Nghiên Cứu Về Mô Hình Hệ Thống 0PT0L0G Tại Đại Học Quốc Gia Hà Nội

Nghiên cứu các mô hình học ontology và ứng dụng của chúng trong lĩnh vực dầu khí, mang lại giải pháp tối ưu cho ngành công nghiệp.

• Người hướng dẫn: TS. Nguyễn Văn A
• Trường học: Đại học Quốc gia Hà Nội
• Chuyên ngành: Hệ thống thông tin
• Đề tài: Nghiên Cứu Về Mô Hình Hệ Thống 0PT0L0G Tại Đại Học Quốc Gia Hà Nội
• Loại tài liệu: luận án
• Năm xuất bản: 2019
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: GIỚI THIỆU CHUNG VỀ ONTOLOGY, HỌC ONTOLOGY VÀ ĐỘ ĐỘ GOOGLE
• 1.1. MỘT VÍ DỤ VỀ ONTOLOGY MIỀN DẦU
• 1.2. NGUYÊN LÝ VÀ QUY TRÌNH THIẾT KẾ ONTOLOGY MIỀN
• 1.3. KỸ THUẬT VÀ TÀI NGUYÊN ĐƯỢC SỬ DỤNG TRONG HỌC ONTOLOGY
• 1.4. LIÊN HỆ NGHIÊN CỨU CỦA LUẬN ÁN VÀO KHUNG NHÌN KHÁI QUÁT VỀ HỌC ONTOLOGY
• 2. CHƯƠNG 2: PHÁT BIỂU BÀI TOÁN VÀ MÔ HÌNH GIẢI QUYẾT
• 2.1. TẬP TÀI NGUYÊN XÂY DỰNG ONTOLOGY BIỂU HIỆN NGỮ SINH MỞ RỘNG
• 2.2. BA TÀI NGUYÊN BIỂU HIỆN NGỮ SINH LÀM TẬP DỮ LIỆU KIỂM THỬ
• 2.3. MÔ HÌNH HAI PHA GIẢI QUYẾT BÀI TOÁN
• 2.4. THÀNH PHẦN XÂY DỰNG VÀ TÍCH HỢP VỚI DỮ LIỆU THỰC THỂ BIỂU HIỆN NGỮ SINH
• 2.5. MÔ HÌNH TÍCH HỢP HAI ONTOLOGY BIỂU HIỆN NGỮ SINH
• 2.6. THÀNH PHẦN PHÁT HIỆN QUAN HỆ BẮT ĐẦU (BỔ SUNG QUAN HỆ) TRONG ONTOLOGY KẾT QUẢ
• 3. CHƯƠNG 3: XÂY DỰNG MÔ HÌNH HỌC MÁY MAXIMUM ENTROPY – BEAM SEARCH NHẬN DẠNG THỂ BIỂU HIỆN NGỮ SINH
• 3.1. MÔ HÌNH HỌC MÁY MAXIMUM ENTROPY
• 3.2. MÔ HÌNH HỌC MÁY MAXIMUM ENTROPY - BEAM SEARCH NHẬN DẠNG THỂ BIỂU HIỆN NGỮ SINH
• 3.3. DỮ LIỆU THỰC NGHIỆM VÀ ỨNG DỤNG
• 4. CHƯƠNG 4: MỘT MÔ HÌNH HỌC ONTOLOGY THEO TỪ VỰNG DỰA TRÊN ĐỘ ĐỘ KHẢO GOOGLE
• 4.1. MÔ HÌNH ĐỐI SÁNH CÁC TÍNH CỦA HAI KHÁI NIỆM THUỘC HAI ONTOLOGY MIỀN
• 4.2. MÔ HÌNH ĐỐI SÁNH CÁC KHÁI NIỆM VÀ HỌC HAI ONTOLOGY DỰA TRÊN ĐỘ ĐỘ KHẢO GOOGLE
• 4.3. VÍ DỤ MINH HỌA ĐỐI SÁNH KHÁI NIỆM
• 5. CHƯƠNG 5: XÂY DỰNG ONTOLOGY ANH - VIỆT DỰA TRÊN KỸ THUẬT HỌC MÁY VỚI CHỈ DỮ LIỆU DƯỠNG
• 5.1. WIKIPEDIA LÀ NGUỒN TÀI NGUYÊN XÂY DỰNG ONTOLOGY
• 5.2. CHIẾN LƯỢC HAI BƯỚC PHÂN LỚP DỮ LIỆU VỚI CHỈ DỮ LIỆU DƯỠNG
• 5.3. PHÁT TRIỂN MÔ HÌNH ĐỀ XUẤT
• 5.4. KHUNG HỢP NHẤT NIỀM TIN VÀ KHUNG TRANH LUẬN
• 5.5. ÁP DỤNG VÀO ONTOLOGY DẦU KHÍ ANH - VIỆT
• 5.6. MỘT QUY TRÌNH XÂY DỰNG ONTOLOGY DẦU KHÍ ANH - VIỆT TẠI VIỆN DẦU KHÍ VIỆT NAM
• 5.7. MỘT QUY TRÌNH BẢNG BƯỚC XÂY DỰNG ONTOLOGY DẦU KHÍ ANH - VIỆT
• 5.8. XÁC ĐỊNH MỤC ĐÍCH VÀ PHẠM VI CỦA ONTOLOGY DẦU KHÍ ANH - VIỆT
• 5.9. THU THẬP TÀI NGUYÊN ONTOLOGY DẦU KHÍ ANH - VIỆT SẴN CÓ
• 5.10. LÀM GIÀU KHÁI NIỆM DẦU KHÍ TIẾNG VIỆT TIỀM NĂNG
• 5.11. ĐỐI SÁNH KHÁI NIỆM MIỀN DẦU KHÍ TIẾNG VIỆT
• 6. CHƯƠNG 6: TRIỂN KHAI THỰC HIỆN
• 6.1. THU THẬP VÀ TIỀN XỬ LÝ DỮ LIỆU
• DANH MỤC TỪ ĐIỂN KÝ HIỆU VÀ CHỮ VIẾT TẮT
• DANH MỤC TỪ ĐIỂN HÌNH VẼ
• DANH MỤC TỪ ĐIỂN BẢNG
• DANH MỤC TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Nghiên Cứu Mô Hình Hệ Thống 0PT0L0G Tại ĐHQGHN

Nghiên cứu về mô hình hệ thống 0PT0L0G tại Đại học Quốc gia Hà Nội (ĐHQGHN) là một lĩnh vực quan trọng, góp phần vào sự phát triển của nghiên cứu khoa học và ứng dụng công nghệ thông tin. 0PT0L0G đóng vai trò nền tảng trong nhiều lĩnh vực, từ trí tuệ nhân tạo đến quản lý tri thức. Việc xây dựng và phát triển các mô hình hệ thống 0PT0L0G hiệu quả là một thách thức lớn, đòi hỏi sự kết hợp giữa lý thuyết và thực tiễn. Nghiên cứu này tập trung vào việc khám phá và ứng dụng các phương pháp tối ưu hóa hệ thống để tạo ra các mô hình hóa 0PT0L0G có khả năng giải quyết các vấn đề phức tạp trong nhiều lĩnh vực khác nhau. Theo [7], 0PT0L0G hỗ trợ đắc lực hoạt động tìm kiếm có cấu trúc, so sánh được và tùy chỉnh cao.

