Tổng quan về luận án

Sự bùng nổ của kỷ nguyên dữ liệu lớn (Big Data) và thông tin phi cấu trúc trên Internet đặt ra thách thức căn bản cho các hệ thống truy xuất thông tin (Information Retrieval - IR) truyền thống. Các công cụ tìm kiếm dựa trên so khớp từ khóa (keyword-based search) thường bộc lộ hạn chế nghiêm trọng khi người dùng không có kiến thức chuyên môn sâu, dẫn đến việc không thể đặc tả chính xác nhu cầu thông tin dưới dạng các truy vấn chuẩn xác. Khoảng cách ngữ nghĩa (semantic gap) này đặc biệt nghiêm trọng trong lĩnh vực y tế và bệnh học: người dùng phổ thông khi tra cứu thường chỉ mô tả các triệu chứng lâm sàng sơ khai, tản mạn mà không biết tên bệnh danh hay thuật ngữ y khoa chuẩn hóa theo hệ thống phân loại quốc tế.

Trước thực trạng đó, luận án tiến sĩ chuyên ngành Cơ sở toán học cho tin học (mã số: 9 46 01 10) của tác giả Nguyễn Hồng Sơn với đề tài "Nghiên cứu phương pháp tìm kiếm ngữ nghĩa sử dụng Ontology và ứng dụng xây dựng hệ thống tra cứu, tìm kiếm văn bản mẫu bệnh" (Học viện Kỹ thuật Quân sự, 2020) đã phát triển hệ thống giải pháp toán học và công nghệ xử lý ngôn ngữ tự nhiên tiên tiến. Luận án giải quyết triệt để bài toán định hướng và mở rộng câu truy vấn người dùng thông qua mô hình tìm kiếm ngữ nghĩa có tương tác (interactive semantic search), tích hợp bản thể học (Ontology) và khai phá luật kết hợp ngữ nghĩa.

Hệ thống câu hỏi nghiên cứu và giả thuyết khoa học của luận án được xác lập chặt chẽ:

  • RQ1: Làm thế nào để trích rút các bộ ba quan hệ ngữ nghĩa (triples) từ văn bản phi cấu trúc với độ chính xác và tính tối giản cao hơn các mô hình OpenIE hiện hành?
  • H1: Việc tích hợp mô hình cú pháp dựa trên cấu trúc phụ thuộc (Syntax Model) và 15 mẫu sử dụng động từ (Verb Usage Patterns - VUP) sẽ trích rút quan hệ ngữ nghĩa chi tiết giữa các thành phần con trong mệnh đề, vượt trội hơn các mô hình trích rút mở không ràng buộc.
  • RQ2: Làm thế nào để giải quyết sự mơ hồ ngữ nghĩa (polysemy/homonymy) và cá nhân hóa không gian phân loại đa diện (faceted search) trên quy mô dữ liệu lớn?
  • H2: Việc khai thác cấu trúc phân trang định hướng nhập nhằng từ Wikipedia Disambiguation kết hợp với lọc cộng tác sẽ tự động xây dựng cây phân cấp khái niệm và cá nhân hóa các khía cạnh phân loại mà không phụ thuộc vào thiết kế tĩnh thủ công.
  • RQ3: Làm thế nào để liên kết các tri thức bệnh học trong Ontology với các mẫu triệu chứng thực tế nhằm dẫn dắt người dùng từng bước hoàn thiện truy vấn?
  • H3: Thuật toán mở rộng nguyên lý Apriori kết hợp cấu trúc phân cấp bản thể học (ASO-Apriori) với hai độ đo mới (Độ hỗ trợ mở rộng và Độ tin cậy mở rộng) sẽ phát hiện chính xác các tập triệu chứng phổ biến và quan hệ ẩn định hướng tìm kiếm.

Phạm vi thực nghiệm của nghiên cứu bao gồm việc xử lý kho dữ liệu Wikipedia Disambiguation quy mô lớn hơn 150 Gigabyte, kiểm thử mô hình cú pháp trên các tập ngữ liệu chuẩn (200 câu từ Wikipedia tiếng Anh và 200 câu từ New York Times), cùng việc xây dựng cơ sở tri thức Disease Ontology tiếng Việt dựa trên bảng phân loại bệnh quốc tế ICD-10-CM kết hợp dữ liệu thu thập từ hơn 3.000 bệnh lý thực tế.

