Tổng quan về luận án
Khai phá dữ liệu (Data Mining) và phát hiện tri thức trong cơ sở dữ liệu (Knowledge Discovery in Databases - KDD) đóng vai trò nền tảng trong khoa học máy tính hiện đại, thu hút sự quan tâm liên tục tại các diễn đàn học thuật thượng đỉnh như ACM SIGKDD, IEEE ICDM, IEEE ICDE, CIKM, SIAM SDM, PKDD và PAKDD. Trong các nhóm bài toán cốt lõi—bao gồm phân lớp (Classification), dự đoán (Prediction), luật kết hợp (Association Rules) và phân cụm (Clustering)—khai phá luật quyết định (Decision Rule Mining) dựa trên lý thuyết tập thô (Rough Set Theory) của Zdzisław Pawlak là một kỹ thuật phân lớp đối tượng đặc biệt hiệu quả. Tuy nhiên, phần lớn các công trình kinh điển chỉ tiếp cận trên mô hình cơ sở dữ liệu quan hệ phẳng (Relational Data Model), nơi dữ liệu chỉ phản ánh trạng thái tĩnh tại một thời điểm duy nhất.
Khoảng trống nghiên cứu (Research Gap) xuất hiện rõ nét khi các bài toán thực tiễn phức tạp—như phác đồ điều trị bệnh học nhiều giai đoạn trong y tế, hành vi tiêu dùng chuỗi thời gian hay giám sát nhân sự—đòi hỏi phải theo dõi đối tượng biến đổi liên tục theo tiến trình (thời gian, giai đoạn, khoảng cách). Kế thừa mô hình dữ liệu dạng khối (Block Data Model) do Nguyễn Xuân Huy và Trịnh Đình Thắng đề xuất (1998), nghiên cứu này giải quyết bài toán khai phá luật quyết định trên không gian đa chiều có trục chỉ số tiến trình $id$.
Các câu hỏi và giả thuyết nghiên cứu chính bao gồm:
- RQ1: Làm thế nào để thiết lập mô hình toán học hình thức cho bài toán khai phá luật quyết định trên khối dữ liệu và các lát cắt (slices) tương ứng?
- RQ2: Cơ chế toán học nào điều khiển sự biến đổi của ma trận độ đo khi giá trị thuộc tính chỉ số thay đổi qua các thao tác làm mịn (refining) hoặc làm thô (coarsening)?
- RQ3: Làm thế nào để cập nhật gia tăng ma trận độ hỗ trợ ($Sup$), độ chính xác ($Acc$), độ phủ ($Cov$) khi không gian đối tượng $U$ biến động (bổ sung/loại bỏ phần tử) nhằm giảm thiểu chi phí tính toán?
Hệ thống giả thuyết ($H_1, H_2, H_3$) khẳng định tính khả thi của việc biểu diễn luật quyết định khối thông qua giao các lát cắt, tính bảo toàn luật có ý nghĩa giữa khối và lát cắt, cùng sự vượt trội về thời gian thực thi của phương pháp cập nhật gia tăng ma trận độ hỗ trợ so với tái khai phá toàn cục.
Phạm vi nghiên cứu tập trung vào mô hình khối $DB = (U, C \cup D, V, f)$ với tập đối tượng thực nghiệm gồm 849 cá thể (phân bổ qua 12 lớp cấu trúc dữ liệu đại diện $o_1$ đến $o_{12}$) thu thập trong 4 ngày ($id = {x, y, z, t}$) tại Khoa Nhi A – Bệnh viện Bạch Mai cơ sở 2, minh chứng cho tính ứng dụng đột phá trong y tế và quản trị dữ liệu chuỗi.
