu ta v n sử dụng 
giá trị thuộ tính l hoặ thì sự xu t hiện ủa một token lần ũng tư ng ư ng với 
việ xu t hiện h lần. 
2.2. Thuật toán K-Nearest Neighbors 
K-Nearest Neighbors (K-NN) l phư ng pháp ể phân lớp á ối tượng dựa v o 
khoảng á h gần nh t giữa ối tượng ần xếp lớp v t t ả á ối tượng trong t p dữ liệu 
hu n luyện. 
Một ối tượng ượ phân lớp dựa v o K láng giềng ủa nó. K l số nguyên dư ng ượ 
xá ịnh trướ khi thự hiện thu t toán. Khoảng á h Eu lid thường ượ dùng ể tính 
khoảng á h giữa á ối tượng [9-11]. 
Các bƣớc của thuật toán 
1. Xá ịnh giá trị tham số K (số láng giềng gần nh t). 
2. Tính khoảng á h giữa ối tượng ần phân lớp với t t ả á ối tượng trong t p dữ 
liệu hu n luyện. 
3. Sắp xếp khoảng á h theo thứ tự t ng dần v xá ịnh K láng giềng gần nh t với ối 
tượng ần ượ phân lớp. 
4. L y t t ả á lớp ủa K láng giềng gần nh t xá ịnh. 
5. Dựa v o phần lớn lớp ủa láng giềng gần nh t ể xá ịnh lớp ho ối tượng. 
Ví dụ 2.2: 
Xét t p t i liệu hu n luyện {TL , TL , TL , TL4} v t p á từ vựng {doanh thu, áo 
 uộ , thuế, iện ảnh, di n viên, a s , nghi phạm, kinh doanh} ó ượ sau khi thự hiện á 
 ướ tiền xử lý dữ liệu. M i t i liệu thuộ một lớp hủ ề ượ xá ịnh trướ như TL v 
TL thuộ lớp hủ ề Kinh doanh, TL thuộ lớp hủ ề Giải trí, TL4 thuộ lớp hủ ề Pháp 
lu t. Cá t i liệu n y ượ mô hình hóa th nh á ve tor nhiều hiều. Giá trị m i hiều l tần 
su t xu t hiện ủa từ vựng tư ng ứng trong t i liệu. 
 ạnh Thi n n inh g n n Th ọa i g n Th Thanh Th 
134 
Bảng 1. Tần su t ủa á từ vựng trong v n ản 
T i liệu 
Doanh 
thu 
Cáo 
 uộ 
Thuế iện ảnh 
Di n 
viên 
Ca s 
Nghi 
phạm 
Kinh 
doanh 
Lớp hủ ề 
TL1 2 0 1 0 0 0 0 3 Kinh doanh 
TL2 1 0 0 1 2 1 0 0 Giải trí 
TL3 1 0 0 3 1 2 0 0 Giải trí 
TL4 0 4 0 0 0 0 2 0 Pháp lu t 
Xét t i liệu cần phân loại ó nội dung như sau 
“Khi nói đến những ca sĩ thành danh trên mặt trận điện ảnh Hollywood, chắc chắn 
không thể bỏ qua Jennifer Lopez. Cô đã tham gia đóng phim và lồng tiếng cho 31 bộ phim 
đình đám. Có thể nói, trong điện ảnh Jennifer Lopez có khả năng diễn xuất đa năng khi cô 
vừa có thể diễn những bộ phim tình cảm hài nhẹ nhàng cho đến những tác phẩm điện ảnh tội 
phạm hình sự. Lopez từng được đề cử giải Quả cầu vàng cho “Vai nữ diễn viên chính xuất 
sắc nhất - phim hành động hoặc hài” năm 1998”. 
T i liệu n y ược biểu di n th nh ve t nhiều chiều . Sau ó sử 
dụng ộ o Eu lid ể tính khoảng á h ến t t cả á t i liệu trong t p hu n luyện, sắp xếp 
khoảng á h theo thứ tự t ng dần v xá ịnh K láng giềng gần nh t với ối tượng cần ược 
phân lớp. 
