Tổng quan luận án

Luận án Tiến sĩ ngành Máy tính, chuyên ngành Hệ thống thông tin (mã số: 9 48 01 04) với đề tài "Một số phương pháp nâng cao hiệu quả dự báo lan truyền thông tin trên mạng xã hội" do nghiên cứu sinh Dương Ngọc Sơn thực hiện tại Học viện Khoa học và Công nghệ, Viện Hàn lâm Khoa học và Công nghệ Việt Nam vào năm 2022, dưới sự hướng dẫn khoa học của TS. Nguyễn Ngọc Cương.

Tính cấp thiết và khoảng trống nghiên cứu

Sự bùng nổ của mạng Internet và mạng xã hội trực tuyến đã tạo ra những kênh truyền thông có phạm vi tác động sâu rộng đến đời sống kinh tế, chính trị và xã hội. Dữ liệu thống kê từ Hootsuite và We Are Social vào tháng 1/2020 cho thấy tổng lượng người dùng Internet trên toàn thế giới đạt 4,54 tỷ người (tăng 298 triệu người so với tháng 1/2019); trong đó số lượng người dùng mạng xã hội đạt xấp xỉ 3,8 tỷ người, chiếm 49% dân số toàn cầu. Đối với nhóm người dùng từ 16 đến 64 tuổi, thời gian truy cập Internet trung bình mỗi ngày là 6 giờ 43 phút, riêng thời gian sử dụng các tiện ích mạng xã hội chiếm 2 giờ 24 phút.

Lượng thông tin phát sinh khổng lồ trên các mạng xã hội (như 250 triệu ảnh/ngày trên Facebook, 500 giờ video/phút trên YouTube, hơn 500 triệu tweet/ngày trên Twitter) kéo theo các tác động lớn. Lan truyền thông tin có thể định hình các sự kiện chính trị - xã hội (như Mùa xuân Ả Rập năm 2010 trên Facebook, cuộc bầu cử tổng thống Mỹ năm 2008 trên Twitter) nhưng cũng làm phát tán các luồng thông tin sai lệch gây tổn hại xã hội (tin đồn cúm lợn năm 2009, tin đồn nổ Nhà Trắng năm 2013, thông tin sai lệch về dịch Covid-19 đầu năm 2020 tại Việt Nam). Nhằm quản lý và kiểm soát thông tin, Chính phủ Việt Nam đã ban hành các văn bản quy phạm pháp luật như Nghị định 174/2013/NĐ-CP, Nghị định 49/2017/NĐ-CP và Nghị định 15/2020/NĐ-CP.

Qua quá trình tiếp xúc và vận hành thực tế các hệ thống phân tích dữ liệu mạng xã hội, tác giả nhận diện hai khoảng trống kỹ thuật lớn cần giải quyết:

  1. Thời gian tính toán và phân tích phục vụ dự báo lan truyền thông tin trên các đồ thị mạng xã hội quy mô lớn còn rất dài, ngay cả khi triển khai trên hệ thống máy tính hiệu năng cao.
  2. Độ chính xác trong việc dự báo lan truyền thông tin còn hạn chế do phần lớn các mô hình hiện hành chỉ dựa vào lịch sử tương tác và sở thích cá nhân mà bỏ qua tác động từ các yếu tố truyền thông hoặc xu hướng bên ngoài mạng xã hội.

Mục tiêu nghiên cứu

Luận án xác định mục tiêu tổng quát là nghiên cứu, phát triển và cải tiến các phương pháp nâng cao hiệu quả phân tích và dự báo lan truyền thông tin trên mạng xã hội, giải quyết cụ thể 02 mục tiêu:

  1. Nâng cao tốc độ (giảm thời gian) tính toán các tham số đồ thị phục vụ dự báo lan truyền thông tin.
  2. Nâng cao độ chính xác (giảm sai số) trong dự báo kích thước lan truyền thông tin trên mạng xã hội.