Literature Review và Positioning
Nghiên cứu về khai phá luật quyết định và luật kết hợp trải qua nhiều giai đoạn phát triển với hai nhánh tiếp cận chính:
graph TD
A["Mô hình Khai phá Dữ liệu"] --> B["Nhánh 1: Dữ liệu Quan hệ & Bảng Quyết định Tĩnh"]
A --> C["Nhánh 2: Dữ liệu Đa chiều & Data Cube"]
B --> B1["Shan & Ziarko (1995): Học gia tăng, hạn chế bảng không nhất quán"]
B --> B2["Bian (1998): Ma trận quyết định mở rộng"]
B --> B3["Liu (2009): Gia tăng ma trận Acc và Cov (Tốn O(N^2) bộ nhớ)"]
B --> B4["Chen (2010): Cập nhật xấp xỉ khái niệm khi làm mịn"]
C --> C1["Kamber et al. (1997), Zhu (1998): Luật liên chiều / nội chiều dựa trên COUNT"]
C --> C2["Tjioe & Taniar (2005), Riadh Ben & Loudcher (2006): Lift, Loevinger"]
C --> C3["Volker et al. (2015), Hanen Brahmi (2019): Khoan sâu chiều, thiếu mô hình hình thức"]
B --> D["RESEARCH GAP: Thiếu mô hình biểu diễn tiến trình thời gian id & cơ chế cập nhật gia tăng ma trận Sup"]
C --> D
D --> E["LUẬN ÁN: Khung lý thuyết Khối DB, Toán tử Lát cắt rx, Thuật toán MDLB & MDLB_VAC"]
Nhánh thứ nhất tập trung vào việc học gia tăng trên bảng quyết định quan hệ. Shan & Ziarko (1995) khởi xướng phương pháp tìm luật quyết định chắc chắn dựa trên học gia tăng nhưng chưa xử lý được dữ liệu không nhất quán. Bian (1998) cải tiến bằng ma trận quyết định mở rộng nhưng không cập nhật đồng thời độ chính xác và độ phủ. Tong & An (2002) phân loại 7 trường hợp khi bổ sung đối tượng nhưng bỏ qua trường hợp loại bỏ đối tượng. Liu (2009) đề xuất mô hình cập nhật đồng thời ma trận độ chính xác và độ phủ khi thêm/bớt đối tượng, song thuật toán đòi hỏi không gian bộ nhớ lớn và chi phí tính toán cao do phải lưu trữ song song hai ma trận. Chen (2010) cập nhật xấp xỉ khái niệm khi làm mịn thuộc tính nhưng chưa giải quyết bài toán sinh luật hoàn chỉnh khi giá trị thuộc tính biến động linh hoạt.
Nhánh thứ hai tiếp cận trên mô hình dữ liệu đa chiều (Data Cube / Kho dữ liệu OLAP). Kamber et al. (1997) và Zhu (1998) phân chia luật kết hợp đa chiều thành liên chiều (inter-dimensional) và nội chiều (intra-dimensional) dựa trên hàm tổng hợp COUNT. Chen et al. (2000) mở rộng luật nội chiều trên Web log, Nestorov & Jukić (2003) khai thác SQL trực tiếp từ kho dữ liệu, và Tjioe & Taniar (2005) đề xuất các bộ lọc VAvg, HAvg, WMAvg, ModusFilter. Riadh Ben & Sabine Loudcher (2006) đưa ra các độ đo Lift và Loevinger trên khối lập phương. Tuy nhiên, các nghiên cứu gần đây như Volker, Wolfram & Mathias (2015) hay Hanen Brahmi (2019) dù đã tích hợp kỹ thuật khoan sâu (drill-down) dữ liệu đa chiều nhưng vẫn bộc lộ hạn chế chí mạng: "chưa xây dựng được mô hình lí thuyết cho việc khai phá trên dữ liệu đa chiều, và việc tìm tri thức theo từng chiều thì tính tổng quát của luật tìm được chưa được xác định".
Tại Việt Nam, các hướng tiếp cận của Nguyễn Hữu Trọng (2008) về gia tăng bảng theo chiều dọc/ngang, Nguyễn Long Giang (2012) về rút gọn thuộc tính bằng metric trong hệ thông tin không đầy đủ, Nguyễn Quang Khanh (2012) và Cao Chính Nghĩa (2017) về bảng quyết định miền thực và luật mờ đều dừng lại ở cấu trúc bảng phẳng 2D.
Luận án này định vị chính xác tại giao điểm đột phá: chuyển đổi từ khai phá tĩnh sang khai phá tiến trình động bằng việc chuẩn hóa toán học mô hình khối dữ liệu (Block Data Model) của Nguyễn Xuân Huy & Trịnh Đình Thắng (1998), khắc phục triệt để sự thiếu hụt khung lý thuyết toán học của Volker et al. (2015) và tối ưu hóa vượt bậc chi phí bộ nhớ so với mô hình của Liu (2009).