Bảng 2. Khoảng á h từ t i liệu ang xét ến á t i liệu khá 
T i liệu Khoảng á h Lớp hủ ề 
TL3 1,4 Giải trí 
TL2 2,4 Giải trí 
TL1 4,3 Kinh doanh 
TL4 5,5 Pháp lu t 
Trường hợp , chọn t i liệu ó khoảng á h ngắn nh t (láng giềng) lần lượt l 
TL v TL . Cả t i liệu láng giềng n y ều thuộc lớp chủ ề giải trí nên t i liệu cần phân 
loại thuộc chủ ề giải trí. 
Trường hợp , chọn t i liệu ó khoảng á h ngắn nh t (láng giềng) l TL , TL 
v TL . Trong ó ó t i liệu thuộc chủ ề giải trí, t i liệu thuộc chủ ề kinh doanh. Nên 
t i liệu cần phân loại sẽ thuộc lớp chủ ề phổ biến h n ó l hủ ề giải trí. 
2.3. Thuật toán Support Vector Machine 
Support Vector Machine (SVM) l một giải thu t máy học dựa trên lý thuyết học thống 
kê do Vapnik v Chervonenkis xây dựng. 
B i toán ản của SVM l i toán phân loại 2 lớp Cho trước iểm trong không 
gian n chiều, m i iểm thuộ v o một lớp kí hiệu l hoặc – , mụ í h của giải thu t 
SVM l tìm một siêu phẳng (hyperplane) phân hoạch tối ưu ho phép hia á iểm 
n y th nh 2 phần sao ho á iểm ùng một lớp n m về một phía với siêu phẳng n y. T t cả 
 á iểm x+ ượ gán nh n thuộc về phía dư ng ủa siêu phẳng, á iểm ượ gán 
nh n – thuộc về phía âm ủa siêu phẳng. Một siêu phẳng phân hia dữ liệu ược gọi l “tốt 
nh t”, nếu khoảng á h từ iểm dữ liệu gần nh t ến siêu phẳng (margin) l lớn nh t [12]. 
 h n p v n n i ng iệ ự ng h o ch 
135 
Hình 2. Phân lớp với SVM trong mặt phẳng 
Thuật toán t m siêu phẳng: 
Bộ phân lớp tuyến tính ượ xá ịnh b ng siêu phẳng: 
Trong ó v óng vai trò l tham số của mô hình. H m phân lớp nhị 
phân ó thể thu ược b ng á h xá ịnh d u của . 
Rosen latt ưa ra một thu t toán n giản ể xá ịnh siêu phẳng: 
1. 
2. 
3. repeat 
4. 
5. for do 
6. 
7. if then 
9. 
10. 
11. until 
12. return . 
Việ tìm siêu phẳng tối ưu ó thể m rộng trong trường hợp dữ liệu không thể tá h rời 
tuyến tính ng á h ánh xạ dữ liệu v o một không gian ó số chiều lớn h n ng á h sử 
dụng một h m nhân K (Kernel). 
Bảng 3. Một số h m nhân thường dùng 
Kiểu h m nhân Công thức 
Linear kernel 
Polynomial kernel 
Radial basis function (Gaussian) kernel 
Hyperbolic tangent kernel 
Ví dụ 2.3: 
 ể kiểm tra một v n ản b t kỳ n o ó thuộ hay không thuộc một phân loại cho 
trước? Nếu thì ượ gán nh n l , ngược lại thì ượ gán nh n l –1. 
 ạnh Thi n n inh g n n Th ọa i g n Th Thanh Th 
136 
Giả sử lựa chọn ược t p á ặ trưng l , thì m i v n ản sẽ 
 ược biểu di n b ng một vector dữ liệu , l trọng số của từ 
trong v n ản . Như v y, tọa ộ của m i vector dữ liệu tư ng ứng với tọa ộ của một 
 iểm trong không gian . 
