Karen Spärck Jones là nhà nghiên cứu người Anh, tác giả bài báo năm 1972 về trọng số từ (về sau gọi là IDF), một ý tưởng nằm dưới nhiều công cụ tìm kiếm hôm nay. Bài viết này kể lại đời bà theo từng mốc: từ ước mơ dạy máy hiểu nghĩa ở Cambridge cuối thập niên 1950, đến cú lật ngược năm 1972 và những năm dài ít người biết tên. Câu chuyện đáng quan tâm vì nó cho thấy một thất bại có thể chỉ đường cho một phát hiện lớn.

Tóm tắt nhanh

Karen Spärck Jones bắt đầu bằng niềm tin rằng muốn tìm đúng tài liệu thì máy phải hiểu nghĩa từ. Khi các nhóm từ theo nghĩa của bà không thắng nổi cách đếm từ khớp trên nhiều bộ dữ liệu, bà đổi câu hỏi: từ này được dùng ở đâu và nhiều đến mức nào? Câu trả lời là cách cân từ theo độ hiếm: từ có mặt ở ít tài liệu thì nặng điểm, từ có mặt ở khắp nơi thì nhẹ điểm. Ý tưởng này được công bố năm 1972, phải chờ hơn hai mươi năm mới gặp những kho tài liệu đủ lớn.

Diễn biến chính

Cuối thập niên 1950: nhà kho và giấc mơ về nghĩa

Karen sinh ngày 26/8/1935 tại Huddersfield, mẹ là người Na Uy. Năm mười hai tuổi, bà quyết vào Cambridge; năm 1953 bà vào Girton học Sử, rồi học thêm một năm Triết. Cha mất ngay năm đầu đại học nên bà đi dạy học để kiếm sống, một việc chính bà sau này gọi là hết sức vô trách nhiệm vì bà chưa qua đào tạo sư phạm.

Rồi bà ghé thăm nhà kho cuối vườn, nơi Đơn vị Nghiên cứu Ngôn ngữ Cambridge của Margaret Masterman làm việc, ngoài khuôn viên đại học. Masterman hỏi bà có muốn về làm không, và bà nhận lời. Bà kể mình vào nghề hoàn toàn tình cờ. Năm 1958, bà cưới Roger Needham.

Từ điển ý niệm và niềm tin vào nghĩa

Nhóm tin rằng một ngôn ngữ trung gian dựng từ từ điển ý niệm có thể giúp cả dịch máy lẫn tìm tài liệu. Cuốn từ điển Roget được đục lên phiếu. Với câu «chơi một ván đi», chữ «chơi» và chữ «ván» chỉ chung một đề mục là giải trí, và đó là nghĩa đúng. Năm 1958, nhóm còn viết bài về sự giống nhau giữa dịch máy và tìm tài liệu. Thời đó, tìm tài liệu vẫn là việc của thủ thư, với mục lục phân loại và những câu hỏi kiểu «chữ này và chữ kia».

1964 đến 1966: luận án, máy Titan và mùa đông

Bà tự học lập trình trên máy Titan của Cambridge, với Roger kèm bên cạnh; dữ liệu nằm trên những cuộn băng giấy nặng đến mức đứt khi nạp. Luận án năm 1964 về từ đồng nghĩa và phân lớp từ theo nghĩa được đăng ký dưới tên Needham, nhưng các bài báo bà đều ký Spärck Jones. Luận án bị cất xó hơn hai mươi năm, và ở một trang khuất của nó đã có sẵn một thước đo gần với IDF.

Năm 1966, báo cáo ALPAC của Mỹ khiến tiền cho dịch máy bị cắt gần hết. Ở khoá hè tại Los Angeles cùng năm, cuốn sách của Chomsky được người ta mang theo khắp nơi; bà kể không khí ấy giống một tôn giáo. Cú pháp lên ngôi, nghĩa bị lãng quên, và bà bước vào nhịp sống bằng tiền tài trợ ngắn hạn, gọi là tiền mềm.

Cranfield và cú lật ngược: từ nghĩa sang cách dùng

Bà cần một bãi thử, và bộ dữ liệu Cranfield của thủ thư Cyril Cleverdon là bãi thử ấy: câu hỏi thật của người đọc, kèm đánh giá liên quan do người chấm. Cách phân nhóm theo nghĩa của bà chạy khá ở bộ đầu, nhưng sang bộ vật lý và bộ khoa học thư viện ở xứ Wales thì không đi đến đâu. Bà ngồi lại lật từng con số và nhìn vào việc mỗi từ có mặt trong bao nhiêu tài liệu. Chữ «dòng chảy» có mặt trong 144 trên 200 tài liệu, nên khớp với nó chẳng giúp phân biệt gì.

Bà thử bỏ hẳn các từ phổ biến và kết quả rất tệ: bỏ 73 từ phổ biến nhất ở bộ vật lý, số tài liệu đúng tìm được giảm ít nhất 30%. Bà viết rằng làm vậy là đổ đứa bé đi cùng chậu nước tắm.