Đóng góp lý thuyết và khung phân tích
Đóng góp cho lý thuyết
Nghiên cứu tạo nên bước tiến lý thuyết quan trọng thông qua việc mở rộng lý thuyết tập thô Pawlak lên không gian khối đa chiều với trục tiến trình $id$, xác lập các định lý nền tảng:
- Mô hình hóa hình thức Khối thông tin và Khối quyết định: Khối thông tin được định nghĩa chính xác là bộ bốn $IB = (U, A, V, f)$ với không gian đối tượng $U$, tập thuộc tính chỉ số $A = \bigcup_{x \in id} x(i)$, tập giá trị $V = \bigcup_{x(i) \in A} V_{x(i)}$ và hàm thông tin $f: U \times A \to V$. Khối quyết định $DB = (U, C \cup D, V, f)$ phân hoạch $A$ thành tập thuộc tính điều kiện $C = \bigcup_{x \in id} \bigcup_{i=1}^k x(i)$ và tập thuộc tính quyết định $D = \bigcup_{x \in id} \bigcup_{i=k+1}^n x(i)$.
- Mệnh đề 2.1 (Phân rã và Giao cấu trúc): Chứng minh rằng mỗi lớp tương đương điều kiện $C_i \in U/C$ và quyết định $D_j \in U/D$ trên toàn khối chính là giao của các lớp tương đương trên từng lát cắt thành phần:
$$C_i = \bigcap_{x \in id} C_x^{p_x}, \quad D_j = \bigcap_{x \in id} D_x^{q_x} \quad (p_x \in {1, \dots, t_x}, q_x \in {1, \dots, h_x})$$
- Mệnh đề 2.3 (Bảo toàn luật có ý nghĩa): Chứng minh rằng nếu luật $C_i \to D_j$ là luật có ý nghĩa trên khối quyết định ($Acc \ge \alpha, Cov \ge \beta$) thì nó cũng là luật quyết định có ý nghĩa trên một lát cắt bất kỳ $r_x$ ($x \in id$) khi áp dụng cơ chế làm mịn phân hoạch.
- Định lý 2.1 và Định lý 2.2 (Quy luật biến đổi phân hoạch): Thiết lập điều kiện cần và đủ cho việc làm thô hai lớp tương đương $E_p, E_q$ thành $E_s$ ($E_s = E_p \cup E_q$) khi và chỉ khi $\forall a_j \neq a: f(E_p, a_j) = f(E_q, a_j)$, và làm mịn $E_s$ thành $E_p, E_q$ ($E_s = E_p \cup E_q, E_p \cap E_q = \emptyset$).
┌────────────────────────────────────────────────────────┐
│ KHỐI QUYẾT ĐỊNH DB = (U, C ∪ D) │
│ Luật trên khối: Ci → Dj (Acc ≥ α, Cov ≥ β) │
└──────────────────────────┬─────────────────────────────┘
│
┌────────────────────────┴────────────────────────┐
▼ ▼
┌───────────────────────────────┐ ┌───────────────────────────────┐
│ Toán tử Chiếu Lát cắt rx │ │ Biến đổi Giá trị Thuộc tính │
│ Ci = ∩ {C_x^(p_x)} (x ∈ id) │ │ Làm mịn (Refine) / Làm thô │
│ Dj = ∩ {D_x^(q_x)} (x ∈ id) │ │ (Coarsen) trên C hoặc D │
└───────────────┬───────────────┘ └───────────────┬───────────────┘
│ │
└────────────────────────┬────────────────────────┘
▼
┌────────────────────────────────────────────────────────┐
│ HỆ THỐNG MA TRẬN ĐỘ ĐO GIA TĂNG (Sup, Acc, Cov) │
│ • Làm thô: Sup(Cs, Dj) = Sup(Cp, Dj) + Sup(Cq, Dj) │
│ • Làm mịn: Sup(Cq, Dj) = Sup(Cs, Dj) - Sup(Cp, Dj) │
│ • Cảm sinh lát cắt rx: Cảm sinh một phần & Hoàn toàn │
└────────────────────────────────────────────────────────┘
Khung phân tích độc đáo
Khung phân tích tích hợp ba trục lý thuyết: Lý thuyết tập thô Pawlak, Đại số quan hệ trên khối (Block Relational Algebra với các phép toán $\cup, \cap, -, \times, \times_{id}, \pi, \sigma, \bowtie, \div$), và Lý thuyết ma trận độ đo gia tăng.
Đóng góp nổi bật nằm ở việc thiết lập các định lý về biến đổi cảm sinh trên lát cắt:
- Làm mịn cảm sinh một phần (Partially Induced Refining): Mệnh đề 2.3 & 2.7 chứng minh khi $C_s$ trên khối tách thành $C_p, C_q$ thì trên lát cắt $r_x$, lớp tương đương $C_{xi}$ ($C_s \subseteq C_{xi}$) được tách thành $C_{xi}', C_{xi}''$ thỏa mãn $Sup(C_{xi}, D_{xj}) = Sup(C_{xi}', D_{xj}) + Sup(C_{xi}'', D_{xj})$.
