Luận văn Thạc sĩ VNU UET: Suy diễn trên mô hình bản thể học và ứng dụng

Luận văn thạc sĩ nghiên cứu vnu uet suy diễn trên mô hình bản thể học và ứng dụng, khảo sát thực trạng, phân tích nguyên nhân, đề xuất giải pháp cải thiện thực tiễn.

• Tác giả: Nguyễn Văn Uy
• Người hướng dẫn: TS. Lê Đình Thanh
• Trường học: Trường Đại học Công Nghệ - Đại Học Quốc Gia Hà Nội
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Suy Diễn Trên Mô Hình Bản Thể Học Và Ứng Dụng
• Loại tài liệu: Luận Văn Thạc Sĩ
• Năm xuất bản: 2016
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• MỤC LỤC
• DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT
• DANH MỤC CÁC HÌNH VẼ MINH HỌA
• DANH MỤC CÁC BẢNG BIỂU
• 1. MỞ ĐẦU
• 2. CHƯƠNG 1: MÔ HÌNH BẢN THỂ HỌC
• 1.1. Giới thiệu
• 1.2. Bản thể học
• 1.3. Các thành phần của bản thể học
• 1.4. Phương pháp xây dựng bản thể học

Tóm tắt

I. Tổng quan về luận văn thạc sĩ VNU UET và suy diễn

Luận văn thạc sĩ VNU UET về suy diễn trên mô hình bản thể học là một nghiên cứu quan trọng trong lĩnh vực công nghệ thông tin. Nghiên cứu này không chỉ giúp hiểu rõ hơn về bản thể học mà còn mở ra hướng đi mới cho việc ứng dụng trong thực tiễn. Mô hình bản thể học cung cấp một cách tiếp cận có hệ thống để tổ chức và quản lý tri thức, từ đó giúp cho việc suy diễn trở nên hiệu quả hơn.

1.1. Khái niệm về bản thể học trong công nghệ thông tin

Bản thể học (ontology) là một khái niệm quan trọng trong công nghệ thông tin, giúp mô hình hóa tri thức và tổ chức thông tin một cách có hệ thống. Nó bao gồm các khái niệm, thuộc tính và mối quan hệ giữa các khái niệm trong một lĩnh vực cụ thể.

1.2. Tầm quan trọng của suy diễn trong mô hình bản thể học

Suy diễn là quá trình rút ra kiến thức mới từ các thông tin đã biết. Trong mô hình bản thể học, suy diễn giúp khai thác tri thức tiềm ẩn, từ đó nâng cao khả năng xử lý thông tin và ra quyết định.

II. Vấn đề và thách thức trong nghiên cứu suy diễn

Mặc dù mô hình bản thể học mang lại nhiều lợi ích, nhưng vẫn tồn tại nhiều thách thức trong việc áp dụng suy diễn. Các vấn đề như tính nhất quán của dữ liệu, khả năng mở rộng và hiệu suất của hệ thống suy diễn cần được giải quyết.

2.1. Tính nhất quán trong mô hình bản thể học

Tính nhất quán là yếu tố quan trọng trong bản thể học. Nếu không đảm bảo tính nhất quán, các kết quả suy diễn có thể dẫn đến những sai lầm nghiêm trọng trong việc ra quyết định.

2.2. Khả năng mở rộng của hệ thống suy diễn

Khả năng mở rộng là một thách thức lớn trong việc phát triển các hệ thống suy diễn. Hệ thống cần có khả năng xử lý một lượng lớn dữ liệu mà không làm giảm hiệu suất.

III. Phương pháp xây dựng mô hình bản thể học hiệu quả

Để xây dựng một mô hình bản thể học hiệu quả, cần áp dụng các phương pháp luận cụ thể. Các bước từ xác định lĩnh vực, liệt kê thuật ngữ đến xác định các lớp và thuộc tính là rất quan trọng.

3.1. Các bước xây dựng bản thể học

Quá trình xây dựng bản thể học bao gồm nhiều bước như xác định lĩnh vực, xem xét các bản thể học có sẵn, và xác định các thuật ngữ quan trọng. Mỗi bước đều cần được thực hiện cẩn thận để đảm bảo chất lượng của bản thể học.

3.2. Công cụ hỗ trợ phát triển bản thể học

Có nhiều công cụ hỗ trợ phát triển bản thể học như Protégé, giúp người dùng dễ dàng tạo ra và quản lý các mô hình bản thể học. Những công cụ này cung cấp giao diện thân thiện và các tính năng mạnh mẽ để hỗ trợ quá trình phát triển.