Dữ liệu hu n luyện l t p á v n ản ượ gán nh n trước 
 , trong ó, l ve tor dữ liệu biểu di n v n ản 
( 
 ), , cặp ược hiểu l ve tor ượ gán nh n l . 
Việ xá ịnh một v n ản ó thuộ phân loại hay không, tư ng ứng với việ xét 
d u của , nếu thì thuộc , nếu thì không thuộc . 
3. KẾT QUẢ THỰC NGHIỆM 
 ể phân lớp v n ản theo chủ ề, nhóm tá giả tiến h nh thực nghiệm trên máy tính 
Macbook Pro x64, Core i7 3.30GHz, 4 CPUs, 16GB RAM. Dữ liệu trên á trang áo iện 
tử ó vốn từ ngữ v nội dung r t phong phú, dữ liệu a dạng thuộ á l nh vự trong ời 
sống x hội như Kinh tế, Chính trị, V n hóa, Giáo dục, Thể thao, Nội dung á i áo 
 ượ ng trên á trang áo iện tử uy tín ược kiểm duyệt phù hợp với từng chủ ề. Vì 
v y, việc thu th p dữ liệu từ á trang áo iện tử uy tín l m t p dữ liệu hu n luyện ó ộ 
 hính xá ao, áng tin y. Thực nghiệm ược tiến h nh trên t p dữ liệu tin tức tiếng Việt 
 ược trí h xu t từ website VnExpress.net gồm 05 bộ dữ liệu với số lượng lần lượt l 4 , 
800, , 6 v t p tin v n ản thuộc 4 chủ ề như Du lịch, Giải trí, Giáo dụ v 
Pháp lu t. Trong m i bộ dữ liệu thì số lượng á á t p tin á hủ ề l như nhau. Cá 
t p tin dữ liệu n y ược xử lý tá h từ b ng ông ụ vnTokenizer [13], sau ó sử dụng ông 
cụ Weka (phần mềm m nguồn m h trợ xây dựng mô hình hu n luyện ho á i toán về 
phân lớp dữ liệu) [14] ể biểu di n v n ản th nh dạng vector, ồng thời loại bỏ những từ 
ngữ không ó ý ngh a (Stop words). Cá ve tor v n ản n y ược sử dụng l m dữ liệu hu n 
luyện v dữ liệu kiểm tra. 
Trong i áo n y, nhóm tá giả chạy thực nghiệm 03 thu t toán l Naïve Bayes, 
SVM v K-NN trên ùng bộ dữ liệu hu n luyện. Trong ó, m i bộ dữ liệu ó 80% dữ liệu 
dùng ể hu n luyện v % dữ liệu òn lại dùng ể thử nghiệm phân lớp. Bảng 4 trình y 
kết quả thử nghiệm, so sánh ộ hính xá giữa á thu t toán dựa trên giá trị trung ình ủa 
 á tham số khi chạy thử nghiệm trên 5 ộ dữ liệu. Cá tham số gồm: t lệ v n ản ược 
phân loại úng (TP Rate), t lệ v n ản phân loại sai (FP Rate), ộ hính xá (Pre ision), ộ 
bao phủ (Re all) v ộ trung ình iều hòa (F-Measure). 