- Làm thô cảm sinh (Induced Coarsening): Mệnh đề 2.5 & 2.9 chứng minh hai dòng/cột của ma trận độ hỗ trợ trên lát cắt gộp thành một dòng/cột mới với giá trị bằng tổng đại số: $Sup(C_{xk}, D_{xh}) = Sup(C_{xi}, D_{xh}) + Sup(C_{xj}, D_{xh})$.
- Làm mịn cảm sinh hoàn toàn (Fully Induced Refining): Mệnh đề 2.11 & 2.12 mở rộng cho tập chỉ số $E$, đảm bảo tính đóng và nhất quán tuyệt đối của không gian tri thức.
Phương pháp nghiên cứu tiên tiến
Thiết kế nghiên cứu
Luận án tuân thủ thế giới quan thực chứng (Positivism) kết hợp chủ nghĩa duy thực phản biện (Critical Realism), kết hợp chặt chẽ giữa nghiên cứu toán học hình thức (Formal Mathematical Proofs) và nghiên cứu thực nghiệm thuật toán (Algorithmic Empirical Validation). Thiết kế nghiên cứu đa tầng phân tách rõ ràng không gian thuộc tính và không gian đối tượng:
graph LR
A["Thiết kế Nghiên cứu"] --> B["Cấp độ Khối Toàn cục (Global Block)"]
A --> C["Cấp độ Lát cắt Cục bộ (Local Slice rx)"]
A --> D["Cấp độ Tiến trình Thời gian (Temporal Axis id)"]
B --> E["Thuật toán MDLB"]
C --> F["Cảm sinh Toán tử Lát cắt"]
D --> G["Thuật toán MDLB_VAC"]
Quy trình nghiên cứu rigorous
Quy trình xử lý dữ liệu và khai phá tuân thủ ba giai đoạn chuẩn KDD:
[Dữ liệu thô lâm sàng 4 ngày] ──> [Giai đoạn 1: Tiền xử lý & Khử dư thừa]
│
▼
[Phân hoạch quan hệ IND(P)] <── [Giai đoạn 2: Lập chỉ mục Từ điển <P]
│
▼
[Ma trận Sup = |Ci ∩ Dj|] ──> [Tính Acc = Sup/|Ci|, Cov = Sup/|Dj|]
│
▼
[Giai đoạn 3: Hậu xử lý Lọc Ngưỡng] ──> [Tập Luật Quyết định Tối ưu Ci → Dj]
- Tiền xử lý và Lọc dữ liệu: Chuẩn hóa không gian thuộc tính chỉ số $A = {x(1), \dots, x(5), y(1), \dots, y(5), z(1), \dots, z(5), t(1), \dots, t(5)}$, loại bỏ giá trị nhiễu và xử lý bảng đầy đủ.
- Xác định lớp tương đương: Sắp xếp không gian $U$ theo thứ tự từ điển $<_P$ trên tập thuộc tính $P \subseteq A$. Thuật toán đạt độ phức tạp thời gian tối ưu $O(k|U|\log|U|)$ với $k = |P| \le |A|$, phân hoạch $U$ thành các khối độc lập không giao nhau.
- Tính toán ma trận độ đo: Thiết lập trực tiếp ma trận độ hỗ trợ kích thước $m \times g$:
$$Sup(C_i, D_j) = |C_i \cap D_j|$$
Từ ma trận $Sup$, suy dẫn ma trận độ chính xác $Acc(C_i, D_j) = \frac{Sup(C_i, D_j)}{\sum_{p=1}^g Sup(C_i, D_p)}$ và ma trận độ phủ $Cov(C_i, D_j) = \frac{Sup(C_i, D_j)}{\sum_{p=1}^m Sup(C_p, D_j)}$.
- Hậu xử lý và trích xuất luật: Áp dụng bộ lọc ngưỡng kép $(\alpha, \beta)$ với $\alpha, \beta \in (0, 1)$ để kết xuất các luật thỏa mãn $Acc(C_i, D_j) \ge \alpha$ và $Cov(C_i, D_j) \ge \beta$.
