Nghiên Cứu Mô Hình Khai Thác Mạng Thông Tin Không Đồng Nhất và Ứng Dụng

Chuyên khảo phân tích Nghiên cứu mô hình khai thác mạng thông tin không đồng nhất và ứng dụng, đánh giá các khía cạnh quan trọng, đề xuất hướng nghiên cứu tiếp theo.

• Tác giả: Phạm Thế Anh Phú
• Người hướng dẫn: PGS. Đỏ Phúc
• Trường học: Đại Học Quốc Gia TP. HCM
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Nghiên Cứu Mô Hình Khai Thác Mạng Thông Tin Không Đồng Nhất
• Loại tài liệu: luận án tiến sĩ
• Năm xuất bản: 2022
• Địa điểm: Hồ Chí Minh

Tóm tắt

I. Tổng quan về Nghiên Cứu Mô Hình Khai Thác Mạng Thông Tin Không Đồng Nhất

Nghiên cứu mô hình khai thác mạng thông tin không đồng nhất (HIN) đang trở thành một lĩnh vực quan trọng trong công nghệ thông tin. Mạng thông tin không đồng nhất cho phép phân tích và khai thác dữ liệu từ nhiều nguồn khác nhau, giúp cải thiện độ chính xác và hiệu suất trong việc tìm kiếm thông tin. Việc hiểu rõ về mô hình này sẽ giúp các nhà nghiên cứu và ứng dụng phát triển các giải pháp tối ưu hơn.

1.1. Khái niệm về Mạng Thông Tin Không Đồng Nhất

Mạng thông tin không đồng nhất (HIN) là một cấu trúc dữ liệu phức tạp, bao gồm nhiều loại thực thể và mối quan hệ khác nhau. Điều này cho phép khai thác thông tin từ nhiều nguồn khác nhau, tạo ra một bức tranh toàn diện hơn về dữ liệu.

1.2. Tầm quan trọng của Nghiên Cứu Mạng Thông Tin

Nghiên cứu mạng thông tin không đồng nhất giúp giải quyết nhiều vấn đề trong việc phân tích dữ liệu lớn. Nó cung cấp các phương pháp mới để tối ưu hóa việc tìm kiếm và phân tích thông tin, từ đó nâng cao hiệu suất của các hệ thống thông tin.

II. Các Thách Thức trong Khai Thác Mạng Thông Tin Không Đồng Nhất

Mặc dù có nhiều lợi ích, việc khai thác mạng thông tin không đồng nhất cũng gặp phải nhiều thách thức. Các vấn đề như độ phức tạp trong việc xử lý dữ liệu, sự không đồng nhất trong cấu trúc dữ liệu và các thuật toán khai thác chưa tối ưu là những yếu tố cần được giải quyết.

2.1. Độ Phức Tạp trong Xử Lý Dữ Liệu

Xử lý dữ liệu trong mạng thông tin không đồng nhất thường gặp khó khăn do sự đa dạng của các loại dữ liệu và mối quan hệ giữa chúng. Điều này đòi hỏi các thuật toán phải có khả năng xử lý linh hoạt và hiệu quả.

2.2. Sự Không Đồng Nhất trong Cấu Trúc Dữ Liệu

Sự không đồng nhất trong cấu trúc dữ liệu có thể dẫn đến việc khó khăn trong việc áp dụng các phương pháp khai thác thông tin. Các nhà nghiên cứu cần phát triển các mô hình có khả năng thích ứng với sự đa dạng này.

III. Phương Pháp Khai Thác Mạng Thông Tin Không Đồng Nhất Hiệu Quả

Để khai thác mạng thông tin không đồng nhất một cách hiệu quả, cần áp dụng các phương pháp tiên tiến như W-PathSim và W-MetaPath2Vec. Những phương pháp này giúp cải thiện độ chính xác và hiệu suất trong việc tìm kiếm thông tin.

3.1. Mô Hình W PathSim trong Khai Thác Dữ Liệu

Mô hình W-PathSim sử dụng các trọng số chủ đề để tính toán sự tương đồng giữa các thực thể trong mạng thông tin không đồng nhất. Điều này giúp nâng cao độ chính xác trong việc tìm kiếm thông tin.

3.2. Mô Hình W MetaPath2Vec và Ứng Dụng

Mô hình W-MetaPath2Vec cho phép nhúng mạng thông tin không đồng nhất vào không gian vector, từ đó cải thiện khả năng tìm kiếm và phân tích dữ liệu. Ứng dụng của mô hình này rất đa dạng trong các lĩnh vực như phân tích mạng xã hội và khai thác dữ liệu.