Đối tượng và phạm vi nghiên cứu

  • Đối tượng nghiên cứu: Các mô hình lan truyền thông tin trên mạng xã hội, cấu trúc dữ liệu đồ thị đại diện mạng xã hội, các độ đo trung tâm đồ thị (trọng tâm là Độ trung tâm trung gian - Betweenness Centrality), thuật toán tìm đường đi ngắn nhất, và các hàm xác suất kích hoạt thông tin giữa người dùng.
  • Phạm vi nghiên cứu:
    • Về mô hình đồ thị: Tập trung vào lớp đơn đồ thị, có hướng, kết nối, không trọng số.
    • Về môi trường tính toán: Hệ thống máy tính hiệu năng cao sử dụng kiến trúc CPU đa nhân với bộ nhớ chia sẻ và mô hình luồng CilkPlus.
    • Về dữ liệu thử nghiệm: Sử dụng các bộ dữ liệu mô phỏng và các bộ dữ liệu đồ thị mạng xã hội thực tế; ứng dụng kiểm thử gắn liền với hệ thống phân tích dữ liệu mạng xã hội trong khuôn khổ đề tài nghiên cứu cấp Viện Hàn lâm Khoa học và Công nghệ Việt Nam.

Tổng quan tài liệu và vị trí của luận án

Các hướng nghiên cứu trước đây

Tác giả đã hệ thống hóa các công trình nghiên cứu trong nước và quốc tế theo hai nhóm nhiệm vụ chính:

1. Nhóm nghiên cứu nâng cao tốc độ tính toán tham số đồ thị

  • Nén đồ thị: Feder và đồng sự (1995) [25] đề xuất nén đồ thị bằng phân vùng đồ thị lưỡng phân; Adler và đồng sự (2001) [26] đưa bài toán nén về cây bao trùm tối thiểu. Hạn chế của nhóm này là chỉ phục vụ lưu trữ tĩnh, không thích hợp cho mạng xã hội biến động liên tục.
  • Rút gọn đồ thị: Gilbert và đồng sự (2001) [27] đưa ra các thuật toán KeepOne, KeepAll và phương pháp xóa đỉnh thừa RVE (Redundant Vertex Elimination). Dũng (2016) [28] rút gọn đồ thị dựa trên thay thế đỉnh treo và đỉnh sườn nhưng chỉ áp dụng trên đồ thị nhỏ từ 100 đến 1.000 đỉnh.
  • Song song hóa tính toán độ đo trung tâm: Hạnh và đồng sự [29] song song hóa Độ trung tâm gần (Closeness Centrality). Bernaschi và đồng sự [30], Fan và đồng sự [31], McLaughlin và đồng sự [32] song song hóa thuật toán Brandes [33] trên bộ xử lý đồ họa GPU nhưng gặp khó khăn khi đồ thị có cấu trúc động. Các công cụ tính toán song song trên bộ nhớ chia sẻ dùng OpenMP như NetworKit và TeexGraph được dùng làm chuẩn so sánh hiệu năng.
  • Tính toán xấp xỉ và nền tảng phân tán: Mahmoody và đồng sự (2016) [34], Riondato và đồng sự (2014) [35] dùng kỹ thuật lấy mẫu đường đi ngắn nhất ngẫu nhiên để tính xấp xỉ Betweenness Centrality nhưng độ tin cậy không ổn định trên đồ thị mạng xã hội. Wei và đồng sự [36] sử dụng GraphLab và Apache Giraph trên siêu máy tính, thích hợp cho mạng hàng nghìn tỷ cạnh nhưng kém tối ưu với mạng quy mô dưới $2^{32}$ đỉnh.

2. Nhóm nghiên cứu nâng cao độ chính xác dự báo lan truyền

  • Mô hình hóa ảnh hưởng người dùng và nội dung: Kwak và đồng sự (2010) [37] dùng biến thể PageRank trên Twitter; Haveliwala (2002) [38] dùng vector PageRank theo truy vấn; Weng và đồng sự (2010) [39] đề xuất TwitterRank kết hợp chủ đề. Tuy nhiên, các cấu trúc liên kết mạng thường tĩnh hơn hành vi tương tác thực tế.
  • Yếu tố ảnh hưởng từ bên ngoài: Myers và đồng sự (2012) [40] nghiên cứu việc người dùng tiếp nhận thông tin truyền thông ngoài; Wu và đồng sự (2011) [41] kết hợp xu hướng ngoài với mô tả chủ đề. Điểm khác biệt là các tác giả này chỉ xem xét việc người dùng tiếp nhận thụ động, chưa phân tích tác động của yếu tố bên ngoài đến việc truyền tải giữa các cặp người dùng.
  • Dự đoán kích thước lan truyền: Cohen và đồng sự [15], Kempe và đồng sự (2003) [16], Lucier và đồng sự (2015) [17] ước tính kích thước lan truyền qua lấy mẫu và thuật toán tham lam. Szabo và đồng sự (2010) [42], Bakshy và đồng sự (2011) [45] sử dụng hồi quy tuyến tính; Jenders và đồng sự (2013) [46], Kupavskii và đồng sự (2012) [47] dùng thuật toán phân loại trong học có giám sát.

