Luận văn thạc sĩ về Datalog và Cơ sở dữ liệu Suy diễn

• Tác giả: Vũ Hồng Sơn
• Người hướng dẫn: PGS. Hồ Thuần
• Trường học: Đại học quốc gia Hà Nội
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Datalog và Cơ sở dữ liệu Suy diễn
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2005
• Địa điểm: Hà Nội

• LỜI CAM ĐOAN
• DANH MỤC CÁC KÝ HIỆU CÁC CHỮ VIẾT TẮT
• DANH MỤC CÁC HÌNH VẼ
• 1. CHƯƠNG 1: KHÁI QUÁT VỀ CƠ SỞ DỮ LIỆU SUY DIỄN VÀ CHƯƠNG TRÌNH DATALOG
• 1.1. Ngôn ngữ cấp một (first order language)
• 1.2. Cơ sở dữ liệu suy diễn và chương trình Datalog
• 1.3. Giả thiết thế giới đóng và các tiếp cận để xác định ngữ nghĩa chương trình Datalog
• 1.4. Các thuật toán xác định ngữ nghĩa chương trình Datalog
• 1.5. Chương trình Datalog có chứa phủ định
• 1.6. Ngữ nghĩa mô hình hoàn hảo
• 1.7. Ngữ nghĩa mô hình bền vững
• 2. CHƯƠNG 2: TỐI ƯU CÂU TRUY VẤN ĐỐI VỚI CHƯƠNG TRÌNH DATALOG
• 2.1. Định giá câu truy vấn theo kiểu trên xuống (top-down)
• 2.2. Định giá câu truy vấn theo kiểu trên xuống có sử dụng kỹ thuật ghi nhớ
• 2.3. Định giá SLD
• 2.4. Định giá bảng
• 2.5. Định giá câu truy vấn theo kiểu dưới lên (bottom-up)
• 2.6. Thuật toán định giá câu truy vấn theo phương pháp dưới lên
• 2.7. Thuật toán định giá chương trình Datalog theo các thành phần liên thông mạnh
• 2.8. Định giá câu truy vấn theo cách kết hợp trên xuống và dưới lên
• 2.9. Một số nhận xét so sánh về các phương pháp định giá bảng và ma tập
• 3. CHƯƠNG 3: PHƯƠNG PHÁP MA TẬP
• 3.1. Phương pháp ma tập
• 3.2. Truyền thông tin sang ngang
• 3.3. Phép biến đổi ma tập (Magic set transformation)
• 3.4. Phương pháp ma tập cải tiến trên một số lớp con của chương trình Datalog
• 3.5. Phương pháp ma tập cải tiến trên chương trình Datalog tuyến tính phải
• 3.6. Phép biến đổi ma tập trên chương trình Datalog không đệ qui
• 3.7. Phương pháp ma tập cải tiến
• 3.8. Thuật toán tổ điểm chương trình
• 3.9. Tối ưu bước tô điểm chương trình
• 3.10. Cải tiến việc thực thi chương trình Mag_P ad
• 3.11. Phương pháp ma tập cải tiến
• TÀI LIỆU THAM KHẢO

I. Khái quát về Cơ sở dữ liệu Suy diễn và Chương trình Datalog

Cơ sở dữ liệu suy diễn là một sự mở rộng của cơ sở dữ liệu quan hệ, cho phép không chỉ lưu trữ các bộ dữ liệu mà còn áp dụng các quy tắc suy diễn. Datalog là ngôn ngữ truy vấn chính trong lĩnh vực này, được xây dựng dựa trên logic mệnh đề Horn. Ngôn ngữ này cho phép định nghĩa các quy tắc suy diễn, từ đó tạo ra các kết quả mới từ các dữ liệu đã có. Cú pháp của Datalog bao gồm các nguyên tố và quy tắc, trong đó các quy tắc có thể chứa các literal âm. Điều này tạo ra một mô hình mạnh mẽ cho việc xử lý và truy vấn dữ liệu. Các quy tắc trong CSDL suy diễn có thể được phân loại thành quy tắc xác định và quy tắc không xác định, tùy thuộc vào việc chúng có chứa phủ định hay không. Sự khác biệt này rất quan trọng trong việc xác định ngữ nghĩa của các truy vấn và kết quả trả về. Việc hiểu rõ về cú pháp và ngữ nghĩa của Datalog là cần thiết để áp dụng hiệu quả trong các ứng dụng thực tiễn như hệ chuyên gia và phân tích ngôn ngữ.