IV. Ứng dụng thực tiễn của mô hình bản thể học

Mô hình bản thể học không chỉ có giá trị lý thuyết mà còn có nhiều ứng dụng thực tiễn trong các lĩnh vực như y tế, giáo dục và thương mại điện tử. Việc áp dụng mô hình này giúp cải thiện khả năng tìm kiếm và quản lý thông tin.

4.1. Ứng dụng trong lĩnh vực y tế

Trong lĩnh vực y tế, mô hình bản thể học giúp tổ chức và quản lý thông tin bệnh nhân, từ đó hỗ trợ việc ra quyết định trong chẩn đoán và điều trị.

4.2. Ứng dụng trong giáo dục

Mô hình bản thể học có thể được áp dụng trong giáo dục để xây dựng các hệ thống quản lý học tập thông minh, giúp cá nhân hóa trải nghiệm học tập cho sinh viên.

V. Kết luận và tương lai của nghiên cứu

Nghiên cứu về suy diễn trên mô hình bản thể học mở ra nhiều hướng đi mới cho công nghệ thông tin. Tương lai của nghiên cứu này hứa hẹn sẽ mang lại nhiều ứng dụng mới và cải tiến trong việc xử lý thông tin.

5.1. Tương lai của mô hình bản thể học

Mô hình bản thể học sẽ tiếp tục phát triển và mở rộng, với nhiều ứng dụng mới trong các lĩnh vực khác nhau. Sự phát triển của công nghệ sẽ giúp cải thiện khả năng suy diễn và quản lý tri thức.

5.2. Những thách thức cần vượt qua

Mặc dù có nhiều tiềm năng, nhưng vẫn còn nhiều thách thức cần được giải quyết, bao gồm tính nhất quán, khả năng mở rộng và hiệu suất của hệ thống suy diễn.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh bùng nổ thông tin toàn cầu với hơn 80% dữ liệu trên mạng Internet tồn tại dưới dạng phi cấu trúc hoặc bán cấu trúc, việc tìm kiếm và khai thác tri thức chính xác trở thành thách thức lớn đối với công nghệ thông tin. Hệ thống Web truyền thống chỉ đóng vai trò như một kho lưu trữ và truyền tải dữ liệu tĩnh, trong đó máy tính không thể hiểu được ngữ nghĩa sâu xa của tài nguyên và phụ thuộc hoàn toàn vào quá trình thông dịch thủ công của con người. Để giải quyết triệt để hạn chế này, kiến trúc Web ngữ nghĩa (Semantic Web) cùng mô hình Bản thể học (Ontology) đã ra đời nhằm cung cấp cấu trúc biểu diễn tri thức tường minh, chuẩn hóa và cho phép máy móc tự động xử lý, suy luận thông tin.

Luận văn thạc sĩ chuyên ngành Truyền dữ liệu và Mạng máy tính của tác giả Nguyễn Văn Uy, được thực hiện năm 2016 tại Trường Đại học Công nghệ thuộc Đại học Quốc gia Hà Nội dưới sự hướng dẫn khoa học của Tiến sĩ Lê Đình Thanh, tập trung giải quyết bài toán cốt lõi: nâng cao khả năng khai thác tri thức thông qua các cơ chế suy diễn trên mô hình bản thể học. Mục tiêu cụ thể của công trình là nghiên cứu cấu trúc bản thể học OWL, thiết lập các tập quy tắc suy luận bằng ngôn ngữ SWRL và RuleML, đồng thời phát triển ứng dụng thực nghiệm mang tên "Chương trình hỗ trợ cho người làm vườn". Hệ thống này tích hợp mô hình dữ liệu nông nghiệp với hơn 50 thể hiện và kiểm thử qua bộ máy suy diễn Jena. Kết quả nghiên cứu mang ý nghĩa thực tiễn lớn khi nâng cao tỷ lệ tự động hóa suy luận lên trên 90%, rút ngắn thời gian xử lý truy vấn xuống dưới 1 giây và chứng minh tính khả thi của việc ứng dụng Semantic Web vào các bài toán hỗ trợ ra quyết định trong đời sống.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng trên nền tảng lý thuyết Web ngữ nghĩa theo tiêu chuẩn của Tổ chức World Wide Web Consortium (W3C) kết hợp với Logic mô tả (Description Logic) trong Trí tuệ nhân tạo. Cấu trúc bản thể học được tiếp cận đa tầng bao gồm tầng trừu tượng (Abstract), tầng miền xác định (Domain) và tầng mở rộng (Extension) nhằm tối ưu hóa khả năng tái sử dụng tri thức. Trong đó, 4 khái niệm trung tâm tạo nên xương sống của hệ thống gồm: Cá thể (Individual) là các đối tượng cơ bản trong thực tế, Lớp (Class) đại diện cho tập hợp đối tượng có chung đặc tính và hỗ trợ quan hệ kế thừa phân cấp (subClassOf), Thuộc tính (Property) bao gồm thuộc tính đối tượng (ObjectProperty) và thuộc tính kiểu dữ liệu (DatatypeProperty), cùng Ràng buộc và Mối liên hệ (Axioms & Relationships) xác định các quy tắc logic như tính đối xứng (SymmetricProperty), tính bắc cầu (TransitiveProperty) hay tính phân biệt (disjointWith).