1.1. Giới thiệu chung về hệ thống 0PT0L0G và ứng dụng

Hệ thống 0PT0L0G là một công cụ mạnh mẽ để biểu diễn và quản lý tri thức. Nó cho phép các nhà nghiên cứu và các chuyên gia trong các lĩnh vực khác nhau để chia sẻ và tái sử dụng tri thức một cách hiệu quả. Ứng dụng thực tiễn của 0PT0L0G rất đa dạng, từ phân tích hệ thống đến mô phỏng hệ thống. Việc xây dựng một 0PT0L0G tốt đòi hỏi sự hiểu biết sâu sắc về lĩnh vực ứng dụng và các phương pháp mô hình hóa phù hợp. Các bài báo khoa học thường nhấn mạnh tầm quan trọng của việc lựa chọn các khái niệm và quan hệ phù hợp để đảm bảo tính chính xác và hiệu quả của 0PT0L0G.

1.2. Vai trò của Đại học Quốc gia Hà Nội trong nghiên cứu 0PT0L0G

Đại học Quốc gia Hà Nội đóng vai trò quan trọng trong việc thúc đẩy nghiên cứu khoa học về 0PT0L0G tại Việt Nam. Các khoa/trường Đại học Quốc gia Hà Nội đã triển khai nhiều đề tài nghiên cứu và dự án liên quan đến mô hình hệ thống 0PT0L0G, góp phần vào việc nâng cao năng lực phân tích hệ thống và tối ưu hóa hệ thống. Các công bố khoa học từ Đại học Quốc gia Hà Nội đã được trình bày tại nhiều hội thảo khoa học quốc tế, khẳng định vị thế của Việt Nam trong lĩnh vực này.

II. Thách Thức Trong Xây Dựng Mô Hình 0PT0L0G Phức Tạp Hiện Nay

Việc xây dựng mô hình 0PT0L0G cho các hệ thống phức tạp đặt ra nhiều thách thức. Một trong những thách thức lớn nhất là làm thế nào để biểu diễn tri thức một cách chính xác và đầy đủ. Các hệ thống phức tạp thường liên quan đến nhiều lĩnh vực khác nhau, đòi hỏi sự hiểu biết sâu sắc về từng lĩnh vực. Ngoài ra, việc tối ưu hóa hệ thống 0PT0L0G để đảm bảo hiệu suất và khả năng mở rộng cũng là một vấn đề quan trọng. Các giải pháp tối ưu cần được tìm kiếm để đảm bảo rằng mô hình 0PT0L0G có thể xử lý lượng lớn dữ liệu và truy vấn một cách hiệu quả. Theo [71], 0PT0L0G là một mô tả hệ thống các thực thể và phương thức của chúng, các quy tắc cho phép mô tả một mô hình phù hợp với các thực thể.

2.1. Vấn đề biểu diễn tri thức trong hệ thống 0PT0L0G

Biểu diễn tri thức là một trong những vấn đề cốt lõi trong xây dựng mô hình 0PT0L0G. Tri thức cần được biểu diễn một cách rõ ràng, chính xác và dễ hiểu để có thể được sử dụng bởi các ứng dụng khác nhau. Các phương pháp biểu diễn tri thức phổ biến bao gồm mô hình toán học, mô phỏng hệ thống, và các ngôn ngữ mô hình hóa 0PT0L0G. Việc lựa chọn phương pháp biểu diễn tri thức phù hợp phụ thuộc vào đặc điểm của lĩnh vực ứng dụng và yêu cầu của bài toán.

2.2. Khó khăn trong tối ưu hóa hệ thống 0PT0L0G

Tối ưu hóa hệ thống 0PT0L0G là một quá trình phức tạp, đòi hỏi sự kết hợp giữa các kỹ thuật tối ưu hóa và các phương pháp phân tích hệ thống. Các kỹ thuật tối ưu hóa có thể được sử dụng để cải thiện hiệu suất truy vấn, giảm thiểu dung lượng lưu trữ, và tăng cường khả năng mở rộng của mô hình 0PT0L0G. Tuy nhiên, việc áp dụng các kỹ thuật tối ưu hóa cần được thực hiện một cách cẩn thận để tránh ảnh hưởng đến tính chính xác và đầy đủ của tri thức.

III. Phương Pháp Học Mô Hình 0PT0L0G Dựa Trên Khai Phá Văn Bản

Một trong những phương pháp hiệu quả để xây dựng mô hình 0PT0L0G là sử dụng kỹ thuật học 0PT0L0G dựa trên khai phá văn bản. Phương pháp này cho phép tự động trích xuất tri thức từ các nguồn văn bản khác nhau, giúp giảm thiểu công sức thủ công và tăng cường tính khách quan của mô hình 0PT0L0G. Các kỹ thuật khai phá văn bản có thể được sử dụng để xác định các khái niệm, quan hệ, và quy tắc quan trọng trong một lĩnh vực cụ thể. Theo [79], khung nhìn này chứa ba khu vực là khu vực kết quả đầu ra, khu vực bài toán học 0PT0L0G và khu vực kỹ thuật và tài nguyên được sử dụng để phục vụ các bài toán học 0PT0L0G.

3.1. Kỹ thuật khai phá văn bản để trích xuất tri thức

Kỹ thuật khai phá văn bản sử dụng các thuật toán học máy và xử lý ngôn ngữ tự nhiên để trích xuất tri thức từ các nguồn văn bản. Các thuật toán này có thể được sử dụng để xác định các thực thể, quan hệ, và sự kiện quan trọng trong văn bản. Ngoài ra, kỹ thuật khai phá văn bản cũng có thể được sử dụng để phân tích ngữ nghĩa của văn bản và xác định các mối quan hệ ẩn giữa các khái niệm.

3.2. Ứng dụng học máy trong xây dựng mô hình 0PT0L0G

Học máy đóng vai trò quan trọng trong việc tự động hóa quá trình xây dựng mô hình 0PT0L0G. Các thuật toán học máy có thể được sử dụng để học các khái niệm, quan hệ, và quy tắc từ dữ liệu. Ngoài ra, học máy cũng có thể được sử dụng để đánh giá chất lượng của mô hình 0PT0L0G và cải thiện hiệu suất của nó. Các thuật toán học máy phổ biến trong xây dựng mô hình 0PT0L0G bao gồm mạng nơ-ron, cây quyết định, và máy học hỗ trợ vector.

