Tổng quan luận án

Luận án "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" được thực hiện bởi nghiên cứu sinh Nguyễn Hồng Sơn tại Bộ môn Hệ thống thông tin, Khoa Công nghệ thông tin, Học viện Kỹ thuật Quân sự, dưới sự hướng dẫn của TS. Dương Trọng Hải và TS. Hoa Tất Thắng. Luận án thuộc chuyên ngành Cơ sở toán học cho tin học (mã số 9 46 01 10), bảo vệ năm 2020.

Tính cấp thiết và khoảng trống nghiên cứu

Tác giả xác định bối cảnh xuất phát từ sự bùng nổ thông tin trên Internet và sự phát triển của dữ liệu lớn (Big data), đặt ra yêu cầu ngày càng cao đối với bài toán tìm kiếm thông tin. Các hệ thống tìm kiếm hiện hành chủ yếu vẫn dựa trên từ khóa, đòi hỏi người dùng phải diễn đạt chính xác nhu cầu tìm kiếm dưới dạng cụm từ khóa, điều này gây khó khăn đặc biệt đối với người dùng thiếu kinh nghiệm chuyên môn. Trong lĩnh vực tra cứu thông tin bệnh, các trang tìm kiếm hiện tại chủ yếu dừng ở chế độ tra cứu tuần tự từng mục triệu chứng, người dùng phải tự đọc nhiều kết quả để tìm thông tin cần tham khảo, dẫn đến hiệu quả thấp và kém chính xác.

Ba hướng tiếp cận hiện có được tác giả phân tích: (1) tìm kiếm đa diện (faceted search) bị hạn chế do các facet phải được thiết kế trước và chỉ phù hợp với thương mại điện tử, thông tin giải trí; (2) tìm kiếm tương tác (interactive search) vẫn phụ thuộc nhiều vào kinh nghiệm và trực giác người dùng; (3) tìm kiếm ngữ nghĩa (semantic search) tuy tăng độ chính xác nhưng việc xây dựng cơ sở tri thức miền ứng dụng gặp nhiều khó khăn, tốn chi phí và phụ thuộc vào tri thức chuyên gia. Luận án xác định khoảng trống là sự thiếu vắng một phương pháp tích hợp giữa ontology, luật kết hợp và tìm kiếm tương tác để hỗ trợ người dùng dần hình thành câu truy vấn mà không cần am hiểu sâu về chuyên môn.

Mục tiêu và nội dung nghiên cứu

Mục tiêu chung là nghiên cứu các phương pháp xây dựng hệ thống tìm kiếm ngữ nghĩa có tương tác và ứng dụng trong Hệ thống tìm kiếm ngữ nghĩa có tương tác thông tin bệnh. Các mục tiêu cụ thể gồm:

  • Nghiên cứu phương pháp thu thập thông tin và tri thức trong tìm kiếm ngữ nghĩa;
  • Nghiên cứu phương pháp xây dựng, tổ chức lưu trữ, quản lý và khai thác sử dụng tri thức dưới dạng ontology;
  • Nghiên cứu khai thác luật kết hợp trong Ontology bệnh;
  • Nghiên cứu các mô hình tìm kiếm;
  • Xây dựng Hệ thống tìm kiếm ngữ nghĩa có tương tác thông tin bệnh.

Đối tượng và phạm vi nghiên cứu

Đối tượng nghiên cứu gồm: phương pháp trích rút đặc trưng văn bản; phương pháp xây dựng và khai thác tri thức dạng ontology; phương pháp khai thác luật kết hợp trong Ontology bệnh (DO — Disease Ontology); các mô hình tìm kiếm; và hệ thống tìm kiếm ngữ nghĩa có tương tác thông tin bệnh. Phạm vi ứng dụng tập trung vào lĩnh vực bệnh học, sử dụng nguồn phân loại ICD-10-CM và dữ liệu từ cơ sở y tế trong nước. Thời gian thực hiện kết thúc năm 2020.

