Chương 1 - GIỚI THIỆU 1.1 Động cơ nghiên cứu Ngày nay, nhiều thông tin hữu ích được lưu trữ trên WWW và, theo bản báo cáo tháng 12/2010 của ITU', có hơn 2 tỷ người sử dụng Internet với tần suất thường xuyên. Do đó, nhu cầu khai thác và sử dụng thông tin trên WWW một cách hiệu quả là rất lớn. Theo [1], truy hồi thông tin là thu thập các nguồn thông tin liên quan đến một yêu cầu về thông tin, còn máy tìm kiếm là một ứng dụng thực tế của truy hồi thông tin. Các van dé chính của truy hồi thông tin là mô hình biểu diễn truy van và tài liệu, và phương pháp so khớp và xếp hạng mức độ liên quan giữa các tài liệu và truy vấn.
Trong khi đó, các vẫn dé chính của máy tìm kiếm là tối ưu việc lưu trữ và truy xuất thông tin, hiệu suất tìm kiếm, và các vẫn đề ứng dụng cụ thể khác. Nhằm khắc phục nhược điểm của các mô hình truyền thống và nâng cao hiệu quả truy hồi thông tin, các mô hình truy hôi thông tin theo ngữ nghĩa đã được nghiên cứu và phát triển ([2]). Dựa vào sự phân loại ở [3], [4] va [5], các công trình về truy hồi thông tin theo ngữ nghĩa có thể được phân vào các lĩnh vực chính là: (1) truy hồi thông tin dựa trên giao diện người dùng như ở [6], [7] và [8]; (2) truy hồi thực thé như ở [9], [10], [11] và [12]; (3) truy hồi thông tin xuyên ngôn ngữ như ở [13], [14], [15] và [16]; (4) truy hồi tài liệu viết bang ngôn ngữ có cấu trúc như ở [17], [18] và [19]; và (5) truy hồi văn bản, là tài liệu viết băng ngôn ngữ tự nhiên, như ở [20], [21], và [22]. Trong luận án này, khi không cần nhắn mạnh, chúng tôi dùng thuật ngữ “truy hồi tài liệu” với ý nghĩa là truy hồi văn bản.
Dữ liệu trên Web phân lớn là văn bản và chỉ phù hợp cho con người đọc hiểu. Do đó, việc nghiên cứu và phát triển các mô hình truy hồi văn bản có độ đây đủ và độ chính xác cao là cần thiết. Các mô hình truy hồi tài liệu truyền thong không xét đến sự đa nghĩa và đồng nghĩa của các từ, và các khái niệm tiềm an trong truy vấn và tài liệu. Các m6 hình này chỉ sử dụng các từ khóa đê biêu diễn truy van và tài liệu, và việc so ‘ International Telecommunication Union, là co quan chuyên môn của Liên Hợp Quốc về công nghệ thông tin và truyền thông.int/net/itunews/issues/2010/10/04.aspx khớp giữa một truy vấn và một tài liệu là sự so khớp giữa hai tập từ khóa đại diện cho chúng.
Vì vậy có nhiêu tài liệu được trả về không thực sự phù hợp với truy vẫn. Nhăm khắc phục nhược điểm nói trên của các mô hình truy hồi tài liệu theo từ khóa, các mô hình truy hồi theo ngữ nghĩa khai thác và biểu diễn nghĩa của các từ và khái niệm tiêm ân trong truy van và tài liệu. Cùng với sự ra đời và phát triển của Web có ngữ nghĩa ([23]), ontology được sử dụng rộng rãi trong việc nghiên cứu va phát triển các mô hình truy hồi tài liệu theo ngữ nghĩa ([24|, [25]. Trong đó, nhiều công trình với mục đích nâng cao hiệu quả truy hôi tài liệu đã: (1) khai thác thực thé có tên như ở [27].
Ví du với truy van tìm kiếm các tài liệu về “Earthquake in USA” thì các tài liệu về “Earthquake in United States of America”, về “Temblor in USA” hoặc về “Earthquake in Denali, Alaska 2002” đều phù hop với truy van này. Điều này là do: ( USA va United States of America là hai bí danh (alias) của cùng một thực thể có tên (Named Entity, NE); (2) Earthquake va Temblor là hai từ WordNet đồng nghĩa với nhau; và (3) Denali, Alaska 2002 là một trận động đất xảy ra ở USA. Trong khi đó, các tài liệu về “Earthquake in Fukushima 2011” không phù hợp với truy vấn trên vì Fukushima 2011 tuy cũng là một trận động đất nhưng xảy ra ở Japan, không phải ở USA. Đề giải quyết các van dé này, cần khai thác các đặc điểm ontology về thực thể có tên, về từ WordNet, và về sự kiện.2 Mục tiêu và phạm vi của luận án Mục tiêu của luận án là nghiên cứu khai thác các ontology về thực thé có tên, từ WordNet và sự kiện dé nâng cao hiệu quả truy hồi tài liệu.
Thứ nhất, luận án khảo sát tat cả các đặc điểm ontology của thực thé có tên và nghiên cứu ảnh hưởng của chúng đến hiệu quả truy hỏi tài liệu. Đồng thời, luận án nghiên cứu các cách kết hợp giữa thực thé có tên và từ khóa trong truy hồi tài liệu. Trong đó, so với các công trình trước đây, luận án khai thác thêm cặp tên-lớp và định danh của thực thé có tên dé biểu diễn truy vấn và tài liệu. Ngoài ra, luận án khai thác các lớp thực thé ở mức cu thé tiềm ân trong từ dé hỏi dạng Wh.