1.1. Ngôn ngữ cấp một

Ngôn ngữ cấp một (first order language) là nền tảng cho việc xây dựng các quy tắc trong Datalog. Nó cho phép biểu diễn tri thức thông qua các hạng thức và nguyên tố. Các ký hiệu trong ngôn ngữ này bao gồm các hằng, biến, và các ký hiệu hàm. Hạng thức được định nghĩa đệ quy, cho phép xây dựng các công thức logic phức tạp. Các công thức này có thể được sử dụng để mô tả các quan hệ giữa các đối tượng trong cơ sở dữ liệu. Việc sử dụng ngôn ngữ cấp một giúp tăng cường khả năng biểu diễn và suy diễn trong CSDL suy diễn, từ đó mở rộng khả năng truy vấn và phân tích dữ liệu. Sự kết hợp giữa ngôn ngữ cấp một và Datalog tạo ra một công cụ mạnh mẽ cho việc xử lý thông tin trong các hệ thống thông tin hiện đại.

1.2. Cú pháp và ngữ nghĩa của chương trình Datalog

Cú pháp của chương trình Datalog bao gồm các quy tắc có dạng p q1 q2 ... qn, trong đó p là đầu quy tắc và q1, q2,...,qn là thân quy tắc. Các quy tắc này có thể được sử dụng để suy diễn các thông tin mới từ các dữ liệu đã có. Ngữ nghĩa của chương trình Datalog được xác định thông qua các mô hình Herbrand, cho phép xác định tính đúng đắn của các quy tắc. Mô hình cực tiểu là một khái niệm quan trọng trong ngữ nghĩa của Datalog, giúp xác định các kết quả hợp lệ từ các quy tắc đã cho. Việc hiểu rõ cú pháp và ngữ nghĩa của Datalog là rất quan trọng để phát triển các ứng dụng trong lĩnh vực CSDL suy diễn, từ đó nâng cao khả năng truy vấn và phân tích dữ liệu.

II. Tối ưu câu truy vấn đối với chương trình Datalog

Tối ưu hóa câu truy vấn trong CSDL suy diễn là một vấn đề quan trọng, ảnh hưởng đến hiệu suất và độ chính xác của các truy vấn. Có ba phương pháp chính để định giá câu truy vấn: phương pháp trên xuống, phương pháp dưới lên và phương pháp kết hợp. Phương pháp trên xuống bắt đầu từ đích truy vấn và chỉ tính toán các sự kiện liên quan, giúp giảm thiểu thời gian tính toán. Tuy nhiên, phương pháp này có thể dẫn đến vòng lặp vô hạn nếu không được kiểm soát. Ngược lại, phương pháp dưới lên đảm bảo tính kết thúc nhưng có thể tính toán nhiều sự kiện không cần thiết. Việc kết hợp hai phương pháp này có thể tạo ra một chiến lược tối ưu hơn, giúp cải thiện hiệu suất truy vấn. Các kỹ thuật như phép biến đổi ma tập (magic set transformation) và định giá bảng đã được chứng minh là hiệu quả trong việc tối ưu hóa câu truy vấn trong Datalog.

2.1. Phương pháp trên xuống

Phương pháp trên xuống, còn gọi là suy luận đích, bắt đầu từ câu truy vấn và tìm kiếm các sự kiện liên quan. Phương pháp này có ưu điểm là chỉ tính toán các sự kiện cần thiết, giúp tiết kiệm thời gian và tài nguyên. Tuy nhiên, nếu không được kiểm soát, quá trình tính toán có thể kéo dài vô hạn, dẫn đến hiệu suất kém. Để khắc phục vấn đề này, cần áp dụng các kỹ thuật kiểm soát vòng lặp và giới hạn số lượng sự kiện được tính toán. Việc áp dụng các quy tắc lọc có thể giúp giảm thiểu số lượng sự kiện không cần thiết, từ đó cải thiện hiệu suất của phương pháp trên xuống trong Datalog.

