Gán nhãn từ loại (Part-of-Speech tagging POS)

Hong Ong Kiến thức, Xử lý ngôn ngữ tự nhiên - Natural Language Processing (NLP) Tháng Chín 2, 2016 15 Minutes

Trong nhiều tác vụ của Xử lý ngôn ngữ tự nhiên (XLNNTN), ta mong muốn xây dựng được một mô hình mà chuỗi các quan sát đầu vào (từ, ngữ, câu,…) đi kèm với chuỗi các nhãn đầu ra (từ loại, ranh giới ngữ, tên thực thể,…) gọi là pairs of sequences.

Gán nhãn từ loại (Part-of-speech tagging – POS) có lẽ là bài toán sớm nhất được nghiên cứu và được mọi người biết đến khi nhập môn chuyên ngành XLNNTN. Trong bài viết này, ta sẽ tìm hiểu về bài toán gán nhãn từ loại, các hướng tiếp cận và thuật toán cơ bản để giải quyết vấn đề này.

Giới thiệu

Trong gán nhãn từ loại, mục tiêu của chúng ta khi đưa chuỗi đầu vào là một câu ví dụ như “con ruồi đậu mâm xôi đậu”

$con\ ruoi\ dau\ mam\ xoi\ dau$

thì chuỗi đầu ra sẽ là nhãn (tag sequence) được giống hàng tương ứng

$D\ N\ V\ N\ N\ N$

Ở đây, D: determinator (định từ), N: noun (danh từ), V: verb (động từ). Khi đó, ta có chuỗi các cặp từ và từ loại tương ứng như sau $con/D \ ruoi/N \ dau/V \ mam/N \ xoi/N \ dau/N$

Gán nhãn (sequence labeling problem, tagging problem) có các bài toán thường gặp

POS tagging (gán nhãn từ loại). Là cơ sở phục vụ cho các bài toán về ngữ nghĩa cao hơn.
Named-Entity recognition (gán nhãn tên thực thể). Ví dụ: bà ba [CON NGUOI] bán bánh mì [THUC PHAM] ở phường mười ba [DIA DIEM]. Có giá trị về mặt ngữ nghĩa ở mức trung bình, thường được dùng để phân lớp văn bản.
Machine translation (dịch máy). Đầu vào là một câu của ngôn ngữ A, đầu ra là câu của ngôn ngữ B tương ứng. Bài toán này từng rất cấp thiết trong chiến tranh thế giới thứ 2, khi mà thông tin tình báo của địch cần được dịch trong thời gian ngắn nhất, giúp cho các lãnh đạo có thể đưa ra những chiến lược cấp thiết.
Speech recognition (nhận diện tiếng nói). Đầu vào là âm thanh tiếng nói, đầu ra là câu dạng văn bản. Ngày nay, theo thống kê của Apple, người dùng thích sử dụng tiếng nói của mình để nhập văn bản hơn là cách nhập dữ liệu bằng bàn phím như truyền thống, đồng thời tương tác giữa người và máy theo cách này có tốc độ nhập liệu nhanh hơn.

Khi làm việc với bài toán này ta sẽ đối mặt với hai thách thức chính

Nhập nhằng (ambiguity): một từ có thể có nhiều từ loại, hay một từ có thể có nhiều nghĩa, Ví dụ “con ruồi đậu mâm xôi đậu“, từ “đậu” có lúc là động từ (hành động đậu lên một vật thể) hoặc có lúc là danh từ (tên của một loài thực vật).
Trong thực tế, có nhiều từ không xuất hiện trong ngữ liệu huấn luyện (training corpus) nên khi xây dựng mô hình gán nhãn sẽ gặp nhiều khó khăn.

Độ chính xác của mô hình gán nhãn phụ thuộc vào hai yếu tố

Bản thân từ đó sẽ có xu hướng (xác suất lớn) về từ loại nào. Ví dụ từ “đậu” có xu hướng là động từ nhiều hơn là danh từ (phụ thuộc vào ngữ liệu đang xét).
Ngữ cảnh trong câu. Ví dụ “con ruồi đậu mâm xôi đậu“. Từ “đậu” có xu hướng là động từ khi theo sau từ “ruồi” và từ “đậu” có xu hướng là danh từ khi theo sau từ “xôi”.