Thứ hai, luận án nghiên cứu khai thác các đặc điểm ontology của từ WordNet và kết hợp chúng với từ khóa. Ngoài các đặc điểm ontology cơ bản của từ WordNet là nhãn và nghĩa đã được sử dụng trong các công trình trước đây, luận án sử dụng thêm cặp nhãn-nghĩa dé biểu diễn từ WordNet trong trường hợp từ này có nhiều hơn một nghĩa trong ngữ cảnh xem xét. Thứ ba, luận án khai thác ontology về sự kiện để thêm vào truy vấn các thực thé tiềm ân liên quan với các thực thể theo các quan hệ tường minh trong truy vấn. Hiệu quả truy hồi của các mô hình truy hỏi tài liệu phụ thuộc vào ba mô đun chính là xử lý và biểu diễn truy vấn, xử lý và biểu diễn tài liệu, và so khớp giữa hai biểu diễn này (J41]).
Trong phạm vi luận án, chúng tôi tập trung vào xử lý và biểu diễn truy vấn và tài liệu. Việc so khớp giữa các biểu diễn của truy vấn và tài liệu được hiện thực theo mô hình không gian vecto, là một mô hình truy hồi thông tin phổ biến. Các mô hình dé xuất của luận án sử dụng các ontology về thực thé có tên, từ WordNet và sự kiện có độ bao phủ lớn, và các giải thuật nhận diện thực thể có tên và phân giải nhập nhằng nghĩa của từ có độ chính xác cao của các công trình khác. Vì vậy, các kết quả thí nghiệm trong luận án chịu ảnh hưởng của chất lượng của các ontology và công cụ xử lý được sử dụng.
Tuy nhiên, ý nghĩa của luận án là nghiên cứu sự khác biệt về hiệu quả truy hỏi tài liệu của các mô hình khác nhau trên cùng một nên tang ontology và công cụ tiền xử lý. Việc xây dựng một hệ thống truy hồi tài liệu để dùng ngay trong thực tiễn năm ngoài phạm vi của luận án. Vì vậy, trọng tâm của luận án không phải là van dé thời gian xử lý và truy hồi tài liệu, mà là về độ chính xác và độ đầy đủ của các mô hình và phương pháp đề xuất. Thêm vào đó, luận án chỉ xử lý văn bản tiếng Anh để các đóng góp của luận án có thé công bồ trong cộng đồng nghiên cứu trên thé giới về các van dé nay, nơi mà các công trình và tập kiểm tra trên tiếng Anh là pho biến.3 Những đóng góp chính của luận án Luận án đã đề xuất các mô hình truy hồi tài liệu khai thác các đặc điểm ontology về thực thể có tên, về từ WordNet và về sự kiện một cách tương đối day du va toan dién nhằm nâng cao hiệu quả truy hồi, bao gom: 1.
Mô hình khai thác các đặc điểm ontology của thực thé có tên và kết hop chúng với từ khóa. Mô hình khai thác các đặc điểm ontology của từ WordNet kết hợp với từ khóa. Mô hình mở rộng truy vấn với các thực thể có tên bằng cách lan truyền theo các quan hệ tường minh trong truy vẫn. Mô hình kết hợp các phương pháp trong các mô hình được dé xuất ở trên.
Hiệu quả của các mô hình đề xuất được kiểm tra băng thực nghiệm và qua bước kiểm định ý nghĩa thống kê.4 Cau trúc cua luận an Luận án này được chia thành 7 chương. Chương | trình bày mục tiêu, phạm vi, những đóng góp chính, và giới thiệu cau trúc của luận án. Chương 2 trình bày về cơ sở kiến thức. Từ Chương 3 đến Chương 5, mỗi chương đều có các phan: giới thiệu, các công trình liên quan, phương pháp đề xuất, kết quả thực nghiệm, và kết luận.
Với mỗi mô hình dé xuất, luận án phân tích nguyên nhân của kết quả thực nghiệm trên một số truy vẫn điển hình trong tập dữ liệu kiểm tra. Chương 6 dé xuất và thực nghiệm mô hình kết hop các mô hình trình bày ở các Chương 3, 4 và 5. Chương cuối cùng là tong kết. Chương 2 — Cơ sở kiến thức Chương này giới thiệu các kiến thức nền tảng, tài nguyên, và công cụ, bao gồm: mô hình không gian vectơ, các ontology KIM, WordNet và YAGO, và các động cơ nhận diện thực thể có tên và phân giải nhập nhang nghia cua tu.
Bén canh do, chuong này trình bay các tập dữ liệu kiểm tra, độ do va phương pháp đánh giá hiệu quả truy hỏi tài liệu của các mô hình dé xuất so với các mô hình liên quan. Chương 3 — Khai thác thực thể có tên Trong chương này, luận án nghiên cứu và đề xuất các mô hình không gian vectơ dựa trên ontology, khai thác và phân tích các cách kết hợp khác nhau của các đặc điểm ontology của thực thể có tên với từ khóa. Thêm vào đó là đề xuất việc ánh xạ từ để hỏi trong truy van sang lớp của thực thé có tên. Các mô hình dé xuất được so sánh về hiệu quả truy hỏi tài liệu với nhau, với mô hình dựa trên từ khóa truyền thông, và với các mô hình dựa trên thực thể có tên trước đây.
Kết quả nghiên cứu liên quan đến chương này được phat triển từ [42], và đã được công bố trong [43], [44], [45] và [46]. Chương 4 — Khai thác WordNet Trong chương này, luận án nghiên cứu, phân tích và đề xuất một mô hình truy hỏi tài liệu khai thác các đặc điểm ontology của từ WordNet kết hợp với từ khóa. Hiệu quả của việc khai thác các đặc điểm ontology của từ WordNet được trình bày thông qua các thí nghiệm so sánh với các mô hình dựa trên từ WordNet trước đây. Kết quả nghiên cứu liên quan đến chương này đã được công bố trong [47].