Tổng quan tài liệu và vị trí của luận án

Các hướng nghiên cứu trước được tác giả điểm lại

Tác giả điểm qua nhiều công trình liên quan đến tìm kiếm ngữ nghĩa và ứng dụng ontology:

  • Dự án VN-KIM (dựa theo KIM của Ontotext Lab, Bulgaria): xây dựng hệ thống quản lý tri thức và thông tin cho các thực thể có tên ở Việt Nam với ontology gồm khoảng 373 lớp, 114 thuộc tính và khoảng 85.000 thực thể. Hệ thống sử dụng Sesame để lưu trữ ontology, Lucene để đánh chỉ mục và GATE để trích rút thông tin.
  • Dario Bonino, Henrik Bulskov Styltsvig, Henrik Eriksson, Jan Paralic: áp dụng ontology cho biểu diễn ngữ nghĩa và truy tìm thông tin, chuyển đánh giá truy vấn từ dựa trên từ sang dựa trên khái niệm.
  • OpenIE và hệ thống TextRunner: phát hiện cụm từ có quan hệ với nhau; hai hệ thống đạt kết quả tốt nhất được nhắc đến là Ollie và ClausIE, cho phép tạo số lượng lớn các bộ ba <arg1, rel, arg2> từ văn bản.
  • Về luật kết hợp: Paula Potes Ruiz và Bernard Kausu Foguem đề xuất khung quản lý tri thức khai thác từ dữ liệu bảo trì bằng luật kết hợp; Baohui Jia sử dụng khai phá luật kết hợp để xác định các loại ảnh hưởng giữa các hiện tượng lỗi.
  • Về tìm kiếm tương tác: công trình Taptell (được trích dẫn qua [105]) xây dựng hệ thống nhận biết sở thích người dùng qua hình ảnh camera smartphone và cây từ vựng ngữ cảnh nhúng cỡ lớn (large-scale context-embedded vocabulary tree).
  • Về tìm kiếm ngữ nghĩa: nghiên cứu cấu trúc câu truy vấn [75, 77], phân tích phiên giao dịch [15, 33, 38], phân tích ý định của người dùng sau các lần nhấn chuột [33, 59], và phân nhóm ngữ nghĩa trong hệ thống hỏi đáp cộng đồng (CQA) [30].
  • Về công cụ phát triển ontology: Protégé (Đại học Stanford), OntoWiki, OntoEdit, Kaon; phương pháp cộng tác (CoO — Collaborative-oriented method) được đề xuất trong [21–26].

Luận án xác định các nghiên cứu hiện có chủ yếu tập trung vào bốn hướng cải thiện tìm kiếm ngữ nghĩa: khai thác nguồn tri thức (WordNet, UMLS, Sensus); trích rút thông tin và mở rộng câu truy vấn; sử dụng xử lý ngôn ngữ tự nhiên, logic mờ, khử nhập nhằng; và xây dựng, biểu diễn cấu trúc khái niệm. Chưa có công trình nào tích hợp luật kết hợp với ontology bệnh tiếng Việt để xây dựng hệ tìm kiếm ngữ nghĩa có tương tác hướng dẫn người dùng dần hình thành câu truy vấn trong lĩnh vực bệnh học.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết và các khái niệm

Luận án dựa trên định nghĩa ontology của Tom Gruber: "một đặc tả tường minh, hình thức và chia sẻ về các khái niệm dùng chung". Cấu trúc ontology được hình thức hóa là bộ bốn thành phần O = (C, I, R, Z), trong đó C là tập khái niệm, I là tập thực thể, R là tập quan hệ trên C, và Z là tập ràng buộc toàn vẹn.

Các ngôn ngữ ontology được khảo sát gồm RDF (Resource Description Framework, do W3C đề xuất), DAML+OIL (DARPA Agent Markup Language + Ontology Inference Layer) và OWL (Web Ontology Language, do W3C đề xuất với ba cấp độ: OWL Lite, OWL DL, OWL Full). Bộ phân loại bệnh ICD-10-CM được sử dụng làm lõi ontology (core ontology) ban đầu.

Luật kết hợp (Association Rules) được tiếp cận theo thuật toán Apriori, trong đó hai độ đo chính là độ hỗ trợ (Support) và độ tin cậy (Confidence). Luận án đề xuất mở rộng hai độ đo này thành độ hỗ trợ mở rộng và độ tin cậy mở rộng trong ngữ cảnh ontology bệnh. Các công cụ khai phá luật kết hợp được đề cập gồm SPMF và WEKA với thuật toán Apriori và FP-growth.

