Xây dựng các cặp câu hỏi - Câu trả lời chất lượng cao từ các trang Web hỏi đáp cộng đồng

Nguyễn Văn Tú, Lê Anh Cường, Nguyễn Hà Nam
Tạp chí KHOA HỌC CÔNG NGHỆ 
THÔNG TIN VÀ TRUYỀN THÔNG
Số 3 - 4 (CS.01) 2016 25
XÂY DỰNG CÁC CẶP CÂU HỎI - CÂU TRẢ LỜI CHẤT LƯỢNG CAO 
TỪ CÁC TRANG WEB HỎI ĐÁP CỘNG ĐỒNG
Nguyễn Văn Tú1, Lê Anh Cường2, Nguyễn Hà Nam3 
1Trường Đại học Tây Bắc 
2Trường Đại học Tôn Đức Thắng 
3Trường Đại học Công nghệ - Đại học Quốc gia Hà Nội
Tóm tắt: Các trang web hỏi đáp cộng đồng có chứa 
một lượng lớn thông tin hỏi - đáp có giá trị sinh 
ra bởi những người sử dụng. Trong các trang web 
hỏi đáp cộng đồng, người dùng có thể gửi các câu 
hỏi, trả lời các câu hỏi của người khác, và cung cấp 
thông tin phản hồi cho những câu hỏi/câu trả lời. 
Trong nghiên cứu này chúng tôi sử dụng tiếp cận 
học máy nhằm xây dựng các cặp câu hỏi - câu trả 
lời chất lượng cao từ các trang web hỏi đáp cộng 
đồng. Các cặp câu hỏi - câu trả lời này sẽ được sử 
dụng làm nguồn dữ liệu cho các hệ thống hỏi đáp 
tự động. Chúng tôi thực hiện trích rút những đặc 
trưng quan trọng từ mỗi luồng hỏi đáp cũng như 
thông tin của người gửi câu trả lời và xây dựng mô 
hình phân loại để xác định được các cặp câu hỏi 
- câu trả lời có ý nghĩa. Các kết quả thực nghiệm 
trên bộ dữ liệu cung cấp bởi SemEval 2015 cho 
thấy những đề xuất của chúng tôi sẽ mang lại kết 
quả cao.
Từ khóa: Hỏi đáp cộng đồng, phân loại, Support 
Vector Machines, hệ thống hỏi đáp tự động.1
I. TỔNG qUAN
Trong lĩnh vực xử lý ngôn ngữ tự nhiên và truy xuất 
thông tin, vấn đề hỏi - đáp đã thu hút nhiều sự chú 
ý trong những năm qua. Tuy nhiên, các nghiên cứu 
về hỏi - đáp chủ yếu tập trung vào việc tìm câu trả 
lời chính xác cho câu hỏi factoid được đưa ra trong 
Tác giả liên hệ: Nguyễn Văn Tú
Email: tuspttb@gmail.com
Đến tòa soạn: 25/10/2016, chỉnh sửa: 28/12/2016, 
chấp nhận đăng: 1/1/2017
các tài liệu liên quan. Các đánh giá nổi tiếng nhất 
về nhiệm vụ hỏi - đáp factoid là hội nghị truy hồi 
văn bản (Text REtrieval Conference-TREC). Các 
câu hỏi và câu trả lời được phát hành bởi TREC 
đã trở thành nguồn dữ liệu quan trọng cho các nhà 
nghiên cứu trong việc nghiên cứu xây dựng các hệ 
thống hỏi đáp tự động [1]. Tuy nhiên, khi phải đối 
mặt với các câu hỏi non-factoid như các câu hỏi về 
lý do tại sao, như thế nào, hoặc những gì về hầu 
như không có hệ thống hỏi đáp tự động nào làm 
việc tốt.
Các cặp câu hỏi - câu trả lời do người dùng tạo ra 
chắc chắn sẽ rất quan trọng để giải quyết vấn đề 
trả lời các câu hỏi non-factoid. Rõ ràng, những cặp 
câu hỏi - câu trả lời tự nhiên thường được tạo ra 
trong quá trình giao tiếp của con người thông qua 
phương tiện truyền thông xã hội Internet, trong đó 
chúng tôi đặc biệt quan tâm tới các trang web hỏi 
đáp dựa vào cộng đồng. Các trang web hỏi đáp dựa 
vào cộng đồng cung cấp nền tảng mà ở đó người 
dùng có thể đặt câu hỏi, cung cấp câu trả lời và 
các thông tin phản hồi (ví dụ, bằng cách biểu quyết 
hoặc cho ý kiến) cho những câu hỏi/câu trả lời và 
câu trả lời tốt nhất sẽ được lựa chọn để hiển thị cho 
người dùng.
Trong bài báo này, chúng tôi sử dụng tiếp cận học 
máy nhằm xây dựng các cặp câu hỏi - câu trả lời 
có chất lượng cao từ các dữ liệu hỏi đáp thu thập 
từ các trang web hỏi đáp cộng đồng. Các cặp câu 
hỏi - câu trả lời này có thể được sử dụng làm nguồn 
dữ liệu cho các hệ thống hỏi đáp tự động. Để xây 
dựng các cặp câu hỏi - câu trả lời chất lượng từ các 
trang web hỏi đáp cộng đồng, trong bài báo này 
XÂY DỰNG CÁC CẶP CÂU HỎI - CÂU TRẢ LỜI CHẤT LƯỢNG CAO TỪ CÁC TRANG WEB... 