Literature Review và Positioning

Lịch sử phát triển của các hệ thống truy xuất thông tin trải qua nhiều bước chuyển dịch từ mô hình so khớp từ vựng không gian vector (Vector Space Model - VSM của Gerard Salton) kết hợp trọng số TF-IDF sang các mô hình ngữ nghĩa cấu trúc. Tuy nhiên, TF-IDF thuần túy giả định tính độc lập giữa các từ, hoàn toàn bỏ qua ngữ cảnh, vị trí từ trong câu và quan hệ ngữ nghĩa đồng tham chiếu (co-reference). Mặc dù kỹ thuật nhận diện thực thể định danh (Named Entity Recognition - NER) đã cải thiện việc xác định danh từ riêng (người, địa điểm, tổ chức), NER vẫn dừng lại ở mức gán nhãn phân lớp thực thể mà chưa thiết lập được quan hệ phụ thuộc ngữ nghĩa giữa các thực thể trong câu văn.

Trong dòng nghiên cứu trích xuất thông tin mở (Open Information Extraction - OpenIE), sự xuất hiện của hệ thống TextRunner (Banko et al., 2007) mở đầu cho việc trích xuất bộ ba không giám sát <chủ ngữ, quan hệ, tân ngữ>. Tiếp đó, hai hệ thống tiêu biểu đạt hiệu năng cao trên thế giới là Ollie (Schmitz et al., 2012) và ClausIE (Del Corro & Gemulla, 2013) đã sử dụng cấu trúc mệnh đề và phân tích cú pháp phụ thuộc để trích rút bộ ba. Tuy nhiên, một mâu thuẫn lớn (academic debate) tồn tại trong các hệ thống OpenIE:

  1. Trường phái cực đại hóa số lượng trích rút: Cố gắng sinh ra tối đa các bộ ba từ mọi quan hệ động từ để không bỏ sót thông tin (đại diện là Ollie và ClausIE).
  2. Trường phái tối giản hóa và ngữ nghĩa hóa: Nhấn mạnh tính chặt chẽ, tối giản của các bộ ba (minimal propositions) và loại bỏ sự dư thừa nhằm phản ánh đúng cấu trúc ngữ nghĩa lõi (Fader et al., 2011; Ciaramita et al., 2008).

Luận án định vị nghiên cứu vào trường phái thứ hai, khắc phục trực tiếp nhược điểm của Ollie và ClausIE khi hai hệ thống này thường sinh ra lượng lớn bộ ba dư thừa và thất bại trong việc phân tích sâu các cụm danh từ phức hợp (complex noun phrases) hoặc các cấu trúc bổ ngữ chỉ vị trí, tính chất.

Đối với mảng tìm kiếm đa diện (Faceted Search), các tiếp cận kinh điển trên thế giới (như Tunkelang, 2009; CNET Search) đòi hỏi hệ thống phân lớp facets phải được thiết kế tĩnh từ trước bởi chuyên gia, làm mất đi tính linh hoạt khi mở rộng sang các miền tri thức đa dạng. Về hướng tìm kiếm tương tác (Interactive Search), các công trình như hệ thống Taptell (Zheng et al., 2013) sử dụng cây từ vựng ngữ cảnh nhúng quy mô lớn (large-scale context-embedded vocabulary tree) để hỗ trợ tìm kiếm ảnh, nhưng cơ chế tương tác vẫn dựa nhiều vào trực giác thị giác mà thiếu đi nền tảng suy diễn logic. Tại Việt Nam, dự án VN-KIM (phát triển dựa trên nền tảng KIM của Ontotext Lab) đã quản lý hơn 85.000 thực thể nhưng chủ yếu tập trung vào đánh chỉ mục thực thể định danh bằng GATE và Lucene trên tài liệu XML, chưa giải quyết được bài toán tự động điều hướng luồng tìm kiếm bệnh lý khi người dùng tương tác theo thời gian thực.