IV. Ứng Dụng Thực Tiễn của Mô Hình Khai Thác Mạng Thông Tin

Mô hình khai thác mạng thông tin không đồng nhất đã được áp dụng trong nhiều lĩnh vực khác nhau, từ phân tích mạng xã hội đến dự đoán liên kết trong các hệ thống thông tin. Những ứng dụng này không chỉ giúp cải thiện hiệu suất mà còn mang lại giá trị thực tiễn cao.

4.1. Phân Tích Mạng Xã Hội

Trong phân tích mạng xã hội, mô hình khai thác mạng thông tin không đồng nhất giúp xác định các mối quan hệ giữa người dùng, từ đó đưa ra các gợi ý và dự đoán chính xác hơn về hành vi của người dùng.

4.2. Dự Đoán Liên Kết trong Hệ Thống Thông Tin

Mô hình này cũng được sử dụng để dự đoán các liên kết mới trong mạng thông tin, giúp cải thiện khả năng kết nối và tương tác giữa các thực thể trong hệ thống.

V. Kết Luận và Hướng Phát Triển Tương Lai

Nghiên cứu mô hình khai thác mạng thông tin không đồng nhất đã mở ra nhiều cơ hội mới trong lĩnh vực công nghệ thông tin. Tuy nhiên, vẫn còn nhiều thách thức cần được giải quyết để tối ưu hóa các phương pháp khai thác dữ liệu.

5.1. Đánh Giá Kết Quả Nghiên Cứu

Kết quả nghiên cứu cho thấy các mô hình khai thác mạng thông tin không đồng nhất có khả năng cải thiện đáng kể độ chính xác và hiệu suất trong việc tìm kiếm thông tin.

5.2. Hướng Phát Triển Tương Lai

Trong tương lai, cần tiếp tục nghiên cứu và phát triển các mô hình mới, cải tiến các thuật toán hiện tại để đáp ứng tốt hơn nhu cầu khai thác dữ liệu trong các lĩnh vực khác nhau.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: TỐNG QUAN VÈ LUẬN ÁN 1. Khái quát vê khai phá mạng thông tin k. Sự phổ biến & đa dạng của B. Phân tích và khai phá mạng nhiều mạng thông tin hiện nay thông tin giúp đem lại nhiều trên toàn cầu tri thức hữu ích cho con người Hình 1-1.

Sự phổ biến và tầm quan trọng của việc phân tích và khai phá mạng thông tin Phân tích và khai phá mạng thông tin (Information Network Analysis & Mining - INAM) [1] [2] là một trong các chủ đề thu hút nhiều nhà nghiên cứu [1] [2] [3] [4], 1NAM được ứng dụng trong nhiều lình vực khác nhau. Đicn hình các ứng dụng của INAM là: phân tích mạng xã hội (social network analysis) [5], xây dựng các hệ khuyến nghị (recommedation system) [6] [7] dựa trên dừ liệu mạng thông tin, truy hồi dừ liệu trên mạng thông tin (networked data retrieval) [8], hay phân tích các dạng dừ liệu có cấu trúc mạng thông tin như gene, protein (trong tin sinh học) [9] [10], cấu trúc và thành phần cua phân tứ [11] [12], Bên cạnh đó, gần đây khai phá mạng thông tin được ứng dụng trong việc phân tích hành vi và xu thế của con người, thông qua việc phân tích sự tương tác của họ trên các mạng xã hội phố biến hiện nay như: Faccbook[l], Twitter[2], Wcibo[3], Instagram[4], IMDb[s]6 và TikTok[6l [1] [2] [13]. Sức mạnh của việc khai phá mạng thông tin ở chỗ có thể can 1 Mạng XH Facebook: https: ỉỉWWW. faceb 00 k ■ com/ 2 Mạng XH Twitter: https://twitter.com/ 3 Mạng XH Weibo: https://www.com/ 4 Mạng XH hình anh Instagram: https://www.com/ ■ Mạng thông tin phim IMDb: https://www.com/ 6 Mạng XH video/âm nhạc TikTok: https://www.com/ 1 thiệp và điều khiên được cách suy nghĩ và hành động cúa các người dùng trong mạng thông tin đó.