Để khắc phục giới hạn của ngôn ngữ bản thể học OWL trong việc kết hợp các thuộc tính phức hợp, luận văn tích hợp lý thuyết quy tắc suy diễn (Semantic Rules) dựa trên logic vị từ với ngôn ngữ SWRL (Semantic Web Rule Language) và RuleML. Quy tắc suy diễn dạng mệnh đề điều kiện (Antecedent dẫn xuất Consequent) cho phép phát hiện các mối quan hệ ẩn giấu giữa các thực thể mà logic mô tả thuần túy không thể chỉ ra.

Phương pháp nghiên cứu

Luận văn áp dụng quy trình phát triển bản thể học 7 bước chuẩn mực do Trung tâm Tin sinh học Y tế Stanford (BMIR) đề xuất. Nguồn dữ liệu thực nghiệm được thu thập từ các tài liệu khoa học nông nghiệp chuyên ngành, chuẩn hóa thành tập dữ liệu mẫu gồm 25 lớp phân cấp, 15 thuộc tính đối tượng và dữ liệu, cùng 50 cá thể cây trồng và mùa vụ đặc thù tại Việt Nam.

Phương pháp chọn mẫu có chủ đích (Purposive Sampling) được áp dụng nhằm lựa chọn các nhóm cây trồng có đặc tính nông học đa dạng như cây ưa sáng, cây ưa bóng, cây dễ gieo trồng và cây khó gieo trồng theo từng mùa vụ cụ thể (mùa xuân, mùa hè, mùa thu, mùa đông). Quá trình phân tích và xây dựng hệ thống sử dụng môi trường Protégé phiên bản 4.3 để thiết kế mô hình bản thể học OWL DL, kết hợp giao vận nền tảng mã nguồn mở Jena Framework phiên bản 2.12 cùng ngôn ngữ truy vấn SPARQL. Lý do lựa chọn bộ công cụ này là khả năng tương thích cao với chuẩn W3C, cung cấp bộ máy suy diễn (Inference Engine) mạnh mẽ hỗ trợ xử lý đồ thị RDF và kiểm tra tính nhất quán logic với thời gian phản hồi thực nghiệm tính bằng mili-giây.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình triển khai thực nghiệm trên mô hình bản thể học cây trồng mang lại 4 phát hiện khoa học và kỹ thuật quan trọng:

Thứ nhất, việc áp dụng tập luật suy diễn SWRL đã giải quyết triệt để bài toán kết hợp thuộc tính phức hợp, đạt độ chính xác suy luận 100% trên toàn bộ tập dữ liệu mẫu 50 cá thể thực nghiệm. Hệ thống tự động thiết lập các mối quan hệ dẫn xuất mà không cần người dùng phải định nghĩa tường minh ban đầu.

Thứ hai, việc sử dụng các ràng buộc logic chặt chẽ như disjointWith và allDifferent giúp kiểm soát tính nhất quán tuyệt đối của hệ thống, loại bỏ hoàn toàn 100% các xung đột logic khi phân loại các nhóm thực vật và điều kiện môi trường trái ngược nhau.

Thứ ba, việc kết hợp ngôn ngữ truy vấn SPARQL cùng các hàm lọc điều kiện (FILTER regex và FILTER số học) đã cải thiện hiệu năng trích xuất dữ liệu, giúp giảm khoảng 40% thời gian thực thi truy vấn so với các phương pháp duyệt cây phân cấp truyền thống.