Tạp chí KHOA HỌC CÔNG NGHỆ 
THÔNG TIN VÀ TRUYỀN THÔNG26 Số 3 - 4 (CS.01) 2016
chúng tôi đề xuất sử dụng sự kết hợp của nhiều loại 
đặc trưng quan trọng trích rút từ mỗi luồng hỏi đáp 
cũng như thông tin của người gửi câu trả lời và xây 
dựng mô hình phân loại để xác định được các cặp 
câu hỏi - câu trả lời có ý nghĩa. 
Để thực hiện những đề xuất của mình, chúng tôi 
đã sử dụng tập dữ liệu cung cấp bởi SemEval 2015 
trong các thực nghiệm. Chúng tôi tiến hành đánh 
giá thử nghiệm rộng rãi để chứng minh tính hiệu 
quả của phương pháp tiếp cận của chúng tôi. Các 
kết quả thực nghiệm của chúng tôi đã cho thấy 
phương pháp tiếp cận mà chúng tôi đề xuất có thể 
xây dựng được bộ dữ liệu là các cặp câu hỏi - câu 
trả lời chất lượng cao để làm nguồn dữ liệu phục vụ 
cho các hệ thống hỏi đáp tự động.
Phần còn lại của bài báo này được tổ chức như 
sau: phần II trình bày về các nghiên cứu liên quan, 
phần III trình bày về bài toán xây dựng các cặp câu 
hỏi - câu trả lời chất lượng cao từ các trang web 
hỏi đáp cộng đồng, phần IV trình bày về thuật toán 
phân loại và các độ đo đánh giá hiệu suất của bộ 
phân loại, phần V chúng tôi thực hiện trích rút các 
đặc trưng quan trọng để phân loại câu hỏi, các thực 
nghiệm và kết quả được trình bày trong phần VI 
và cuối cùng là kết luận và hướng phát triển được 
trình bày trong phần VII.
II. CÁC NGHIêN CứU lIêN qUAN
Giá trị của các cặp câu hỏi - câu trả lời được sinh ra 
một cách tự nhiên đã không được những nhà nghiên 
cứu xây dựng hệ thống hỏi đáp tự động quan tâm 
cho đến tận những năm gần đây. Các nghiên cứu 
xây dựng hệ thống hỏi đáp ban đầu chủ yếu tập 
trung vào trích xuất các cặp câu hỏi - câu trả lời 
từ các câu hỏi được hỏi thường xuyên (FAQ) [2] 
hoặc dịch vụ đối thoại cuộc gọi trung tâm [3]. Các 
nghiên cứu gần đây đã tập trung khai thác nguồn 
thông tin hỏi đáp do người dùng cung cấp thông 
qua các trang web hỏi đáp cộng đồng. Bởi vì người 
dùng có quyền tự do trong việc gửi câu hỏi/câu trả 
lời trên các trang web hỏi đáp cộng đồng, cho nên 
có một số lượng lớn các câu trả lời không phù hợp 
hay liên quan cho các câu hỏi. Điều này là thực sự 
khó khăn để phát hiện các cặp câu hỏi - câu trả lời 
có ý nghĩa trong các trang web hỏi đáp cộng đồng. 
Các nghiên cứu gần đây trong việc đánh giá chất 
lượng của các câu trả lời cung cấp bởi các trang 
web hỏi đáp cộng đồng thường thông qua các đặc 
trưng biểu diễn văn bản của câu hỏi - câu trả lời 
như là độ dài của câu hỏi, độ dài của câu trả lời, 
tỷ lệ độ dài giữa câu hỏi và các câu trả lời của nó, 
các độ đo tương tự giữa câu hỏi và câu trả lời [4, 5, 
6]. Các đặc trưng thông dụng khác sử dụng trong 
phân tích chất lượng câu trả lời là sử dụng độ đo 
phổ biến và tương tác xã hội [4, 7] chẳng hạn như 
số lượng câu trả lời của người trả lời.
Tiếp cận khác là sử dụng sự kết hợp của các đặc 
trưng như các đặc trưng từ vựng, các đặc trưng cú 
pháp, thông tin người sử dụng [5]. Để nhận ra các 
câu trả lời chất lượng cao, Hu [8] học kết hợp sự 
biểu diễn cho mỗi cặp câu hỏi - câu trả lời bởi lấy 
cả các đặc trưng văn bản và phi văn bản như là đầu 
vào của mô hình. Surdeanu [9] đề xuất một cách 
tiếp cận khác để nhận ra các câu trả lời chất lượng 
cao là xếp hạng các câu trả lời lấy từ trang web hỏi 
đáp cộng đồng Yahoo!Answers và chọn các câu trả 
lời có thứ hạng cao như là các câu trả lời tốt nhất 
cho câu hỏi.