Bản chất liên kết của dũ’ liệu và tầm quan trọng cúa khai phá mạng thông tin. Có thể thấy rằng đa phần các dạng và cấu trúc dừ liệu mà chúng ta tiếp xúc hằng ngày đều ít/nhiều tồn lại ở các dạng liên kết với nhau, điển hình như: mạng Internet (WWW), các trang mạng xã hội (Facebook, Twitter, MySpace và Weibo), các mạng học thuật (DBLP và DBIS), các bách khoa toàn thư mở (encyclopedia) ở dạng các đo thị tri thức (Wikipedia, YAGO và Frccbasc), hay các diễn đàn và các trang mạng tin tức (minh họa tại Hình 1-1). Sự liên kết giữa các thực thế dừ liệu trong mạng thông tin giúp hồ trợ và làm giàu thêm ngừ nghĩa cho chính nó cũng như các thực thể mà nó liên kết đến. Ví dụ như liên kết/tham chiếu thông qua các siêu liên kết (hyperlink) giữa các website, các mối quan hệ giữa các người dùng với nhau trong mạng xã hội, các khái niệm (concept) có các quan hệ tham chiếu lẫn nhau trong các bách khoa toàn thư.

Bên cạnh đó, chúng ta có thế thấy ràng bản chất của các “liên kết" / “cung" / “quan hệ" trong mạng thông tin không chi hồ trợ làm giàu ngữ nghĩa cho các “thực the" / “nút" trong mạng thông tin mà ban thân nó cũng mang nhiều thông tin quan trọng hàm chứa bên trong và làm cho nó khác biệt với các quan hệ khác. Lấy ví dụ chúng ta có nhiều loại quan hệ giữa các người dùng với nhau trong mạng xã hội (người_dùng-người_dùng), hay các quan hệ khác loại giữa các khái niệm (con_người và vị_trí_địa_lý) khác nhau trong các bách khoa toàn thư, đồ thị tri thức. Nếu chi phân tích mối liên kết giữa các thực thể trong mạng thông tin cũng đã có cung cấp cho ta nhiều thòng tin thú vị từ mạng thông tin, dien hình như thuật toán PagcRank (đề xuất bới Larry Page & Sergey Brin, 1995) nhằm hồ trợ phân tích mức độ và tầm quan trọng của các liên kết giữa các nút trong mạng thông tin, ví dụ như các websites và các quan hệ tham chiếu (hyperlink) giữa chúng. Đề từ đó xếp hạng mức độ quan trọng cùa các nút trong mạng thông tin dựa trên các mối quan hệ giữa chủng.

PageRank [14] được áp dụng như một trong các thuật toán cốt lõi, dùng để xếp hạng các website kết quà được trả về cho người dùng trong cồ máy tìm kiếm Google. Từ các ý tường cúa PagcRank, hàng loạt các thuật toán nền táng cho việc khai phá mạng thông tin được ra đời như P-PageRank, SCAN và SimRank. Đi cùng với sự bùng nô của Internet trong giai đoạn hiện nay kích thước của các mạng thông tin cũng lãng lên mộl cách nhanh chóng. 2 Trong khái niệm của BigData, 3 chữ “V” được dùng đô mô tả sự tăng trương cúa các mang thông tin về các mặt như sau: • Volume (kích thước): các mạng thông tin ngày nay đều có kích thước vô cùng lớn với hàng tý các nút (WWW với hàng tý websites), các mạng xã hội vói hàng trăm (Twitter hay MySpace) tới hàng tỷ (Facebook hay Weibo) người dùng, các mạng thông tin học thuật (DBLP hay DBIS) với hàng triệu tác giả, bài báo hay các bách khoa toàn thư mở, đồ thị tri thức với hàng trăm triệu các khái niệm (YAGO, Wikipedia hay Freebase).

Kích thước mạng thông tin lớn sẽ gây nhiều khó khăn trong việc lưu trữ, xư lý và và khai phá sao cho hiệu qua. • Velocity (tốc độ): tốc độ tăng trường liên tục của dừ liệu trên các mạng thông tin hiện nay cùng rất lớn, dien hình theo thong kê cuối năm 2018 thì mỗi ngày trên WWW xuất hiện mới hơn 4 triệu websites mồi ngày. Các mạng xã hội phố biến như Facebook có hơn 510,000 bình luận/bài viết được tạo mới mồi 1 phút. Tốc độ tăng trưởng của dữ liệu nhanh đòi hỏi các mô hình khai phá mạng thông tin cần có hiệu xuất cao và nhanh hơn đề đáp ứng được với sự gia tăng liên tục cua dừ liệu.

• Variety (sự đa dạng): sự đa dạng của các thực thê khác nhau trong mạng thông tin là một trong các thách thức lớn. Các mạng thông tin có cấu trúc đa dạng và phức tạp như các mạng xã hội hay các đồ thị tri thức với rất nhiều loại nút và quan hệ. Kích thước lớn, tốc độ tăng trường nhanh và sự da dạng trong cẩu trúc dược xem là các thách thức nhưng cũng được xem là tiềm năng cho việc phát triển các ứng dụng hữu ích cho con người trong nhiều lĩnh vực dựa trên việc phân tích và khai phá các tri thức cua các mạng thông tin nói trên. Đặc biệt đối với sự đa dạng trong cấu trúc của các mạng thông tin hiện nay có thể xem là một trong các thách thức lớn nhất cho lĩnh vực khai phá mạng thông tin.