IV. Ứng Dụng Mô Hình 0PT0L0G Trong Lĩnh Vực Dầu Khí Tại Việt Nam

Ứng dụng thực tiễn của mô hình 0PT0L0G trong lĩnh vực dầu khí tại Việt Nam có tiềm năng rất lớn. Mô hình 0PT0L0G có thể được sử dụng để quản lý tri thức, hỗ trợ ra quyết định, và cải thiện hiệu suất hoạt động trong các lĩnh vực như thăm dò, khai thác, và chế biến dầu khí. Việc xây dựng một 0PT0L0G chuyên biệt cho lĩnh vực dầu khí đòi hỏi sự hợp tác giữa các nhà nghiên cứu, các chuyên gia trong ngành, và các nhà quản lý. Theo [22], [23], [24], 0PT0L0G Ьi0ເassƚeг là một 0PT0L0G trong lĩnh vực y tế được viết dưới nhiều ngôn ngữ như Nhật, Thái, và Việt Nam.

4.1. Quản lý tri thức trong ngành dầu khí với 0PT0L0G

Mô hình 0PT0L0G có thể được sử dụng để quản lý tri thức trong ngành dầu khí bằng cách biểu diễn các khái niệm, quan hệ, và quy tắc liên quan đến các hoạt động thăm dò, khai thác, và chế biến dầu khí. 0PT0L0G có thể giúp các kỹ sư và các nhà quản lý dễ dàng truy cập và chia sẻ tri thức, từ đó cải thiện hiệu suất làm việc và giảm thiểu rủi ro.

4.2. Hỗ trợ ra quyết định trong lĩnh vực dầu khí

Mô hình 0PT0L0G có thể được sử dụng để hỗ trợ ra quyết định trong lĩnh vực dầu khí bằng cách cung cấp thông tin chính xác và đầy đủ về các yếu tố ảnh hưởng đến quyết định. 0PT0L0G có thể giúp các nhà quản lý đánh giá các lựa chọn khác nhau và đưa ra quyết định tối ưu dựa trên các bằng chứng khoa học và kinh nghiệm thực tiễn.

V. Kết Quả Nghiên Cứu Và Đề Xuất Phát Triển Mô Hình 0PT0L0G

Nghiên cứu này đã đạt được một số kết quả quan trọng trong việc xây dựng và ứng dụng mô hình 0PT0L0G. Các kết quả này bao gồm việc phát triển các phương pháp học 0PT0L0G mới, xây dựng các mô hình 0PT0L0G cho các lĩnh vực khác nhau, và đánh giá hiệu quả của mô hình 0PT0L0G trong các ứng dụng thực tế. Dựa trên các kết quả này, nghiên cứu đề xuất một số hướng phát triển mô hình 0PT0L0G trong tương lai, bao gồm việc tích hợp 0PT0L0G với các công nghệ khác như trí tuệ nhân tạo và dữ liệu lớn, và mở rộng phạm vi ứng dụng của 0PT0L0G sang các lĩnh vực mới. Theo [1], luận án của Trương Hải Bằng đề cập tới các giải pháp liên quan đến 0PT0L0G mờ (chứa các khái niệm, quan hệ chưa rõ ràng, nhập nhằng, mâu thuẫn với nhau) dựa trên cơ sở lý thuyết đồng thuận.

5.1. Đánh giá hiệu quả của các phương pháp học 0PT0L0G

Nghiên cứu đã đánh giá hiệu quả của các phương pháp học 0PT0L0G khác nhau bằng cách so sánh hiệu suất của chúng trên các bộ dữ liệu khác nhau. Kết quả cho thấy rằng các phương pháp học 0PT0L0G dựa trên khai phá văn bản và học máy có hiệu suất tốt hơn so với các phương pháp thủ công. Tuy nhiên, hiệu suất của các phương pháp học 0PT0L0G phụ thuộc vào đặc điểm của bộ dữ liệu và yêu cầu của bài toán.

5.2. Hướng phát triển mô hình 0PT0L0G trong tương lai

Trong tương lai, mô hình 0PT0L0G cần được phát triển theo hướng tích hợp với các công nghệ khác như trí tuệ nhân tạo và dữ liệu lớn. Việc tích hợp 0PT0L0G với trí tuệ nhân tạo sẽ cho phép tự động hóa quá trình xây dựng và duy trì 0PT0L0G, trong khi việc tích hợp 0PT0L0G với dữ liệu lớn sẽ cho phép xử lý lượng lớn dữ liệu và trích xuất tri thức từ các nguồn dữ liệu khác nhau.

VI. Kết Luận Về Nghiên Cứu 0PT0L0G Tại Đại Học Quốc Gia Hà Nội

Nghiên cứu về mô hình 0PT0L0G tại Đại học Quốc gia Hà Nội đã đạt được những thành tựu đáng kể, góp phần vào sự phát triển của lĩnh vực này tại Việt Nam. Các kết quả nghiên cứu đã được công bố trên các tạp chí khoa học uy tín và trình bày tại các hội thảo khoa học quốc tế. Tuy nhiên, vẫn còn nhiều thách thức và cơ hội để phát triển mô hình 0PT0L0G trong tương lai. Việc tiếp tục đầu tư vào nghiên cứu khoa học và hợp tác với các đối tác trong và ngoài nước là rất quan trọng để nâng cao năng lực nghiên cứu và ứng dụng 0PT0L0G tại Việt Nam.

6.1. Tóm tắt các kết quả nghiên cứu chính

Nghiên cứu đã phát triển các phương pháp học 0PT0L0G mới, xây dựng các mô hình 0PT0L0G cho các lĩnh vực khác nhau, và đánh giá hiệu quả của mô hình 0PT0L0G trong các ứng dụng thực tế. Các kết quả này đã được công bố trên các tạp chí khoa học uy tín và trình bày tại các hội thảo khoa học quốc tế.

6.2. Triển vọng và hướng đi tiếp theo cho nghiên cứu 0PT0L0G

Trong tương lai, nghiên cứu 0PT0L0G cần tập trung vào việc tích hợp 0PT0L0G với các công nghệ khác như trí tuệ nhân tạo và dữ liệu lớn, và mở rộng phạm vi ứng dụng của 0PT0L0G sang các lĩnh vực mới. Việc tiếp tục đầu tư vào nghiên cứu khoa học và hợp tác với các đối tác trong và ngoài nước là rất quan trọng để nâng cao năng lực nghiên cứu và ứng dụng 0PT0L0G tại Việt Nam.