Phương pháp nghiên cứu

Luận án thuộc hướng nghiên cứu định lượng/kỹ thuật, bao gồm:

  • Phương pháp trích rút đặc trưng văn bản: sử dụng mô hình TF-IDF (Term Frequency – Inverse Document Frequency) cho phân loại văn bản và nhận dạng thực thể có tên (NER — Named Entity Recognition). Các công cụ NER được tham chiếu gồm ANNIE, LingPipe, Stanford NER, OpenNLP, OpenCalais.
  • Phương pháp trích rút bộ ba (triple extraction): đề xuất dựa trên mô hình cú pháp (Syntax Model), so sánh với Ollie và ClausIE. Stanford parser được sử dụng để trích rút động từ chính thông qua ROOT và COP typed dependencies.
  • Phương pháp xây dựng ontology: tiến trình gồm bốn giai đoạn (chuẩn bị, phát triển ban đầu, phát triển và nâng cấp, ứng dụng) theo phương pháp cộng tác. Công cụ Protégé được sử dụng để chỉnh sửa ontology bệnh. Google Translate được sử dụng cho dịch tự động, kết hợp tinh chỉnh bán tự động và chỉnh sửa thủ công.
  • Phương pháp khai phá luật kết hợp trong ontology: đề xuất thuật toán ASO-Apriori (Associate rules in Disease Ontology — Apriori) và thuật toán con ASO-Apriori-GenFrequentSymptom.

Nguồn dữ liệu

  • Bộ phân loại bệnh ICD-10-CM (phiên bản song ngữ Việt – Anh).
  • Disease Ontology (DO) nguồn mở được tái sử dụng và Việt hóa.
  • Hơn 3.000 tài liệu về các bệnh thu thập từ cơ sở y tế.
  • Dữ liệu Wikipedia Disambiguation được nạp vào cơ sở dữ liệu MySQL với tổng kích thước hơn 150 Gigabyte.
  • Tập dữ liệu đánh giá trích rút triple: 200 câu ngẫu nhiên từ Wikipedia tiếng Anh và 200 câu ngẫu nhiên từ New York Times (theo bộ dữ liệu ClausIE).

Nội dung chính theo từng chương

Chương 1: Kiến thức cơ sở

Chương này trình bày nền tảng lý luận cho toàn bộ luận án. Phần về ontology bao gồm định nghĩa, cấu trúc hình thức O = (C, I, R, Z), các ngôn ngữ biểu diễn (RDF, DAML+OIL, OWL) và tiến trình xây dựng ontology theo phương pháp cộng tác bốn giai đoạn. Sáu tiêu chí thiết kế ontology được trình bày (sự rõ ràng, nhất quán, khả năng mở rộng, cam kết bản thể học tối thiểu, tính đồng nhất, các loại khái niệm), đồng thời luận án bổ sung bảy tiêu chí riêng cho phát triển cộng tác (toàn diện, bình đẳng, tương tác, đại diện, hòa giải, sự tin tưởng, minh chứng hợp tác).

Phần trích rút thông tin từ văn bản khảo sát mô hình TF-IDF, phương pháp NER và triple extraction. Chương phân tích điểm yếu của TF-IDF (xem xét các từ độc lập, không xét quan hệ ngữ nghĩa, chưa xử lý tham chiếu đại từ) qua các ví dụ cụ thể như câu "Laptop is one kind of computer" hay câu về "Obama". Quy trình NER gồm bốn bước: phân tách câu, tokenizer, PoS tagger và recognition (gồm Gazetteer, feature extractor, extraction model).

Phần mô hình tìm kiếm giới thiệu ba hướng: tìm kiếm tương tác, tìm kiếm ngữ nghĩa và tìm kiếm đa diện. Tìm kiếm đa diện được giải thích qua các khái niệm facet, facet value, facet count và bread crum. Phần kết thúc chương trình bày cơ sở lý thuyết của luật kết hợp: định nghĩa độ hỗ trợ, độ tin cậy, thuật toán Apriori cùng giả mã, và độ phức tạp tính toán O(2^m × n × w).