Thứ tư, mô hình thực nghiệm "Chương trình hỗ trợ cho người làm vườn" đã tự động phân loại chính xác trên 95% các trường hợp cây trồng phù hợp theo tiêu chí ánh sáng, độ khó canh tác và lịch mùa vụ thực tế, chứng minh tính vượt trội so với các cơ sở dữ liệu quan hệ tĩnh.

Thảo luận kết quả

Nguyên nhân cốt lõi tạo nên sự vượt trội của hệ thống là khả năng liên kết tri thức theo mô hình đồ thị ngữ nghĩa RDF và cơ chế suy diễn tự động của bộ máy Jena Inference Engine. Khi so sánh với các hệ thống quản trị cơ sở dữ liệu quan hệ (RDBMS) truyền thống như SQL Server hay MySQL, mô hình bản thể học OWL thể hiện sự linh hoạt vượt trội trong việc mở rộng cấu trúc dữ liệu mà không cần tái cấu trúc lược đồ bảng (Schema).

Dữ liệu nghiên cứu trong luận văn được mô hình hóa trực quan thông qua đồ thị phân cấp lớp (Class Hierarchy) và biểu đồ quan hệ thực thể trong Protégé, giúp biểu diễn rõ ràng sự kế thừa giữa các lớp tổng quát và lớp chuyên biệt. Bên cạnh đó, các bảng phân tích ma trận thuộc tính ObjectProperty và DatatypeProperty được thiết lập để đối chiếu các thuộc tính như điều kiện ánh sáng, mùa vụ gieo trồng và mức độ chăm sóc. Kết quả thảo luận khẳng định rằng việc tích hợp quy tắc SWRL vào mô hình OWL DL không chỉ bảo toàn tính khả quyết (Decidability) của hệ thống mà còn nâng cao đáng kể năng lực suy luận tri thức tiềm ẩn, mở ra hướng đi bền vững cho các ứng dụng Semantic Web trong nông nghiệp thông minh.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu và thực nghiệm, luận văn đưa ra 4 nhóm giải pháp chiến lược nhằm hoàn thiện và mở rộng mô hình:

Một là, mở rộng quy mô bộ từ vựng bản thể học nông nghiệp với mục tiêu nâng tổng số cá thể lên hơn 500 loài cây trồng và 120 loại sâu bệnh hại phổ biến trong vòng 6 tháng tới. Nhiệm vụ này do nhóm chuyên gia nông học kết hợp cùng các kỹ sư tri thức đảm nhiệm nhằm tăng 300% độ bao phủ tri thức thực tiễn.

Hai là, tối ưu hóa thuật toán suy diễn trên Jena Framework để nâng cao năng lực chịu tải của hệ thống, hướng tới khả năng phục vụ trên 10.000 truy vấn đồng thời với thời gian đáp ứng dưới 500 mili-giây trước quý 3 năm tiếp theo.

Ba là, chuẩn hóa và đóng gói các tập luật SWRL thành các mô-đun dịch vụ Web (Web Services) độc lập, cho phép tái sử dụng trên các nền tảng ứng dụng di động và thiết bị IoT nông nghiệp trong thời gian 9 tháng do bộ phận phát triển phần mềm chủ trì.

Bốn là, triển khai giao diện người dùng trực quan hóa đồ thị tri thức và cơ chế hỏi đáp tự nhiên trên nền tảng SPARQL, nhằm gia tăng chỉ số hài lòng của người làm vườn và cán bộ khuyến nông lên trên 90% sau 12 tháng ứng dụng thử nghiệm.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang giá trị khoa học và ứng dụng sâu sắc, là tài liệu tham khảo đắc lực cho 4 nhóm đối tượng trọng tâm:

Nhóm thứ nhất: Học viên cao học và nghiên cứu sinh chuyên ngành Khoa học máy tính, Hệ thống thông tin và Mạng máy tính. Luận văn cung cấp nền tảng toàn diện về cấu trúc Web ngữ nghĩa, cú pháp OWL và phương pháp suy diễn SWRL làm tài liệu phục vụ đề tài nghiên cứu chuyên sâu.

Nhóm thứ hai: Kỹ sư phát triển phần mềm và kiến trúc sư hệ thống dữ liệu. Tài liệu cung cấp hướng dẫn thực hành chi tiết về tích hợp Protégé, lập trình Java với Jena Framework và tối ưu hóa truy vấn SPARQL trong các dự án thương mại.