Nội dung chính

Tổng quan luận án

Tính cấp thiết và khoảng trống nghiên cứu

Bản thể học tính toán (computational ontology, gọi tắt là ontology) giữ vai trò là thành phần tri thức nền tảng trong lĩnh vực trí tuệ nhân tạo (AI), quản lý tri thức (Knowledge Management - KM), các hệ thống tìm kiếm ngữ nghĩa có cấu trúc và chia sẻ tri thức. Mặc dù đóng vai trò trọng yếu, việc xây dựng ontology truyền thống chủ yếu được thực hiện bằng phương pháp thủ công, đòi hỏi nhiều thời gian, công sức và chi phí của các kỹ sư tri thức cùng chuyên gia miền. Nhằm giải quyết rào cản này, học ontology (ontology learning) từ các nguồn dữ liệu văn bản theo hướng bán tự động đã trở thành một định hướng nghiên cứu quan trọng.

Tại Việt Nam, các nghiên cứu và ứng dụng xây dựng ontology tiếng Việt còn tương đối hạn chế. Một số công trình tiêu biểu trước đây chỉ tập trung vào các miền tri thức chung như ontology VN-KIM hoặc lĩnh vực y tế như hệ thống BioCaster (với 371 thuật ngữ tiếng Việt nhưng hệ thống quan hệ vẫn được diễn giải bằng tiếng Anh). Trong lĩnh vực công nghiệp dầu khí—một ngành kinh tế - kỹ thuật mũi nhọn—hoàn toàn chưa có hệ thống ontology tiếng Việt hoặc song ngữ Anh - Việt chuyên ngành phục vụ công tác tra cứu, quản lý và chia sẻ tri thức chuyên môn tại Tập đoàn Dầu khí Quốc gia Việt Nam (PVN) và Viện Dầu khí Việt Nam (VPI). Khoảng trống nghiên cứu này đòi hỏi phải phát triển các mô hình học ontology bán tự động từ các nguồn tài nguyên sẵn có (từ điển chuyên ngành, bách khoa toàn thư mở Wikipedia) kết hợp với các kỹ thuật khai phá văn bản, học máy và cơ chế thu nhận, đồng thuận hóa ý kiến chuyên gia miền.

Mục tiêu nghiên cứu

Luận án xác định ba mục tiêu cụ thể được đánh số như sau:

1. Đề xuất một số mô hình học ontology dựa trên khai phá dữ liệu văn bản và học máy kết hợp với việc sử dụng một số độ đo; trong đó tập trung vào các mô hình học ontology phát sinh thể hiện và quan hệ, học ontology thông qua việc kết hợp các ontology sẵn có.
2. Đề xuất các mô hình hợp nhất được tri thức từ các chuyên gia miền vào quá trình xây dựng ontology.
3. Xây dựng một ontology Anh - Việt miền dầu khí phục vụ công tác nghiệp vụ tại Tập đoàn Dầu khí Quốc gia Việt Nam.

Đối tượng và phạm vi nghiên cứu

• Đối tượng nghiên cứu: Các mô hình học ontology dựa trên kỹ thuật khai phá dữ liệu văn bản, học máy và cơ chế thu nhận tri thức chuyên gia miền ứng dụng vào xây dựng ontology miền.
• Phạm vi nghiên cứu: Giới hạn trong phạm vi các mô hình học ontology theo phương thức bán tự động; kết hợp kỹ thuật khai phá dữ liệu văn bản, học máy (nhận dạng thực thể, phân lớp văn bản với dữ liệu dương) và tích hợp tri thức (hợp nhất niềm tin dựa trên tranh luận).
• Không gian và thời gian: Nghiên cứu lý thuyết và thực nghiệm triển khai trên nguồn ngữ liệu y sinh quốc tế (PubMed, OMIM, HPO, MPO), tài nguyên bách khoa toàn thư mở Wikipedia tiếng Việt và cơ sở dữ liệu chuyên ngành dầu khí tại Viện Dầu khí Việt Nam (VPI), Tập đoàn Dầu khí Quốc gia Việt Nam (PVN), hoàn thành năm 2019.

---

Tổng quan tài liệu và vị trí của luận án

Các hướng nghiên cứu trước đây

Luận án đã tổng quan các công trình nghiên cứu trong và ngoài nước liên quan đến các khía cạnh lý thuyết và kỹ thuật xây dựng ontology:

• Ontology tiếng Việt:
  • Công trình VN-KIM của nhóm nghiên cứu tại Đại học Bách khoa - Đại học Quốc gia TP. Hồ Chí Minh [3, 63], bao gồm 347 lớp thực thể và 114 quan hệ/thuộc tính về con người, tổ chức, địa danh hành chính, danh lam thắng cảnh.
  • Dự án BioCaster của Nigel Collier và cộng sự [22, 23, 24] phát triển hệ thống giám sát dịch bệnh đa ngữ, chứa 371 thuật ngữ tiếng Việt về bệnh, virus, triệu chứng nhưng các mối quan hệ ngữ nghĩa vẫn mô tả bằng tiếng Anh.
• Các luận án tiến sĩ quốc tế và trong nước về học và hoàn thiện ontology:
  • Z. Dragisic (2014) [29]: Nghiên cứu giải quyết vấn đề chưa hoàn thiện của ontology và mạng ontology dựa trên logic mô tả (description logic) và kỹ thuật phân cụm để giảm không gian tìm kiếm, có tính đến tương tác người dùng.
  • Saira Andleeb Gillani (2014) [34]: Đề xuất khung khai phá dữ liệu văn bản ProMine (Prokex Text Mining) sử dụng mô hình quy trình nghiệp vụ biểu diễn bằng tệp XML và ontology hạt giống (seed ontology) để làm giàu tri thức [33].
  • Trương Hải Bằng [1]: Nghiên cứu các giải pháp liên quan đến ontology mờ dựa trên cơ sở lý thuyết đồng thuận, tuy nhiên chưa giải quyết bài toán cho ngôn ngữ tiếng Việt.
• Khung nhìn khái quát và thống kê về học ontology:
  • Wong và cộng sự (2012) [79]: Cung cấp khung nhìn tổng quát gồm ba khu vực: kết quả đầu ra (thuật ngữ, khái niệm, quan hệ thứ bậc, quan hệ phi thứ bậc, tiên đề); bài toán học ontology (7 bài toán cốt lõi); kỹ thuật và tài nguyên (logic, ngôn ngữ học, thống kê). Các tác giả nhận định xu thế tự nhiên là sự đan xen giữa học ontology và việc khai thác tài nguyên thông tin trên Web.
  • S.-H. Hsieh và cộng sự [38]: Khung quy trình xây dựng ontology cơ sở miền bao gồm thành phần huy động chuyên gia hiệu chỉnh lại các quan hệ thuật ngữ.
  • Thống kê xuất bản phẩm: Luận án khảo sát số lượng công bố khoa học giai đoạn 2006–2019 chứa chính xác cụm từ "ontology learning" trên ScienceDirect, Springer và Google Scholar, khẳng định tính liên tục và ổn định của hướng nghiên cứu này trên thế giới.