Bảng 4. Giá trị trung ình á tham số theo phân lớp chủ ề với 05 bộ dữ liệu 
Thu t toán 
T lệ úng 
(TP Rate) 
T lệ sai 
(FP Rate) 
 ộ hính xá 
(Precision) 
 ộ ao phủ 
(Recall) 
 ộ trung ình 
 iều hòa 
(F-Measure) 
SVM 0,946 0,018 0,946 0,946 0,945 
NaiveBayes 0,893 0,036 0,896 0,893 0,892 
K-NN (k = 1) 0,582 0,144 0,645 0,582 0,580 
K-NN (k = 3) 0,504 0,169 0,630 0,504 0,483 
K-NN (k = 5) 0,500 0,162 0,677 0,500 0,481 
K-NN (k = 7) 0,491 0,163 0,704 0,491 0,471 
Hình so sánh ộ hính xá (%) của á thu t toán khi phân loại v n ản theo 4 chủ ề 
trên 05 bộ t p tin dữ liệu v n ản tiếng Việt. ộ hính xá ủa thu t toán K-NN phụ thuộc v o 
 h n p v n n i ng iệ ự ng h o ch 
137 
việc chọn giá trị cho tham số k. Kết quả cho th y giá trị của k ng nhỏ thì ộ hính xá ng 
 ao ( ộ hính xá ao nh t khi k = 1). Thu t toán SVM ho kết quả phân loại v n ản với ộ 
 hính xá ao nh t (trên %), tiếp ến l Naïve Bayes v uối ùng l thu t toán K-NN. 
Hình 3. So sánh ộ hính xá á thu t toán 
Hình 4 so sánh thời gian xây dựng mô hình hu n luyện v thời gian thử nghiệm của á 
thu t toán. Kết quả cho th y thời gian xây dựng mô hình hu n luyện của thu t toán K-NN 
th p nh t (gần b ng 0), trong khi thu t toán Naïve Bayes v SVM ó thời gian xây dựng mô 
hình t ng tuyến tính theo ộ lớn của bộ dữ liệu hu n luyện. Thu t toán SVM m t nhiều thời 
gian nh t ể xây dựng mô hình hu n luyện. Tuy nhiên, thời gian thử nghiệm phân loại v n 
bản trên mô hình hu n luyện thì thu t toán SVM ho kết quả với thời gian thực hiện th p 
nh t, kế ến l Naïve Bayes v ao nh t l K-NN. 
Hình 4. Thời gian xây dựng mô hình v thời gian thử nghiệm của á thu t toán 
Thực nghiệm chứng tỏ thu t toán SVM ho kết quả phân loại v n ản theo chủ ề tốt h n 
Naïve Bayes v K-NN cả 2 khía ạnh l ộ hính xá cao nh t v thời gian phân loại thử nghiệm 
trên mô hình th p nh t. Mặ dù SVM tốn nhiều thời gian h n ể xây dựng mô hình hu n luyện 
nhưng ó thể cải thiện iều n y d d ng khi ược hu n luyện trên á hệ thống máy tính tố ộ cao. 
 ạnh Thi n n inh g n n Th ọa i g n Th Thanh Th 
138 
4. KẾT LUẬN 
Trong i áo n y, nhóm tá giả trình y v n ề tiền xử lý v n ản, phư ng pháp 
phân lớp v thực hiện phân lớp v n ản tiếng Việt tự ộng theo chủ ề b ng á h sử dụng 3 
thu t toán Naïve Bayes, K-NN v SVM. Thực nghiệm cho th y thu t toán SVM cho kết quả 
phân lớp với ộ hính xá ao nh t (trên %) v thời gian phân loại th p nh t cả 05 bộ dữ 
liệu ó số t p tin lần lượt l 4 , 800, 1200, 6 v . Kết quả n y cho th y việc sử 
dụng thu t toán SVM ể phân lớp v n ản tiếng Việt theo chủ ề l sự lựa chọn phù hợp 
trong á ứng dụng về phân lớp v n ản. 
Kết quả nghiên ứu n y l s ho nghiên ứu tiếp theo về ứng dụng phân loại v n 
bản theo hướng tí h ự , tiêu ự v trung l p ể xây dựng ứng dụng phát hiện v phân loại 
cảm xú : tí h ự (positive), tiêu ự (negative) v trung l p (neutral) của on người dựa trên 
nội dung á i viết ó trên Internet về một chủ ề cần quan tâm. 