Khoảng trống luận án lựa chọn giải quyết

Luận án không áp dụng các phương pháp nén tĩnh hoặc lấy mẫu xấp xỉ gây sai số, mà chọn hướng tiếp cận:

  • Tích hợp kỹ thuật rút gọn đồ thị dựa trên thay thế các đỉnh tương đương bậc 1 ($deg(v)=1$) với kỹ thuật song song hóa thuật toán Brandes tính chính xác Betweenness Centrality bằng thư viện CilkPlus trên CPU.
  • Xây dựng mô hình tính xác suất lan truyền tích hợp đồng thời 03 thông số: mối quan hệ tương tác lịch sử, độ tương đồng sở thích nội dung và lượng hóa ảnh hưởng bên ngoài theo hàm logistic; từ đó xây dựng Cây lan truyền có khả năng nhất để dự báo kích thước lan truyền.

Cơ sở lý thuyết và phương pháp nghiên cứu

Cơ sở lý thuyết và các khái niệm cốt lõi

Luận án vận dụng lý thuyết đồ thị, lý thuyết tính toán song song và lý thuyết mô hình lan truyền thông tin rời rạc:

1. Lý thuyết biểu diễn đồ thị

Một mạng xã hội được mô hình hóa thành đồ thị $G = (V, E)$, với $V$ là tập đỉnh (người dùng) và $E$ là tập cạnh (quan hệ giữa các người dùng). Các cấu trúc biểu diễn được phân tích gồm:

  • Danh sách cạnh (Edge List): Độ phức tạp không gian $O(|E|)$, chi phí truy vấn láng giềng cao.
  • Ma trận liền kề (Adjacency Matrix): Độ phức tạp không gian $O(|V|^2)$, phù hợp đồ thị dày nhưng không khả thi cho mạng xã hội quy mô hàng triệu đỉnh.
  • Danh sách liền kề (Adjacency List): Độ phức tạp không gian $O(|V| + |E|)$, tối ưu cho đồ thị thưa.
  • Ma trận liên thuộc (Incidence Matrix): Độ phức tạp không gian $O(|V| \cdot |E|)$.
  • Ma trận hàng thưa nén (Compressed Sparse Row - CSR): Biểu diễn đồ thị $n \times n$ ($n = |V|$) với $k$ giá trị khác không thông qua ba mảng một chiều: Mảng $X$ (độ dài $k$, lưu các giá trị khác 0 theo thứ tự hàng), Mảng $Y$ (độ dài $n+1$, lưu giá trị cộng dồn phần tử khác 0 mỗi hàng), Mảng $Z$ (độ dài $k$, lưu chỉ mục cột).

2. Các độ đo trung tâm trên đồ thị

Bốn độ đo trung tâm cơ bản được luận án chuẩn hóa bằng công thức toán học:

Độ đo trung tâm Ký hiệu Công thức xác định Ý nghĩa học thuật
Độ trung tâm bậc (Degree Centrality) $DC(v)$ $DC(v) = deg(v)$ Số lượng liên kết trực tiếp của đỉnh $v$. Phân thành $DC_{in}$ và $DC_{out}$ trên đồ thị có hướng.
Độ trung tâm gần (Closeness Centrality) $CC(v)$ $CC(v) = \frac{1}{\sum_{u \in V} dst(u, v)}$ Mức độ gần gũi của đỉnh $v$ tới tất cả các đỉnh khác trong thành phần liên thông lớn nhất $\Gamma_G$.
Độ trung tâm trung gian (Betweenness Centrality) $BC(v)$ $BC(v) = \sum_{s \neq v \neq t \in V} \frac{\sigma_{st}(v)}{\sigma_{st}}$ Tần suất đỉnh $v$ đóng vai trò là cầu nối trên các đường đi ngắn nhất giữa mọi cặp đỉnh $s$ và $t$.
Độ trung tâm vector riêng (Eigenvector Centrality) $x_v$ $x_v = \frac{1}{\lambda} \sum_{t \in M(v)} x_t = \frac{1}{\lambda} \sum_{t \in G} a_{v,t} x_t$ Đánh giá tầm quan trọng của $v$ dựa trên tầm quan trọng của các đỉnh láng giềng $M(v)$ kết nối với nó.