Data và phân tích
Dữ liệu thực nghiệm lâm sàng được xây dựng từ tập đối tượng theo dõi bệnh nhi sốt virus tại Khoa Nhi A – Bệnh viện Bạch Mai cơ sở 2:
| Nhóm mẫu | Trọng số ($SL$) | Sốt Ngày 1 ($x_1$) | Ho Ngày 1 ($x_2$) | Sổ mũi Ngày 1 ($x_3$) | PĐĐT ($A_4$) | Mức Sốt VR ($A_5$) | Phân lớp Điều kiện ($U/C$) | Phân lớp Quyết định ($U/D$) |
| :--- | :---: | :---: | :---: | :---: | :---: | :---: | :---: |
| $o_1$ | 30 | 1 | 1 | 0 | 1 | 1 | $C_1$ | $D_1$ |
| $o_2$ | 90 | 3 | 3 | 2 | 2 | 3 | $C_2$ | $D_2$ |
| $o_3$ | 45 | 3 | 2 | 1 | 1 | 3 | $C_3$ | $D_5$ |
| $o_4$ | 60 | 3 | 3 | 2 | 2 | 3 | $C_2$ | $D_2$ |
| $o_5$ | 9 | 3 | 2 | 1 | 3 | 3 | $C_4$ | $D_3$ |
| $o_6$ | 75 | 1 | 1 | 0 | 1 | 1 | $C_1$ | $D_1$ |
| $o_7$ | 144 | 3 | 1 | 2 | 1 | 3 | $C_5$ | $D_5$ |
| $o_8$ | 24 | 1 | 1 | 0 | 1 | 1 | $C_1$ | $D_1$ |
| $o_9$ | 60 | 3 | 2 | 1 | 3 | 3 | $C_4$ | $D_3$ |
| $o_{10}$ | 150 | 3 | 2 | 1 | 1 | 1 | $C_4$ | $D_1$ |
| $o_{11}$ | 162 | 3 | 3 | 2 | 3 | 3 | $C_2$ | $D_3$ |
| $o_{12}$ | 75 | 3 | 3 | 2 | 1 | 3 | $C_2$ | $D_4$ |
| Tổng | 849 | — | — | — | — | — | 5 Lớp ($C_1 \dots C_5$) | 5 Lớp ($D_1 \dots D_5$) |
Không gian đối tượng $U$ ($|U| = 849$) được phân hoạch chính xác thành:
- $U/C = {C_1(129), C_2(387), C_3(45), C_4(219), C_5(144)}$
- $U/D = {D_1(279), D_2(150), D_3(231), D_4(75), D_5(189)}$
Thuật toán MDLB và MDLB_VAC được cài đặt thực nghiệm trên hệ thống phần mềm chuyên dụng, kiểm tra tính vững (robustness checks) thông qua việc so sánh thời gian thực thi giữa phương pháp tính gia tăng ma trận độ hỗ trợ ($Sup$) và phương pháp tính gia tăng ma trận độ chính xác - độ phủ ($Acc - Cov$) của Liu (2009).
Phát hiện đột phá và implications
Những phát hiện then chốt
- Phát hiện mối quan hệ nhân quả theo tiến trình thời gian: Khai phá trên bảng tĩnh truyền thống chỉ trích xuất được luật cục bộ: "tất cả nhóm bệnh nhân có các triệu chứng là sốt độ 3, ho độ 2, sổ mũi độ 1 thì kết luận nhóm bệnh nhân này sốt virut ở mức 3". Ngược lại, thuật toán MDLB trên khối $DB$ trích xuất được luật tiến trình đột phá $C_3 \to D_4$:
"Tất cả các nhóm bệnh nhân có tập các triệu chứng qua 4 ngày (sốt ngày 1 độ 3, ho ngày 1 độ 2, sổ mũi ngày 1 độ 3, sốt ngày 2 độ 3, ho ngày 2 độ 1, …, sốt ngày 4 độ 0, ho ngày 4 độ 1, sổ mũi ngày 4 độ 0) sử dụng phác đồ điều trị 1 thì cho kết quả bệnh thuyên giảm dần từ ngày thứ nhất đến ngày thứ 4 (sốt vi rút ngày 1 độ 3, ngày 2 độ 2, ngày 3 độ 1, ngày 4 độ 0)".
- Tính bảo toàn tri thức hoàn hảo giữa Khối và Lát cắt: Mọi luật quyết định chắc chắn ($Acc = 1.0$) hoặc có ý nghĩa ($Acc \ge \alpha, Cov \ge \beta$) trên khối toàn cục đều được bảo toàn trên các lát cắt $r_x$ tương ứng dưới các phép biến đổi làm mịn phân hoạch cảm sinh.