Luận án khẳng định vị thế tiên phong bằng cách kết hợp ba trụ cột: trích xuất bộ ba cú pháp chính xác cao, khử nhập nhằng tự động quy mô lớn qua Wikipedia Disambiguation, và khai phá luật kết hợp ngữ nghĩa bản thể học (ASO-Apriori) nhằm tối ưu hóa tương tác tìm kiếm y tế.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án kế thừa và phát triển lý thuyết bản thể học của Tom Gruber (1993) – định nghĩa Ontology là "một đặc tả tường minh, hình thức và chia sẻ về các khái niệm dùng chung" – thông qua việc chính thức hóa mô hình cấu trúc bản thể học bộ bốn thành phần: $$O = (C, I, R, Z)$$ Trong đó:

  • $C$ là tập hợp các khái niệm (Concepts) phân tầng trong miền bệnh học;
  • $I$ là tập các thực thể thể hiện (Instances);
  • $R$ là tập quan hệ đa chiều (Relations) giữa các khái niệm ($R \subseteq C \times C$), bao gồm quan hệ phân cấp kế thừa (is-a/subclass-of) và quan hệ ngữ nghĩa liên kết (has_symptom, caused_by, treated_by);
  • $Z$ là tập các ràng buộc toàn vẹn và tiên đề suy diễn (Axiomatic constraints).
     Khái niệm (Concepts - C)   Thực thể (I) &         Quan hệ & Ràng buộc

Đóng góp lý thuyết trọng tâm thứ hai là việc mở rộng lý thuyết khai phá luật kết hợp kinh điển của Rakesh Agrawal et al. (1993). Luận án chứng minh rằng trong miền dữ liệu bản thể học, việc tính toán độ hỗ trợ (Support) và độ tin cậy (Confidence) thuần túy dựa trên tần suất đồng xuất hiện phẳng sẽ làm thất thoát các mối liên kết tiềm ẩn do quan hệ kế thừa phân lớp gây ra. Luận án đề xuất cơ sở toán học cho Độ hỗ trợ mở rộng ($\text{Support}{ext}$) và Độ tin cậy mở rộng ($\text{Confidence}{ext}$), tích hợp tri thức phân cấp vào không gian giao dịch:

$$\text{Support}{ext}(A \Rightarrow B) = \frac{\delta{onto}(A \cup B)}{N}$$

$$\text{Confidence}{ext}(A \Rightarrow B) = \frac{\delta{onto}(A \cup B)}{\delta_{onto}(A)}$$

Trong đó $\delta_{onto}(X)$ là hàm đếm tần suất xuất hiện của tập mục $X$ được mở rộng bởi cây phả hệ ngữ nghĩa trong Ontology bệnh (nếu một thực thể mang khái niệm con $C_{child}$, nó tự động được thừa kế và đóng góp vào độ hỗ trợ của khái niệm cha $C_{parent}$).

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp liên ngành ba lý thuyết nền tảng:

  1. Lý thuyết Ngữ pháp phụ thuộc (Dependency Grammar Theory);
  2. Lý thuyết Bản thể học Web (Semantic Web & Description Logics - OWL-DL);
  3. Lý thuyết Khai phá dữ liệu và Luật kết hợp (Data Mining & Association Rules Theory).

Khung phân tích thiết lập cơ chế chuyển hóa liên tục từ cấu trúc ngôn ngữ tự nhiên sang tri thức hình thức:

  • Trục Cú pháp - Ngữ nghĩa: Chuyển đổi câu văn phi cấu trúc thành đồ thị phụ thuộc cú pháp, phân rã theo 15 mẫu động từ vị ngữ (VUP) để tạo ra các bộ ba ngữ nghĩa nguyên tử có gắn ngữ cảnh (contextualized semantic triples).
  • Trục Khử nhập nhằng - Phân loại đa diện: Chuyển không gian văn bản tự do thành không gian tìm kiếm đa diện thông qua ánh xạ từ vựng vào đồ thị Wikipedia Disambiguation, giải quyết triệt để đa nghĩa của từ.
  • Trục Tri thức - Tương tác: Mô hình hóa quy trình tìm kiếm bệnh lý thành một chuỗi quá trình quyết định tương tác. Khi người dùng cung cấp triệu chứng ban đầu $S_0$, hệ thống sử dụng luật kết hợp ngữ nghĩa được sinh ra từ thuật toán ASO-Apriori để suy diễn và đề xuất tập triệu chứng ẩn liên quan mật thiết $S_{latent} = {s_1, s_2, ..., s_k}$, giúp người dùng chọn lựa nhằm thu hẹp không gian chẩn đoán một cách tối ưu.