Để tính $BC(v)$ cho toàn bộ đồ thị, giải thuật Johnson có độ phức tạp $O(|V|^2\log|V| + |V||E|)$ và Floyd-Warshall có độ phức tạp $O(|V|^3)$. Giải thuật Brandes trên đồ thị không trọng số đạt độ phức tạp thời gian $O(|V||E|)$ và không gian $O(|V| + |E|)$.

3. Mô hình lan truyền thông tin

  • Mô hình Ngưỡng tuyến tính (Linear Threshold - LT): Nút được kích hoạt khi tổng trọng số ảnh hưởng từ các nút láng giềng vượt qua một ngưỡng ngẫu nhiên $\theta_v \sim U(0, 1)$.
  • Mô hình Bậc độc lập (Independent Cascade - IC): Khi nút $u$ được kích hoạt tại bước $t$, nó có duy nhất một cơ hội kích hoạt nút láng giềng $v$ chưa kích hoạt với xác suất $p_{u,v}$. Luận án chọn mở rộng trên nền tảng mô hình IC rời rạc.

Phương pháp nghiên cứu thực tế

  • Phương pháp định lượng và thực nghiệm thuật toán:
    • Xây dựng giải thuật rút gọn đồ thị kết hợp song song hóa Red-Bet trên ngôn ngữ C/C++ có tích hợp thư viện CilkPlus.
    • Đo đạc thời gian thực thi (giây) và hệ số tăng tốc (speedup $S_p = T_1 / T_p$) khi thay đổi số luồng xử lý trên các hệ thống máy tính đa nhân.
    • Xây dựng thuật toán tính xác suất kích hoạt 3 thành phần và thuật toán xây dựng Cây lan truyền.
  • Nguồn tư liệu và dữ liệu thực nghiệm:
    • Dữ liệu mô phỏng: Đồ thị ngẫu nhiên 400 đỉnh, 500 đỉnh để kiểm chứng tính toàn vẹn của các độ đo trước và sau rút gọn.
    • Dữ liệu thực tế: 05 bộ dữ liệu mạng xã hội chuẩn được sử dụng để đánh giá thời gian tính $BC$ và so sánh với NetworKit, TeexGraph; cùng dữ liệu nhật ký hoạt động tương tác người dùng (bình luận, chia sẻ, đăng bài) thu thập từ hệ thống phân tích mạng xã hội thực tế tại Việt Nam.

Nội dung chính theo từng chương

Chương I: Tổng quan về lan truyền thông tin trên mạng xã hội

Chương I thiết lập bức tranh tổng quan về các hướng nghiên cứu trong phân tích mạng xã hội, bao gồm: khai phá dữ liệu mạng xã hội, phân tích mô hình dữ liệu đồ thị, phát hiện cấu trúc cộng đồng (thuật toán Girvan-Newman, CONGA, CONGO, COPRA), an toàn thông tin (chống rò rỉ dữ liệu, phát hiện tin giả) và dự báo lan truyền thông tin.

Chương này trình bày chi tiết các lý thuyết nền tảng về đồ thị, các phương pháp biểu diễn đồ thị (danh sách cạnh, ma trận kề, danh sách kề, ma trận liên thuộc, ma trận hàng thưa nén CSR), kiến trúc hệ thống tính toán song song (bộ nhớ chia sẻ UMA/NUMA, bộ nhớ phân tán, kiến trúc lai), định luật Amdahl, cùng các mô hình lan truyền thông tin cơ bản (LT, IC, live-edge) và các biến thể mở rộng (ASIC, phân phối trễ Rayleigh/lũy thừa, lan truyền theo chủ đề). Trên cơ sở phân tích ưu nhược điểm của các nghiên cứu liên quan, tác giả xác định đề xuất kỹ thuật cho hai bài toán trọng tâm: nâng cao tốc độ tính Betweenness Centrality và nâng cao độ chính xác dự báo kích thước lan truyền.

Chương II: Nâng cao tốc độ dự báo lan truyền thông tin

Chương II tập trung giải quyết bài toán giảm thời gian tính toán tham số mạng thông qua giải thuật đề xuất Red-Bet, tích hợp hai kỹ thuật:

Giải thuật Red-Bet = [Kỹ thuật rút gọn đỉnh tương đương bậc 1] + [Song song hóa SSSP Brandes bằng CilkPlus]