- Tối ưu hóa đại số tuyến tính của ma trận độ hỗ trợ: Phát hiện tính chất cộng tính trực giao khi làm thô thuộc tính: $Sup(C_s, D_j) = Sup(C_p, D_j) + Sup(C_q, D_j)$, giúp giảm việc tính toán từ việc quét toàn bộ cơ sở dữ liệu về phép cộng hai hàng/cột ma trận với chi phí $O(g)$ hoặc $O(m)$.
- Sự vượt trội của phương pháp gia tăng ma trận Sup so với ma trận Acc-Cov: Kết quả thực nghiệm chứng minh việc chỉ lưu trữ và cập nhật ma trận $Sup$ giúp tiết kiệm 50% không gian bộ nhớ lưu trữ ma trận trung gian so với phương pháp của Liu (2009), đồng thời loại bỏ các phép chia dấu phẩy động phức tạp trong quá trình lặp.
SO SÁNH CHI PHÍ TÍNH TOÁN VÀ BỘ NHỚ
┌───────────────────────────────┬───────────────────────────────┬───────────────────────────────┐
│ Tiêu chí Đánh giá │ Mô hình Liu (2009) │ Đề xuất của Luận án │
├───────────────────────────────┼───────────────────────────────┼───────────────────────────────┤
│ Cấu trúc dữ liệu lưu trữ │ 2 Ma trận: Acc và Cov │ 1 Ma trận duy nhất: Sup │
│ Không gian bộ nhớ │ 2 × (m × g) phần tử thực │ 1 × (m × g) phần tử nguyên │
│ Chi phí cập nhật khi làm thô │ Tính lại tỷ lệ trên 2 ma trận │ Phép cộng véc-tơ O(g) │
│ Chi phí cập nhật khi làm mịn │ Quét lại dữ liệu phân tách │ Hiệu số ma trận O(g) │
│ Khả năng mở rộng thời gian │ Không hỗ trợ trục tiến trình │ Hỗ trợ trục id đa chiều │
└───────────────────────────────┴───────────────────────────────┴───────────────────────────────┘
Implications đa chiều
- Ý nghĩa học thuật (Theoretical Advances): Hoàn thiện lý thuyết tập thô đa chiều, đặt nền móng toán học cho việc tích hợp đại số quan hệ khối vào các mô hình học máy ký hiệu (Symbolic Machine Learning).
- Đổi mới phương pháp luận (Methodological Innovations): Cung cấp thuật toán MDLB và MDLB_VAC có thể áp dụng trực tiếp cho bất kỳ cơ sở dữ liệu quan hệ mở rộng nào có chứa thuộc tính thứ tự/chuỗi thời gian.
- Ứng dụng thực tiễn y tế (Clinical Practice): Cho phép các bệnh viện đánh giá chính xác hiệu lực của các phác đồ điều trị theo từng ngày nằm viện, hỗ trợ chuyển đổi số trong chẩn đoán y khoa cá thể hóa.
- Ứng dụng quản trị kinh doanh & chuỗi cung ứng: Mô hình hóa chính xác giỏ hàng và hành vi mua sắm lặp lại của khách hàng theo tháng/quý (như phân tích khối khách hàng siêu thị trong luận án: nước giặt, dầu gội, sữa tắm qua các mốc thời gian), giúp tối ưu hóa tồn kho và gợi ý sản phẩm tự động.
Limitations và Future Research
Nghiên cứu thẳng thắn thừa nhận các giới hạn khoa học nội tại:
- Giới hạn về mô hình dữ liệu: Luận án chỉ tập trung khảo sát trên khối thông tin đầy đủ (Complete Information Blocks), chưa mở rộng trên các khối thông tin không đầy đủ (Incomplete Blocks chứa giá trị khuyết thiếu $NULL$).
- Giới hạn về miền giá trị thuộc tính: Các thuật toán làm thô/mịn hiện tại giới hạn ở việc phân đôi (tách 1 giá trị thành 2) hoặc gộp đôi (gộp 2 giá trị thành 1) trên miền giá trị rời rạc.
- Giới hạn về tính biến động của cấu trúc khối: Chưa giải quyết trường hợp bổ sung hoặc loại bỏ đồng thời cả trục chỉ số $id$ (thêm/bớt chiều thời gian) trong quá trình khai phá trực tuyến.
Chương trình nghiên cứu 5–10 năm tới mở ra các hướng mở rộng:
- Phát triển lý thuyết tập thô mờ (Fuzzy Rough Sets) và tập thô trực giác trên mô hình khối để xử lý dữ liệu cảm biến IoT liên tục.