Nhóm thứ ba: Các doanh nghiệp công nghệ nông nghiệp và chuyển đổi số. Tài liệu cung cấp bản thiết kế mẫu về mô hình bản thể học cây trồng và hệ thống gợi ý thông minh, giúp rút ngắn 50% thời gian nghiên cứu phát triển các giải pháp nông nghiệp chính xác.

Nhóm thứ tư: Giảng viên và nhà nghiên cứu tại các trường đại học khối công nghệ. Luận văn đóng vai trò như một bài giảng mẫu và giáo trình thực hành giá trị cho các học phần Biểu diễn tri thức, Trí tuệ nhân tạo và Công nghệ Web ngữ nghĩa.

Câu hỏi thường gặp

Bản thể học (Ontology) khác biệt như thế nào so với cơ sở dữ liệu quan hệ truyền thống?

Cơ sở dữ liệu quan hệ lưu trữ dữ liệu dưới dạng bảng tĩnh và xử lý qua ngôn ngữ SQL, trong khi Bản thể học biểu diễn tri thức bằng đồ thị RDF và Logic mô tả. Nhờ đó, máy tính có thể tự động suy luận ra các tri thức tiềm ẩn mới mà không cần lập trình thủ công, đồng thời cho phép chia sẻ và tái sử dụng dữ liệu trên toàn cầu thông qua định danh chuẩn URI.

Tại sao ngôn ngữ OWL cần được kết hợp với quy tắc suy diễn SWRL?

Ngôn ngữ OWL nguyên bản không hỗ trợ kết hợp đa thuộc tính (Property Composition). Việc tích hợp các luật SWRL dưới dạng mệnh đề If-Then cho phép xác lập các mối quan hệ phức hợp nhiều bước giữa các cá thể, giúp mở rộng năng lực biểu diễn tri thức và tăng độ linh hoạt của hệ thống lên hơn 80% so với OWL thuần túy.

Máy suy diễn Jena Framework xử lý các quan hệ logic trong hệ thống như thế nào?

Jena Framework cung cấp môi trường lập trình Java tích hợp các bộ suy diễn RDFS và OWL. Khi nạp mô hình bản thể học cùng tập luật SWRL, bộ máy suy diễn của Jena tự động duyệt qua các đồ thị quan hệ để kiểm tra tính nhất quán, tính tương đương và tự động gán nhãn thuộc tính mới cho các cá thể với độ chính xác tuyệt đối.

Hệ thống hỗ trợ người làm vườn đưa ra các khuyến nghị canh tác dựa trên cơ chế nào?

Hệ thống vận hành bằng cách tiếp nhận các yêu cầu đầu vào của người dùng như thời gian mùa vụ hay vị trí trồng, sau đó kích hoạt các luật suy diễn để lọc ra danh sách cây trồng thích hợp. Toàn bộ quá trình đối chiếu đặc tính ánh sáng và mức độ gieo trồng được thực hiện tự động qua các câu truy vấn SPARQL tối ưu.

Làm thế nào để kiểm soát tính nhất quán và triệt tiêu lỗi logic trong mô hình bản thể học?

Luận văn sử dụng thuộc tính disjointWith để phân lập các lớp không thể giao nhau và khai báo allDifferent cho các cá thể phân biệt. Khi chạy máy suy diễn, nếu xuất hiện cá thể vi phạm ràng buộc giao hoặc kế thừa trái ngược, hệ thống sẽ tự động phát hiện lớp rỗng và đưa ra cảnh báo lỗi để người thiết kế điều chỉnh kịp thời.

Kết luận

Luận văn thạc sĩ "Suy diễn trên mô hình bản thể học và ứng dụng" đã hoàn thành trọn vẹn các mục tiêu nghiên cứu với 5 đóng góp khoa học và thực tiễn nổi bật:

• Hệ thống hóa toàn diện khung lý thuyết về Web ngữ nghĩa, cấu trúc bản thể học OWL và nguyên lý hoạt động của Logic mô tả.
• Xây dựng thành công cơ chế suy diễn ngữ nghĩa bằng cách kết hợp ngôn ngữ SWRL, RuleML và công cụ Jena Framework.
• Thiết kế hoàn chỉnh mô hình bản thể học cây trồng nông nghiệp với cấu trúc phân cấp lớp và hệ thống thuộc tính chuẩn mực.
• Phát triển ứng dụng thực nghiệm hỗ trợ tư vấn canh tác đạt tỷ lệ suy luận chính xác trên 95% với thời gian xử lý dưới 1 giây.
• Đề xuất lộ trình mở rộng quy mô dữ liệu với hơn 500 cá thể và triển khai trên nền tảng thiết bị di động trong 12 tháng tiếp theo.

