I. Giới thiệu đề tài
Luận văn thạc sĩ khoa học máy tính tập trung vào việc tìm kiếm và xếp hạng đối tượng trên web, một hướng nghiên cứu mới so với truy hồi tài liệu truyền thống. Tài nguyên web đã phát triển thành một kho dữ liệu phong phú, nhưng các công cụ tìm kiếm hiện tại vẫn chưa đáp ứng được nhu cầu tìm kiếm các đối tượng cụ thể. Luận văn đề xuất một mô hình tìm kiếm đối tượng, với đầu vào là lớp đối tượng và các từ khóa liên quan, nhằm trả về kết quả trực tiếp thay vì danh sách các liên kết.
1.1 Phát biểu bài toán
Các công cụ tìm kiếm hiện tại như Google, Yahoo, và Bing trả về danh sách các URL, yêu cầu người dùng duyệt qua để tìm thông tin mong muốn. Luận văn đề xuất một phương pháp tìm kiếm hiệu quả hơn, trả về kết quả trực tiếp liên quan đến đối tượng được tìm kiếm. Ví dụ, khi tìm kiếm giáo sư nghiên cứu về trí tuệ nhân tạo, kết quả trả về sẽ là danh sách các giáo sư thay vì các liên kết đến trang web.
1.2 Các công trình liên quan
Luận văn tham khảo các công trình nghiên cứu về rút trích thông tin và xếp hạng đối tượng trên web. Các hệ thống như KnowItAll, WebKnox, và SEAL đã được nghiên cứu để rút trích thực thể có tên và quan hệ giữa chúng. Các phương pháp xếp hạng đối tượng dựa trên đồ thị liên kết và độ tương đồng ngữ nghĩa cũng được đề cập.
II. Cơ sở lý thuyết
Luận văn trình bày các cơ sở lý thuyết về xếp hạng kết quả tìm kiếm và rút trích thực thể có tên. Xếp hạng đối tượng là quá trình sắp xếp các đối tượng theo độ phù hợp với tiêu chí tìm kiếm. Hàm tính hạng (Ranking Function) đóng vai trò quan trọng trong việc xác định thứ tự kết quả trả về. Các phương pháp như PageRank được sử dụng để tính toán độ quan trọng của các trang web dựa trên đồ thị liên kết.
2.1 Sắp xếp kết quả tìm kiếm
Xếp hạng đối tượng là việc sắp xếp các đối tượng theo độ phù hợp với tiêu chí tìm kiếm. Hàm tính hạng kết hợp độ tương tự giữa tài liệu và truy vấn với hạng trang để xác định thứ tự kết quả. Các công cụ tìm kiếm như Google sử dụng phương pháp PageRank để tính toán độ quan trọng của các trang web dựa trên đồ thị liên kết.
2.2 Rút trích thực thể có tên
Rút trích thực thể có tên là quá trình xác định và trích xuất các thực thể cụ thể từ dữ liệu web. Các phương pháp như học có giám sát, học bán giám sát, và học không giám sát được sử dụng để rút trích thực thể từ các tài liệu có cấu trúc và bán cấu trúc.
III. Mô hình EntityRank
Luận văn giới thiệu mô hình EntityRank, một hệ thống xếp hạng đối tượng dựa trên mô hình xác suất. EntityRank tích hợp thông tin cục bộ và toàn cục để xếp hạng các đối tượng trên web. Mô hình này được áp dụng để tìm kiếm và xếp hạng các giáo sư, cho thấy sự khả quan trong việc cải thiện hiệu quả tìm kiếm.
3.1 Động cơ tìm kiếm đối tượng
EntityRank là một hệ thống xếp hạng đối tượng dựa trên mô hình xác suất, tích hợp thông tin cục bộ và toàn cục để xếp hạng các đối tượng trên web. Mô hình này được thiết kế để trả về kết quả trực tiếp liên quan đến đối tượng được tìm kiếm, thay vì danh sách các liên kết.