TÀI LIỆU THAM KHẢO 
1. Sebastiani F. - Machine learning in automated text categorization, ACM Computing 
Surveys (CSUR) 34 (1) (2002) 1-47. 
2. Ezhilarasi R. and Minu R. I. - Automatic emotion recognition and classification, 
Procedia Engineering 38 (2012) 21-26. 
3. Rennie J. D. M. - Improving multi-class text classification with Naive Bayes, 
Massachusetts Institute of Technology, Cambridge (2001). 
4. Dai W., Xue G., Yang Q., and Yu Y. - Transferring Naive Bayes classifiers for text 
classification, In Association for the Advancement of Artificial Intelligence (AAAI), 
(2007) 540-545. 
5. Frank E. and Bouckaert R. R. - Naive Bayes for text classification with unbalanced 
classes, In European Conference on Principles of Data Mining and Knowledge 
Discovery (2006) 503–510. 
6. Hovold J. - Naive Bayes spam filtering using word-position-based attributes, The 
Common European Asylum System (CEAS) (2005). 
7. Soelistio Y. E., Raditia M., and Surendra S. - Simple text mining for sentiment 
analysis of political figure using naive bayes classifier method, arXiv preprint arXiv, 
(2015) 99–104. 
8. Pang B. and Lee L. - A sentimental education: Sentiment analysis using subjectivity 
summarization based on minimum cuts, Proceedings of the 42nd annual meeting on 
Association for Computational Linguistics. Association for Computational Linguistics 
(2004) 271. 
9. Cunningham P. and Delany S. J. - k-Nearest Neighbour Classifiers, Multiple Classifier 
Systems (2007) 1–17. 
10. Zhang M. and Zhou Z. - A k-Nearest Neighbor based algorithm for Multi-label 
classification, Granular Computing (GrC) (2005) 718–721. 
11. Dharmadhikari S. C., Ingle Maya, and Kulkarni P. - Empirical Studies on machine 
learning based text classification algorithms, Advanced Computing (2011) 161–169. 
12. Campbell C., Ying Y. - Learning with support vector machines, Synthesis lectures on 
artificial intelligence and machine learning (2011) 1–95. 
 h n p v n n i ng iệ ự ng h o ch 
139 
13. Lê Hồng Phư ng - Vietnamese Word Tokenizer, 2018 
( 
14. Hall M., Frank E., Holmes G., Pfahringer B., and Reutemann P. - The WEKA data 
mining software: An Update, ACM SIGKDD explorations Newsletter (2009) 11-17. 
ABSTRACT 
AUTOMATICALLY VIETNAMESE TEXT CLASSIFICATION BY TOPIC 
Manh Thien Ly*, Vu Van Vinh, Nguyen Van Le, 
Lam Thi Hoa Mi, Nguyen Thi Thanh Thuy, Duong Thi Mong Thuy 
Ho Chi Minh City University of Food Industry 
*Email: lymt@hufi.edu.vn 
The Internet is strongly growing every day with a huge amount of information. The need 
of data mining and knowledge discovery is also increasing, in which the text classification 
plays an important role. Many techniques in machine learning are applied in classification 
process and achieved good results. Nowadays, there are many algorithms used for text 
 lassifi ation su h as Naïve Bayes, K-NN, SVM, Maximum Entropy, etc. In this paper, 
Naïve Bayes, SVM and K-NN algorithms were used to experiment on Vietnamese text 
classification with 05 datasets belonging to 4 different topics: Tourism, Entertainment, 
Education and the Law. These datasets were extracted from vnexpress.net website. Some 
unique identifiers were applied during processing to increase the classification accuracy. The 
results show that SVM algorithm has the highest accuracy (over 90%) and the lowest amount 
of execution time. 
Keywords: Text classification, Naïve Bayes, K-NN, SVM, algorithm. 

File đính kèm:

  • pdfphan_lop_van_ban_tieng_viet_tu_dong_theo_chu_de.pdf