Chương 1: Tổng quan tình hình nghiên cứu. - Chương 2: Cơ sở lý thuyết - Chương 3: Xây dựng bộ dữ liệu. - Chương 4: Mô hình rút trích ERM - Chương 5: Thực nghiệm và đánh giá - Chương 6: Kết luận và hướng phát triển. TONG QUAN TINH HÌNH NGHIÊN CỨU 1.1 Giới thiệu đề tài Nhiệm vụ của việc thiết kế mô hình dit liệu là tạo ra một cấu trúc dit liệu cơ bản cho hệ thống đang được phát trién.
Trong lĩnh vực này, một dang mô hình dữ liệu phô biến là mô hình thực thé - quan hệ (ER), đóng vai trò quan trong trong việc thiết kế cơ sở dữ liệu. Tuy nhiên, việc thiết kế một mô hình ER thủ công là một công việc day thách thức. Các phương pháp gan đây đã chỉ ra hai bước dé tự động tao ra các mô hình ER từ các yêu cầu được mô tả băng ngôn ngữ tự nhiên (NL). Đầu tiên, các thực thê và thuộc tính được trích xuất, sau đó là mỗi quan hệ giữa chúng.
Tuy nhiên, các phương pháp NL2ERM hiện tại (chủ yếu phương pháp áp dụng quy tắc dựa trên phương pháp Heuristic) thường gặp hai hạn chế lớn. Thứ nhất, cần một số lượng lớn các quy tắc dé xử lý các từ đồng nghĩa với nhau. Ví dụ, có một quy tắc được sử dụng rộng rãi: néu hai danh từ được phân tách bằng "have" hoặc "has", thì danh từ trước đó là một thực thể, và các danh từ sau đó là một thuộc tính. Tuy nhiên, có rất nhiều câu mả quy tắc không thê xử lý vì các câu sử dụng các từ đồng nghĩa của động từ "have" (như "own", "contain", và "possess") không nằm trong phạm vi của quy tắc.
Thứ hai, cần phải nhiều quy tắc dé áp dung cho nhiều mẫu câu khác nhau mà đôi khi các câu này lại đồng nghĩa với nhau. Ví dụ, có một quy tắc được sử dụng rộng rãi: các danh từ liên tiếp được phân tách bằng dau phẩy hoặc "and" được coi là các thuộc tính [8, 9]. Tuy nhiên, câu "Students are described by name and age" có thê được viết là "Students not only have the name, but have the age as well", và mẫu sau của câu này không thuộc phạm vi áp dụng cho quy tắc đó. Điều này đôi khi dẫn đến việc không áp dụng các quy tắc hiện có vào các trường hợp mới.
So sánh với các phương pháp dựa trên quy tắc, các mô hình NL2ERM dựa trên học sâu có khả năng tông quát hóa tốt hơn cho các nhiệm vụ đa dang [10-12]. Tuy nhiên, có hai lý đo chính dẫn đến sự thiếu hụt tập dữ liệu quy mô lớn cần thiết cho các mô hình nay, mà không có sẵn từ các nghiên cứu trước đó. Thứ nhất, chỉ có một số lượng nhỏ các mục dir liệu trong các tập dữ liệu trước đó, và không có tập dir liệu công khai được phát hành bởi các tác gid. Hầu hết các nghiên cứu trước đó đánh giá các phương pháp đề xuất của họ dựa trên các trường hợp nghiên cứu.
Một ngoại lệ là ER - Converter, được đánh giá trên một tập dữ liệu với 30 mục, nhưng tập dữ liệu này không được công khai. Thứ hai, việc huan luyện một mô hình dựa trên học sâu cân các mục dữ liệu được chú thích chỉ tiết cụ thé (fine-grained annotations) và nếu được chú thích ở mức token (token-level annotation) có thé cai thiện đáng ké hiệu suất của mô hình. Tuy nhiên, dữ liệu được sử dụng trong các nghiên cứu trước đó không chú thích rằng các token nào trong các lời nói tương ứng với các thực thé/thude tính cụ thé. Do đó, trong nghiên cửu nay chúng tôi dé xuất sử dung tập dit liệu text-to-SQL và áp dung một thuật toán chuyên đôi dé chuyên đồi thành tập dữ liệu NL2ERM [13].