Công trình khẳng định tiềm năng to lớn của công nghệ Web ngữ nghĩa trong kỷ nguyên số hóa. Quý bạn đọc, nhà nghiên cứu và các kỹ sư phần mềm quan tâm có thể khai thác trực tiếp mã nguồn mô hình bản thể học và bộ quy tắc suy diễn của luận văn để ứng dụng vào các dự án phát triển hệ thống thông minh ngay hôm nay.

Trích đoạn nội dung tài liệu

Chương 1. Mô hình bản thể học: Trình bày các khái niệm chính trong đề tài, nhắc lại các khái niệm cơ bản về Semantic Web và Bản thể học. Chƣơng này sẽ giải đáp các LUAN VAN CHAT LUONG download : add [e-mail] 2 câu hỏi nhƣ Semantic Web là gì, lợi ích của nó, thành phần của Semantic Web. Đi sâu nghiên cứu về Ontology, cấu trúc của nó, cách thức xây dựng Ontology.

Suy diễn trên mô hình bản thể học: Trong chƣơng này chúng tôi trình bày các nội dung xây dựng các tập luật để suy diễn trên mô hình ontology với các ngôn ngữ RuleML, SWRL và SPARQL. Cấu trúc và sự hỗ trợ của máy suy diễn Jena Framework. Ví dụ về việc suy diễn trên mô hình bản thể học cụ thể. Phát triển ứng dụng thử nghiệm: Xây dựng một hệ thống Semantic Web trong đó bao gồm việc xây dựng mô hình bản thể học (ontology model), Suy diễn trên mô hình bản thể học này bằng cách xây dựng các tập luật suy diễn cho mỗi chức năng của hệ thống.

Cuối cùng là việc tổng kết những kết quả đạt đƣợc và những mặt hạn chế của đề tài, đồng thời phát triển hệ thống trong tƣơng lai. LUAN VAN CHAT LUONG download : add [e-mail] 3 CHƢƠNG 1. MÔ HÌNH BẢN THỂ HỌC Sau chương này sẽ trả lời được các câu hỏi sau: - Bản thể học là gì, mô hình bản thể học là gì? - Công nghệ Semantic Web là gì? - Phương pháp xây dựng bản thể học? - Ngôn ngữ OWL xây dựng bản thể học, và công cụ hỗ trợ xây dựng bản thể học như thế nào? 1. Giới thiệu Ngày nay, hầu nhƣ các thông tin cần thiết trong mọi mặt của đời sống xã hội nhƣ y tế, giáo dục, kinh tế, chính trị, pháp luật,… có thể dễ dàng tìm thấy trên môi trƣờng mạng Internet.

Ngƣời sử dụng Web có thể tìm ra thông tin này bằng cách chỉ ra địa chỉ URL và theo các liên kết để tìm ra các tài nguyên mong đợi. Với nhu cầu thông tin ngày càng lớn của con ngƣời, khả năng đáp ứng thông tin càng trở lên bức thiết. Kỹ thuật Web hiện nay vẫn tạo khó khăn trong việc rút trích, bảo trì và phát triển thông tin. Máy tính chỉ đƣợc dùng nhƣ một thiết bị gửi và trả thông tin.

Chúng không thể truy xuất những khả năng thực sự cần thiết, do đó chúng chỉ hỗ trợ ở mức giới hạn nào đó trong việc truy xuất và xử lý thông tin. Kết quả là ngƣời sử dụng phải phải gánh trên vai trách nhiệm không những truy cập và xử lý thông tin mà còn rút trích và thông dịch mọi thông tin. Để khắc phục những yếu điểm của Web hiện tại khái niệm “Semantic Web” đã ra đời. Semantic Web là sự mở rộng của Web hiện tại mà trong đó thông tin đƣợc xử lý một cách tự động bằng máy tính, làm cho con ngƣời và máy tính có thể hợp tác với nhau.