III. bÀI TOÁN XâY dựNG CÁC CẶp CâU 
HỎI - CâU TRả lỜI CHấT lưỢNG CAO TỪ 
CÁC TRANG Web HỎI đÁp CộNG đồNG
Việc xây dựng các cặp câu hỏi - câu trả lời chất 
lượng cao từ các trang web hỏi đáp cộng đồng là 
nhằm tìm ra được các câu trả lời có ý nghĩa cho mỗi 
câu hỏi tương ứng trong một tập rất lớn các luồng 
hỏi - đáp. Vì vậy, trong nghiên cứu này chúng tôi 
coi vấn đề xây dựng các cặp câu hỏi - câu trả lời 
chất lượng cao từ các trang web hỏi đáp cộng đồng 
như là một vấn đề phân loại các cặp câu hỏi - câu 
trả lời và được phát biểu như sau:
Cho một tập Q các câu hỏi, ở đó mỗi câu hỏi qi ∈ Q 
có một tập các câu trả lời ứng viên {ai1, ai2, , ain} 
(n = 1, 2, ). Việc phân loại các cặp câu hỏi-câu 
trả lời cho câu hỏi qi chính là gán nhãn cho các câu 
trả lời {ai1, ai2, , ain} các nhãn tương ứng là {li1, 
li2, , lin} trong đó lij = “Good” nếu aij là câu trả lời 
đúng cho câu hỏi qi, lij = “Potential” nếu aij không 
phải là một câu trả lời đúng cho câu hỏi qi nhưng 
Nguyễn Văn Tú, Lê Anh Cường, Nguyễn Hà Nam
Tạp chí KHOA HỌC CÔNG NGHỆ 
THÔNG TIN VÀ TRUYỀN THÔNG
Số 3 - 4 (CS.01) 2016 27
có chứa những thông tin cho câu trả lời mà câu hỏi 
qi cần, lij = “Bad” nếu aij là câu trả lời không liên 
quan đến câu hỏi qi.
IV. THUẬT TOÁN pHâN lOạI
A. Thuật toán phân loại
Có nhiều bộ phân loại khác nhau đã được sử dụng 
để phân loại các dữ liệu văn bản như: Support 
Vector Machine (SVM), Naive Bayes, Maximum 
Entropy Models, Sparse Network of Winnows,  
Tuy nhiên trong các bộ phân loại đó thì Support 
Vector Machine được xem là hiệu quả hơn cả [10, 
11, 12]. Trong vấn đề phân loại các cặp câu hỏi 
- câu trả lời, mỗi cặp câu hỏi - câu trả lời được 
coi như là một văn bản và được biểu diễn trong 
mô hình không gian vectơ có số chiều rất lớn, điều 
này có thể được phân loại tốt bởi Support Vector 
Machine. Chính vì vậy trong nghiên cứu của mình, 
chúng tôi sử dụng bộ phân loại Support Vector 
Machine với hàm nhân tuyến tính.
B. Hiệu suất của phân loại
Để đánh giá hiệu suất của việc phân loại các cặp 
câu hỏi - câu trả lời, chúng tôi sử dụng các độ đo 
precision, recall, F1-measure, accuracy được định 
nghĩa như dưới đây. Để ước lượng các độ đo này có 
thể dựa vào bảng I:
Bảng I. Các kết quả dự đoán của phân loại
Label 
y* = +1
Label 
y* = -1
Prediction f(x*) = +1 TP FP
Prediction f(x*) = -1 FN TN
Mỗi ô trong bảng đại diện cho một trong bốn kết 
quả đầu ra có thể của một dự đoán f(x*).
Trong đó: 
TP (True Positive): số lượng các cặp câu hỏi - câu 
trả lời positive được phân loại đúng. 
TN (True Negative): số lượng các cặp câu hỏi - câu 
trả lời negative được phân loại đúng.
FP (False Positive): số lượng các cặp câu hỏi - câu 
trả lời positive bị phân loại sai.
FN (False Negative): số lượng các cặp câu hỏi - 
câu trả lời negative bị phân loại sai.
Precision được định nghĩa như là xác suất mà một 
dữ liệu phân loại là f(x*) = +1 là một phân loại 
đúng. Nó có thể được ước lượng như sau:
 (1)
TPPrecision p
TP FP
=
+
Recall được định nghĩa như là xác suất mà một dữ 
liệu với nhãn là y* = +1 đã được phân loại đúng. Nó 
có thể được ước lượng như sau:
 (2)
TPRecall r
TP FN
=
+
 ( )1
2* *
 3
p rF measure
p r
− =
+
 ( ) 4TP TNAccuracy
TP FP TN FN
+
=
+ + +
V. CÁC đẶC TRưNG TRONG pHâN lOạI
Để phân loại các cặp câu hỏi - câu trả lời chúng tôi 
đã thực hiện trích rút các loại đặc trưng quan trọng 
được trình bày dưới đây.
A. Các đặc trưng từ vựng
Đặc trưng n-gram
Các đặc trưng n-gram của một cặp câu hỏi - câu trả 
lời được trích rút dựa trên ngữ cảnh của các từ của 
câu, nghĩa là, các từ đó xuất hiện trong một cặp câu 
hỏi - câu trả lời. Mỗi cặp câu hỏi - câu trả lời x được 
biểu diễn giống như sự biểu diễn tài liệu trong mô 
hình không gian vectơ như sau:
x = (x1, x2, , xN) (5)
trong đó: xi là tần số xuất hiện của từ i trong x và N 
là tổng số các từ trong x. Do tính thưa thớt của các 
đặc trưng, chỉ các đặc trưng có giá trị khác không 
mới được giữ lại trong vectơ đặc trưng. Bởi vậy 
các cặp câu hỏi - câu trả lời cũng được biểu diễn 
dưới hình thức sau:
x = {(t
1
, f
1
), , (t
p
, f
p
)} (6)
XÂY DỰNG CÁC CẶP CÂU HỎI - CÂU TRẢ LỜI CHẤT LƯỢNG CAO TỪ CÁC TRANG WEB... 