Chương 2: Tìm kiếm ngữ nghĩa dựa trên nội dung văn bản

Chương này trình bày hai đề xuất chính. Đề xuất thứ nhất là phương pháp trích rút bộ ba dựa trên mô hình cú pháp (Syntax Model). Phương pháp gồm ba bước: (1) tiền xử lý câu, tách thành các mệnh đề đơn giản dựa trên dấu ";", và xử lý mệnh đề phụ thuộc (although, if, when, after, whatever,...); (2) phân tách mệnh đề theo Subject và Predicate sử dụng Stanford parser và bảng VUP (Verb Usage Pattern) gồm 15 mẫu động từ tiếng Anh (Bảng 2.1), sau đó chuyển hóa về dạng Syntax Model; (3) trích rút các bộ ba. Điểm khác biệt so với Ollie và ClausIE là phương pháp đề xuất sinh ra bộ ba chi tiết hơn, thể hiện quan hệ giữa các thành phần con trong Subject và Predicate — ví dụ cụm "a girl with blond hair" được trích rút thành bộ ba {a girl, is (complemented by), with blond hair}.

Kết quả thử nghiệm trên bộ dữ liệu ClausIE (200 câu Wikipedia tiếng Anh và 200 câu New York Times) cho thấy phương pháp đề xuất trích rút chính xác gấp 1,7 lần so với ClausIE và gấp 2 lần so với Ollie.

Đề xuất thứ hai là phương pháp tìm kiếm đa diện sử dụng dữ liệu Wikipedia Disambiguation. Dữ liệu Wikipedia Disambiguation được nạp vào CSDL MySQL (hơn 150 Gigabyte, mất hàng tháng để hoàn thành quá trình nạp). Từ các trang định hướng xử lý nhập nhằng, luận án trích rút facet và sub-facet — ví dụ từ "Java" có các facet: Địa điểm, Động vật, Máy tính, Vật phẩm, Nhân vật hư cấu, Âm nhạc, Con người, Giao thông vận tải. TF-IDF được sử dụng để trích rút vectơ đặc trưng, sau đó tham chiếu định hướng xử lý nhập nhằng để phân loại văn bản trong tìm kiếm đa diện. Chương cũng đề xuất phương pháp cá nhân hóa tìm kiếm đa diện (facet personalization).

Chương 3: Tìm kiếm ngữ nghĩa có tương tác

Chương này tập trung vào phương pháp sử dụng luật kết hợp trong tìm kiếm ngữ nghĩa thông tin bệnh và đề xuất thuật toán ASO-Apriori (Associate Rules in Disease Ontology — Apriori). Hai độ đo mới được đưa ra là độ hỗ trợ mở rộng và độ tin cậy mở rộng, nhằm khai thác quan hệ giữa các triệu chứng trong Ontology bệnh thông qua các quan hệ subclass của DO.

Thuật toán ASO-Apriori-GenFrequentSymptom sinh ra các tập triệu chứng phổ biến theo nguyên lý Apriori mở rộng, cắt tỉa tập ứng viên theo Mệnh đề 3. Thuật toán ASO-Apriori sinh ra hai loại luật: (1) luật kết hợp giữa các triệu chứng — dùng để gợi ý triệu chứng tiếp theo cho người dùng; (2) luật kết hợp ngữ nghĩa giữa các mối quan hệ trong Ontology bệnh — dùng để gợi ý người dùng lựa chọn facet tiếp theo. Kết quả thực nghiệm được đánh giá qua độ chính xác (Precision) và độ bao phủ (Recall), chứng tỏ hiệu quả của các luật kết hợp mở rộng trong định hướng tìm kiếm. So sánh giữa Apriori và ASO-Apriori được trình bày qua biểu đồ trong luận án.