3.2 Xếp hạng đối tượng
Xếp hạng đối tượng trong EntityRank dựa trên các độ đo xác suất, bao gồm xác suất tài liệu được chọn, xác suất truy vấn đúng trong tài liệu, và xác suất truy vấn trên mô hình ảo. Các độ đo này được kết hợp để xác định thứ tự kết quả trả về.
IV. Hệ thống tìm kiếm giáo sư
Luận văn trình bày việc xây dựng và hiện thực hệ thống tìm kiếm giáo sư dựa trên mô hình EntityRank. Hệ thống này được thiết kế để tìm kiếm và xếp hạng các giáo sư dựa trên các từ khóa liên quan đến lĩnh vực nghiên cứu. Kết quả thử nghiệm cho thấy sự khả quan của phương pháp tiếp cận này.
4.1 Kiến trúc hệ thống
Hệ thống tìm kiếm giáo sư được thiết kế với ba tầng chính: tầng truy nhập, tầng nhận dạng, và tầng đánh giá. Tầng truy nhập xác định xác suất tài liệu được chọn, tầng nhận dạng xác định xác suất truy vấn đúng trong tài liệu, và tầng đánh giá tính toán xác suất truy vấn trên mô hình ảo.
4.2 Hiện thực hệ thống
Hệ thống tìm kiếm giáo sư được hiện thực dựa trên mô hình EntityRank, với các giải thuật tìm kiếm và xếp hạng đối tượng được tối ưu hóa để cải thiện hiệu quả tìm kiếm. Kết quả thử nghiệm cho thấy hệ thống có khả năng trả về kết quả chính xác và nhanh chóng.
V. Kết quả thực nghiệm
Luận văn trình bày kết quả thực nghiệm của hệ thống tìm kiếm giáo sư dựa trên mô hình EntityRank. Các độ đo như Mean Reciprocal Rank (MRR) được sử dụng để đánh giá hiệu quả của hệ thống. Kết quả cho thấy hệ thống có khả năng trả về kết quả chính xác và nhanh chóng, đáp ứng được nhu cầu tìm kiếm đối tượng trên web.
5.1 Đánh giá kết quả
Kết quả thực nghiệm được đánh giá dựa trên các độ đo như Mean Reciprocal Rank (MRR), cho thấy hệ thống tìm kiếm giáo sư có khả năng trả về kết quả chính xác và nhanh chóng. Các kết quả được so sánh với các phương pháp tìm kiếm truyền thống để đánh giá hiệu quả.
5.2 Nhận xét kết quả
Kết quả thực nghiệm cho thấy hệ thống tìm kiếm giáo sư dựa trên mô hình EntityRank có khả năng cải thiện hiệu quả tìm kiếm đối tượng trên web. Hệ thống này có thể được mở rộng để áp dụng cho các loại đối tượng khác nhau, mang lại giá trị thực tiễn cao.
VI. Kết luận
Luận văn kết luận rằng mô hình EntityRank và hệ thống tìm kiếm giáo sư đã đạt được những kết quả khả quan trong việc tìm kiếm và xếp hạng đối tượng trên web. Hướng phát triển trong tương lai bao gồm việc mở rộng hệ thống để áp dụng cho các loại đối tượng khác nhau và cải thiện hiệu quả tìm kiếm thông qua các phương pháp học máy tiên tiến.
6.1 Kết quả đạt được
Luận văn đã đề xuất và hiện thực thành công mô hình EntityRank, một hệ thống xếp hạng đối tượng dựa trên mô hình xác suất. Hệ thống tìm kiếm giáo sư dựa trên mô hình này đã cho thấy sự khả quan trong việc cải thiện hiệu quả tìm kiếm đối tượng trên web.
6.2 Hướng phát triển
Hướng phát triển trong tương lai bao gồm việc mở rộng hệ thống để áp dụng cho các loại đối tượng khác nhau, cải thiện hiệu quả tìm kiếm thông qua các phương pháp học máy tiên tiến, và tích hợp thêm các nguồn dữ liệu đa dạng để nâng cao độ chính xác của kết quả tìm kiếm.