Điều kiện biên (boundary conditions) của khung phân tích được xác định rõ: áp dụng cho các cấu trúc văn bản tuân thủ ngữ pháp tiếng Anh/tiếng Việt chuẩn; cơ sở tri thức bệnh học được chuẩn hóa theo danh mục ICD-10-CM và tri thức y khoa đã được xác thực bởi hội đồng chuyên gia.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu được thiết kế theo trường phái thực chứng định lượng (positivism) kết hợp phương pháp kiến tạo hệ thống kỹ thuật thực nghiệm (design science research). Luận án triển khai thiết kế đa tầng tích hợp (multi-level architecture) gồm bốn tầng chức năng:

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu tuân thủ các chuẩn mực khoa học máy tính nghiêm ngặt qua 3 giai đoạn:

  1. Xây dựng Bản thể học bệnh học (Disease Ontology - DO) phiên bản tiếng Việt:

    • Khởi tạo lõi ontology dựa trên cây phân loại chuẩn quốc tế ICD-10-CM.
    • Ứng dụng công cụ dịch tự động Google Translate kết hợp tinh chỉnh bán tự động và hiệu đính chuyên gia y tế nhằm khắc phục triệt để các lỗi dịch thuật ngữ sai lệch (ví dụ: phân biệt chính xác giữa "abdominal pain" - đau bụng vùng thượng/hạ vị và "stomach pain" - đau dạ dày thực thể).
    • Tích hợp phương pháp phát triển Ontology cộng tác (Collaborative-oriented method) dựa trên các tiêu chí: tính rõ ràng, tính nhất quán, khả năng mở rộng, cam kết bản thể học tối thiểu và tính đồng nhất, sử dụng công cụ Protégé và ngôn ngữ OWL-DL.

  2. Quy trình trích xuất bộ ba dựa trên Mô hình cú pháp (Syntax Model):

    • Bước 1 (Tiền xử lý & Phân tách): Phân tách văn bản thành câu, tách các mệnh đề phức hợp dựa trên dấu chấm phẩy và các liên từ phụ thuộc (although, if, when, after, whatever...).
    • Bước 2 (Phân tích cú pháp sâu): Sử dụng Stanford Parser để xác định động từ chính qua các liên kết phụ thuộc cú pháp định kiểu ROOT và COP (copula). Ánh xạ cấu trúc câu vào Bảng 15 mẫu sử dụng động từ tiếng Anh (Verb Usage Patterns - VUP), bao gồm: Nội động từ (Intransitive), Ngoại động từ (Transitive), Động từ hai tân ngữ (Di-transitive), Động từ nối (Linking verb), Động từ khuyết thiếu (Modal verb) ở cả hai thể chủ động và bị động.
    • Bước 3 (Phân rã thành phần): Tách Subject và Predicate thành các cụm danh từ (NP), cụm tính từ (AdjP), cụm giới từ (PrepP), mệnh đề phụ (Sbar). Trích xuất các bộ ba nguyên tử nội hàm (ví dụ cụm danh từ "a girl with blond hair" được bóc tách chính xác thành bộ ba quan hệ {a girl, is complemented by, with blond hair}).

  3. Thuật toán khai phá luật kết hợp ASO-Apriori:

    • Sử dụng thuật toán ASO-Apriori-GenFrequentSymptom để sinh các tập triệu chứng phổ biến dựa trên nguyên lý Apriori mở rộng.
    • Áp dụng nguyên lý cắt tỉa không gian ứng viên theo Mệnh đề 3 của luận án: Nếu một tập triệu chứng $k$-phần tử không thỏa mãn ngưỡng hỗ trợ mở rộng tối thiểu ($\text{min_sup}$), mọi tập siêu (supersets) chứa nó đều bị loại bỏ mà không cần quét lại cơ sở dữ liệu.
    • Thiết lập các luật kết hợp dạng: $$\text{Triệu chứng ban đầu } (S_A) \Rightarrow \text{Triệu chứng ẩn } (S_B) \quad [\text{Support}{ext}, \text{Confidence}{ext}]$$

Data và phân tích

Nghiên cứu sử dụng các bộ dữ liệu thực nghiệm quy mô lớn:

  • Tập ngữ liệu trích xuất bộ ba: 200 câu văn chọn ngẫu nhiên từ Wikipedia tiếng Anh và 200 câu trích từ nhật báo New York Times, được dán nhãn và đánh giá đối chuẩn bởi chuyên gia ngôn ngữ học.
  • Tập dữ liệu Wikipedia Disambiguation: Dữ liệu kết xuất toàn phần (dump) từ Wikipedia đưa vào hệ quản trị cơ sở dữ liệu MySQL với dung lượng lưu trữ thực tế hơn 150 Gigabyte.
  • Cơ sở dữ liệu mẫu bệnh: Thu thập từ các sở y tế, cổng thông tin y khoa chính thống gồm hơn 3.000 hồ sơ bệnh chi tiết, bao gồm các trường thông tin cấu trúc: mã định danh ICD, mô tả bệnh học, giải phẫu bệnh, dịch tễ học, yếu tố nguy cơ, biểu hiện lâm sàng, cận lâm sàng, triệu chứng và phác đồ tham chiếu.

Phát hiện đột phá và implications

Những phát hiện then chốt

Nghiên cứu đã đạt được các phát hiện đột phá có giá trị thực nghiệm và lý thuyết cao:

  1. Hiệu năng trích rút bộ ba vượt trội so với các hệ thống chuẩn quốc tế: Trên cả hai tập dữ liệu đánh giá (Wikipedia và New York Times), phương pháp trích rút bộ ba dựa trên mô hình cú pháp 15 mẫu VUP của luận án cho thấy năng lực vượt bậc. Tác giả chỉ ra: "Phương pháp đề xuất trích rút chính xác gấp 1.7 lần so với ClausIE. So với hệ thống của Ollie, phương pháp đề xuất đạt gấp 2.1 lần". Sở dĩ đạt được kết quả đột phá này là do mô hình của luận án đã bao quát toàn diện các thuộc tính của thực thể, xử lý triệt để các cụm danh từ lồng nhau và các thành phần bổ ngữ mà Ollie và ClausIE thường xuyên bỏ sót hoặc ngắt câu sai cấu trúc.

  2. Khử nhập nhằng ngữ nghĩa tự động trên quy mô lớn: Việc khai thác thành công cấu trúc dữ liệu Wikipedia Disambiguation (dung lượng hơn 150 GB) đã chứng minh khả năng tự động thiết lập cây phả hệ khái niệm và các khía cạnh phân loại (facets/sub-facets). Ví dụ đối với từ khóa đa nghĩa cao như "Java", hệ thống tự động phân tách chính xác thành các miền độc lập: Địa điểm (Indonesia, Hoa Kỳ), Máy tính (Ngôn ngữ lập trình, Nền tảng), Động vật, Âm nhạc, cho phép người dùng định vị đúng không gian tìm kiếm ngay từ bước đầu mà không cần chuyên gia can thiệp thủ công.

  3. Hiệu quả định hướng của thuật toán ASO-Apriori trong tìm kiếm bệnh học: Việc tích hợp quan hệ phân cấp của Ontology bệnh vào thuật toán Apriori giúp giảm không gian tìm kiếm ứng viên tới hơn 40% so với Apriori truyền thống, đồng thời phát hiện được các luật kết hợp triệu chứng có độ tin cậy cao mà thuật toán phẳng không thể tìm thấy do triệu chứng bị phân tán ở các thể bệnh cụ thể.

  4. Tối ưu hóa hành trình người dùng qua tương tác điều hướng: Thử nghiệm thực tế trên hệ thống tra cứu bệnh mẫu cho thấy, khi người dùng nhập vào triệu chứng ban đầu mờ nhạt (ví dụ: "sốt nhẹ, mệt mỏi"), cơ chế gợi ý thông minh từ luật kết hợp $ASO-Apriori$ lập tức đề xuất danh sách triệu chứng ẩn đặc trưng (ví dụ: "phát ban dạng sởi", "đau sau hốc mắt", "xuất huyết dưới da"). Tương tác nhấp chọn của người dùng giúp hệ thống tự động co cụm không gian chẩn đoán, đưa ra kết quả phân loại bệnh chính xác với thời gian truy vấn giảm rõ rệt.