1. Kỹ thuật rút gọn đồ thị dựa trên đỉnh tương đương bậc 1

  • Nguyên lý: Trong đơn đồ thị có hướng không trọng số, các đỉnh treo có bậc bằng 1 ($deg(v) = 1$) luôn có Độ trung tâm trung gian bằng 0 ($BC(v) = 0$) vì chúng không thể đóng vai trò trung gian trên đường đi ngắn nhất giữa hai đỉnh khác bất kỳ. Khi các đỉnh treo này cùng kết nối tới một đỉnh láng giềng chung, giải thuật loại bỏ các đỉnh dư thừa và chỉ giữ lại 01 đỉnh đại diện.
  • Hiệu quả bảo toàn: Kỹ thuật này làm giảm quy mô số đỉnh và cạnh của đồ thị nhưng không làm biến đổi cấu trúc đường đi ngắn nhất giữa các đỉnh trung tâm quan trọng, đồng thời duy trì tính đúng đắn của thứ bậc $BC$.

2. Kỹ thuật song song hóa thuật toán Brandes

  • Thuật toán Brandes bao gồm hai pha chính: Pha 1 duyệt BFS từ đỉnh nguồn $s$ để tính số đường đi ngắn nhất $\sigma$ và khoảng cách $dist$; Pha 2 duyệt ngược danh sách ngăn xếp $S$ để tích lũy độ phụ thuộc $\delta$ và cập nhật giá trị $BC$.
  • Luận án thực hiện song song hóa vòng lặp ngoài duyệt qua các đỉnh nguồn $s \in V$ (các bài toán Single-Source Shortest Path - SSSP độc lập) bằng cách sử dụng mô hình đa luồng của CilkPlus trên CPU đa nhân, tối ưu hóa việc phân chia tác vụ và truy cập vùng nhớ dùng chung.

3. Kết quả thực nghiệm Chương II

Thực nghiệm so sánh giải pháp Red-Bet với hai công cụ phân tích đồ thị chuẩn là NetworKit và TeexGraph trên 05 bộ dữ liệu đồ thị thực nghiệm:

Bộ dữ liệu thử nghiệm Đồ thị trước rút gọn (Đỉnh / Cạnh) Đồ thị sau rút gọn (Đỉnh / Cạnh) Thời gian Red-Bet (giây) So sánh với TeexGraph So sánh với NetworKit
DS1 Ghi nhận theo Bảng 2.4 Thu gọn theo Bảng 2.4 Giảm theo số luồng Hệ số tăng tốc vượt trội Thời gian thực thi ngắn hơn
DS2 Ghi nhận theo Bảng 2.4 Thu gọn theo Bảng 2.4 Giảm theo số luồng Hệ số tăng tốc vượt trội Thời gian thực thi ngắn hơn
DS3 Ghi nhận theo Bảng 2.4 Thu gọn theo Bảng 2.4 Giảm theo số luồng Hệ số tăng tốc vượt trội Thời gian thực thi ngắn hơn
DS4 Ghi nhận theo Bảng 2.4 Thu gọn theo Bảng 2.4 Giảm theo số luồng Hệ số tăng tốc vượt trội Thời gian thực thi ngắn hơn
DS5 Ghi nhận theo Bảng 2.4 Thu gọn theo Bảng 2.4 Giảm theo số luồng Hệ số tăng tốc vượt trội Thời gian thực thi ngắn hơn

Kết quả đo đạc cho thấy khi tăng số luồng thực thi trong CilkPlus, thời gian tính toán $BC$ của Red-Bet giảm rõ rệt và đạt hệ số tăng tốc cao hơn so với việc tính toán trực tiếp trên đồ thị gốc chưa rút gọn, đồng thời vượt trội hơn tốc độ xử lý của TeexGraph và NetworKit trên cùng phần cứng.

Chương III: Nâng cao độ chính xác dự báo lan truyền thông tin

Chương III trình bày giải pháp nâng cao độ chính xác dự báo kích thước lan truyền theo mô hình Bậc độc lập (IC) mở rộng thông qua hai bước:

1. Xác định xác suất lan truyền tích hợp 03 thành phần

Xác suất kích hoạt người dùng $v$ chấp nhận thông tin từ người dùng $u$ đối với chủ đề $m$ được mô hình hóa dựa trên ba yếu tố:

  • Quan hệ người dùng ($P_{rel}$): Tính toán dựa trên tần suất tương tác lịch sử (đăng bài, chia sẻ, bình luận) giữa $u$ và $v$ từ nhật ký hoạt động mạng xã hội (Bảng 3.1).
  • Sở thích nội dung ($P_{pref}$): Đánh giá mức độ phù hợp giữa hồ sơ sở thích cá nhân của người dùng $v$ và nội dung/chủ đề của thông tin $m$.
  • Ảnh hưởng bên ngoài ($P_{ext}$): Định lượng tác động từ môi trường truyền thông và các sự kiện ngoài mạng xã hội thông qua hàm phi tuyến logistic (Hình 3.3).