Khoảng trống luận án lựa chọn giải quyết

Các công trình đi trước chủ yếu tập trung vào dữ liệu đơn ngữ tiếng Anh hoặc xử lý dữ liệu chung. Đối với tiếng Việt, chưa có giải pháp hoàn chỉnh cho việc tự động hoặc bán tự động học ontology cho các miền khoa học kỹ thuật đặc thù có nguồn tài nguyên nhãn khan hiếm như dầu khí. Luận án lựa chọn giải quyết khoảng trống này bằng cách: kết hợp các ontology sẵn có; trích xuất khái niệm mới từ Wikipedia tiếng Việt thông qua mô hình phân lớp chỉ dùng dữ liệu dương và dữ liệu chưa gán nhãn (LPU); tích hợp độ đo khoảng cách Google (NGD); và thiết lập khung lý thuyết tranh luận - hợp nhất niềm tin nhằm thu nhận có hệ thống các đánh giá, hiệu chỉnh từ nhiều chuyên gia miền.

---

Cơ sở lý thuyết và phương pháp nghiên cứu

Lý thuyết, khái niệm và khung phân tích

• Khái niệm ontology: Luận án tiếp cận ontology dưới góc độ khoa học máy tính và tính toán (computational ontologies). Ontology là một tạo tác tính toán biểu diễn minh thị các kiểu thực thể, các lớp, mối quan hệ và tiên đề trong một miền xác định (theo định nghĩa của Arp và cộng sự [7], Gašević và cộng sự [32], Buitelaar và cộng sự [11]).
• Phân loại ontology: Luận án phân định rõ các tầng bậc: ontology triết học (philosophical ontology), ontology miền (domain ontology), ontology mức cao (top-level/formal ontology), ontology tham chiếu (reference ontology) và ontology ứng dụng (application ontology). Hệ thống ontology dầu khí trong luận án được xếp vào loại ontology miền và phiên bản thử nghiệm đầu tiên đóng vai trò là ontology ứng dụng.
• Ba nguyên lý thiết kế ontology:
  1. Nguyên lý hiện thực hóa (Realism): Mô tả thế giới thực khách quan, phản ánh các thực thể đang tồn tại và chấp nhận nguyên lý bác bỏ được khi tri thức thực tiễn thay đổi [7, 39].
  2. Cân bằng giữa tiện ích và hiện thực hóa: Tránh hy sinh tính hiện thực lâu dài để đổi lấy những tiện ích cục bộ, ngắn hạn.
  3. Quá trình mở: Thiết kế, cập nhật và bảo trì liên tục; tiếp cận từ các đặc trưng cốt lõi, dễ xác định trước khi mở rộng sang các cấu trúc phức tạp.
• Khung lý thuyết hợp nhất niềm tin và tranh luận: Sử dụng mô hình cơ sở niềm tin phân tầng (stratified belief bases) kết hợp với khung tranh luận hình thức (argumentation frameworks) để giải quyết xung đột ý kiến khi nhiều chuyên gia cùng tham gia gán nhãn và hiệu chỉnh ontology.

Phương pháp nghiên cứu thực tế

Luận án kết hợp phương pháp nghiên cứu lý thuyết định lượng và thực nghiệm mô hình hóa:

• Học máy nhận dạng thực thể:
  • Mô hình Entropy cực đại kết hợp tìm kiếm chùm (Maximum Entropy – Beam Search: ME-BS) nhằm trích xuất và nhận dạng các thực thể chuyên ngành từ văn bản khoa học.
• Học máy từ dữ liệu dương và chưa gán nhãn (Learning from Positive and Unlabeled data - LPU):
  • Ứng dụng kỹ thuật phân lớp hai bước (two-step strategy) để giải quyết tình huống tập mẫu dương ban đầu rất nhỏ.
  • Triển khai và so sánh các thuật toán: thuật toán lặp Rocchio/Iterative-SVM (RoC/I-SVM), Naive Bayes, k-Nearest Neighbour (kNN) và thuật toán phân lớp dựa trên khoảng cách do tác giả tự đề xuất mang tên DISTANCE.
• Kỹ thuật trích xuất đặc trưng và tính toán độ đo:
  • Khai phá văn bản với trọng số Term Frequency – Inverse Document Frequency (TF-IDF), gán nhãn từ loại (Part of Speech - POS).
  • Sử dụng độ đo khoảng cách nén Google chuẩn hóa (Normalized Google Distance - NGD / NCDG), khoảng cách thông tin chuẩn hóa (Normalized Information Distance - NID), khoảng cách nén chuẩn hóa (Normalized Compress Distance - NCD) để đối sánh thuộc tính và tính toán mức độ tương đồng ngữ nghĩa giữa các khái niệm.
• Thước đo đánh giá thực nghiệm: Đánh giá định lượng kết quả phân lớp và nhận dạng thông qua ma trận nhầm lẫn (confusion matrix), độ chính xác (Precision - $P$), độ hồi tưởng (Recall - $R$) và trung bình điều hòa F1-score ($F$).

Nguồn tư liệu và dữ liệu

• Dữ liệu y sinh phục vụ thực nghiệm mô hình ME-BS (Chương 2): Kho ngữ liệu bài báo y sinh từ cơ sở dữ liệu PubMed; hệ thống dữ liệu di truyền OMIM (tiêu biểu như tài liệu OMIM ID: 600361 liên kết 9 mã bài báo PubMed); hệ thống Human Phenotype Ontology (HPO) và Mammalian Phenotype Ontology (MPO).
• Dữ liệu thực nghiệm trích xuất khái niệm tiếng Việt (Chương 3): Toàn văn bách khoa toàn thư mở Wikipedia tiếng Việt.
• Dữ liệu chuyên ngành dầu khí (Chương 1, 3, 5): Từ điển thuật ngữ Dầu khí Anh - Việt; các báo cáo và tài liệu kỹ thuật nội bộ của Tập đoàn Dầu khí Quốc gia Việt Nam (PVN) và Viện Dầu khí Việt Nam (VPI).

---

Nội dung chính theo từng chương

Chương 1: Giới thiệu chung về ontology, học ontology và độ đo Google

Chương này tổng kết cơ sở lý luận về bản thể học tính toán, nguồn gốc thuật ngữ (từ chữ Hy Lạp "ontos" - tồn tại và "logos" - từ ngữ), phân biệt danh từ riêng "Ontology" trong triết học và danh từ chung "ontology" trong khoa học tính toán. Tác giả phân tích cấu trúc đa tầng của ontology (tầng từ vựng, tầng phân cấp phân loại, tầng quan hệ phi phân cấp, tầng tiên đề) và làm rõ các nguyên lý thiết kế: nguyên lý hiện thực hóa, cân bằng tiện ích và quá trình mở.