Tạp chí KHOA HỌC CÔNG NGHỆ 
THÔNG TIN VÀ TRUYỀN THÔNG28 Số 3 - 4 (CS.01) 2016
trong đó: ti là từ thứ i trong x và fi là tần số xuất hiện 
của ti trong x.
Để trích rút các đặc trưng n-gram, bất kỳ n từ liên 
tiếp nào trong một cặp câu hỏi - câu trả lời đều 
được coi là một đặc trưng. Bảng II là danh sách 
một số đặc trưng n-gram của câu hỏi “How many 
Grammys did Michael Jackson win in 1983 ?”.
Bảng II. Ví dụ về một số đặc trưng n-gram
Tên đặc 
trưng Đặc trưng
Unigram
{(How, 1) (many, 1) (Grammys, 1) (did, 1) 
(Michael, 1) (Jackson, 1) (win, 1) (in, 1) 
(1983, 1) (?, 1)}
Bigram
{(How-many, 1) (many-Grammys, 1) 
(Grammys-did, 1) (did-Michael, 1) 
(Michael-Jackson, 1) (1983-?, 1)}
Trigram
{(How-many-Grammys, 1) (many-
Grammys-did, 1) (in-1983-?, 1)}
Số lượng các từ trong câu hỏi, số lượng các từ 
trong câu trả lời
Để phân loại các cặp câu hỏi - câu trả lời có thể 
dựa vào các đặc trưng là số lượng các từ trong câu 
hỏi, số lượng các từ trong câu trả lời. Từ quan sát 
dữ liệu thực tế chúng tôi thấy rằng các cặp câu hỏi 
- câu trả lời có số lượng các từ ít hơn 10 thường là 
các cặp câu hỏi - câu trả lời không có ý nghĩa.
Số lượng câu (sentence) trong mỗi câu trả lời
Đây là một đặc trưng quan trọng trong việc phân 
loại các cặp câu hỏi - câu trả lời. Thông thường các 
câu trả lời có nhiều sentence thường mang thông 
tin trả lời đầy đủ hơn cho câu hỏi.
Tỷ lệ giữa số lượng câu (sentence) của câu trả lời 
và câu hỏi
Trong nghiên cứu này chúng tôi sử dụng đặc trưng 
là tỷ lệ giữa số lượng câu (sentence) của câu trả lời 
và câu hỏi.
Chồng chéo n-gram từ giữa câu hỏi và câu trả lời
Khi trả lời một câu hỏi nào đó trên các trang web 
hỏi đáp cộng đồng, người sử dụng thường có xu 
hướng sử dụng lại một số từ ở câu hỏi trong câu trả 
lời của họ. Vì vậy nếu trong câu trả lời có chứa từ 
hoặc cụm từ của câu hỏi thì câu trả lời đó có khả 
năng là một câu trả lời tốt cho câu hỏi. Để tính toán 
sự chồng chéo giữa câu hỏi và câu trả lời, chúng tôi 
thực hiện loại bỏ các stopword trong mỗi câu hỏi, 
câu trả lời sau đó mới tính toán sự chồng chéo từ sử 
dụng n-gram từ (n=1, 2, 3).
B. Các đặc trưng đo sự giống nhau giữa câu hỏi 
và câu trả lời
Để xây dựng các đặc trưng này, chúng tôi thực hiện 
loại bỏ các từ stopword trong mỗi câu hỏi và câu 
trả lời. Các câu hỏi và câu trả lời sau đó được biểu 
diễn dưới dạng vectơ (bag-of-word). Để tính toán 
sự giống nhau giữa câu hỏi và các câu trả lời của 
nó, chúng tôi sử dụng 5 độ đo khác nhau: euclidean, 
manhattan, minkowski, cosine, jaccard. Bảng III là 
một ví dụ về việc tính toán các đặc trưng đo sự 
giống nhau này.
Bảng III. Ví dụ về các đặc trưng đo sự giống nhau
Câu hỏi Câu trả lời Các độ đo Các giá trị độ đo
Massage 
oil. Where 
I can buy 
good 
oil for 
massage?
You might 
be able to 
find Body 
Massage Oil 
in Body Shop 
at Landmark 
or City Centre, 
and if they do 
have it there, ...
euclidean 5.196152
manhattan 25
minkowski 3.141
cosine 0.405062
jaccard 1.0
C. Đặc trưng dựa trên thông tin người dùng
Số lượng câu trả lời của người trả lời
Số lượng câu trả lời của người trả lời chính là thông 
tin về tổng số câu trả lời của người trả lời trong 
toàn tập dữ liệu. Chúng tôi nhận thấy rằng những 
người thường xuyên trả lời các câu hỏi của người 
khác thì câu trả lời của họ thường mang độ chính 
xác cao hơn so với những câu trả lời của những 
người ít trả lời. Chính vì vậy trong nghiên cứu này 
chúng tôi sử dụng số lượng câu trả lời của người trả 
lời như là một đặc trưng dùng để phân loại các cặp 
câu hỏi - câu trả lời.
