Luận Án Tiến Sĩ Khoa Học Máy Tính: Phương Pháp Truy Hồi Thông Tin Dựa Trên Ontology

• Tác giả: Ngô Minh Vương
• Người hướng dẫn: PGS. Cao Hoàng Trụ
• Trường học: Đại Học Quốc Gia TP.HCM
• Chuyên ngành: Khoa Học Máy Tính
• Đề tài: Truy Hồi Thông Tin Dựa Trên Ontology
• Loại tài liệu: luận án
• Năm xuất bản: 2013
• Địa điểm: TP. Hồ Chí Minh

• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: GIỚI THIỆU
• 1.1. Động cơ nghiên cứu
• 1.2. Mục tiêu và phạm vi của luận án
• 1.3. Những đóng góp chính của luận án
• 1.4. Cấu trúc của luận án
• 2. CHƯƠNG 2: CƠ SỞ KIÊN THỨC
• 2.1. Mô hình không gian vectơ
• 2.2. Giới thiệu về Lucene
• 2.3. Nhận diện thực thể có tên và phân giải nhập nhằng nghĩa của từ
• 2.4. Tập dữ liệu kiểm tra
• 2.5. Đo đo hiệu quả truy hồi
• 2.6. Kiểm định ý nghĩa thống kê
• 3. CHƯƠNG 3: KHAI THÁC THỰC THỂ CÓ TÊN
• 3.1. Giới thiệu
• 3.2. Các công trình liên quan
• 3.3. Mô hình đa không gian vectơ cho thực thể có tên
• 3.4. Kết hợp thực thể có tên và từ khóa
• 3.5. Đánh giá thực nghiệm
• 4. CHƯƠNG 4: KHAI THÁC TỪ WORDNET
• 4.1. Các công trình liên quan
• 4.2. Mô hình không gian vectơ dựa trên từ WordNet
• 4.3. Đánh giá thực nghiệm
• 5. CHƯƠNG 5: KHAI THÁC THÔNG TIN TIỀM ẨN
• 5.1. Các công trình liên quan
• 5.2. Phương pháp kích hoạt lan truyền
• 5.3. Đánh giá thực nghiệm
• 5.4. Kết luận
• 6. CHƯƠNG 6: KẾT HỢP CÁC MÔ HÌNH
• 6.1. Giới thiệu
• 6.2. Mô hình hợp nhất
• 6.3. Đánh giá thực nghiệm
• 7. CHƯƠNG 7: TỔNG KẾT
• 7.1. Kết luận
• 7.2. Hướng phát triển
• CÁC CÔNG TRÌNH CỦA TÁC GIẢ LIÊN QUAN ĐẾN LUẬN ÁN
• TÀI LIỆU THAM KHẢO
• DANH MỤC CÁC BẢNG
• DANH MỤC CÁC HÌNH
• DANH MỤC CÁC THUẬT NGỮ VIẾT TẮT

I. Giới thiệu luận án tiến sĩ

Luận án tiến sĩ 'Truy Hồi Thông Tin Dựa Trên Ontology Trong Khoa Học Máy Tính' của tác giả Ngô Minh Vương tập trung vào việc nâng cao hiệu quả truy hồi thông tin thông qua việc khai thác ontology. Nghiên cứu này nhằm khắc phục những hạn chế của các hệ thống truy hồi thông tin truyền thống, vốn chỉ dựa trên so khớp từ khóa mà bỏ qua ngữ nghĩa của văn bản. Luận án đề xuất các mô hình mới dựa trên ontology để cải thiện độ chính xác và độ đầy đủ trong truy hồi tài liệu.

1.1. Động cơ nghiên cứu

Với sự phát triển của công nghệ thông tin và trí tuệ nhân tạo, nhu cầu truy hồi thông tin hiệu quả ngày càng tăng. Các hệ thống truyền thống gặp khó khăn trong việc hiểu ngữ nghĩa của truy vấn và tài liệu. Luận án này tập trung vào việc khai thác ontology để giải quyết vấn đề này, đặc biệt trong lĩnh vực khoa học máy tính và xử lý ngôn ngữ tự nhiên.

1.2. Mục tiêu và phạm vi

Mục tiêu chính của luận án là nghiên cứu và đề xuất các mô hình truy hồi thông tin dựa trên ontology, bao gồm việc khai thác thực thể có tên, từ WordNet, và sự kiện quan hệ. Phạm vi nghiên cứu tập trung vào việc cải thiện hiệu quả truy hồi tài liệu thông qua các phương pháp mô hình hóa dữ liệu và tối ưu hóa truy vấn.

II. Cơ sở lý thuyết và phương pháp

Luận án sử dụng mô hình không gian vectơ (VSM) làm nền tảng để phát triển các phương pháp truy hồi thông tin dựa trên ontology. Các khái niệm như thực thể có tên, từ WordNet, và sự kiện quan hệ được tích hợp vào mô hình này để nâng cao hiệu quả truy hồi.

2.1. Mô hình không gian vectơ

Mô hình không gian vectơ là một phương pháp phổ biến trong truy hồi thông tin, biểu diễn tài liệu và truy vấn dưới dạng các vectơ trong không gian đa chiều. Luận án mở rộng mô hình này bằng cách tích hợp các đặc điểm ontology để cải thiện độ chính xác.

2.2. Khai thác ontology

Luận án khai thác các đặc điểm ontology như bí danh, lớp cha, lớp con, và định danh của thực thể có tên và từ WordNet. Các đặc điểm này giúp biểu diễn ngữ nghĩa của truy vấn và tài liệu một cách chính xác hơn.

III. Kết quả và đánh giá

Các mô hình đề xuất trong luận án được đánh giá thông qua các thí nghiệm trên các tập dữ liệu chuẩn. Kết quả cho thấy các mô hình dựa trên ontology đạt hiệu quả cao hơn so với các phương pháp truyền thống.

3.1. Đánh giá thực nghiệm

Các thí nghiệm được thực hiện trên các tập dữ liệu như TREC và SIGIR. Kết quả cho thấy các mô hình đề xuất cải thiện đáng kể độ chính xác và độ đầy đủ trong truy hồi tài liệu.

3.2. Kiểm định ý nghĩa thống kê

Luận án sử dụng các phương pháp kiểm định thống kê như Fisher để xác nhận sự cải thiện hiệu quả của các mô hình đề xuất. Kết quả kiểm định cho thấy sự khác biệt có ý nghĩa thống kê.

IV. Ứng dụng và hướng phát triển

Luận án không chỉ có giá trị học thuật mà còn có tiềm năng ứng dụng cao trong các hệ thống truy hồi thông tin, hệ thống khuyến nghị, và hệ thống quản lý tri thức. Các hướng phát triển tương lai bao gồm tích hợp học máy và khai phá dữ liệu để nâng cao hiệu quả.

4.1. Ứng dụng thực tế

Các mô hình đề xuất có thể được áp dụng trong các hệ thống tìm kiếm thông tin, hệ thống hỗ trợ quyết định, và hệ thống phân loại thông tin. Điều này giúp cải thiện trải nghiệm người dùng và hiệu quả làm việc.

4.2. Hướng phát triển

Hướng phát triển tương lai bao gồm việc tích hợp các phương pháp học máy và khai phá dữ liệu để nâng cao hiệu quả truy hồi thông tin. Ngoài ra, việc mở rộng nghiên cứu sang các ngôn ngữ khác cũng là một hướng đi tiềm năng.