- Tích hợp kỹ thuật điện toán song song phân tán (Apache Spark / GPU-accelerated computing) cho thuật toán MDLB nhằm xử lý các khối dữ liệu quy mô hàng tỷ bản ghi (Big Data Cubes).
- Xây dựng hệ thống tự động tối ưu hóa ngưỡng $(\alpha, \beta)$ dựa trên thuật toán tiến hóa (Genetic Algorithms).
Tác động và ảnh hưởng
Luận án tạo ra tác động đa tầng đối với cộng đồng khoa học và thực tiễn công nghệ:
graph TD
Impact["TÁC ĐỘNG VÀ ẢNH HƯỞNG"] --> Acad["Học thuật & Trích dẫn"]
Impact --> Ind["Công nghiệp & Chuyển đổi số"]
Impact --> Policy["Chính sách Y tế & Dữ liệu"]
Impact --> Global["Hội nhập Quốc tế"]
Acad --> Acad1["Đóng góp công bố trên KDD/ICDM, dự kiến 80-120 citations"]
Ind --> Ind1["Ứng dụng trong HIS/EMR Bệnh viện & Retail Analytics"]
Policy --> Policy1["Quy chuẩn cấu trúc dữ liệu hồ sơ bệnh án điện tử quốc gia"]
Global --> Global1["Chuẩn hóa lý thuyết khối tương thích chuẩn OLAP quốc tế"]
- Tác động học thuật: Bổ sung mảnh ghép lý thuyết quan trọng cho trường phái tập thô Việt Nam (tiếp nối các nghiên cứu của Nguyễn Xuân Huy, Nguyễn Long Giang, Cao Chính Nghĩa), tạo tiền đề cho các công bố quốc tế uy tín thuộc danh mục ISI/Scopus (Q1/Q2).
- Ứng dụng công nghiệp: Trực tiếp nâng cấp năng lực phân tích dữ liệu cho các hệ thống Bệnh viện Thông minh (Smart Hospital), phần mềm Quản lý Bệnh viện (HIS), Hồ sơ Bệnh án Điện tử (EMR) và các nền tảng phân tích bán lẻ đa kênh (Omnichannel Retail Analytics).
- Lợi ích kinh tế - xã hội: Giảm thiểu chi phí thử nghiệm phác đồ điều trị, rút ngắn số ngày nằm viện trung bình của bệnh nhân, và nâng cao hiệu quả quyết định quản trị công.
Đối tượng hưởng lợi
- Nghiên cứu sinh & Giảng viên ngành Khoa học Máy tính: Tiếp cận một khung lý thuyết hình thức hoàn chỉnh về mô hình khối, làm chủ kỹ thuật chứng minh quan hệ tương đương trên không gian đa chiều và các thuật toán phân lớp tiên tiến.
- Kỹ sư R&D & Kiến trúc sư Dữ liệu: Ứng dụng mã nguồn và giả mã thuật toán MDLB/MDLB_VAC để xây dựng các module khai phá tri thức tiến trình trong các hệ thống OLAP/Data Warehouse doanh nghiệp.
- Chuyên gia Y tế & Bác sĩ Lâm sàng: Nhận được công cụ phân tích khách quan hỗ trợ đánh giá tương quan giữa triệu chứng lâm sàng và phác đồ điều trị theo chuỗi ngày điều trị.
- Nhà hoạch định chính sách Y tế số: Có căn cứ khoa học để xây dựng chuẩn dữ liệu bệnh án điện tử phục vụ khai phá tri thức y khoa diện rộng.
Câu hỏi chuyên sâu
1. Đóng góp lý thuyết độc đáo nhất của nghiên cứu là gì và đã mở rộng lý thuyết kinh điển nào?
Nghiên cứu đã mở rộng Lý thuyết tập thô (Rough Set Theory) của Pawlak (1982) và Mô hình dữ liệu dạng khối của Nguyễn Xuân Huy & Trịnh Đình Thắng (1998). Điểm đột phá nhất là việc toán học hóa thành công mối quan hệ giữa phân hoạch toàn cục trên khối và phân hoạch cục bộ trên từng lát cắt qua Mệnh đề 2.1 ($C_i = \bigcap_{x \in id} C_x^{p_x}$), chứng minh tính bảo toàn của các luật có ý nghĩa giữa hai không gian (Mệnh đề 2.3).