Nguyễn Văn Tú, Lê Anh Cường, Nguyễn Hà Nam
Tạp chí KHOA HỌC CÔNG NGHỆ 
THÔNG TIN VÀ TRUYỀN THÔNG
Số 3 - 4 (CS.01) 2016 29
D. Các đặc trưng dựa trên sự biểu diễn vectơ từ
Chúng tôi sử dụng sự biểu diễn vectơ từ để mô hình 
hóa mối quan hệ ngữ nghĩa giữa câu hỏi và các câu 
trả lời của nó. Chúng tôi chọn mô hình word2vec2 
đề xuất bởi Mikolov [13, 14] để tính toán độ tương 
tự ngữ nghĩa giữa câu hỏi và câu trả lời. Word2vec 
biểu diễn các từ dưới dạng một phân bố quan hệ 
với các từ còn lại. Giả sử ta có m ... cs 0.2048591
Doha Shopping 0.3174826
Cars 0.0705854
VI. CÁC THựC NGHIỆm VÀ đÁNH GIÁ
Trong phần này chúng tôi sẽ thực hiện việc xây 
dựng các thực nghiệm sử dụng thuật toán phân loại 
SVM và các đặc trưng chúng tôi đề xuất đã được 
trình bày trong phần V.
XÂY DỰNG CÁC CẶP CÂU HỎI - CÂU TRẢ LỜI CHẤT LƯỢNG CAO TỪ CÁC TRANG WEB... 
Tạp chí KHOA HỌC CÔNG NGHỆ 
THÔNG TIN VÀ TRUYỀN THÔNG30 Số 3 - 4 (CS.01) 2016
A. Tập dữ liệu
Trong các trang web hỏi đáp cộng đồng, mỗi câu 
hỏi thường chứa một tiêu đề hỏi và một đoạn văn 
bản ngắn mô tả về nội dung hỏi được đưa ra bởi 
người hỏi. Phần tiêu đề hỏi và phần mô tả được coi 
như là một câu hỏi duy nhất gồm nhiều câu [15].
Để thực hiện các thực nghiệm của mình, chúng tôi 
đã sử dụng tập dữ liệu từ SemEval 20154. Tập dữ 
liệu này được trích rút từ các trang web hỏi đáp 
cộng đồng, bao gồm các câu hỏi và mỗi câu hỏi 
gồm một tập các câu trả lời tương ứng. Tất cả các 
cặp câu hỏi - câu trả lời đều được trình bày bằng 
ngôn ngữ tiếng Anh. Tập dữ liệu này bao gồm 3 tập 
con: train - tập dữ liệu dùng để huấn luyện mô hình 
phân loại, dev - tập dữ liệu dùng để đánh giá mô 
hình phân loại và test - tập dữ liệu dùng để kiểm tra 
tính hiệu quả của mô hình phân loại. Bảng VI trình 
bày một số thống kê trên tập dữ liệu này.
Bảng VI. Thống kê tập dữ liệu được sử dụng
Tập dữ 
liệu
Số câu 
hỏi
Số câu 
trả lời
Số câu trả lời trung 
bình của mỗi câu hỏi
Train 2270 11503 5.07
Dev 255 1178 4.62
Test 317 1526 4.81
B. Các thực nghiệm
Thực nghiệm 1:
Bảng VII. Kết quả phân loại sử dụng 
các đặc trưng từ vựng
Tập dữ 
liệu Accuracy Precision Recall F1-measure
Dev 56.37% 49.64% 48.62% 47.91%
Test 61.53% 48.03% 47.72% 47.73%
Trong thực nghiệm này chúng tôi muốn kiểm tra 
tính hiệu quả của việc sử dụng các đặc trưng từ 
vựng như được trình bày trong mục V.A. Các đặc 
trưng từ vựng này bao gồm: đặc trưng Unigram, số 
từ trong câu hỏi, số từ trong câu trả lời, số lượng 
câu (sentence) trong câu trả lời, tỷ lệ giữa số câu 
của câu trả lời và câu hỏi, chồng chéo n-gram từ 
giữa câu hỏi và câu trả lời. Bảng VII trình bày các 
kết quả của thực nghiệm này.
4 
Thực nghiệm 2:
Thực nghiệm thứ 2 này chúng tôi sử dụng các đặc 
trưng tính toán sự giống nhau giữa câu hỏi và câu 
trả lời. Để tính toán được các độ đo sự giống nhau 
giữa câu hỏi và câu trả lời, chúng tôi thực hiện: 
(1) loại bỏ các từ stopword trong mỗi câu hỏi và 
câu trả lời; (2) biểu diễn mỗi câu hỏi và câu trả lời 
dưới dạng các bag-of-word; (3) sử dụng các độ đo 
euclidean, manhattan, minkowski, cosine, jaccard 
để tính toán độ tương tự giữa câu hỏi và các câu trả 
lời của nó. Kết quả của thực nghiệm này được trình 
bày trong bảng VIII.
Bảng VIII. Kết quả phân loại sử dụng 
các đặc trưng tính toán độ tương tự
Tập dữ 
liệu Accuracy Precision Recall F1-measure
Dev 54.84% 41.85% 42.13% 41.96%
Test 57.93% 41.25% 42.15% 41.57%
Thực nghiệm 3:
Thực nghiệm này được thực hiện với việc sử dụng 
đặc trưng trích rút từ thông tin người sử dụng 
(những người gửi câu hỏi, câu trả lời). Kết quả của 
thực nghiệm được trình bày trong bảng IX.