Implications đa chiều

  • Về mặt Lý thuyết: Luận án đóng góp một mô hình toán học hoàn chỉnh cho bài toán tích hợp tri thức có cấu trúc (Ontology) với kỹ thuật khai phá dữ liệu (Association Rule Mining), mở ra hướng tiếp cận mới cho bài toán biểu diễn tri thức lai (hybrid knowledge representation).
  • Về mặt Phương pháp luận: Quy trình kết hợp 15 mẫu VUP trên cây phụ thuộc cú pháp cung cấp một phương pháp luận chuẩn mực có thể tái sử dụng cho các bài toán xử lý ngôn ngữ tự nhiên khác như tóm tắt văn bản tự động, xây dựng sơ đồ tri thức (Knowledge Graph) và trích xuất quan hệ thực thể trong các miền chuyên sâu (luật pháp, tài chính).
  • Về mặt Thực tiễn & Y tế số: Cung cấp một giải pháp công nghệ trực tiếp phục vụ cộng đồng, hỗ trợ các cổng thông tin y tế, bệnh viện và hệ thống hỗ trợ ra quyết định lâm sàng (Clinical Decision Support Systems - CDSS), giúp người dân tra cứu thông tin y khoa chính xác, hạn chế tình trạng tự chẩn đoán sai lệch do tìm kiếm từ khóa rời rạc trên Internet.

Limitations và Future Research

Luận án thẳng thắn chỉ ra các giới hạn nghiên cứu mang tính khách quan:

  1. Phụ thuộc vào chất lượng phân tích cú pháp nguồn: Mô hình trích xuất bộ ba dựa trên Stanford CoreNLP Parser, do đó các câu văn có cấu trúc ngữ pháp quá phức tạp, câu đảo ngữ bất quy tắc hoặc câu chứa lỗi chính tả/ngữ pháp nặng trong ngôn ngữ tự nhiên có thể dẫn đến việc gán nhãn phụ thuộc cú pháp sai, ảnh hưởng đến độ chính xác của các bộ ba đầu ra.
  2. Quy mô và tính động của Ontology y tế: Mặc dù đã xây dựng cơ sở dữ liệu với hơn 3.000 bệnh lý, tri thức y học thế giới luôn biến đổi liên tục với các biến thể bệnh và phác đồ mới. Việc cập nhật Ontology hiện tại vẫn cần sự tham gia giám sát bán tự động của chuyên gia y tế, chưa đạt mức độ tự trị hoàn toàn (fully autonomous).
  3. Hiệu năng xử lý không gian bộ nhớ lớn: Quá trình nạp và xử lý tập dữ liệu Wikipedia Disambiguation dung lượng hơn 150 GB đòi hỏi hạ tầng tính toán lớn và thời gian lập chỉ mục ban đầu kéo dài hàng tháng.

Chương trình nghiên cứu 10 năm tiếp theo (Future Research Agenda) được đề xuất gồm 4 hướng trọng điểm:

  • Hướng 1: Tích hợp các mô hình ngôn ngữ lớn (Large Language Models - LLMs) và kỹ thuật sinh tăng cường truy xuất (Retrieval-Augmented Generation - RAG) với cơ sở tri thức Ontology để tự động hóa hoàn toàn quy trình làm giàu tri thức.
  • Hướng 2: Nghiên cứu mở rộng thuật toán ASO-Apriori sang môi trường tính toán phân tán (Apache Spark/Flink) nhằm xử lý dữ liệu lớn theo thời gian thực (real-time stream mining).
  • Hướng 3: Mở rộng phạm vi ứng dụng sang lĩnh vực tư vấn pháp luật (Legal Tech) và sở hữu trí tuệ, nơi cấu trúc phân cấp văn bản quy phạm pháp luật có tính tương đồng cao với cấu trúc phân loại bệnh học.
  • Hướng 4: Phát triển mô hình nhận diện giọng nói tương tác đa phương thức cho bệnh nhân tại các ki-ốt y tế thông minh vùng sâu, vùng xa.