Generative Models, và The Noisy Channel Model

Để gán nhãn từ loại, ta sử dụng phương pháp học có giám sát (supervised learning), cụ thể là xác suất liên hợp thường gọi là mô hình sinh mẫu (Generative model). Hidden Markov Model là một trong những mô hình thuộc phân nhóm này.

Supervised learning được định nghĩa như sau

Cho tập huấn luyện $(x^{(1)}, y^{(1)})...(x^{(m)}, y^{(m)})$ , trong đó đầu vào gồm $x^{(i)}$ là mẫu quan sát, $y^{(i)}$ là nhãn gán cho mẫu quan sát. Ta đặt $X$ là tập dữ liệu đầu vào, $Y$ là tập dữ liệu đầu ra. Nhiệm vụ của chúng ta là xây dựng được hàm $f : X \to Y$ ánh xạ $x$ vào không gian $f(x)$ .

Để tính hàm $f(x)$ ta có thể sử dụng mô hình điều kiện conditional model. Đây là mô hình thường dùng trong tác vụ phân lớp. Ví dụ, cho vào một bức ảnh $x$ , xác định xem đây là ảnh con mèo hay con chó bằng nhãn $y$

$p(y|x)$

Sau khi huấn luyện các tham số của mô hình. Ta cho dữ liệu đầu vào là $x$ , dữ liệu đầu ra sẽ được tính dựa theo công thức

$f(x) = arg \max_{y \in Y} p(y|x)$ .

Một hướng tiếp cận khác là generative model, thay vì tính trực tiếp hàm $p(y|x)$ ta tính xác suất hợp (joint probability)

$p(x, y)$ .

Hàm này được phân tích thành

$p(x, y) = p(y)p(x|y)$ .

Trong đó

$p(y)$ là phân bố xác suất tiền nghiệm (prior probability distribution) của nhãn $y$ .
$p(x|y)$ là khả năng phát sinh $x$ khi cho trước nhãn $y$ .

$p(y)$ và $p(x|y)$ thường được gọi là noisy-channel. $p(x|y)$ là một “channel”

Khi cho dữ liệu test đầu vào $x$ , ta sẽ dự đoán nhãn $y$ như sau

$f(x) = arg \max_y p(y|x) = arg \max_y \frac{p(y)p(x|y)}{p(x)}$

$f (x) = arg \max_{y\in Y} p(y)p(x|y)$

Quá trình phân tích ra $f(x)$ từ dữ liệu đầu vào $x$ được gọi là decoding problem. Tiếp theo, ta sẽ áp dụng generative model vào bài toán gán nhãn gọi tên là Generative Tagging Model.

Generative Tagging Model

Định nghĩa: giả sử ta có tập từ vựng $V$ và tập nhãn $K$ . $S$ là tập tất cả các cặp sequence/tag-sequence $<x_1...x_n, y_1...y_n>$ sao cho $n \ge 0, x_i \in V, i = 1...n$ và $y_i \in K, i = 1...n$ . Khi đó generative tagging model là một hàm $p$ sao cho

Với mọi $<x_1...x_n, y_1...y_n> \in S$

$p(x_1...x_n, y_1...y_n) \ge 0$

$\sum_{<x_1...x_n, y_1...y_n> \in S} p(x_1...x_n, y_1...y_n) = 1$

Ta xây dựng ánh xạ từ câu $x_1...x_n$ vào chuỗi nhãn (tag sequences) $y_1...y_n$ . Với mọi $x_1...x_n$ , ta sẽ chọn ra chuỗi nhãn $y_1...y_n$ nào có giá trị xác suất cao nhất.