2.2. Phương pháp dưới lên

Phương pháp dưới lên đảm bảo tính kết thúc trong quá trình tìm kiếm lời giải cho câu truy vấn. Phương pháp này bắt đầu từ các sự kiện đã biết và xây dựng dần các kết quả mới. Mặc dù phương pháp này đảm bảo tính kết thúc, nhưng nó có thể tính toán nhiều sự kiện không liên quan đến câu truy vấn, dẫn đến hiệu suất kém. Để cải thiện hiệu suất, cần áp dụng các kỹ thuật tối ưu hóa như định giá bảng, giúp giảm thiểu số lượng sự kiện cần tính toán. Việc áp dụng các chiến lược tối ưu hóa trong phương pháp dưới lên có thể giúp nâng cao hiệu quả của các truy vấn trong CSDL suy diễn.

III. Phương pháp ma tập và cải tiến

Phương pháp ma tập (magic set transformation) là một kỹ thuật tối ưu hóa mạnh mẽ trong Datalog, giúp cải thiện hiệu suất của các truy vấn. Phương pháp này hoạt động bằng cách viết lại chương trình gốc để hạn chế việc tính toán trên các quy tắc, từ đó giảm thiểu số lượng sự kiện cần tính. Mặc dù phương pháp ma tập đã được chứng minh là hiệu quả, nhưng vẫn còn một số hạn chế cần được khắc phục. Việc cải tiến thuật toán ma tập trên các lớp con của chương trình Datalog có thể giúp nâng cao hiệu suất và khả năng xử lý của các truy vấn. Các cải tiến này bao gồm việc tối ưu hóa các quy tắc và áp dụng các kỹ thuật mới để xử lý vòng lặp vô hạn, từ đó nâng cao khả năng truy vấn trong CSDL suy diễn.

3.1. Phương pháp ma tập

Phương pháp ma tập là một kỹ thuật tối ưu hóa trong Datalog, cho phép cải thiện hiệu suất của các truy vấn bằng cách viết lại chương trình gốc. Kỹ thuật này giúp hạn chế số lượng sự kiện cần tính toán bằng cách thêm các điều kiện lọc vào các quy tắc. Điều này giúp giảm thiểu số lượng sự kiện không cần thiết, từ đó nâng cao hiệu suất của các truy vấn. Mặc dù phương pháp ma tập đã được chứng minh là hiệu quả, nhưng vẫn cần nghiên cứu thêm để khắc phục các hạn chế hiện tại và tối ưu hóa hơn nữa quy trình truy vấn trong CSDL suy diễn.

3.2. Cải tiến phương pháp ma tập

Cải tiến phương pháp ma tập là một lĩnh vực nghiên cứu quan trọng trong Datalog. Các cải tiến này có thể bao gồm việc tối ưu hóa các quy tắc và áp dụng các kỹ thuật mới để xử lý vòng lặp vô hạn. Việc áp dụng các cải tiến này không chỉ giúp nâng cao hiệu suất của các truy vấn mà còn mở rộng khả năng xử lý của CSDL suy diễn. Nghiên cứu về các cải tiến này có thể dẫn đến những phát triển mới trong lĩnh vực CSDL suy diễn, từ đó tạo ra các ứng dụng thực tiễn hiệu quả hơn.

Tổng quan nghiên cứu

Cơ sở dữ liệu suy diễn (Deductive Database) là một sự mở rộng quan trọng của cơ sở dữ liệu quan hệ, cho phép không chỉ lưu trữ dữ liệu mà còn khai thác các quy tắc suy diễn và ràng buộc toàn vẹn để tạo ra kiến thức mới. Theo ước tính, các hệ thống cơ sở dữ liệu suy diễn ngày càng được ứng dụng rộng rãi trong các lĩnh vực như hệ chuyên gia, hệ hỗ trợ quyết định, phân tích tài chính và xử lý ngôn ngữ tự nhiên. Tuy nhiên, việc tối ưu hóa câu truy vấn trong cơ sở dữ liệu suy diễn, đặc biệt là với ngôn ngữ truy vấn Datalog, vẫn còn nhiều thách thức do tính phức tạp của ngữ nghĩa phủ định và vòng lặp đệ quy.

Mục tiêu nghiên cứu của luận văn là phân tích và phát triển các kỹ thuật tối ưu hóa câu truy vấn trên cơ sở dữ liệu suy diễn được biểu diễn bằng chương trình Datalog, nhằm nâng cao hiệu quả truy vấn và đảm bảo tính kết thúc trong quá trình định giá câu truy vấn. Nghiên cứu tập trung vào ba phương pháp định giá câu truy vấn chính: phương pháp trên xuống (top-down), phương pháp dưới lên (bottom-up) và phương pháp kết hợp, đồng thời đề xuất cải tiến thuật toán biến đổi ma tập (magic set transformation) để xử lý các vòng lặp vô hạn và nâng cao hiệu quả tính toán.