1972: cách cân từ ngữ

Giải pháp là không vứt mà cân. Mỗi lần số tài liệu chứa từ giảm một nửa, từ được cộng thêm một điểm. Ở Cranfield, từ có mặt trong 90 tài liệu được 2 điểm, từ chỉ có trong 3 tài liệu được 7 điểm. Một tài liệu khớp hai từ khá phổ biến được 5 và 3, tổng 8; tài liệu khớp hai từ hiếm được 7 và 6, tổng 13.

Bài báo năm 1972 dài mười một trang, giọng văn chắc nịch, nói rằng độ đặc hiệu của từ là hàm của cách từ được dùng, không phải của nghĩa. Bài chưa đặt tên IDF, và cuối bài bà hy vọng sẽ sớm có người thử trên các bộ sưu tập lớn hơn nhiều.

1992 đến 2007: được dùng nhưng ít ai nhớ tên

Nhóm của Gerard Salton đã cân từ theo số lần lặp trong từng tài liệu; hai cách ghép lại thành TF-IDF. Bà cùng Stephen Robertson mài cách cân qua bốn phiên bản, và từ nhánh đó về sau có BM25. Năm 1992, cuộc thi TREC và mạng toàn cầu mở ra những kho tài liệu lớn. Bà nói ý tưởng ấy đi vào sách giáo khoa và người ta trích sách giáo khoa; bà cũng không giữ bản quyền.

Đường sự nghiệp của bà thì chậm: năm 1988 bà mới có chỗ đứng cố định, năm 1999 được phong giáo sư, năm 2002 phải nghỉ hưu dù không muốn. Bà khỏi ung thư năm 2002, Roger mất năm 2003, bệnh của bà tái phát năm 2006. Tháng 2/2007, bà được báo tin nhận Huy chương Lovelace và giải Athena, và là người phụ nữ đầu tiên nhận Lovelace. Bà mất ngày 4/4/2007.

Điều còn tranh cãi hoặc cần thận trọng

  • TF-IDF không phải của riêng bà. Phần đếm từ trong tài liệu đến từ nhóm Salton, và các máy tìm kiếm lớn còn dựa trên nhiều thứ khác, như liên kết giữa các trang.
  • Công thức năm 1972 là bậc thang cộng điểm, chưa phải dạng lôgarit trong sách giáo khoa; cái tên IDF đến sau.
  • Chuyện AltaVista chủ yếu do chính bà kể; chưa có xác nhận độc lập từ phía DEC, và AltaVista còn dùng nhiều kỹ thuật khác.
  • Cáo phó của The Times: chuyện tờ báo không đăng cáo phó cho bà chỉ là lời kể qua nguồn thứ cấp, chưa được kiểm chứng. Mốc bà có chỗ đứng cố định cũng được các nguồn ghi khác nhau.

Vì sao câu chuyện này đáng nhớ?

Thất bại của con đường «nghĩa» đã chỉ cho bà lối ra: thôi hỏi từ nghĩa là gì, hãy hỏi người ta dùng nó thế nào. Các mô hình ngôn ngữ ngày nay cũng học từ cách dùng, theo nhận định của kênh. Có được, có mất: một cỗ máy biết cách dùng chưa chắc đã hiểu.

Câu chuyện còn nhắc rằng nhiều ý tưởng nền của công nghệ thuộc về những người ít được nhắc tên. Bà nói đùa nửa thật rằng máy tính quá quan trọng để giao phó hết cho đàn ông.

Câu hỏi thường gặp

Karen Spärck Jones là ai?

Bà sinh năm 1935 ở Huddersfield, học Sử rồi Triết tại Girton, Cambridge, và vào ngành xử lý ngôn ngữ một cách tình cờ. Bà là tác giả bài báo năm 1972 về trọng số từ, tiền đề của IDF.

IDF là gì và bài báo năm 1972 nói gì?

IDF là tần suất tài liệu nghịch đảo: từ có mặt trong càng ít tài liệu thì càng được nhiều điểm. Bài 1972 chưa dùng tên này; tên gọi có về sau. Bà viết rằng độ đặc hiệu của từ là hàm của cách dùng, không phải của nghĩa.

Bà Spärck Jones có phát minh ra TF-IDF không?

Không hoàn toàn. Phần đếm số lần từ lặp trong một tài liệu đến từ nhóm của Salton; hai cách cân được ghép lại về sau thành TF-IDF.

Bà có liên quan đến AltaVista không?

Theo lời bà kể, kỹ sư Mike Burrows nhận từ Roger Needham một báo cáo kỹ thuật năm 1994 do bà và Stephen Robertson viết, rồi dựng AltaVista (1995). Chưa có xác nhận độc lập từ phía DEC.

Vì sao bà ít được biết đến?

Nguồn nêu nhiều yếu tố: ý tưởng thành của chung và đi vào sách giáo khoa, bà không giữ bản quyền, và bà sống bằng tiền tài trợ ngắn hạn đến ngoài năm mươi tuổi. Chính bà nói mình không bị phân biệt công khai.

Nguồn tham khảo

Bài viết tóm tắt từ video của kênh; nội dung mang tính giới thiệu.