$f(x_1...x_n) = arg \max_{y_1...y_n} p(x_1...x_n,y_1...y_n)$

Để xây dựng được hàm này ta cần trả lời các câu hỏi sau:

Làm sao tính được $p(x_1...x_n, y_1...y_n)$ ?
Ước lượng tham số cho mô hình như thế nào từ ngữ liệu huấn luyện?
Làm sao tính được xác suất cực đại $\max_{y_1...y_n} p(x_1...x_n,y_1...y_n)$

Trigram Hidden Markov Models (Trigram HMMs)

Ở câu hỏi đầu tiên, ta sẽ dùng trigram hidden Markov model. Mô hình này có hai tham số quan trọng là $q(s|u,v)$ và $e(x|s)$ . Khi cho trước tập hữu hạn từ vựng $V$ và nhãn $K$ . Ta có:

Với mọi trigram $(u,v,s)$ , ta có $s \in K \cup \{STOP\}$ , và $u, v \in K \cup \{*\}$ . $q(s|u,v)$ là khả năng nhìn thấy nhãn $s$ ngay sau bigram nhãn $(u,v)$ .
Với mọi $x \in V, s \in K$ . $e(x|s)$ là khả năng của quan sát (observation/từ trong câu) $x$ đi với nhãn $s$ (state).

Với $S$ là tập tất cả các cặp chuỗi quan sát/nhãn (sequence/tag-sequence pairs) $<x_1...x_n, y_1...y_{n+1}>$ . Khi đó, xác suất cặp chuỗi quan sát/nhãn được xác định như sau

$p(x_1...x_n, y_1...y_{n+1}) = \prod_{i=1}^{n+1} q(y_i|y_{i-2}, y_{i-1}) \prod_{i=1}^n e(x_i|y_i)$

Lưu ý, ta đặt $y_0 = y_{-1} = *$

Ví dụ câu “em ăn cơm”

$p(x_1...x_n, y_1...y_{n+1}) = q(N|*,*) \times q(V|*,N) \times q(N|N,V) \times q(STOP|V,N) \times e(em|N) \times e(an|V) \times e(com|N)$

Đây là một ví dụ cho mô hình noisy-channel với

$q(N|*,*) \times q(V|*,N) \times q(N|N,V) \times q(STOP|V,N)$

là xác suất tiền nghiệm nhìn thấy chuỗi nhãn $N\ V\ N\ STOP$ . Ở đây, ta áp dụng mô hình Markov bậc hai hay mô hình trigram vào trong câu. Và

$e(em|N) \times e(an|V) \times e(com|N)$

là xác suất có điều kiện của $p(em\ an\ com | N\ V\ N\ STOP)$ . Ta có thể thấy, đây chính là xác suất có điều kiện $p(x|y)$ , trong đó $x$ là câu $em\ an\ com$ và $y$ là chuỗi nhãn $N\ V\ N\ STOP$

Ước lượng tham số cho mô hình Trigram HMM

Trả lời cho câu hỏi thứ hai, ta sẽ ước lượng tham số của mô hình bằng phương pháp maximum-likelihood cho hai tham số $q(s|u,v)$ và $e(x|s)$ như sau

$q(s|u,v) = \frac{c(u,v,s)}{c(u,v)}$

$e(x|s) = \frac{c(s \leadsto x)}{s}$

Trong đó

$c(u, v, s)$ là số lần xuất hiện trigram $(u, v, s)$ trong ngữ liệu huấn luyện.
$c(u, v)$ là số lần xuất hiện bigram $(u, v)$ trong ngữ liệu huấn luyện.

Ví dụ ta ước lượng

$q(N|N,V) = \frac{c(N, V, N)}{c(N, V)}$

$e(com|N) = \frac{c(N \leadsto com)}{N}$

Trong trường hợp ta muốn “làm trơn” tham số để giải quyết vấn đề xuất hiện từ hiếm gặp, ta có thể thêm vào các thông số $\lambda$ như bên dưới

$q(s|u,v)=\lambda_1 \times q_{ML}(s|u,v) + \lambda_2 \times q_{ML} (s|v) + \lambda_3 \times q_{ML}(s)$ .