Tác động và ảnh hưởng

  • Tác động Học thuật: Các công bố khoa học từ luận án trên các tạp chí và hội thảo chuyên ngành uy tín (như các bài báo CTLA1 đến CTLA5 được trích dẫn trong công trình) đã khẳng định vị thế khoa học của nhóm nghiên cứu, mở ra hướng nghiên cứu mới về Semantic Web kết hợp Data Mining tại Việt Nam. Mô hình cú pháp 15 VUP trở thành tài liệu tham khảo giá trị cho các nghiên cứu sinh và học viên cao học ngành Khoa học Máy tính.
  • Chuyển đổi Ngành Y tế & Chăm sóc Sức khỏe: Đặt nền móng cho việc chuẩn hóa dữ liệu bệnh án điện tử (EMR) và hồ sơ sức khỏe cá nhân (PHR) dựa trên nền tảng Ontology tiếng Việt đồng bộ với mã ICD-10 quốc tế.
  • Chính sách & Xã hội: Góp phần hiện thực hóa đề án Chuyển đổi số Quốc gia trong lĩnh vực Y tế, cung cấp công cụ tra cứu thông tin y học chuẩn xác cho nhân dân, nâng cao nhận thức cộng đồng về phòng ngừa dịch bệnh và giảm tải áp lực tư vấn sơ bộ cho các cơ sở y tế tuyến trên.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Học giả chuyên ngành Khoa học Máy tính: Tiếp cận một khung phương pháp luận hoàn chỉnh về trích xuất bộ ba, khai phá luật kết hợp trên Ontology và cơ chế khử nhập nhằng dữ liệu lớn.
  • Chuyên gia Y tế và Bác sĩ: Sở hữu một cơ sở tri thức bệnh học tiếng Việt (DO-VN) được chuẩn hóa theo chuẩn quốc tế ICD-10, hỗ trợ quá trình chẩn đoán sơ bộ và đào tạo y khoa.
  • Bộ phận Nghiên cứu & Phát triển (R&D) tại các Doanh nghiệp Công nghệ Y tế (HealthTech): Tận dụng kiến trúc hệ thống tìm kiếm tương tác và cơ sở dữ liệu mẫu bệnh để phát triển các ứng dụng y tế thông minh, Chatbot tư vấn sức khỏe và hệ thống trợ lý ảo y tế.
  • Người dân và Cộng đồng: Được cung cấp một công cụ tra cứu triệu chứng thông minh, giúp nhận diện nguy cơ bệnh tật sớm thông qua cơ chế tương tác trực quan, khoa học.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?

Đóng góp lý thuyết độc đáo nhất là việc phát triển Mô hình Khai phá Luật kết hợp trong Bản thể học (ASO-Apriori), mở rộng trực tiếp lý thuyết luật kết hợp kinh điển của Agrawal et al. (1993). Bằng việc xây dựng hai độ đo mới là Độ hỗ trợ mở rộng ($\text{Support}{ext}$) và Độ tin cậy mở rộng ($\text{Confidence}{ext}$), luận án đã khắc phục sự đứt gãy giữa dữ liệu giao dịch phẳng và cấu trúc phân cấp tri thức bản thể học ($O = (C, I, R, Z)$), chứng minh toán học rằng việc kế thừa quan hệ subclass-of cho phép khai phá các luật kết hợp triệu chứng ẩn mà thuật toán truyền thống không thể phát hiện.

2. Sự đổi mới trong phương pháp luận trích xuất thông tin khi so sánh với các nghiên cứu quốc tế?

So với hai hệ thống OpenIE hàng đầu thế giới là Ollie (Schmitz et al., 2012) và ClausIE (Del Corro & Gemulla, 2013), luận án đã đổi mới bằng cách đề xuất mô hình cú pháp (Syntax Model) dựa trên 15 mẫu sử dụng động từ tiếng Anh (VUP) kết hợp phân tích phụ thuộc định kiểu ROOT và COP từ Stanford Parser. Trong khi Ollie và ClausIE sinh ra nhiều bộ ba dư thừa và bỏ qua cấu trúc nội hàm của cụm từ, mô hình của luận án phân rã sâu đến từng thành phần Subject/Predicate, giúp trích xuất chính xác gấp 1.7 lần so với ClausIE và 2.1 lần so với Ollie trên các bộ ngữ liệu chuẩn.

3. Phát hiện thực nghiệm nào gây bất ngờ nhất và dữ liệu nào chứng minh điều đó?

Phát hiện bất ngờ nhất là việc tận dụng dữ liệu định hướng xử lý nhập nhằng từ Wikipedia Disambiguation với dung lượng đồ sộ hơn 150 Gigabyte có thể thay thế hoàn toàn việc thiết kế thủ công các khía cạnh phân loại (facets) trong tìm kiếm đa diện. Thực nghiệm phân loại từ khóa đa nghĩa cao "Java" đã chứng minh hệ thống tự động bóc tách và phân cụm chính xác các thực thể thành các danh mục độc lập (Địa điểm, Máy tính, Sinh học...), loại bỏ hoàn toàn sự can thiệp của chuyên gia trong việc xây dựng cây phân loại ban đầu.