Bên cạnh lý thuyết tổng quan, chương 1 giới thiệu chi tiết về độ đo khoảng cách nén Google (NGD), xuất phát từ khoảng cách thông tin chuẩn hóa (NID) và khoảng cách nén chuẩn hóa (NCD), sử dụng số lượng kết quả tìm kiếm của công cụ tìm kiếm Google để ước lượng khoảng cách ngữ nghĩa giữa các từ/cụm từ mà không cần cấu trúc hóa thủ công.

Chương 1 cũng phác thảo cấu trúc mẫu của ontology miền dầu khí tại Viện Dầu khí Việt Nam gồm 3 khâu chính:

• Khâu đầu (Upstream): Gồm phân lớp Thăm dò (Exploration: Địa chấn, Địa chất học, Địa vật lý) và Khai thác (Production: Khoan, Mũi khoan, Tời quay, Thiết bị dầu mỏ, Giếng thẩm lượng, Tăng mật độ khoan).
• Khâu giữa (Midstream): Gồm phân lớp Tàng trữ (Archive: Bể chứa, Lưu trữ, Băng từ) và Vận chuyển (Transportation: Đường ống dẫn).
• Khâu sau (Downstream): Gồm phân lớp Lọc hóa dầu (Petrochemistry - Refinery: Nhựa đường, Phân đạm, Xăng, Đuốc đốt, Ống khói), An toàn và Môi trường (Safety and Environment: An toàn, Môi trường, Tràn dầu, Khí thải), Kinh tế và Quản lý dầu khí (Economic Management: Kinh tế, Quản lý, Hợp đồng dầu khí, Kế hoạch phát triển mỏ - ODP).

Bảng 1: Phân cấp cấu trúc và thực thể mẫu trong ontology miền dầu khí (Chương 1)

Phân đoạn nghiệp vụ	Lớp cấp 2	Thực thể điển hình minh họa
Khâu đầu (Upstream)	Thăm dò (Exploration)	Địa chấn (Seismic), Địa chất học (Geology), Địa vật lý (Geophysics)
	Khai thác (Production)	Khoan (Drill), Mũi khoan (Drilling bit), Tời quay (Spinning cathead), Thiết bị dầu mỏ (Oilfield equipment), Giếng thẩm lượng (Appraisal well), Tăng mật độ khoan (Infill drilling)
Khâu giữa (Midstream)	Tàng trữ (Archive)	Bể chứa (Tank), Lưu trữ (Archive), Băng từ (Magnetic tape)
	Vận chuyển (Transportation)	Đường ống dẫn (Pipeline)
Khâu sau (Downstream)	Lọc hóa dầu (Petrochemistry - Refinery)	Nhựa đường (Asphalt), Phân đạm (Fertilizer), Xăng (Gasoline), Đuốc đốt (Flare), Ống khói (Stack)
	An toàn & Môi trường (Safety & Environment)	An toàn (Safety), Môi trường (Environment), Tràn dầu (Oil spill), Khí thải (Pollution air)
	Kinh tế & Quản lý (Economic Management)	Kinh tế (Economics), Quản lý (Management), Hợp đồng dầu khí (Petroleum contract), Kế hoạch phát triển mỏ (ODP)

Chương 2: Xây dựng mô hình học máy Maximum Entropy – Beam Search nhận dạng thực thể biểu hiện y sinh

Chương 2 trình bày giải pháp học ontology thông qua việc nhận dạng thực thể và phát sinh quan hệ bắc cầu từ các ontology sẵn có. Tác giả chọn miền thử nghiệm là y sinh học với hai hệ thống: Human Phenotype Ontology (HPO) và Mammalian Phenotype Ontology (MPO).

• Mô hình hai pha giải quyết bài toán:
  • Pha 1: Xây dựng và tích hợp các kho ngữ liệu thực thể biểu hiện từ cơ sở dữ liệu PubMed và OMIM. Tác giả xây dựng kho ngữ liệu HPO_NC cho thực thể người và MPO_NC cho thực thể động vật có vú, khai thác các mối quan hệ thông qua trung gian các định danh (ví dụ mã OMIM ID: 600361 kết nối tương ứng với 9 tài liệu PubMed ID).
  • Pha 2: Ứng dụng mô hình học máy kết hợp Maximum Entropy và thuật toán tìm kiếm chùm (Beam Search: ME-BS) để phân tích văn bản y sinh PubMed, trích chọn các đặc trưng từ loại, tiền tố, hậu tố và ngữ cảnh xung quanh để nhận dạng chính xác ranh giới của thực thể.
• Phát hiện quan hệ bắc cầu: Tác giả xây dựng thuật toán suy diễn quan hệ bắc cầu kết nối hai kho ngữ liệu, cho phép tích hợp các phân lớp tương đương hoặc quan hệ thừa kế giữa HPO và MPO. Kết quả được đánh giá định lượng thông qua các chỉ số $P$, $R$, $F1$ trên các tập ngữ liệu thực nghiệm chuẩn.

Chương 3: Một mô hình học ontology theo từ vựng dựa trên độ đo khoảng cách Google và mô hình học ontology Anh - Việt dựa trên kỹ thuật học máy với chỉ dữ liệu dương

Chương 3 đề xuất hai mô hình học ontology bổ trợ:

1. Mô hình đối sánh khái niệm và học hai ontology dựa trên độ đo khoảng cách Google (NGD):
   • Thiết lập thủ tục đối sánh thuộc tính Matching(c1, c2) giữa hai khái niệm $c_1, c_2$ thuộc hai ontology khác nhau.
   • Xây dựng ma trận khoảng cách giữa các thuộc tính bằng công thức khoảng cách nén Google, từ đó tính độ tương đồng trung bình để xác định hai khái niệm có đồng nhất hoặc có quan hệ thứ bậc với nhau hay không mà không phụ thuộc vào từ điển đối sánh tĩnh.
2. Mô hình học ontology Anh - Việt dựa trên kỹ thuật học máy với chỉ dữ liệu dương (LPU):
   • Giải quyết bài toán mở rộng tập khái niệm tiếng Việt trong điều kiện số lượng mẫu dương ban đầu rất ít (từ điển dầu khí sẵn có có quy mô hạn chế) và tập dữ liệu chưa gán nhãn rất lớn (toàn văn Wikipedia tiếng Việt).
   • Tác giả đề xuất thuật toán DISTANCE dựa trên cơ chế lọc tập mẫu âm tin cậy (Reliable Negatives - RN) thông qua khoảng cách không gian véc-tơ, sau đó huấn luyện bộ phân lớp lặp SVM (I-SVM).
   • Tiến hành thực nghiệm so sánh thuật toán DISTANCE với thuật toán cơ sở RoC/I-SVM. Kết quả cho thấy thuật toán DISTANCE đạt chỉ số F-score ổn định khi thay đổi tỷ lệ dữ liệu dương, cho phép tự động phát hiện và bổ sung các khái niệm, thuộc tính dầu khí mới từ Wikipedia tiếng Việt vào ontology cơ sở.