Trong đó, $q_{ML}$ là xác suất tính được dựa vào maximum-likelihood, $\lambda_1, \lambda_2, \lambda_3$ là thông số làm trơn thoả $\lambda_1 \ge 0, \lambda_2 \ge 0, \lambda_3 \ge 0$ và $\lambda_1 + \lambda_2 + \lambda_3 = 1$

Decoding HMMs bằng thuật toán Viterbi

Giả sử ta có câu đầu vào là

em ăn cơm

với tập các từ loại $K = \{N, V\}$ , ta có thể phát sinh các chuỗi nhãn như bên dưới

N N N STOP
N N V STOP
N V V STOP
V V V STOP
…

Như vậy, đối với câu gồm 3 từ, ta sẽ có tất cả $2^3 = 8$ các khả năng. Con số này sẽ bùng nổ khi số từ vựng và chuỗi từ ngày càng tăng.

Ý tưởng thuật toán Viterbi

Thay vì tính toán hết các trường hợp, ta có thể áp dụng phương pháp quy hoạch động (dynamic programming) như thuật toán Viterbi với

Đầu vào: $x_1...x_n$

Đầu ra: $y_{-1}, y_0, y_1,...,y_n$ . Trong đó, $k \in {1...n}, y_i \in K, i = 1...k$ và $y_{-1} = y_0 = *$

Xác suất có điều kiện của $k$ nhãn đầu tiên là

$r (y_{-1}, y_0, y_1, ..., y_k) = \prod_{i = 1}^k q(y_i|y_{i-2}, y_{i-1}) \prod_{i=1}^k e(x_i|y_i)$

Như vậy công thức $p(x_1...x_n, y_1...y_{n+1})$ ban đầu sẽ thành

$p(x_1...x_n, y_1...y_{n+1}) = r(*,*, y_1,...,y_n) \times q(y_{n+1} | y_{n-1}, y_n)$

$= r(*,*, y_1,...,y_n) \times q(y_{n+1} | STOP, y_n)$

Đặt $K_k, k \in \{-1...n\}$ là các giá trị có thể có của nhãn tại vị trí thứ $k$ . Trong đó, $K_{-1} = K_0 = {*}$ và $K_k = K, k \in \{1...n\}$ .

Tiếp theo, với mọi $k \in \{1...n\}$ , với mọi $u \in K_{k-1}, v \in K_k$ , ta định nghĩa $S(k, u, v)$ là tập các chuỗi $y_{-1}, y_0, y_1, ..., y_k$ sao cho $y_{k-1} = u, y_k = v$ và $y_i \in K_i, i \in \{-1...k\}$ . Nói cách khác, $S(k, u, v)$ là tập tất cả chuỗi các nhãn có độ dài $k$ , kết thúc là bigram $(u, v)$ . Ta đi xây dựng công thức sau

$\pi (k, u, v) = max_{<y_{-1}, y_0, y_1, ..., y_k> \in S(k, u, v)} r (y_{-1}, y_0, y_1, ..., y_k)$ .

Trong đó, $\pi (k, u, v)$ là xác suất cực đại mà ta thu được với chuỗi có độ dài $k$ kết thúc là bigram $(u,v)$ . Để tính hàm này, ta định nghĩa đệ quy với

Phần cơ sở

$\pi (0, *, *) = 1$

Phần đệ quy

Với mọi $k \in \{1...n\}$ , với mọi $u \in K_{k-1}, v \in K_k$ , ta định nghĩa hàm đệ quy

$\pi (k, u, v) = max_{w \in K_{k-2}} (\pi (k-1, w, u) \times q(v|w, u) \times e(x_k|v))$

Như vậy, ta đã trả lời được câu hỏi thứ ba

$\max_{y_1...y_{n+1}} p(x_1...x_n, y_1...y_{n+1}) = \max_{u \in K_{n-1}, v \in K_n} (\pi (n, u, v) \times q(STOP|u,v))$

Độ phức tạp tính toán của thuật toán này là $O(n|K|^3)$ , tuyến tính theo độ dài $n$ của chuỗi và bằng lập phương số lượng nhãn. Nếu số lượng nhãn không quá lớn, thuật toán này có thể đạt được độ phức tạp tuyến tính.

Tiếp theo, ta sẽ mô tả bằng ngôn ngữ mã giả bằng hai thuật toán: thuật toán đệ quy cơ bản và thuật toán đệ quy có con trỏ lần ngược (để xác định chuỗi nhãn đang xét có xác suất là bao nhiêu).