2. Xây dựng Cây lan truyền có khả năng nhất

  • Dựa trên các xác suất kích hoạt đã tính toán cho từng cạnh, giải thuật tiến hành xây dựng Cây lan truyền (Propagation Tree) bắt đầu từ nút nguồn phát tán.
  • Cây lan truyền lựa chọn các nhánh có xác suất lan truyền cực đại để mô phỏng đường đi lan truyền thông tin theo từng tầng bậc thời gian rời rạc, từ đó ước tính tổng kích thước lan truyền (số lượng nút bị kích hoạt).

3. Kết quả thực nghiệm Chương III

Thực nghiệm so sánh mô hình đề xuất với các phương pháp cơ sở trên hai kịch bản dữ liệu:

  • Kịch bản 1 (Chưa xét ảnh hưởng bên ngoài - Bảng 3.2, Hình 3.6): Việc kết hợp quan hệ người dùng và sở thích nội dung giúp giảm sai số dự báo kích thước lan truyền so với các mô hình IC truyền thống.
  • Kịch bản 2 (Xuất hiện ảnh hưởng bên ngoài - Bảng 3.3, Hình 3.7): Khi có sự kiện bên ngoài tác động mạnh, mô hình tích hợp đủ 03 thành phần duy trì sai số thấp nhất, phản ánh sát với kích thước lan truyền thực tế so với các phương pháp không mô hình hóa tác động bên ngoài.

Kết quả và những đóng góp mới

Luận án đã đạt được các đóng góp học thuật và thực tiễn chính như sau:

1. Đóng góp về mặt lý thuyết và phương pháp

  • Đề xuất kỹ thuật rút gọn đồ thị bảo toàn đỉnh trung tâm: Đưa ra phương pháp thay thế các đỉnh tương đương bậc 1 ($deg(v)=1$) có $BC=0$, giúp giảm không gian lưu trữ và khối lượng tính toán mà không làm sai lệch tính chất quan trọng của các đỉnh trung tâm trên đơn đồ thị có hướng không trọng số.
  • Đề xuất giải thuật tính toán song song Red-Bet: Kết hợp kỹ thuật rút gọn đồ thị với song song hóa thuật toán Brandes bằng thư viện CilkPlus trên CPU đa nhân, giải quyết bài toán nghẽn cổ chai thời gian khi tính Betweenness Centrality trên mạng xã hội quy mô lớn.
  • Xây dựng mô hình xác suất lan truyền đa yếu tố: Phát triển công thức tính xác suất chấp nhận thông tin trên mô hình Bậc độc lập (IC) kết hợp đồng thời 03 tham số: quan hệ người dùng, sở thích nội dung và lượng hóa ảnh hưởng bên ngoài qua hàm logistic.
  • Phương pháp ước tính kích thước lan truyền bằng Cây lan truyền: Đề xuất thuật toán sinh Cây lan truyền có khả năng nhất để xác định phạm vi lan truyền thông tin có độ chính xác cao.

2. Đóng góp về mặt ứng dụng thực tiễn

  • Toàn bộ mã nguồn giải thuật Red-Bet được đóng gói và công bố công khai trên kho lưu trữ mã nguồn mở GitHub (sondn89/bigGraphplus).
  • Các kết quả nghiên cứu đã được thử nghiệm và tích hợp trực tiếp vào "Hệ thống phân tích dữ liệu mạng xã hội" phục vụ công tác giám sát thông tin, hỗ trợ phát hiện điểm nóng, truy vết nguồn phát tán và dự báo luồng thông tin trong khuôn khổ đề tài nghiên cứu cấp Viện Hàn lâm Khoa học và Công nghệ Việt Nam.

Hạn chế và hướng nghiên cứu tiếp

Căn cứ theo các nội dung được trình bày trong luận án, các hạn chế kỹ thuật và định hướng phát triển bao gồm:

Hạn chế của luận án

  • Phạm vi lớp đồ thị: Các kỹ thuật rút gọn và thuật toán song song trong luận án mới chỉ tập trung xử lý cho đơn đồ thị có hướng, kết nối và không có trọng số; chưa mở rộng cho đa đồ thị hoặc đồ thị có trọng số phức tạp.
  • Giới hạn rút gọn bậc: Kỹ thuật rút gọn đồ thị hi