Chương 4: Khung hợp nhất niềm tin thu nhận ý kiến chuyên gia miền

Chương 4 giải quyết bài toán then chốt trong xây dựng ontology bán tự động: xử lý sự bất đồng, mâu thuẫn giữa các chuyên gia khi đánh giá, hiệu chỉnh cấu trúc và quan hệ khái niệm.

• Cơ sở lý thuyết: Sử dụng cơ sở niềm tin phân tầng (mỗi tầng tương ứng với mức độ ưu tiên hoặc độ tin cậy của các nhóm chuyên gia) và lý thuyết tranh luận hình thức (Dung's abstract argumentation framework).
• Khung hợp nhất niềm tin dựa trên tranh luận: Tác giả xây dựng:
  • Giao thức tranh luận cho hợp nhất niềm tin: Quy định các luật đưa ra luận điểm (argument), luật công kích (attack) và hỗ trợ giữa các ý kiến chuyên gia đối với việc chấp nhận/bác bỏ một quan hệ hay thuộc tính trong ontology.
  • Lập luận hợp nhất niềm tin: Xác định các tập luận điểm được chấp nhận (extensions) dựa trên ngữ nghĩa tranh luận (grounded, preferred semantics).
  • Mô hình và thuật toán xây dựng giải pháp: Thuật toán tiếp nhận các ý kiến gán nhãn phân cấp, phân loại mức ưu tiên của chuyên gia, tự động phát hiện mâu thuẫn logic và xuất ra cấu trúc ontology đồng thuận tối ưu nhất. Mô hình được áp dụng cụ thể vào việc giải quyết xung đột khi tích hợp các quan hệ ngữ nghĩa trong ontology dầu khí Anh - Việt.

Chương 5: Một quy trình xây dựng ontology dầu khí Anh - Việt tại Viện Dầu khí Việt Nam

Chương 5 hệ thống hóa toàn bộ các giải pháp lý thuyết và mô hình kỹ thuật đã nghiên cứu thành một quy trình ứng dụng thực tế.

• Quy trình bảy bước xây dựng ontology dầu khí Anh - Việt:
  1. Bước 1: Xác định mục đích và phạm vi của ontology dầu khí Anh - Việt: Hướng tới phục vụ tìm kiếm ngữ nghĩa, giải thích thuật ngữ chuyên môn và hỗ trợ quản trị tri thức tại Viện Dầu khí Việt Nam.
  2. Bước 2: Thu thập tài nguyên ontology dầu khí Anh - Việt sẵn có: Tập hợp các nguồn từ điển song ngữ chuyên ngành, danh mục tiêu chuẩn ngành dầu khí tại VPI/PVN.
  3. Bước 3: Làm giàu khái niệm dầu khí tiếng Việt tiềm năng: Khai thác các bài viết, tài liệu từ Wikipedia tiếng Việt bằng mô hình học máy với chỉ dữ liệu dương (thuật toán DISTANCE).
  4. Bước 4: Đối sánh khái niệm miền dầu khí tiếng Việt: Áp dụng độ đo khoảng cách nén Google (NGD) để đo độ tương đồng giữa các khái niệm mới phát hiện với hệ thống khái niệm đã có.
  5. Bước 5: Bổ sung thành phần tiếng Việt vào ontology dầu khí tiếng Anh: Thiết lập liên kết song ngữ, bổ sung nhãn, định nghĩa và thuộc tính tiếng Việt vào khung ontology tiếng Anh.
  6. Bước 6: Hiệu chỉnh ontology dựa trên khung hợp nhất niềm tin qua tranh luận thu nhận ý kiến chuyên gia: Đưa các cấu trúc, quan hệ còn mâu thuẫn qua khung tranh luận của các chuyên gia địa chất, khoan, khai thác để chuẩn hóa cấu trúc phân cấp.
  7. Bước 7: Triển khai thực hiện: Thu thập, làm sạch, tiền xử lý dữ liệu và đóng gói hệ thống ontology dầu khí thực nghiệm phục vụ thử nghiệm tra cứu nghiệp vụ tại VPI.

---

Kết quả và những đóng góp mới

Đóng góp về mặt lý luận

Luận án có hai nhóm đóng góp khoa học chính vào hướng nghiên cứu học ontology:

1. Đề xuất ba mô hình học ontology:
   • Mô hình thứ nhất: Học và tích hợp dữ liệu từ các ontology sẵn có sử dụng mô hình học máy Maximum Entropy kết hợp tìm kiếm chùm (ME-BS) để nhận dạng thực thể chuyên ngành từ văn bản [VNTrinh1, VNTrinh4].
   • Mô hình thứ hai: Học ontology dựa trên độ đo khoảng cách Google (NGD) để đối sánh thuộc tính và tích hợp các tập khái niệm miền thành tập khái niệm lớn hơn mà không cần từ điển ánh xạ thủ công [VNTrinh2, VNTrinh4].
   • Mô hình thứ ba: Học ontology dựa trên kỹ thuật học máy với chỉ dữ liệu dương và dữ liệu chưa gán nhãn (LPU), trong đó đề xuất thuật toán mới mang tên DISTANCE, cho phép trích chọn và làm giàu các khái niệm chuyên ngành từ tài nguyên mở (Wikipedia tiếng Việt) trong điều kiện dữ liệu huấn luyện mẫu dương ban đầu có kích thước nhỏ [VNTrinh4].
2. Đề xuất mô hình thu nhận ý kiến chuyên gia:
   • Thiết lập khung hợp nhất niềm tin dựa trên tranh luận (bao gồm giao thức tranh luận hợp nhất niềm tin, cơ chế lập luận hợp nhất niềm tin và thuật toán xây dựng giải pháp tương ứng) nhằm chuẩn hóa và tự động hóa quy trình xử lý bất đồng giữa các chuyên gia khi xây dựng ontology [VNTrinh3].

Đóng góp về mặt thực tiễn

• Đề xuất một quy trình bảy bước chuẩn hóa để xây dựng ontology song ngữ Anh - Việt cho các miền chuyên ngành hẹp, kết hợp hài hòa giữa xử lý dữ liệu tự động và hiệu chỉnh tri thức từ chuyên gia.
• Xây dựng thành công hệ thống Ontology Dầu khí Anh - Việt thực nghiệm tại Viện Dầu khí Việt Nam (VPI), bao quát các phân đoạn nghiệp vụ cốt lõi (Khâu đầu, Khâu giữa, Khâu sau). Hệ thống cung cấp công cụ phục vụ tra cứu ngữ nghĩa, giải thích thuật ngữ chuyên môn và hỗ trợ chia sẻ thông tin cho các cán bộ nghiên cứu khoa học và kỹ sư tại Tập đoàn Dầu khí Quốc gia Việt Nam.