Thuật toán đệ quy cơ bản

Input: a sentence $x_1...x_n$ , parameters $q(s|u, v)$ and $e(x|s)$ .

Definitions: Define $K$ to be the set of possible tags. Define $K_{-1} = K_0 = \{*\}$ , and $K_k =K$ for $k=1...n$ .

Initialization: Set $\pi (0, *, *) = 1$ .

Algorithm:

For ,
- For ,
  - $\pi (k, u, v) = max_{w \in K_{k-2}} (\pi (k-1, w, u) \times q(v|w, u) \times e(x_k|v))$
Return $max_{u \in K_{n-1}, v \in K_n} (\pi (n, u, v) \times q(STOP|u, v))$

Thuật toán đệ quy có backward pointer

Input: a sentence $x_1...x_n$ , parameters $q(s|u, v)$ and $e(x|s)$ .

Definitions: Define $K$ to be the set of possible tags. Define $K_{-1} = K_0 = \{*\}$ , and $K_k =K$ for $k=1...n$ .

Initialization: Set $\pi (0, *, *) = 1$ .

Algorithm:

For ,
- For ,
  - $\pi (k, u, v) = max_{w \in K_{k-2}} (\pi (k-1, w, u) \times q(v|w, u) \times e(x_k|v))$
  - $bp(k, u, v) = arg max_{w \in K_{k-2}} (\pi (k-1, w, u) \times q(v|w, u) \times e(x_k|v))$
Set $(y_{n-1}, y_n) = arg max_{u \in K_{n-1}, v \in K_n} (\pi(n, u, v) \times q(STOP|u, v))$
For ,
- $y_k = bp(k+2, y_{k+1}, y_{k+2})$
Return the tag sequence $y_1...y_n$

Kết

Như vậy, ta đã tìm hiểu được thế nào là bài toán gán nhãn từ loại, các hướng tiếp cận và thuật toán để giải quyết vấn đề này. Một số điểm cần nhớ

Trigram HMM có hai tham số quan trọng là $q(s|u, v)$ và $e(x|s)$ để định nghĩa lên mô hình cho chuỗi đầu vào là $x_1...x_n$ và chuỗi nhãn tương ứng là $y_1...y_{n+1}$ , với $y_{n+1} = STOP$ .

$p(x_1...x_n, y_1...y_{n+1}) = \prod_{i=1}^{n+1} q(y_i|y_{i-2}, y_{i-1}) \prod_{i=1}^n e(x_i|y_i)$

Khi cho trước ngữ liệu huấn luyện, ta có thể ước lượng maximum-likelihood cho hai tham số trên

$q(s|u,v) = \frac{c(u,v,s)}{c(u,v)}$
$e(x|s) = \frac{c(s \leadsto x)}{(c(s)}$

Khi cho một câu test đầu vào $x_1...x_n$ và tham số $q, e$ được ước lượng trong quá trình huấn luyện, ta có thể xác định được xác suất cực đại của chuỗi nhãn $x_1...x_n$ thông qua thuật toán Viterbi.

Nguồn tham khảo

Đăng bởi Hong Ong

I'm passionate about applying state-of-the-art Big Data architectures and Machine Learning methods for solving challenging problems related to Digital marketing, Fin-tech, Digital transformation in F&B, Retailer, and Engineering. I'm working as Machine Learning Engineer for more than 7 years in the field of AI, Machine Learning and Big Data using new technologies, optimized DataOps, and MLOps so that the Data Products roll out in an efficient way on cloud data platform. I hope my skills and experiences could share addition to the Data science community. Xem tất cả bài viết bởi Hong Ong

Đã đăng Tháng Chín 2, 2016

Một suy nghĩ 9 thoughts on “Gán nhãn từ loại (Part-of-Speech tagging POS)”

AnhTa nói:

Tháng Năm 29, 2017 lúc 10:21 sáng

Hi anh,
Đối với bài toán Knowledge Extraction From Text thì hướng giải quyết như thế nào anh nhỉ? Ở đây vẫn tập trung vào các close domain anh nhé, ví dụ như từ 1 đống văn bản về kiến thức nông nghiệp, em muốn build lên 1 graph để tiện tìm kiếm thông tin liên quan đến nông nghiệp chẳng hạn ạ. Theo em tìm hiểu thì ở đây có 2 phần cần tách bạch:
1. Cấu trúc của graph, định nghĩa các nodes, edges, … như thế nào?
2. Gán dữ liệu cho các thành phần đã định nghĩa ở trên.
Mong anh cho ý kiến ạ. Thanks anh.