Đồng thời, chúng tôi cũng kết hợp với việc thu thập và gan nhãn cho một tap dir liệu bổ sung, nhằm làm phong phú thêm nguồn tài nguyên dir liệu. Qua đó, chúng tôi hy vọng rằng việc sử đụng tập dir liệu kết hợp này sẽ cung cấp một cơ sở dit liệu phong phú và đa dang hon, góp phan nâng cao hiệu suất của các mô hình NL2ERM dựa trên học sâu. Bởi vì NL2ERM có thê được xem là dạng đặc biệt của bài toán rút trích thông tin (Information Extract - IE) [14], nên chúng tôi sử dụng mô hình rút trích quan hệ REBEL [6] dé huấn luyện dựa trên tập dữ liệu đã dé xuất trước đó. Mô hình REBEL dùng dé trích xuất nhiều loại thực thé và mối quan hệ giữa chúng dựa trên van bản đầu vào, Dé áp dụng tap dit liệu đặc thù vào mô hình này, chúng tôi sẽ xem thực thé và thuộc tính trong NL2ERM 1a thực thé trong IE; đồng thời mối quan hệ thực thé - thuộc tính và thực thẻ - thực thé trong NL2ERM sé là hai loại quan hệ trong IE, Sau khi rút trích được sẽ từ đó chuyền thành các thực thé với các thuộc tinh của thực thé, môi quan hệ giữa các thực thé với nhau tạo thành sơ đề thực thể - quan hệ hoàn chỉnh.
Mục tiêu chính của nghiên cứu nảy là dé xuất một phương pháp để tự động nhận điện các thành phần quan trọng trong yêu cầu, bao gồm các thực thẻ, thuộc tính của chúng, và mối quan hệ giữa các thực thé, từ đó tạo ra sơ đồ ER một cách tự động.2 Tổng quan tình hình nghiên cứu Trong những năm gan đây, đã có nhiều nghiên cứu vẻ trích xuất thực thê từ bài toán mô tả cơ sở đữ liệu, chủ yếu là các phương pháp áp dụng quy tắc dựa trên phương l4 pháp Heuristic. Điển là một công cụ dùng dé thiết kế khái niệm mới đã được phat triển [15] với mục tiêu chuyên đôi các yêu cầu được mô tả bằng ngôn ngữ tự nhiên thành một mô hình EER (Enhanced Entity-Relationship) một cách hiệu quả và chính xác. Quá trình biến đôi này dựa trên việc khai thác ý nghĩa của các khái niệm mô hình dữ liệu từ cầu trúc của ngôn ngữ tự nhiên. Thuật toán phan tích tiên tiền tận dụng thông tin về ngữ pháp và từ vựng, tạo ra các kết quả phân tích chỉ tiết.
Các kết quả này sau đó được tinh chỉnh thông qua các quy tắc và heuristics, tạo ra một môi trường tương tác giữa thông tin ngôn ngữ và kiến thức thiết kể. Công cụ nảy hoạt động tương tác dé xử lý thông tin mơ hô, không day đủ hoặc dư thừa trong quá trình chuyên đôi. Kết quả của nghiên cứu này dé xuất một cách tiếp cận sáng tạo và tiện lợi trong việc chuyển đổi yêu cầu từ ngôn ngữ tự nhiên thành mô hình dif liệu, mở ra tiềm năng ứng dụng rộng rai trong lĩnh vực phát triển phan mém và quản lý dit liệu. Dựa vào ý tưỡng trên, các hướng nghiên cứu sử dụng ngôn ngữ tự nhiên tạo thành đầu vào và áp dụng Heuristic được phát triển và cải tiền theo các cách khác nhau [16- 19].