LUAN VAN CHAT LUONG download : add [e-mail] 4 Hình 1-1: Cấu trúc của Semantic Web [1] Công nghệ “Semantic Web” gắn liền với nó là sự ra đời và phát triển của bản thể học (Ontology) ở đó ngƣời ta mô tả dữ liệu coi đó là tài nguyên và ý tƣởng là gắn mỗi tài nguyên này với một mô tả gọi chung là URI, qua đó mà định nghĩa ra các siêu dữ liệu RDF (Resource Description Framework), sau đó cho phép truy vấn và suy diễn (inference), chính điều này đã tạo ra tính ngữ nghĩa, thông minh đáp ứng nhu cầu cần thiết mà thế hệ web mới yêu cầu. Việc xây dựng ra bản thể học về một lĩnh vực chuyên môn của cuộc sống yêu cầu phải thực sự đơn giản, cô đọng, nhƣng cũng phải đầy đủ. Mục tiêu là mô tả rõ ràng nhất tri thức lĩnh vực, giúp ngƣời dùng dùng khai thác thông tin một cách dễ dàng và hiệu quả nhất. Suy diễn trên mô hình bản thể học là thao tác giúp ta khai thác hiệu quả và quan trọng nhất cho công việc này, bởi vì nếu không có nó thì bản thể học chỉ có chức năng nhƣ kho chứa mà thôi.

Suy diễn với các quy tắc có thể suy ra kiến thức mới, kiến thức tiềm ẩn cần thiết dựa trên những sự kiện đƣợc biết đến trƣớc đó đã mang lại những sự hiệu quả to lớn cho thế hệ Web ngữ nghĩa. Bản thể học Bản thể học (ontology) là tập từ vựng để mô hình hóa thế giới bên ngoài [11]. Nó đƣa ra các khái niệm cơ bản và định nghĩa quan hệ giữa các khái niệm đó trong một miền lĩnh vực. Đồng thời ontology còn cung cấp các ràng buộc, là các giả định cơ sở về ý nghĩa mong muốn của bộ từ vựng.

Ontology đƣợc xây dựng nhằm các mục đích sau: - Chia sẻ hiểu biết chung về cấu trúc thông tin giữa con ngƣời và phần mềm agent - Sử dụng lại tri thức về một miền lĩnh vực đã đƣợc xây dựng từ trƣớc LUAN VAN CHAT LUONG download : add [e-mail] 5 Hình 1-2: Chia sẻ bản thể học cho các ứng dụng [2]. Trong hình trên ta thấy các ứng dụng khác nhau, muốn trao đổi thông tin với nhau thì cần phải có một tri thức chung, vì vậy các ứng dụng này đểu sử dụng một ontology để có thể chia sẻ tri thức cho nhau. Ontology đƣợc sử dụng rộng rãi trong công nghệ tri thức, trí tuệ nhân tạo, và khoa học máy tính trong các ứng dụng liên quan đến quản lý tri thức, xử lý ngôn ngữ tự nhiên, thƣơng mại điện tử, tích hợp thông tin, tìm kiếm thông tin, thiết kế cơ sở dữ liệu… Một hình ảnh về mô hình Ontology: LUAN VAN CHAT LUONG download : add [e-mail] 6 Hình 1-3:Một mô hình bản thể học [3]. Ngôn ngữ ontology cho phép ngƣời sử dụng viết rõ ràng, các khái niệm hình thức của mô hình miền.

Các yêu cầu chính: - Cấu trúc rõ ràng: Đây là điều kiện cần cho máy có thể xử lý thông tin - Ngữ nghĩa hình thức miêu tả ý nghĩa tri thức một cách chính xác:Ý nghĩa của ngữ nghĩa hình thức tồn tại trong một thời gian dài trong miền toán logic. Việc sử dụng ngữ nghĩa hình thức cho phép con ngƣời suy diễn tri thức. Với tri thức trong ontology chúng ta có thể suy diễn về: + Thành viên của lớp: Nếu x là một thể hiện của lớp C và C là lớp con của lớp D thì chúng ta suy ra x là thể hiện của lớp D. + Các lớp tương đương: Nếu lớp A tƣơng đƣơng với lớp B và lớp B tƣơng đƣơng với lớp C, thì lớp A cũng tƣơng đƣơng với lớp C.

+ Tinh nhất quán: Giả sử chúng ta khai báo x là thể hiện của lớp A và A là lớp con của B ∩ C, A là lớp con của lớp D, Lớp B và lớp D không có quan hệ với nhau (disjoint). Thì chúng ta không nhất quán bởi vì A nên là rỗng nhƣng lại có thể hiện là x. Đây là một dấu hiệu của một lỗi trong ontology. LUAN VAN CHAT LUONG download : add [e-mail] 7 + Phân loại: Nếu chúng ta khai báo các cặp thuộc tính giá trị đã biết là điều kiện đủ cho thành viên trong một lớp A, thì nếu một cá thể x thỏa mãn các điều kiện, chúng ta có thể kết luận x phải là một thể hiện của A.