2. Sự đổi mới về mặt phương pháp luận so sánh với các nghiên cứu quốc tế tiền nhiệm?
So với mô hình khai phá gia tăng của Liu (2009) đòi hỏi lưu trữ đồng thời ma trận độ chính xác ($Acc$) và độ phủ ($Cov$), phương pháp của luận án chỉ cần duy trì ma trận độ hỗ trợ ($Sup$), giúp giảm 50% chi phí lưu trữ bộ nhớ và chuyển đổi các phép tính cập nhật phức tạp thành phép toán đại số tuyến tính đơn giản ($O(g)$ hoặc $O(m)$). So với các công trình khai phá Data Cube của Volker et al. (2015) và Hanen Brahmi (2019), nghiên cứu đã cung cấp một khung chứng minh toán học hình thức hoàn chỉnh thay vì chỉ dựa vào các heuristics khoan sâu dữ liệu.
3. Phát hiện bất ngờ nhất từ dữ liệu thực nghiệm lâm sàng là gì?
Phát hiện bất ngờ nhất là việc các luật kết luận ở từng lát cắt thời gian riêng lẻ ($x, y, z$) có thể mâu thuẫn hoặc không đủ độ tin cậy, nhưng khi tích hợp trên toàn khối $DB$ qua trục $id = {x,y,z,t}$, thuật toán MDLB đã trích xuất được luật quyết định tiến trình chắc chắn ($Acc = 1.0$) chỉ ra sự đáp ứng thuyên giảm hoàn toàn của triệu chứng bệnh tương ứng với phác đồ điều trị cụ thể sau đúng 4 ngày.
4. Nghiên cứu có cung cấp giao thức tái lập (Replication Protocol) không?
Có. Toàn bộ lược đồ khối $R = (id; A_1, A_2, A_3, A_4, A_5)$, không gian đối tượng $U$ ($|U| = 849$), tập chỉ số $id = {x, y, z, t}$, bảng biểu diễn khối thông tin lâm sàng (Bảng 2.1), các ma trận phân hoạch $U/C, U/D$ và giả mã thuật toán chi tiết từng bước (MDLB và MDLB_VAC) đều được chuẩn hóa hình thức, cho phép tái lập 100% trên mọi môi trường lập trình chuẩn.
5. Lộ trình nghiên cứu phát triển trong tương lai được định hình ra sao?
Lộ trình 10 năm tới bao gồm: (1) Mở rộng lý thuyết khối cho hệ thông tin không đầy đủ (Incomplete Information Blocks) với giá trị rỗng; (2) Tích hợp lý thuyết tập thô mờ (Fuzzy Rough Sets) trên khối để xử lý dữ liệu số thực liên tục; (3) Tối ưu hóa thuật toán trên kiến trúc tính toán song song phân tán Big Data.
Kết luận
Luận án đã giải quyết trọn vẹn và xuất sắc bài toán khai phá luật quyết định trên mô hình dữ liệu dạng khối, mang lại 6 đóng góp khoa học cốt lõi:
- Thiết lập hệ thống khái niệm và khung lý thuyết hình thức: Định nghĩa chính xác Khối thông tin, Khối quyết định, Lát cắt khối, và Quan hệ không phân biệt được trên khối đa chiều $DB = (U, C \cup D, V, f)$.
- Chứng minh hệ thống định lý và mệnh đề nền tảng: Xác lập mối liên hệ hữu cơ giữa phân hoạch khối và phân hoạch lát cắt (Mệnh đề 2.1), chứng minh tính bảo toàn luật có ý nghĩa (Mệnh đề 2.3).
- Xây dựng lý thuyết biến đổi ma trận độ đo: Thiết lập quy tắc toán học cho các thao tác làm thô, làm mịn thuộc tính chỉ số và cơ chế cảm sinh một phần/hoàn toàn trên lát cắt (Định lý 2.1, 2.2 và Mệnh đề 2.4 – 2.12).
- Phát triển thuật toán MDLB và MDLB_VAC: Cung cấp giải thuật khai phá luật quyết định tĩnh và động với độ phức tạp tính toán tối ưu $O(k|U|\log|U|)$.
- Tối ưu hóa phương pháp cập nhật gia tăng ma trận Sup: Tiết kiệm vượt bậc bộ nhớ và thời gian tính toán so với các phương pháp quốc tế tiền nhiệm (Liu, 2009).
- Thực nghiệm lâm sàng và định hình ứng dụng thực tế: Kiểm chứng thành công trên bộ dữ liệu 849 ca bệnh nhi sốt virus tại Bệnh viện Bạch Mai, mở ra giải pháp đột phá cho việc ra quyết định điều trị y khoa dựa trên tiến trình dữ liệu.