ThíchThích

Trả lời
1. Ông Xuân Hồng nói:
  
  Tháng Năm 30, 2017 lúc 12:18 sáng
  
  Hướng tiếp cận của em cũng là một cách để truy vấn thông tin dựa trên Graph, như vậy tri thức của em sẽ là quan hệ trên đồ thị. Ngoài ra còn có những hướng tiếp cận khác để trích chọn những đặc trưng tri thức trong văn bản như:
  Rapier: https://vvvvw.aaai.org/Papers/AAAI/1999/AAAI99-048.pdf
  BWI: http://www.aaai.org/Papers/AAAI/2000/AAAI00-088.pdf
  Memory Based Learning algorithm (MBL): http://delivery.acm.org/10.1145/980000/977059/p173-sang.pdf
  Transformation-based learning (TBL): http://shiva.iiit.ac.in/SPSAL2007/SPSAL-Proceedings.pdf#page=27
  SVM, MaxEnt, HMM, và CRF cho tác vụ Name Entity Recognition.
  
  ThíchThích
  
  Trả lời
  1. AnhTa nói:
    
    Tháng Năm 30, 2017 lúc 3:39 sáng
    
    Thanks anh đã trả lời.
    Riêng về graph anh có tài liệu nào hướng dẫn build không ạ? Em vẫn đang thắc mắc ở điểm 1. ở trên đó anh.
    
    ThíchThích
    
    Trả lời
  2. AnhTa nói:
    
    Tháng Năm 30, 2017 lúc 3:48 sáng
    
    Những bài báo anh giới thiệu ở trên theo em hiểu là phần thứ 2. em có nêu ra ở trên, tức là gán dữ liệu cho các thành phần của Graph sau khi đã định nghĩa cấu trúc. Em thì lại đang thắc mắc ở cách xây dựng cấu trúc anh ạ.
    
    ThíchThích
    
    Trả lời
    1. Ông Xuân Hồng nói:
      
      Tháng Năm 30, 2017 lúc 4:09 sáng
      
      Ý tưởng chung đó là rút trích NER và lưu thành cấu trúc quan hệ ví dụ như cơ sơ dữ liệu quan hệ. Từ đó, ta áp dụng các thuật toán tìm kiếm, matching subgraph, finding pattern trong CSDL này.
      Một số tài liệu em có thể đọc để nắm tổng quan và các thuật toán state-of-the-art:
      
      Click to access Graph-based-KBs-eng.pdf
      
      Click to access 1503.00759.pdf
      
      Click to access Maitrayee-Mukherjee-LinkKDD-2004.pdf
      
      Click to access 1237_Quirin-JOI-4-3-2010-pp291-312.pdf
      
      https://github.com/gromgull/subdue
      
      Click to access Washio.pdf
      
      ThíchThích
      
      Trả lời
      1. AnhTa nói:
        
        Tháng Năm 30, 2017 lúc 3:15 chiều
        
        Một lần nữa thanks anh ạ!
        
        ThíchThích
        
        Trả lời
Nguyễn Thành Trung nói:

Tháng Năm 22, 2018 lúc 6:09 chiều

Hi anh, anh có thể viết bài bao gồm cả thuật toán để xử lý bài toán tự động thêm dấu cho tiếng việt được không ạ? Hoặc có nguồn nào tham khảo không ạ? Em cảm ơn anh

ThíchThích

Trả lời
1. Hong Ong nói:
  
  Tháng Năm 23, 2018 lúc 4:55 chiều
  
  Em có thể tham khảo paper này http://box.jnlp.org/arc/12/12IALP-anh.pdf
  http://viet.jnlp.org/nghien-cuu-cua-tac-gia/c/van-de-them-dau-tieng-viet
  
  ThíchThích
  
  Trả lời
  1. Nguyễn Thành Trung nói:
    
    Tháng Năm 25, 2018 lúc 3:10 chiều
    
    Em cảm ơn anh nhé.
    