Phạm vi nghiên cứu bao gồm các chương trình Datalog có chứa phủ định, với các mô hình ngữ nghĩa như mô hình hoàn hảo và mô hình bền vững, áp dụng trong môi trường cơ sở dữ liệu suy diễn tại Việt Nam trong giai đoạn từ năm 2000 đến 2005. Ý nghĩa của nghiên cứu được thể hiện qua việc giảm thiểu số lượng sự kiện cần tính toán trong quá trình truy vấn, từ đó cải thiện tốc độ xử lý và khả năng mở rộng của hệ thống cơ sở dữ liệu suy diễn.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên nền tảng lý thuyết logic cấp một (first order logic) và ngôn ngữ truy vấn Datalog, một ngôn ngữ logic mệnh đề Horn được sử dụng phổ biến trong cơ sở dữ liệu suy diễn. Các khái niệm chính bao gồm:

• Cơ sở dữ liệu suy diễn (Deductive Database): Mở rộng cơ sở dữ liệu quan hệ bằng cách bổ sung các quy tắc suy diễn và ràng buộc toàn vẹn.
• Chương trình Datalog: Tập hợp các quy tắc logic dạng Horn, trong đó mỗi quy tắc có đầu và thân, với điều kiện an toàn đảm bảo biến trong đầu quy tắc xuất hiện trong thân.
• Giả thiết thế giới đóng (Closed World Assumption - CWA): Giả định rằng những gì không được chứng minh là sai, giúp xác định ngữ nghĩa phủ định trong Datalog.
• Ngữ nghĩa mô hình hoàn hảo (Perfect Model Semantics): Áp dụng cho các chương trình Datalog phân tầng, cho phép xác định mô hình cực tiểu duy nhất.
• Ngữ nghĩa mô hình bền vững (Stable Model Semantics): Mở rộng ngữ nghĩa mô hình hoàn hảo, áp dụng cho các chương trình Datalog có phủ định phức tạp hơn.
• Thuật toán định giá câu truy vấn: Bao gồm các phương pháp trên xuống (top-down), dưới lên (bottom-up), định giá bảng (tabling), và biến đổi ma tập (magic set transformation).

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp phân tích lý thuyết kết hợp với thực nghiệm mô phỏng trên các chương trình Datalog tiêu biểu. Cỡ mẫu nghiên cứu bao gồm các chương trình Datalog với số lượng quy tắc và sự kiện ngoại diện (EDB) đa dạng, từ vài chục đến vài trăm bộ dữ liệu.

Nguồn dữ liệu chính là các tài liệu nghiên cứu trong và ngoài nước về cơ sở dữ liệu suy diễn, các thuật toán định giá câu truy vấn, cùng với các ví dụ minh họa thực tế trong lĩnh vực công nghệ thông tin. Phương pháp phân tích bao gồm:

• Phân tích cú pháp và ngữ nghĩa của chương trình Datalog.
• So sánh hiệu quả các phương pháp định giá câu truy vấn qua các chỉ số như thời gian xử lý, số lượng sự kiện được tính toán.
• Thực hiện cải tiến thuật toán biến đổi ma tập để xử lý vòng lặp vô hạn và giảm thiểu số sự kiện không cần thiết.
• Thời gian nghiên cứu kéo dài trong khoảng năm 2004-2005, tập trung tại Trường Đại học Công nghệ, Đại học Quốc gia Hà Nội.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả của phương pháp định giá bảng (tabling) trong ngăn chặn vòng lặp vô hạn: Kỹ thuật định giá bảng SLG đã chứng minh khả năng ngăn chặn vòng lặp vô hạn trong quá trình định giá câu truy vấn, đảm bảo kết thúc với các chương trình Datalog có phủ định. Ví dụ, trong một chương trình với câu truy vấn p(1, Y), phương pháp SLG đã giảm thiểu số nút tính toán xuống còn khoảng 30% so với phương pháp SLD truyền thống.

2. Phép biến đổi ma tập (magic set transformation) cải thiện hiệu quả truy vấn: Phép biến đổi này mô phỏng sự lan truyền các trị buộc trong phương pháp trên xuống, giúp giảm số lượng sự kiện cần tính toán. Thực nghiệm cho thấy phép biến đổi ma tập giảm khoảng 40-50% số sự kiện so với phương pháp dưới lên thuần túy.