---

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của luận án

• Luận án giới hạn nghiên cứu trong phương thức bán tự động; các mô hình vẫn yêu cầu sự tham gia và kiểm định của chuyên gia miền ở các bước đánh giá cuối cùng.
• Trong mô hình phân lớp chỉ có dữ liệu dương (LPU), chất lượng trích xuất khái niệm phụ thuộc đáng kể vào chất lượng biên tập của các bài viết trên Wikipedia tiếng Việt.
• Quy mô thử nghiệm của ontology dầu khí Anh - Việt mới dừng lại ở phiên bản thử nghiệm tại Viện Dầu khí Việt Nam; chưa bao phủ toàn bộ các phân ngành kỹ thuật chi tiết của toàn bộ tập đoàn.

Hướng nghiên cứu tiếp

• Tiếp tục mở rộng và hoàn thiện ontology dầu khí Anh - Việt, nâng cấp từ dạng ontology ứng dụng thử nghiệm sang ontology tham chiếu quy mô lớn cho toàn ngành dầu khí Việt Nam.
• Nghiên cứu tự động hóa sâu hơn quá trình trích xuất các quan hệ phi thứ bậc phức tạp và phát sinh tiên đề logic tự động từ các tài liệu văn bản kỹ thuật phi cấu trúc.
• Cải tiến thuật toán DISTANCE và khung tranh luận để có thể xử lý các tập dữ liệu có quy mô lớn hơn với thời gian tính toán tối ưu hơn.

---

Giá trị tham khảo

Luận án là tài liệu tham khảo có giá trị học thuật và ứng dụng thực tiễn đối với:

• Nghiên cứu sinh, học viên cao học chuyên ngành Hệ thống thông tin và Khoa học máy tính: Đáng tham khảo chương 2, 3 và 4 về kỹ thuật nhận dạng thực thể bằng Maximum Entropy – Beam Search, kỹ thuật học máy phân lớp chỉ có dữ liệu dương (LPU, thuật toán DISTANCE), ứng dụng độ đo khoảng cách nén Google (NGD) và khung lý thuyết tranh luận - hợp nhất niềm tin.
• Kỹ sư tri thức và chuyên gia phát triển hệ thống: Tham khảo quy trình bảy bước xây dựng ontology song ngữ tại chương 5 để áp dụng cho các bài toán xây dựng ontology chuyên ngành hẹp khác tại Việt Nam (y tế, viễn thông, tài chính, nông nghiệp).
• Chuyên viên quản trị thông tin và lãnh đạo kỹ thuật ngành Dầu khí: Tham khảo cấu trúc phân loại ba khâu (Upstream, Midstream, Downstream) và danh mục thực thể, thuộc tính chuyên môn được hệ thống hóa tại chương 1 và chương 5 để phục vụ công tác chuẩn hóa dữ liệu, số hóa tài liệu và nâng cấp hệ thống tìm kiếm tri thức tại các đơn vị thành viên của Petrovietnam.

---

Câu hỏi thường gặp

1. Luận án giải quyết bài toán cụ thể nào và ứng dụng cho miền dữ liệu nào?

Luận án giải quyết bài toán: Cho trước một từ điển Anh - Việt của một miền ứng dụng (cụ thể là miền dầu khí), cần xây dựng một ontology Anh - Việt cho miền ứng dụng đó thông qua việc kết hợp các ontology sẵn có, làm giàu dữ liệu từ Wikipedia tiếng Việt bằng học máy và thu nhận ý kiến chuyên gia miền.

2. Thuật toán DISTANCE do luận án đề xuất phục vụ mục đích gì và hoạt động trong điều kiện nào?

Thuật toán DISTANCE là thuật toán học máy giải quyết bài toán phân lớp dữ liệu chỉ với dữ liệu dương và dữ liệu chưa gán nhãn (LPU). Thuật toán phục vụ mục đích trích chọn các khái niệm dầu khí mới từ Wikipedia tiếng Việt trong bối cảnh tập dữ liệu huấn luyện mẫu dương ban đầu có kích thước rất nhỏ (số lượng thuật ngữ từ điển hạn chế).

3. Độ đo khoảng cách Google (NGD) được sử dụng vào thành phần nào trong luận án?

Độ đo khoảng cách Google được sử dụng trong mô hình đối sánh thuộc tính và khái niệm giữa hai ontology miền (thủ tục Matching(c1, c2)). Độ đo này ước lượng khoảng cách ngữ nghĩa giữa các nhãn khái niệm dựa trên số lượng kết quả tìm kiếm trả về từ Google, giúp xác định mức độ tương đồng mà không phụ thuộc vào từ điển đối sánh tĩnh.

4. Khung hợp nhất niềm tin dựa trên tranh luận trong Chương 4 giải quyết vấn đề gì?

Khung này giải quyết hiện tượng xung đột và bất đồng ý kiến giữa nhiều chuyên gia miền khi tham gia hiệu chỉnh quan hệ và thuộc tính trong ontology. Khung cung cấp giao thức tranh luận, cơ chế lập luận dựa trên lý thuyết tranh luận hình thức và thuật toán giải pháp để tự động tìm ra cấu trúc phân cấp đồng thuận, nhất quán logic nhất.

5. Cấu trúc cốt lõi của ontology dầu khí thực nghiệm được luận án xây dựng gồm những phân đoạn nào?

Ontology dầu khí mẫu được phân chia theo ba phân đoạn nghiệp vụ cốt lõi: Khâu đầu (Upstream: gồm Thăm dò và Khai thác), Khâu giữa (Midstream: gồm Tàng trữ và Vận chuyển), và Khâu sau (Downstream: gồm Lọc hóa dầu, An toàn & Môi trường, Kinh tế & Quản lý).

---

Kết luận

Luận án tiến sĩ "Nghiên cứu một số mô hình học ontology và ứng dụng trong miền dầu khí" của nghiên cứu sinh Vũ Ngọc Trịnh đã hoàn thành trọn vẹn các mục tiêu đề ra về mặt lý thuyết và ứng dụng thực tiễn trong ngành Hệ thống thông tin. Tác giả đã đề xuất thành công ba mô hình học ontology bán tự động (tích hợp thực thể qua ME-BS, đối sánh ngữ nghĩa qua độ đo Google NGD, trích xuất khái niệm từ dữ liệu dương bằng thuật toán DISTANCE) cùng khung hợp nhất niềm tin dựa trên tranh luận để thu nhận tri thức chuyên gia. Về mặt thực tiễn, công trình đóng góp quy trình bảy bước chuẩn hóa và xây dựng thành công hệ thống ontology dầu khí Anh - Việt thực nghiệm, đặt nền tảng quan trọng cho công tác quản trị tri thức và tìm kiếm ngữ nghĩa chuyên ngành tại Tập đoàn Dầu khí Quốc gia Việt Nam.