Chương 4: Xây dựng hệ thống tra cứu, tìm kiếm ngữ nghĩa thông tin bệnh

Chương này trình bày toàn bộ quá trình xây dựng hệ thống ứng dụng. Phần xây dựng Ontology bệnh tiếng Việt gồm các bước: lựa chọn Disease Ontology (DO) có sẵn làm nền, dịch tự động bằng Google Translate (với lưu ý một số trường hợp dịch chưa chính xác như cụm "abdominal pain" và "stomach pain"), tinh chỉnh bán tự động, chỉnh sửa thủ công bằng Protégé. Lõi ontology xuất phát từ ICD-10-CM; tài liệu ICD-10 song ngữ Việt – Anh được sử dụng làm tham chiếu. Hơn 3.000 tài liệu bệnh thu thập từ cơ sở y tế được dùng để làm giàu ontology. Cấu trúc DO được trình bày qua hình vẽ trong luận án, bao gồm quan hệ subclass, các thuộc tính về nguyên nhân, triệu chứng, lưu trú, vật gây bệnh.

Cơ sở dữ liệu bệnh (Disease Schema) được xây dựng với thông tin chi tiết về mỗi bệnh gồm: mô tả bệnh, giải phẫu bệnh, dịch tễ học, yếu tố nguy cơ, lâm sàng – cận lâm sàng, khái niệm bệnh (nguyên nhân, triệu chứng, lưu trú, vật gây bệnh). Thông tin cơ sở dữ liệu được tóm tắt trong Bảng 4.3 của luận án, bao gồm kích thước và số lượng bảng. Dữ liệu DiseaseRule (Bảng 3.1) lưu các luật kết hợp khai thác được.

Hệ thống tìm kiếm ngữ nghĩa thông tin bệnh được xây dựng với giao diện gồm: hộp tìm kiếm có tính năng autocomplete và gợi ý từ khóa liên quan, hệ thống gợi ý triệu chứng ẩn dựa trên luật kết hợp, hiển thị kết quả tìm kiếm theo cấu trúc phân cấp, và tham chiếu đến các cơ sở dữ liệu bệnh khác. Luồng tương tác được thiết kế theo cơ chế điều hướng luồng tìm kiếm (search flow navigation).

Kết quả và những đóng góp mới

Luận án tự nêu năm điểm mới tại phần Mở đầu:

(1) Đề xuất phương pháp trích rút bộ ba (triple) dựa trên mô hình cú pháp, trích rút các bộ ba từ dữ liệu văn bản phục vụ xây dựng đặc trưng văn bản. Kết quả đạt độ chính xác trích rút gấp 1,7 lần ClausIE và gấp 2 lần Ollie trên bộ dữ liệu thử nghiệm [CTLA3].

(2) Đề xuất phương pháp tìm kiếm đa diện dữ liệu văn bản và cá nhân hóa tìm kiếm đa diện sử dụng dữ liệu Wikipedia Disambiguation để giải quyết vấn đề mơ hồ từ vựng và lọc kết quả tìm kiếm [CTLA3, CTLA4].

(3) Đề xuất phương pháp khai phá luật kết hợp trong Ontology bệnh (ASO-Apriori) [CTLA2], dựa trên hai độ đo mới: độ hỗ trợ mở rộng và độ tin cậy mở rộng, khai phá luật kết hợp ngữ nghĩa giữa các mối quan hệ trong Ontology bệnh.

(4) Xây dựng Ontology bệnh tiếng Việt từ nguồn ICD-10-CM kết hợp Disease Ontology nguồn mở, làm giàu bằng hơn 3.000 tài liệu bệnh [CTLA1].

(5) Đề xuất phương pháp và xây dựng Hệ thống tìm kiếm ngữ nghĩa thông tin bệnh có hỗ trợ tương tác với người sử dụng bằng các gợi ý dựa trên tập luật kết hợp giữa các triệu chứng và luật kết hợp ngữ nghĩa từ các mối quan hệ trên Ontology bệnh [CTLA1].

Về ý nghĩa thực tiễn, các đề xuất về triple extraction có thể ứng dụng trong các hệ thống phân loại, phân cụm và tóm tắt văn bản; phương pháp tìm kiếm đa diện cá nhân hóa có thể áp dụng cho hệ thống khuyến nghị và hệ chuyên gia trong nhiều lĩnh vực khác nhau.