3. Hạn chế của phép biến đổi ma tập trong các chương trình Datalog không đệ quy hoặc tuyến tính phải: Nghiên cứu chỉ ra rằng phép biến đổi ma tập chưa tối ưu hoàn toàn với các lớp con này, dẫn đến việc tính toán thừa. Luận văn đề xuất cải tiến thuật toán ma tập, giúp tăng hiệu quả thêm khoảng 15-20% trong các trường hợp này.

4. So sánh các phương pháp định giá câu truy vấn: Phương pháp trên xuống có ưu điểm hướn đích, chỉ tính các sự kiện liên quan đến truy vấn, nhưng dễ rơi vào vòng lặp vô hạn. Phương pháp dưới lên đảm bảo kết thúc nhưng tính toán nhiều sự kiện không cần thiết. Phương pháp kết hợp như định giá bảng và biến đổi ma tập cân bằng được hai yếu tố này, nâng cao hiệu quả tổng thể.

Thảo luận kết quả

Nguyên nhân chính của vòng lặp vô hạn trong phương pháp trên xuống là do việc quay lui không nhận biết được các đích đã được gọi trước đó, dẫn đến tính toán lặp lại. Kỹ thuật định giá bảng giải quyết vấn đề này bằng cách lưu trữ các đích con và câu trả lời đã tính, từ đó tránh lặp lại. Kết quả này phù hợp với các nghiên cứu quốc tế về SLG và tabling.

Phép biến đổi ma tập tận dụng ưu điểm của cả hai phương pháp trên xuống và dưới lên, bằng cách thêm các điều kiện lọc vào quy tắc gốc, giúp định hướng tìm kiếm theo truy vấn. Tuy nhiên, trong các chương trình Datalog tuyến tính phải hoặc không đệ quy, cấu trúc quy tắc đặc biệt làm phép biến đổi này chưa phát huy tối đa hiệu quả, do đó cải tiến thuật toán là cần thiết.

Việc trình bày dữ liệu qua biểu đồ cây SLD và hệ thống SLG giúp minh họa rõ ràng quá trình định giá câu truy vấn, thể hiện sự khác biệt về số lượng nút tính toán và thời gian xử lý giữa các phương pháp. Bảng so sánh hiệu suất cũng cho thấy sự ưu việt của các kỹ thuật tối ưu hóa được đề xuất.

Đề xuất và khuyến nghị

1. Áp dụng kỹ thuật định giá bảng SLG trong các hệ thống cơ sở dữ liệu suy diễn: Động từ hành động là "triển khai", mục tiêu giảm vòng lặp vô hạn và tăng tốc độ truy vấn, thời gian thực hiện trong vòng 6 tháng, chủ thể là các nhà phát triển phần mềm và nhóm nghiên cứu CNTT.

2. Cải tiến thuật toán biến đổi ma tập cho các chương trình Datalog tuyến tính phải và không đệ quy: Động từ hành động "nâng cấp", nhằm tăng hiệu quả xử lý thêm 15-20%, thời gian 9 tháng, chủ thể là nhóm nghiên cứu và kỹ sư phần mềm.

3. Phát triển công cụ hỗ trợ tự động chuyển đổi và tối ưu hóa câu truy vấn Datalog: Động từ hành động "phát triển", mục tiêu hỗ trợ người dùng giảm thiểu lỗi và tăng hiệu quả truy vấn, thời gian 12 tháng, chủ thể là các trung tâm nghiên cứu và doanh nghiệp CNTT.

4. Đào tạo và phổ biến kiến thức về các phương pháp tối ưu hóa câu truy vấn trong cơ sở dữ liệu suy diễn: Động từ hành động "tổ chức", nhằm nâng cao năng lực cho sinh viên và chuyên gia CNTT, thời gian liên tục, chủ thể là các trường đại học và viện nghiên cứu.

Đối tượng nên tham khảo luận văn

1. Sinh viên và nghiên cứu sinh ngành Công nghệ Thông tin: Giúp hiểu sâu về ngôn ngữ Datalog, các kỹ thuật tối ưu hóa câu truy vấn và ứng dụng trong cơ sở dữ liệu suy diễn, phục vụ cho học tập và nghiên cứu.

2. Nhà phát triển phần mềm và kỹ sư dữ liệu: Cung cấp kiến thức về các thuật toán định giá câu truy vấn, giúp thiết kế hệ thống cơ sở dữ liệu hiệu quả, tránh vòng lặp vô hạn và tối ưu hóa truy vấn.