4. Luận án có cung cấp quy trình tái lập (Replication Protocol) hoàn chỉnh không?

Có. Luận án cung cấp chi tiết toàn bộ quy trình tái lập bao gồm:

  • Bảng đặc tả 15 mẫu cú pháp VUP (Bảng 2.1) kèm lưu đồ thuật toán trích xuất bộ ba (Hình 2.3).
  • Lưu đồ 4 giai đoạn phát triển Ontology bệnh cộng tác và các bước tinh chỉnh ngôn ngữ dịch (Hình 4.2).
  • Giả mã thuật toán ASO-Apriori-GenFrequentSymptom cùng nguyên lý cắt tỉa tập ứng viên theo Mệnh đề 3.
  • Cấu trúc lược đồ cơ sở dữ liệu Disease Schema và tập tham số cấu hình hệ thống tìm kiếm tương tác.

5. Chương trình nghị sự nghiên cứu 10 năm (10-Year Research Agenda) được phác thảo như thế nào?

Chương trình 10 năm tập trung vào 4 trọng tâm: (1) Tích hợp kiến trúc kết hợp giữa Ontology hình thức và Mô hình ngôn ngữ lớn (LLMs/RAG) để tự động cập nhật tri thức; (2) Phân tán hóa thuật toán ASO-Apriori trên nền tảng Big Data Stream Processing (Spark/Flink); (3) Mở rộng miền ứng dụng sang hệ thống phân loại án lệ và văn bản pháp luật số (Legal Ontology); (4) Phát triển giao diện tương tác đa phương thức (giọng nói, hình ảnh triệu chứng lâm sàng) phục vụ y tế từ xa (Telemedicine).

Kết luận

Luận án tiến sĩ của tác giả Nguyễn Hồng Sơn đã hoàn thành xuất sắc các mục tiêu nghiên cứu đề ra, mang lại 5 đóng góp cốt lõi có giá trị khoa học và thực tiễn sâu sắc:

  1. Phương pháp trích xuất bộ ba cú pháp đột phá: Xây dựng mô hình cú pháp 15 mẫu VUP, đạt hiệu năng chính xác gấp 1.7 lần ClausIE và 2.1 lần Ollie trên ngữ liệu chuẩn Wikipedia và New York Times.
  2. Mô hình tìm kiếm đa diện tự động quy mô lớn: Khai thác thành công kho dữ liệu 150 GB Wikipedia Disambiguation để tự động hóa việc trích xuất ontology phân loại và cá nhân hóa khía cạnh tìm kiếm.
  3. Thuật toán ASO-Apriori và 02 độ đo toán học mới: Mở rộng lý thuyết luật kết hợp trên nền tảng bản thể học, đề xuất độ hỗ trợ và độ tin cậy mở rộng cùng nguyên lý cắt tỉa Mệnh đề 3 giúp phát hiện chính xác các quan hệ triệu chứng ẩn.
  4. Cơ sở tri thức Bản thể học bệnh học tiếng Việt (DO-VN): Xây dựng hoàn chỉnh Ontology bệnh học tiếng Việt chuẩn hóa theo ICD-10-CM kết hợp dữ liệu thực nghiệm từ hơn 3.000 hồ sơ bệnh lý.
  5. Hệ thống tìm kiếm ngữ nghĩa có tương tác hoàn chỉnh: Tích hợp toàn diện các mô hình đề xuất vào một hệ thống tra cứu y tế thực nghiệm, chứng minh tính khả thi và ưu việt trong việc dẫn dắt người dùng hoàn thiện câu truy vấn và nhận kết quả chẩn đoán chính xác.

Công trình tạo ra bước tiến quan trọng trong việc chuyển dịch mô hình tìm kiếm thông tin từ so khớp cú pháp từ khóa sang thấu hiểu ngữ nghĩa sâu sắc và suy diễn tri thức tương tác, mở ra nền tảng vững chắc cho sự phát triển của các hệ tri thức y tế số thông minh trong tương lai.