    ThíchThích
    
    Trả lời

Trả lời Hủy trả lời

Nhập bình luận ở đây...

Điền thông tin vào ô dưới đây hoặc nhấn vào một biểu tượng để đăng nhập:

Email (bắt buộc) (Địa chỉ của bạn được giấu kín)

Tên (bắt buộc)

Trang web

Bạn đang bình luận bằng tài khoản WordPress.com ( Đăng xuất / Thay đổi )

Bạn đang bình luận bằng tài khoản Facebook ( Đăng xuất / Thay đổi )

Hủy bỏ

Connecting to %s

Có 2 thứ bạn nên tiết kiệm, đó là sức khỏe và lời hứa.

Có 2 thứ bạn phải cho đi, đó là tri thức và lòng tốt.

Có 2 thứ bạn phải thay đổi, đó là bản thân và nhận thức.

Có 2 thứ bạn phải giữ gìn, đó là niềm tin và nhân cách.

Có 2 thứ bạn phải trân trọng, đó là gia đình và hiện tại.

Có 2 thứ bạn phải tự mình thực hiện, đó là lao động và chịu trách nhiệm với việc mình làm.

Có 2 thứ bạn phải lãng quên, đó là đau thương và hận thù.

Có 2 thứ bạn phải khắc ghi, là công ơn Mẹ Cha và sự giúp đỡ của người khác.

Có 2 thứ bạn buộc phải có để là người thành công, đó là đam mê và lòng kiên trì.

Có 2 thứ bạn không được làm, đó là hãm hại người khác và phản bội lòng tin.

Có 2 thứ bạn phải bảo vệ, đó là danh tín và lẽ phải.

Có 2 thứ bạn phải chấp nhận, là cái chết và sự khác biệt.

Có 2 thứ bạn phải kiểm soát, đó là bản năng và cảm xúc.

Có 2 thứ bạn phải tránh xa, đó là cám dỗ và sự ích kỷ.

Có 2 thứ bạn luôn phải sử dụng mà đừng hà tiện, là tiền bạc và kinh nghiệm.

Có 2 thứ bạn không được sợ sệt, là cái ác và sống thật.

Có 2 thứ bạn phải nuôi dưỡng, là tình yêu và sự bao dung.

Có 2 thứ mà bạn cần phải đạt được trong cuộc sống, đó là thành đạt và hạnh phúc.

Có 2 thứ bạn phải luôn sẵn sàng, đó là khó khăn và ngày mai.

Có 2 thứ bạn phải luôn ghi nhớ, đó là thực hiện những điều trên và làm thật tốt chúng trong cuộc sống hàng ngày.

— Thích Nhật Từ, khóa tu một Ngày An Lạc lần 4, chùa Giác Ngộ, ngày 19/06/2016

	Sam Dinh trong Statistical Inference: Khoảng…
	Nguyễn Văn Hiếu trong Mời các bạn ghé trang blog kỹ…
	rualinh trong Tại sao Data Engineer giúp bạn…
	Đinh Minh Chính trong Tại sao Data Engineer giúp bạn…
	Vardy trong Tại sao Data Engineer giúp bạn…
	Vardy trong Machine Learning cho người bắt…
	Phân nhóm các thuật… trong Điểm qua các thuật toán Machin…
	Hoàng trong Data Science mini course
	Phát hiện gian lận t… trong XGBoost: thuật toán giành chiế…
	An trong Language Modeling là gì
	Nam trong Lập trình Spark với Scala
	iotsharing dotcom trong Góp nhặt kinh nghiệm làm nghề…
	Tuan Tran trong Exploratory Data Analysis: Các…
	Linh trong Rèn giũa mindset của một Data…
	Quốc Huy Lâm trong Vọc thử Orange: phần mềm data…