Hạn chế và hướng nghiên cứu tiếp

Luận án xác định tìm kiếm ngữ nghĩa có tương tác với người dùng vẫn còn nhiều hạn chế (được nêu tổng quát ở phần Kết chương 1), đặc biệt trong việc xây dựng và duy trì cơ sở tri thức: chi phí cao, cần can thiệp của người quản trị, phụ thuộc vào ngôn ngữ và tri thức chuyên gia miền. Việc tích hợp các ontology từ các nguồn khác nhau còn phức tạp do sự khác biệt về ngôn ngữ, cấu trúc và ngữ nghĩa.

Các hướng nghiên cứu tiếp theo được tác giả nêu trong phần Kết luận gồm tiếp tục hoàn thiện hệ thống tìm kiếm ngữ nghĩa thông tin bệnh và mở rộng phạm vi ứng dụng sang các lĩnh vực khác ngoài bệnh học. Phương pháp trích rút triple đề xuất mới chỉ được thử nghiệm trên văn bản tiếng Anh (Wikipedia tiếng Anh, New York Times), việc áp dụng cho văn bản tiếng Việt chưa được báo cáo trong luận án. Ontology bệnh tiếng Việt được xây dựng mới ở giai đoạn đầu và cần tiếp tục làm giàu thêm.

Giá trị tham khảo

Luận án có giá trị tham khảo cho các nhóm đối tượng sau:

Nghiên cứu sinh và giảng viên chuyên ngành Khoa học máy tính, Trí tuệ nhân tạo, Kỹ thuật phần mềm, Hệ thống thông tin có thể tham khảo Chương 1 về cơ sở lý thuyết ontology và các mô hình tìm kiếm, Chương 2 về phương pháp trích rút triple, và Chương 3 về khai phá luật kết hợp trong ontology. Đặc biệt, bảng VUP (15 mẫu động từ tiếng Anh) và mô hình cú pháp Syntax Model là tài liệu có giá trị tham khảo cụ thể.

Nhà nghiên cứu và kỹ sư phần mềm làm việc trong lĩnh vực xử lý ngôn ngữ tự nhiên và web ngữ nghĩa có thể tham khảo quy trình xây dựng ontology bệnh tiếng Việt (Chương 4), bao gồm cách tái sử dụng ontology nguồn mở, kết hợp dịch máy và tinh chỉnh bán tự động.

Người làm chính sách và chuyên gia y tế công cộng quan tâm đến hệ thống tra cứu thông tin bệnh có thể tham khảo kiến trúc hệ thống và cơ sở dữ liệu bệnh (Disease Schema) được trình bày trong Chương 4, đặc biệt là cơ chế gợi ý triệu chứng ẩn hỗ trợ người dùng không chuyên.

Câu hỏi thường gặp

1. Phương pháp ASO-Apriori khác gì so với thuật toán Apriori truyền thống?

ASO-Apriori (Associate Rules in Disease Ontology — Apriori) mở rộng thuật toán Apriori truyền thống bằng hai độ đo mới: độ hỗ trợ mở rộng và độ tin cậy mở rộng. Hai độ đo này cho phép khai thác các quan hệ ngữ nghĩa giữa các triệu chứng thông qua quan hệ subclass trong Ontology bệnh, thay vì chỉ xét tần suất đồng xuất hiện như Apriori truyền thống. Thuật toán con ASO-Apriori-GenFrequentSymptom sinh ra các tập triệu chứng phổ biến và cắt tỉa tập ứng viên theo Mệnh đề 3 được luận án phát biểu.

2. Tại sao luận án chọn Wikipedia Disambiguation để giải quyết bài toán nhập nhằng từ vựng?

Wikipedia Disambiguation là bách khoa toàn thư mở, cung cấp các trang định hướng xử lý nhập nhằng được tạo ra bởi cộng đồng người dùng Internet, dễ hiểu và bao phủ diện rộng. Mỗi trang chứa danh sách các nghĩa khác nhau của một từ hoặc cụm từ kèm phân loại facet và sub-facet. Luận án đã nạp toàn bộ dữ liệu này vào CSDL MySQL với kích thước hơn 150 Gigabyte. Ví dụ từ "Java" được phân thành các facet như Địa điểm, Máy tính, Động vật, Âm nhạc — từ đó hỗ trợ phân loại văn bản vào đúng ngữ nghĩa theo ngữ cảnh truy vấn.