Bảng IX. Kết quả phân loại sử dụng đặc trưng 
trích rút từ thông tin người dùng
Tập dữ 
liệu Accuracy Precision Recall F1-measure
Dev 61.63% 34.29% 38.89% 30.94%
Test 66.32% 35.36% 85.34% 30.44%
Thực nghiệm 4:
Trong thực nghiệm này chúng tôi sử dụng các đặc 
trưng tính toán độ giống nhau về mặt ngữ nghĩa 
giữa các thành phần của câu hỏi với câu trả lời. 
Để tính toán độ tương tự ngữ nghĩa giữa các thành 
phần của câu hỏi và câu trả lời, chúng tôi sử dụng 
các tập dữ liệu đã được loại bỏ các từ stopword 
và tập dữ liệu gốc (chưa loại bỏ các từ stopword). 
Tuy nhiên khi thực nghiệm phân loại chúng tôi 
thấy rằng việc sử dụng tập dữ liệu đã loại các từ 
stopword cho kết quả phân loại thấp hơn việc sử 
dụng tập dữ liệu gốc. Vì vậy chúng tôi quyết định 
chỉ sử dụng tập dữ liệu gốc cho việc tính toán độ 
Nguyễn Văn Tú, Lê Anh Cường, Nguyễn Hà Nam
Tạp chí KHOA HỌC CÔNG NGHỆ 
THÔNG TIN VÀ TRUYỀN THÔNG
Số 3 - 4 (CS.01) 2016 31
tương tự ngữ nghĩa. Kết quả phân loại của thực 
nghiệm 4 được trình bày trong bảng X.
Bảng X. Kết quả phân loại sử dụng 
các đặc trưng tính toán độ tương tự ngữ nghĩa
Tập dữ 
liệu Accuracy Precision Recall
F1-
measure
Dev 60.61% 43.42% 52.32% 45.16%
Test 59.90% 46.83% 46.27% 46.38%
Thực nghiệm 5:
Trong thực nghiệm này chúng tôi thực hiện phân 
loại các cặp câu hỏi - câu trả lời bằng cách kết hợp 
tất cả các loại đặc trưng đã được thực hiện trong 
các thực nghiệm trên. Các kết quả phân loại của 
thực nghiệm này được trình bày trong bảng XI.
Bảng XI. Kết quả phân loại sử dụng sự kết hợp 
của nhiều loại đặc trưng
Tập dữ 
liệu Accuracy Precision Recall
F1-
measure
Dev 65.62% 52.92% 56.88% 54.41%
Test 69.72% 50.91% 62.87% 53.84%
Từ các kết quả của các thực nghiệm trên chúng tôi 
nhận thấy rằng việc phân loại các cặp câu hỏi - câu 
trả lời trong các hệ thống hỏi đáp cộng đồng cần sự 
kết hợp của nhiều loại đặc trưng khác nhau để cho 
kết quả tốt. Các đặc trưng về từ vựng đóng một vai 
trò quan trọng trong nhiệm vụ này. Điều này là do 
các câu trả lời của người dùng thường được viết 
một cách tự do, không theo một cấu trúc nhất định, 
có nhiều câu trả lời trình bày sai cấu trúc cú pháp 
hoặc chứa những từ không liên quan đến câu hỏi. 
Các kết quả từ thực nghiệm 4 cho thấy việc trích 
rút các đặc trưng dựa trên sự biểu diễn vectơ từ (ở 
đây là word2vec) cũng có ý nghĩa quan trọng trong 
việc phân loại các cặp câu hỏi - câu trả lời. Việc 
huấn luyện lại mô hình word2vec và sử dụng nó 
trong việc tính toán độ tương tự ngữ nghĩa giữa các 
thành phần của câu hỏi với câu trả lời, giữa câu trả 
lời với các loại của câu hỏi đã cho kết quả phân loại 
cao. Trong thực nghiệm 5 chúng tôi đã thực hiện 
việc kết hợp của nhiều loại đặc trưng khác nhau 
và đã đạt được kết quả phân loại cao nhất trong tất 
cả các độ đo mà chúng tôi sử dụng. Điều này cũng 
chứng minh rằng vấn đề phân loại các cặp câu hỏi 
- câu trả lời trong các trang web hỏi đáp cộng đồng 
cần sự kết hợp của nhiều loại đặc trưng khác nhau.
Chúng tôi cũng thực hiện so sánh các kết quả 
nghiên cứu của chúng tôi với các kết quả nghiên 
cứu của các tác giả khác. Các nghiên cứu mà chúng 
tôi sử dụng để so sánh ở đây cũng sử dụng tập dữ 
liệu từ SemEval 2015 và sử dụng cùng số lớp phân 
loại. Bảng XII trình bày một số kết quả nghiên cứu 
của các tác giả khác để so sánh với các kết quả của 
chúng tôi trong vấn đề phân loại các cặp câu hỏi - 
câu trả lời.
Bảng XII. So sánh với các kết quả nghiên cứu khác
Nghiên cứu của tác giả F1-measure Accuracy
Massimo Nicosia (2015)[6] 53.74% 70.50%
Liang Yi (2015)[16] 53.47% 70.55%
Xiaoqiang Zhou (2015)[17] 49.60% 67.86%
Yonatan Belinkov (2015)[18] 49.10% 66.45%
Amin Heydari (2015)[19] 47.34% 56.83%
Vo (2015)[20] 47.32% 69.13%
Ivan Zamanov (2015)[21] 46.07% 62.35%
Nghiên cứu của chúng tôi 53.84% 69.72%
Từ bảng so sánh cho thấy nghiên cứu của chúng 
tôi cho kết quả phân loại cao nhất về độ đo 
F1-measure.
