Gán nhãn từ loại Tiếng Việt

Bài toán:

1. Tách từ Tiếng Việt với thuật toán Longest Matching
2. Gán nhãn từ loại sử dụng mô hình Hidden Markov kết hợp thuật toán Viterbi
3. So sánh kết quả với thư viện VnCoreNLP

Cài đặt VnCoreNLP:

1. Download tập tin CoreNLP.zip, giải nén vào thư mục, ví dụ: D:\VnCoreNLP

2. Chạy VnCoreNLPServer:

   • Mở cmd
   • Chuyển đến thư mục D:\VnCoreNLP
   • Chạy chương trình: java -Xmx2g -jar VnCoreNLPServer.jar VnCoreNLP-1.1.jar -p 9001 -a "wseg,pos,parse"

3. Cài đặt thư viện VnCoreNLP trên Python: pip install vncorenlp

4. Tạo đối tượng kết nối với VnCoreNLPServer:

   from vncorenlp import VnCoreNLP
   client = VnCoreNLP(address="http://127.0.0.1", port=9001)

5. Tách từ cho một văn bản text, kết quả là danh sách các từ:

   wordlist = client.tokenize(text)

6. Gán nhãn từ loại cho văn bản text, kết quả là danh sách các bộ (word, pos) trong đó word là từ đã được tách và pos là nhãn từ loại tương ứng với nó:

   tagresult = client.pos_tag(text)

Tham khảo:

• [VNLP Core] [1] Bài toán tách từ tiếng Việt - Tokenization, Word Segmentation
• Khóa học Coursera: Natural Language Processing with Probabilistic Models
• VnCoreNLP: A Vietnamese natural language processing toolkit