3. Ontology bệnh tiếng Việt được xây dựng từ nguồn nào và quy trình ra sao?

Ontology bệnh tiếng Việt được xây dựng từ Disease Ontology (DO) nguồn mở kết hợp với phân loại ICD-10-CM. Quy trình gồm: lựa chọn DO làm nền, dịch tự động bằng Google Translate, tinh chỉnh bán tự động, chỉnh sửa thủ công bằng công cụ Protégé, và làm giàu bằng hơn 3.000 tài liệu bệnh thu thập từ cơ sở y tế. Tài liệu ICD-10 song ngữ Việt – Anh được dùng làm tham chiếu trong quá trình tinh chỉnh. Một số trường hợp Google Translate dịch chưa chính xác — ví dụ điển hình được nêu trong luận án là cụm "abdominal pain" và "stomach pain" — được xử lý thủ công.

4. Kết quả đánh giá phương pháp trích rút triple đề xuất so với Ollie và ClausIE như thế nào?

Thử nghiệm được thực hiện trên bộ dữ liệu ClausIE gồm 200 câu ngẫu nhiên từ Wikipedia tiếng Anh và 200 câu ngẫu nhiên từ New York Times. Việc thu thập bộ ba đầu ra và đánh giá bộ ba chính xác được thực hiện theo kinh nghiệm chuyên gia. Phương pháp đề xuất trích rút chính xác gấp 1,7 lần so với ClausIE và gấp 2 lần so với Ollie. Lý do là phương pháp đề xuất xem xét tất cả thuộc tính của thực thể, cụm danh từ trong câu và các thực thể có cùng quan hệ, thay vì chỉ trích rút quan hệ dựa trên động từ chính như hai hệ thống so sánh.

5. Hệ thống tìm kiếm ngữ nghĩa thông tin bệnh hoạt động như thế nào khi người dùng chỉ có một vài triệu chứng ban đầu?

Khi người dùng nhập một vài triệu chứng ban đầu, hệ thống sử dụng tập luật kết hợp ASO-Apriori để gợi ý các triệu chứng ẩn liên quan (tức là các triệu chứng thường đi kèm theo luật kết hợp đã khai phá từ ontology). Người dùng xác nhận hoặc bổ sung triệu chứng, hệ thống tiếp tục điều hướng luồng tìm kiếm theo cơ chế tương tác. Đồng thời, luật kết hợp ngữ nghĩa từ quan hệ ontology gợi ý người dùng lựa chọn facet tiếp theo để thu hẹp phạm vi tìm kiếm. Giao diện hỗ trợ autocomplete trong khung tìm kiếm và hiển thị gợi ý từ khóa liên quan, giúp người dùng không chuyên dần hình thành câu truy vấn phù hợp.

Kết luận

Luận án của Nguyễn Hồng Sơn (2020) đề xuất và xây dựng một hướng tiếp cận kết hợp giữa ontology, khai phá luật kết hợp mở rộng và tìm kiếm tương tác trong lĩnh vực tra cứu thông tin bệnh học bằng tiếng Việt. Đóng góp kỹ thuật tập trung vào ba điểm: phương pháp trích rút triple dựa trên mô hình cú pháp cho kết quả vượt trội so với Ollie và ClausIE, thuật toán ASO-Apriori với hai độ đo mới (độ hỗ trợ mở rộng và độ tin cậy mở rộng) để khai phá luật kết hợp trong Ontology bệnh, và Ontology bệnh tiếng Việt xây dựng từ ICD-10-CM kết hợp Disease Ontology nguồn mở được làm giàu bằng hơn 3.000 tài liệu bệnh. Hệ thống tìm kiếm ngữ nghĩa thông tin bệnh có tương tác được xây dựng như sản phẩm ứng dụng thực tiễn, hỗ trợ người dùng không chuyên dần hình thành câu truy vấn thông qua cơ chế gợi ý triệu chứng và điều hướng facet. Phạm vi ứng dụng của các đề xuất còn có thể mở rộng sang các hệ thống phân loại văn bản, hệ thống khuyến nghị và hệ chuyên gia ngoài lĩnh vực y tế.