VII. KếT lUẬN VÀ HướNG pHÁT TRIỂN
Bài báo đã trình bày những đề xuất của chúng tôi 
trong việc xây dựng các cặp câu hỏi - câu trả lời 
chất lượng cao từ các dữ liệu thu thập trên các trang 
web hỏi đáp cộng đồng. Chúng tôi đã thực hiện 
trích rút nhiều loại đặc trưng khác nhau từ các đặc 
trưng từ vựng, các đặc trưng dựa trên sự tính toán 
độ tương tự giữa câu hỏi và câu trả lời, các đặc trưng 
dựa trên sự biểu diễn vectơ từ (ở đây là word2vec) 
và sử dụng bộ phân loại Support Vector Machines 
để phân loại các cặp câu hỏi - câu trả lời. Các kết 
quả của thực nghiệm cho thấy bộ phân loại đã đạt 
kết quả phân loại với độ đo F1-measure cao nhất là 
53.84% khi sử dụng sự kết hợp của nhiều loại đặc 
trưng. Từ các kết quả nghiên cứu trên, chúng tôi đã 
xây dựng được một bộ dữ liệu bao gồm các cặp câu 
XÂY DỰNG CÁC CẶP CÂU HỎI - CÂU TRẢ LỜI CHẤT LƯỢNG CAO TỪ CÁC TRANG WEB... 
Tạp chí KHOA HỌC CÔNG NGHỆ 
THÔNG TIN VÀ TRUYỀN THÔNG32 Số 3 - 4 (CS.01) 2016
hỏi - câu trả lời chất lượng để phục vụ làm nguồn 
dữ liệu cho việc xây dựng các hệ thống hỏi đáp tự 
động. Các nghiên cứu tiếp theo chúng tôi sẽ thực 
hiện xây dựng các cặp câu hỏi - câu trả lời có ý 
nghĩa từ nhiều nguồn hỏi đáp cộng đồng khác nhau 
để làm phong phú thêm nguồn dữ liệu hỏi đáp phục 
vụ xây dựng các hệ thống hỏi đáp tự động.
TÀI lIỆU THAm KHảO
[1] Zeyi Wen, Rui Zhang, Kotagiri Ramamohanarao. 
Enabling Precision/Recall Preferences for Semi-
supervised SVM Training, CIKM’14, pp. 421-
430, 2014.
[2] Valentin Jijkoun and Maarten de Rijke. Retrieving 
answers from frequently asked questions pages 
on the web. In CIKM ’05, pp. 76-83, 2005.
[3] Adam Berger, Rich Caruana, David Cohn, Dayne 
Freitag, and Vibhu Mittal. Bridging the lexical 
chasm: Statistical approaches to answer-finding. 
In Proceedings of SIGIR, pp. 192-199, 2000.
[4] C. Shah, J. Pomerantz. Evaluating and predicting 
answer quality in community QA. In Proceedings 
of SIGIR, 2010.
[5] H. Toba, Z. Y. Ming, M. Adriani, T. Chua. 
Discovering high quality answers in community 
question answering archives using a hierarchy of 
classifiers. Information Sciences 261, pp. 101-
115, 2014.
[6] Massimo Nicosia1, Simone Filice, et al. QCRI: 
Answer Selection for Community Question 
Answering – Experiments for Arabic and 
English. In Proceedings of SemEval, pp. 203-
209, 2015.
[7] J. Lou, Y. Fang, K.H. Lim, J.Z. Peng. Contributing 
high quantity and quality knowledge to online 
q&a communities. Journal of the American 
Society for Information Science and Technology 
64(2), pp. 356-371, 2013.
[8] H. Hu, B. Liu, B. Wang, M. Liu, X. Wang. 
Multimodal DBN for predicting high-quality 
answers in cQA portals. In Proceedings of ACL, 
pp. 843-847, 2013.
[9] Mihai Surdeanu, Massimiliano Ciaramita, and 
Hugo Zaragoza. Learning to rank answers on 
large online QA collections. In Proceedings of 
ACL-08: HLT. Association for Computational 
Linguistics, pp. 719-727, 2008.
[10] Zhiheng Huang, Marcus Thint, and Zengchang 
Qin. Question classification using head words 
and their hypernyms. In Proceedings of the 
Conference on Empirical Methods in Natural 
Language Processing, (EMNLP ’08), pp. 927-
936, 2008.
[11] Vijay Krishnan, Sujatha Das, and Soumen 
Chakrabarti. Enhanced answer type inference 
from questions using sequential models. In 
Proceedings of the conference on Human 
Language Technology and Empirical Methods in 
Natural Language Processing, HLT ’05, pp. 315-
322, 2005.
[12] Babak Loni, Gijs van Tulder, Pascal Wiggers, 
David M.J. Tax, and Marco Loog. Question 
classification with weighted combination of 
lexical, syntactical and semantic features. In 
Proceedings of the 15th international conference 
of Text, Dialog and Speech, pp. 243-250, 2011.
[13] T. Mikolov, K. Chen, G. Corrado, and J. 
Dean. (2013a) Efficient Estimation of Word 
Representations in Vector Space. CoRR, 
abs/1301.3781.