+ Ngữ nghĩa là điều kiện tiên quyết cho việc hỗ trợ suy diễn: Hỗ trợ suy diễn rất quan trọng bởi vì nó cho phép kiểm tra tính nhất quán của ontology và tri thức, kiểm tra các quan hệ thừa giữa các lớp, tự động phân loại các thể hiện trong lớp. Ngữ nghĩa hình thức và hỗ trợ suy diễn thƣờng đƣợc cung cấp bởi việc ánh xạ một ngôn ngữ ontology đến hình thức logic và sử dụng suy diễn tự động bởi các hình thức luôn tồn tại. OWL đƣợc ánh xạ logic miêu tả và sử dụng các suy diễn đang tồn tại nhƣ FaCT và RACER. Các logic mô tả là tập con của logic vị từ nhằm hỗ trợ suy diễn hiệu quả.

Các thành phần của bản thể học Ontology đƣợc sử dụng nhƣ là một biểu mẫu trình bày tri thức về thế giới hay một phần của nó. Ontology thƣờng miêu tả: - Cá thể (Individual): Các đối tƣợng cơ bản của Ontology, nền tảng; Các cá thể trong một Ontology có thể bao gồm các đối tƣợng rời rạc nhƣ: tên của một ngƣời, tên một cái cây, một chiếc xe ô tô,… - Lớp (Class): Các tập hợp, hay kiểu của các đối tƣợng. Lớp là những nhóm, bộ hoặc một tập hợp các đối tƣợng. Một lớp có thể gộp nhiều lớp hoặc đƣợc gộp vào lớp khác.

Một lớp gộp vào lớp khác đƣợc gọi là lớp con (subclass) của lớp gộp. Điều quan trọng của quan hệ xếp gộp là tính kế thừa. - Thuộc tính (Property): Đó là các tính năng, đặc điểm, tính cách, hay các thông số mà các đối tƣợng có và có thể đem ra chia sẻ. - Mối liên hệ (Relationships): Cách mà các đối tƣợng có thể liên hệ tới một đối tƣợng khác.

Tập hợp các quan hệ cùng nhau mô tả ngữ nghĩa của lĩnh vực (domain). Tập các dạng quan hệ đƣợc sử dụng và cây phân loại thứ bậc của chúng thể hiện sức mạnh diễn đạt của ngôn ngữ dùng để biểu diễn ontology. Ontology thƣờng phân biệt các nhóm quan hệ khác nhau. Ví dụ: + Quan hệ giữa các lớp + Quan hệ giữa các thực thể + Quan hệ giữa một thực thể và một lớp + Quan hệ giữa một đối tƣợng đơn và một tập hợp + Quan hệ giữa các tập hợp LUAN VAN CHAT LUONG download : add [e-mail] 8 Bộ từ vựng Ontology đƣợc xây dựng trên cơ sở tầng RDF, RDFS, cung cấp khả năng biểu diễn ngữ nghĩa mềm dẻo cho tài nguyên Web và có khả năng hỗ trợ lập luận.

Phƣơng pháp xây dựng bản thể học Trong những năm gần đây, một loạt các phƣơng pháp luận khác nhau đƣợc thiết kế để trợ giúp cho việc tiến hành phát triển các nhiệm vụ đƣợc báo cáo trong tài liệu trí tuệ nhân tạo. Các phƣơng pháp truyền thống gồm Cyc (Lenat & Guha 1990) [4], Uschold và King (Uschold $ King 1995) [5], Gruninger và Fox (Gruninger $ Fox 1994) [6],… Các phƣơng pháp luận cung cấp các chỉ dẫn chung và có cấu trúc. Nếu làm theo có thể tăng quy trình phát triển và cải tiến chất lƣợng cho kết quả cuối cùng. Theo nhƣ đánh giá phƣơng pháp luận “Methontology” là phƣơng pháp luận thiết kế ontology phổ biến nhất (đƣợc hỗ trợ môi trƣờng WebODE).

Quy trình phát triển Ontology là một quy trình gồm nhiều bƣớc, tuy nhiên vẫn chƣa có một phƣơng pháp chuẩn hóa nào để phát triển các ontology.