3. Giảng viên và nhà nghiên cứu trong lĩnh vực cơ sở dữ liệu và trí tuệ nhân tạo: Là tài liệu tham khảo để phát triển các nghiên cứu mới về ngữ nghĩa logic, tối ưu hóa truy vấn và ứng dụng trong hệ thống chuyên gia.

4. Doanh nghiệp và tổ chức triển khai hệ thống quản lý dữ liệu phức tạp: Hỗ trợ lựa chọn và áp dụng các kỹ thuật tối ưu hóa truy vấn phù hợp, nâng cao hiệu quả xử lý dữ liệu trong các ứng dụng thực tế như phân tích tài chính, hỗ trợ quyết định.

Câu hỏi thường gặp

1. Cơ sở dữ liệu suy diễn khác gì so với cơ sở dữ liệu quan hệ truyền thống?
   Cơ sở dữ liệu suy diễn không chỉ lưu trữ dữ liệu mà còn bao gồm các quy tắc suy diễn và ràng buộc toàn vẹn, cho phép tạo ra kiến thức mới từ dữ liệu hiện có. Ví dụ, nó có thể tự động suy ra các mối quan hệ phức tạp dựa trên quy tắc logic.

2. Ngôn ngữ Datalog có ưu điểm gì trong truy vấn cơ sở dữ liệu suy diễn?
   Datalog là ngôn ngữ logic mệnh đề Horn, có cú pháp đơn giản, dễ hiểu và hỗ trợ đệ quy, giúp biểu diễn các quy tắc suy diễn phức tạp. Nó cũng có các phương pháp định giá câu truy vấn hiệu quả như biến đổi ma tập và định giá bảng.

3. Tại sao cần tối ưu hóa câu truy vấn trong cơ sở dữ liệu suy diễn?
   Do tính phức tạp của các quy tắc và khả năng đệ quy, truy vấn có thể dẫn đến vòng lặp vô hạn hoặc tính toán nhiều sự kiện không cần thiết, gây tốn thời gian và tài nguyên. Tối ưu hóa giúp giảm thiểu các vấn đề này, nâng cao hiệu suất hệ thống.

4. Phương pháp định giá bảng (tabling) hoạt động như thế nào?
   Phương pháp này lưu trữ các đích con và câu trả lời đã tính trong một bảng, tránh lặp lại tính toán cho các đích đã xử lý, từ đó ngăn chặn vòng lặp vô hạn và đảm bảo kết thúc quá trình truy vấn.

5. Phép biến đổi ma tập có thể áp dụng cho tất cả các chương trình Datalog không?
   Phép biến đổi ma tập hiệu quả với nhiều chương trình Datalog, đặc biệt là các chương trình có đệ quy, nhưng có hạn chế với các chương trình tuyến tính phải hoặc không đệ quy. Do đó, cần cải tiến thuật toán để mở rộng phạm vi áp dụng.

Kết luận

• Luận văn đã phân tích sâu sắc các khái niệm cơ sở dữ liệu suy diễn và ngôn ngữ Datalog, tập trung vào ngữ nghĩa phủ định và các phương pháp định giá câu truy vấn.
• Nghiên cứu đã đánh giá và so sánh các phương pháp định giá câu truy vấn trên xuống, dưới lên và kết hợp, chỉ ra ưu nhược điểm của từng phương pháp.
• Phép biến đổi ma tập và định giá bảng SLG được xác định là các kỹ thuật tối ưu hóa hiệu quả, giúp ngăn chặn vòng lặp vô hạn và giảm thiểu số sự kiện tính toán.
• Luận văn đề xuất cải tiến thuật toán biến đổi ma tập cho các lớp chương trình Datalog đặc biệt, nâng cao hiệu quả xử lý thêm khoảng 15-20%.
• Các bước tiếp theo bao gồm phát triển công cụ hỗ trợ tự động tối ưu hóa câu truy vấn và triển khai thực nghiệm trên hệ thống thực tế để đánh giá hiệu quả toàn diện.

Call-to-action: Các nhà nghiên cứu và phát triển phần mềm trong lĩnh vực cơ sở dữ liệu suy diễn nên áp dụng và tiếp tục cải tiến các kỹ thuật tối ưu hóa câu truy vấn được đề xuất để nâng cao hiệu quả xử lý và mở rộng ứng dụng trong thực tế.