Sự đa dạng trong loại của các nút cũng như mối quan hệ giữa chúng khiến các mô hình khai phá truyền thống như P-PageRank và SimRank không còn có the áp dụng một cách hiệu quả nữa. Do đó khai sinh ra một trào lưu mới trong khai phá mạng thông tin, được gọi là "'khai phá mạng thông tin không đong nhảt". Tông quan và các hướng tiêp cận trong lĩnh vực khai phá /nạng thông tin Khai phá mạng thông tin đồng nhất (Homogeneous Information Network - HoIN) và không đồng nhất (Heterogeneous Information Network - HIN). Với các mô hình phân 3 bằng một quan hệ đại diện đồng tác giả sẽ làm mất đi nhiều thông tin quan trọng cũng như ngừ nghĩa thuật sự của quan hệ đỏ.

Do đó, cần có một hướng tiếp cận mới, trong đó việc phân tích và khai phá mạng thông tin cần chú trọng đến sự khác biệt trong loại của các nút và mối quan hệ giữa chủng {heterogeneous: đa dạng/đa tạp). Hướng tiếp cận này dược gọi là phân tích và khai phá mạng thông tin không đồng nhất (HIN). Lịch sử hình thành và các tiền đề phát triển Ý tưởng về mạng thông tin không đồng nhất, với nhiều loại nút/thực thể và quan hệ đã được đề cập trong công bố của Tang, J. Trong dự án AMincr, Tang, J.

& cộng sự cũng đã đưa ra các ý tưởng về hướng tiếp cận kết hợp giữa phân tích cẩu trúc và nội dung/chủ đề cho các bài toán liên quan đến khai phá mạng thông tin học thuật. Tuy nhiên, tại thời điểm đó, Tang, J. & cộng sự [15] chưa đề cập sâu đến khía cạnh phân tích mạng thông tin trong ngừ cảnh có nhiều loại quan hệ và nút/thực thè của các dạng mạng thông tin không đồng nhất thường gặp trong thực tế. Bên cạnh hướng tiếp cận liên quan đến khia cạnh xây dựng và khai phá cấu trúc mạng thông tin đe rút trích được các tri thức hữu ích, còn có các hướng tiếp cận khác tập trung vào việc giải quyết các vấn đề liên quan đến nhập nhằng trong dừ liệu của mạng thông tin [16] [17] [18].

Trong hướng tiếp cận phân tích cấu trúc mạng thông tin, nham hồ trợ cho việc phân tích và rút trích các mối quan hệ giàu ngữ nghĩa giữa các thực thể trong mạng thông tin, Ni Lao & cộng sự (2010) [19] đã đề xuất ỷ tướng áp dụng cư chế phân tích quan hệ dạng đường đi có ràng buộc giữa các nút, nhằm tăng độ chính xác cho bài toán tìm kiếm tương đồng trên mạng thông tin. Tuy nhiên hướng tiếp cận cùa Ni Lao & cộng sự [19] chưa phân biệt rõ loại cua các quan hệ cũng như các nút/thực thể nằm trên đường đi giữa hai nút/thực thế được xét trong mạng thông tin. Khai phủ mạng thông tin không đông nhát & meta-path Cơ sở lý thuyết về việc phân tích và khai phá mạng thông tin không đồng nhất HIN - lần đầu được đề xuất lần đầu tiên bơi Sun Y. Han (2011) [2] [4], Mô hình được đề xuất phải đàm bảo khả năng phân tách sự khác biệt trong loại của các thực thể và liên kết cũng 7 Dự án AMiner: https://www.org/ 5 tích và khai phá mạng thông tin truyền thống, việc đánh giá mức độ lien kết giữa các nút trong mạng thông tin có vai trò quan trọng hon các yếu tố khác.

Việc xác định mức độ tương đồng hay xếp hạng các nút đa phần dựa trên số lượng/mật độ cúa các liên kết giữa nó với các nút khác (điển hình như P-PageRank, SCAN và SimRank). Hầu hết các mô hình truyền thông trên bo qưa sự khác biệt trong loại giữa các nút và mối quan hệ giữa chúng (chi có một loại nút và quan hệ duy nhất). Hướng tiếp cận này được gọi là khai phá mạng thông tin đồng nhất {homogeneous: đơn nhẩt/đồng nhất).