[14] T. Mikolov, I. Sutskever, K. Chen, G. Corrado, 
and J. Dean. (2013b) Distributed Representations 
of Words and Phrases and their Compositionality. 
CoRR, abs/1310.4546.
[15] Vinay Pande, Tanmoy Mukherjee, Vasudeva 
Varma. Summarizing Answers For Community 
Question Answer Services, The International 
Conference of the German Society for 
Computational Linguistics and Language 
Technology, pp. 151-161, 2013.
[16] Liang Yi, Jianxiang Wang, Man Lan. ECNU: 
Using Multiple Sources of CQA-based 
Information for Answer Selection and YES/NO 
Response Inference. In Proceedings of SemEval, 
pp. 236-241, 2015.
[17] Xiaoqiang Zhou Baotian Hu Jiaxin Lin Yang 
Xiang Xiaolong Wang. ICRC-HIT: A Deep 
Learning based Comment Sequence Labeling 
System for Answer Selection Challenge. In 
Proceedings of SemEval, pp. 210-214, 2015.
Nguyễn Văn Tú, Lê Anh Cường, Nguyễn Hà Nam
Tạp chí KHOA HỌC CÔNG NGHỆ 
THÔNG TIN VÀ TRUYỀN THÔNG
Số 3 - 4 (CS.01) 2016 33
[18] Yonatan Belinkov, Mitra Mohtarami, Scott 
Cyphers, James Glass. VectorSLU: A Continuous 
Word Vector Approach to Answer Selection in 
Community Question Answering Systems. In 
Proceedings of SemEval, pp. 282-287, 2015.
[19] Amin Heydari, Alashty Saeed Rahmani Meysam 
Roostaee Mostafa Fakhrahmad. Shiraz: A 
Proposed List Wise Approach to Answer 
Validation. In Proceedings of SemEval, pp. 220-
225, 2015.
[20] Ngoc Phuoc An Vo, Simone Magnolini, Octavian 
Popescu. FBK-HLT: An Application of Semantic 
Textual Similarity for Answer Selection in 
Community Question Answering. In Proceedings 
of SemEval, pp. 231-235, 2015.
[21] Ivan Zamanov, Nelly Hateva, et al. Voltron: A 
Hybrid System For Answer Validation Based On 
Lexical And Distance Features. In Proceedings 
of SemEval, pp. 242-246, 2015.
CONsTRUCTING HIGH-qUAlITY 
qUesTION-ANsWeR pAIRs FROm 
COmmUNITY qUesTION ANsWeRING 
sITes
Abstract: Community Question Answering (cQA) 
sites that contains a large amount of valuable 
information generated by the users. In cQA sites, 
users can post questions, answer other people’s 
questions and provide feedback to the questions 
/ answers. In this paper, we use machine learning 
approach to constructing high-quality question - 
answer pairs from community question answering 
sites. These question - answer pairs will be used 
as the data source for the automatic question 
answering systems. We extracted important 
features from each question-answer thread as well 
as the users information and build classification 
model to identify the meaningful question - answer 
pairs. The experimental results on the data provided 
by SemEval 2015 showed that our proposal will 
bring good results.
Keywords: Community Question Answering, 
classification, Support Vector Machines, Automatic 
Question Answering system.
Nguyễn Văn Tú tốt nghiệp cử nhân 
tại khoa Toán trường Đại học Sư 
phạm Thái Nguyên ngành Sư phạm 
tin năm 2005, tốt nghiệp thạc sĩ tại 
trường Đại học Sư phạm Hà Nội năm 
2009. ThS. Nguyễn Văn Tú hiện đang 
làm nghiên cứu sinh tại trường Đại 
học Công nghệ và làm việc tại trường 
Đại học Tây Bắc. Hướng nghiên cứu 
bao gồm: Các kỹ thuật học máy, xử lý 
ngôn ngữ tự nhiên.
Lê Anh Cường tốt nghiệp cử nhân 
và thạc sĩ Công nghệ Thông tin tại 
trường Đại học Công nghệ, Đại học 
Quốc gia Hà Nội vào năm 1998 và 
2001, và nhận bằng tiến sĩ tại Trường 
Khoa học thông tin - Viện Khoa học 
và Công nghệ tiên tiến Nhật Bản 
(Japan Advanced Institute of Science 
and Technology) vào năm 2007. Hiện 
nay, PGS. TS Lê Anh Cường đang là 
giảng viên tại khoa Công nghệ thông 
tin, trường Đại học Tôn Đức Thắng. 
Lĩnh vực nghiên cứu bao gồm: xử lý 
ngôn ngữ tự nhiên, khai phá văn bản, 
học máy.
Nguyễn Hà Nam tốt nghiệp cử nhân 
tại trường Đại học Khoa học Tự nhiên, 
Đại học Quốc gia Hà Nội năm 2001, 
nhận bằng thạc sĩ tại trường Đại học 
Chungwoon, Hàn Quốc năm 2003 và 
tiến sĩ tại trường Đại học Hàng không, 
Hàn Quốc năm 2007. Hiện nay, PGS.
TS Nguyễn Hà Nam đang là giảng 
viên tại khoa Công nghệ thông tin, 
trường Đại học Công nghệ - Đại học 
Quốc gia Hà Nội. Lĩnh vực nghiên cứu 
bao gồm: trí tuệ nhân tạo, khai phá 
dữ liệu, học máy, phân tích thống kê, 
cơ sở dữ liệu, kho dữ liệu và OLAP.