Các phương pháp này dựa trên việc áp dụng các Heuristics ngữ nghĩa như một chiến lược để xác định các thực thé, thuộc tính và mỗi quan hệ tương ứng trong mô hình ER. Gomez và các cộng sự [16] đã quan sát thay rằng việc áp dụng Heuristics cú pháp kết hợp biểu diễn dưới dạng biểu diễn tri thức đã cho ra kết quả có tính khả thi và chính xác trong việc nhận diện các yếu tô quan trọng của mô hình ER. Một phương pháp khác [17] được đẻ xuất sử dụng xử lý ngôn ngữ tự nhiên (NLP) cùng với các biéu đỏ khái niệm dé tự động tạo ra một mô hình khái niệm từ các mô tả văn bản về các kịch bản sử dụng bằng tiếng Tây Ban Nha. Phương pháp này đôi mặt với các vấn dé ngôn ngữ phức tạp xuất hiện trong các mô tả văn ban, như sự kết hợp của các danh từ va các biểu thức động từ trong tiếng Tây Ban Nha.
Mục tiêu của nó là định nghĩa một quy trình sản xuất phần mềm toàn điện bắt đầu từ việc định nghĩa ngôn ngữ tự nhiên của các yêu cầu hệ thông và kết thúc với việc tao ra hệ thống thông tin. Suman và các cộng sự [20] cũng trình bảy một phương pháp mới cho việc tự động hóa mô hình dữ liệu quan hệ - thực thé từ mô tả kinh doanh (BD) được biéu đạt 15 bang ngôn ngữ tự nhiên, giải quyết các thách thức nam trong việc giải thích ngữ nghĩa phức tap của các yêu cầu văn bản. Sử dụng phương pháp dựa trên kho dữ liệu, các tác giả đã phát triên một bộ phân loại câu có kha năng gắn các câu vào các lớp phương pháp ER cụ thé, từ đó tạo điều kiện dé đàng cho việc dịch ngôn ngữ tự nhiên thành mô hình dit liệu ER hình thức. Bộ phân loại thé hiện sự chuyên môn của các chuyên gia mô hình dữ liệu thông qua quy trình phân loại dựa trên quy tắc, dựa vào các mẫu được xác định trong kho dit liệu mô tả kinh đoanh.
Kho dit liệu này bao gồm một bộ từ vụng toản diện và tuân theo các quy tắc ngữ pháp cụ thê được thiết kế để giảm bớt sự mơ hỗ và phức tap của ngôn ngữ tự nhiên. Nghiên cứu cho thay tỷ lệ chính xác cao trong cả hai giai đoạn học và thử nghiệm của việc phát triển bộ phân loại, với các chỉ số độ chính xác, độ nhớ và độ chính xác vượt quá 95% ở hầu hết các danh mục. Btoush và Hammad [21] vẫn áp đụng phương pháp quy tắc dé tạo ra mô hình ER, nhưng với nhiều cải tiến: sử dụng nhiều quy tắc rõ ràng hon, phân tích cau trúc câu thành cây cú pháp từ đó áp dụng quy tắc chính xác hơn, có thẻ hoàn chỉnh sơ đồ ER một cách hoàn chỉnh. Tuy nhiên vẫn còn các nhược điểm chung là bắt buộc đầu vào phải được định theo các quy tắc được đặt ra, khiến cho việc tuỳ biến của người dùng nhập vào vẫn còn nhiều hạn chế.
Hettiarachchi và các cộng sự [9] áp dụng phương pháp quy tắc dé tạo ra mô hình ER tir ngôn ngữ tự nhiên làm đầu vào va ding ngôn ngữ tự nhiên để chuyển thành các câu lệnh SQL dựa trên các quy tắc chung giữa ER và SQL như thực thê - bảng, thuộc tính - cột, quan hệ - khóa ngoại giữa các bang. Ahmed và các cộng sự [8] sử dụng các kỹ thuật NLP như Tokenization, POS Tagging dé tiền xử lý dữ liệu và áp dụng phương pháp quy tắc cho ra được kết qua là sơ đồ ER được biểu điển đưới dang hình vẽ.