Tổng quan về luận án

Trong kỷ nguyên bùng nổ dữ liệu số, việc khai phá tri thức ẩn sâu trong các kho cơ sở dữ liệu (CSDL) quy mô lớn đóng vai trò then chốt đối với các hệ thống hỗ trợ ra quyết định thông minh. Bài toán khai phá luật kết hợp (Association Rule Mining - ARM), khởi xướng bởi R. Agrawal và cộng sự (1994), ban đầu chỉ tập trung vào tập dữ liệu nhị phân (giao dịch giỏ hàng). Khi mở rộng sang các CSDL chứa thuộc tính định lượng trong thế giới thực, các kỹ thuật rời rạc hóa cổ điển vấp phải vấn đề "điểm biên gãy" (sharp boundary problem). Lý thuyết tập mờ (Fuzzy Set Theory) của L.A. Zadeh (1965) được đưa vào để giải quyết vấn đề làm trơn biên, song các phương pháp khai phá luật kết hợp mờ truyền thống (Kuok et al., 1998; Hong et al., 2004, 2008) lại phụ thuộc nặng nề vào các hàm thuộc (Membership Functions - MF) do chuyên gia định nghĩa chủ quan hoặc tối ưu hóa ngẫu nhiên mà thiếu đi cơ sở ngữ nghĩa có cấu trúc toán học chặt chẽ.

Luận án tiến sĩ toán học với đề tài "Nghiên cứu phát triển phương pháp khai phá luật kết hợp mờ biểu thị bằng thông tin ngôn ngữ và ứng dụng" của nghiên cứu sinh Nguyễn Tuấn Anh, dưới sự hướng dẫn khoa học của PGS. Nguyễn Cát Hồ và TS. Trần Thái Sơn (chuyên ngành Cơ sở toán học cho tin học, Học viện Khoa học và Công nghệ - Viện Hàn lâm Khoa học và Công nghệ Việt Nam, 2020), là một công trình tiên phong giải quyết triệt để khoảng trống nghiên cứu này. Luận án đặt nền móng cho việc ứng dụng lý thuyết Đại số gia tử (Hedge Algebra - ĐSGT) kết hợp giải thuật di truyền (Genetic Algorithm - GA) để tự động hóa quy trình thiết lập phân hoạch mờ và khai phá các luật kết hợp mờ dạng ngôn ngữ tự nhiên, đồng thời tích hợp cơ chế nén CSDL giao dịch nhằm tối ưu hóa hiệu năng tính toán.

Khoảng trống nghiên cứu (Research Gap) cụ thể được xác định bao gồm:

  1. Khoảng trống về mặt biểu diễn ngữ nghĩa: Các mô hình khai phá luật kết hợp mờ hiện hành (Herrera et al., 2009; Tzung-Pei Hong et al., 2016, 2018) gán nhãn ngôn ngữ cho các tập mờ một cách hình thức, thiếu liên kết ngữ nghĩa nội tại và thứ tự tự nhiên giữa các từ mờ, dẫn đến việc các luật sinh ra thiếu tính diễn giải tự nhiên hoặc xuất hiện độ chồng lấn (overlap) ngữ nghĩa phi lý.
  2. Khoảng trống về mặt tối ưu hóa hàm thuộc: Các giải pháp sử dụng GA tìm kiếm hàm thuộc (Harikesh et al., 2015; Aashna Agarwal et al., 2016; Umit Can et al., 2017) có điểm khởi tạo tham số tự do, không bị ràng buộc bởi cấu trúc đại số, dẫn đến không gian tìm kiếm quá rộng và dễ rơi vào nghiệm cục bộ có ngữ nghĩa kém.
  3. Khoảng trống về độ phức tạp tính toán: Khai phá luật mờ trên CSDL định lượng lớn đòi hỏi quét CSDL nhiều lần với chi phí tính toán hàm mũ. Các thuật toán nén CSDL trước đây như M2TQT (Jia-Yu Dai et al., 2008) chỉ áp dụng cho dữ liệu nhị phân thuần túy, chưa có cơ chế nén hiệu quả cho CSDL giao dịch mờ.

Câu hỏi nghiên cứu và giả thuyết khoa học:

  • RQ1: Làm thế nào để hình thức hóa việc phân hoạch miền thuộc tính định lượng thành các tập mờ có ràng buộc ngữ nghĩa chặt chẽ dựa trên cấu trúc toán học của ngôn ngữ tự nhiên?
  • RQ2: Cơ chế nào cho phép nén cơ sở dữ liệu giao dịch mờ đa chiều mà vẫn bảo toàn đầy đủ thông tin hỗ trợ cho việc trích xuất tập phổ biến?
  • RQ3: Làm sao để kết hợp Đại số gia tử với mô hình tiến hóa di truyền đa thể hạt nhằm tối ưu hóa đồng thời tính hữu ích ngữ nghĩa và độ chính xác thống kê của tập luật kết hợp?
  • H1: Sử dụng Đại số gia tử để mờ hóa thuộc tính định lượng đảm bảo tạo ra một phân hoạch mờ mạnh ($\sum_{k=1}^m \mu_{A_k}(x) = 1$), loại bỏ hoàn toàn tính chủ quan của chuyên gia.
  • H2: Thuật toán nén CSDL mờ dựa trên khoảng cách giao dịch kết hợp Bảng định lượng (Quantification Table) sẽ giảm đáng kể số lần duyệt dữ liệu và rút ngắn thời gian xử lý mà không làm mất mát các luật kết hợp có ý nghĩa ở các ngưỡng hỗ trợ chuẩn.
  • H3: Biểu diễn đa thể hạt (Multi-granularity) trên nền tảng ĐSGT được tối ưu bởi thuật toán CHC-GA sẽ trích xuất được hệ luật mờ đa cấp có độ bao phủ và độ thú vị trung bình vượt trội so với các phương pháp tiếp cận tập mờ truyền thống.

Khung lý thuyết chủ đạo của luận án bao gồm: Lý thuyết Đại số gia tử tuyến tính đầy đủ ($AX^* = (X, G, H, \sigma, \phi, \le)$) của Nguyễn Cát Hồ và R. Wechler; Lý thuyết Tập mờ và Biến ngôn ngữ của L.A. Zadeh; Mô hình Giải thuật di truyền tiến hóa không lai cận huyết CHC (Cross-generational elitist selection, Heterogeneous recombination, Cataclysmic mutation) của Eshelman (1991).

Phạm vi và quy mô thực nghiệm: Luận án kiểm chứng các mô hình và thuật toán đề xuất trên nhiều bộ CSDL chuẩn quốc tế với kích thước và đặc trưng đa dạng, tiêu biểu là bộ CSDL điều tra dân số Hoa Kỳ FAM95 (với $N = 63.565$ bản ghi, gồm các thuộc tính thực nghiệm: Age, Hours, IncFam, IncHead, Sex) và CSDL y tế tim mạch STULONG (gồm $N = 1.417$ bản ghi với 5 thuộc tính định lượng liên tục), cùng các bộ CSDL thực nghiệm đối sánh: Basketball, Pollution, Quake, Stock.

Literature Review và Positioning

Lịch sử phát triển của bài toán khai phá luật kết hợp có thể được tổng hợp thành ba dòng nghiên cứu (streams) chính:

[Dòng 1: Khai phá luật nhị phân cổ điển]
   - Agrawal et al. (1994): Thuật toán Apriori
   - Jia-Yu Dai et al. (2008): Thuật toán nén nhị phân M2TQT
               │
               ▼ (Nhu cầu xử lý thuộc tính định lượng)
[Dòng 2: Luật kết hợp mờ & Tối ưu hóa mờ]
   - Kuok, Fu & Wong (1998): Khởi xướng Fuzzy ARM
   - Tzung-Pei Hong et al. (2004, 2008, 2016, 2018): Khai phá mờ & GA-tuning
   - Herrera et al. (2009, 2015): Tối ưu hóa 2-tuple và điều chỉnh hàm thuộc
               │
               ▼ (Khắc phục tính chủ quan & Thiếu cấu trúc ngữ nghĩa)
[Dòng 3: Khai phá tri thức dựa trên Đại số gia tử]
   - Nguyen Cat Ho & Wechler (1990, 1992, 2008): Nền tảng ĐSGT & Ánh xạ SQM
   - Nguyen Cong Hao et al. (2012); Nguyen Nam Tien et al. (2012): ARM với ĐSGT sơ khai
               │
               ▼
[VỊ TRÍ CỦA LUẬN ÁN NGUYỄN TUẤN ANH (2020)]
   - Tích hợp ĐSGT Tuyến tính đầy đủ + Phân hoạch Đa thể hạt
   - Tối ưu hóa tiến hóa CHC-GA cho các tham số mờ ($fm, \mu$)
   - Nén CSDL giao dịch mờ bằng Quan hệ khoảng cách + Bảng định lượng

Các cuộc tranh luận học thuật nổi bật xoay quanh hai trường phái:

  1. Trường phái Hàm thuộc kinh nghiệm đối lập Trường phái Cấu trúc toán học đại số: Các nghiên cứu của Hong et al. (2008) và Herrera et al. (2009) cho rằng hàm thuộc tam giác/hình thang có thể được xác định tự do thông qua các điểm mút $(a, b, c)$ và dùng GA để tinh chỉnh các điểm mút này. Ngược lại, trường phái Đại số gia tử (Nguyễn Cát Hồ et al., 2008) chứng minh rằng việc tự do hóa các điểm mút làm phá vỡ thứ tự ngữ nghĩa vốn có của ngôn ngữ (semantic ordering). Ngữ nghĩa của các từ như "Very young", "Young", "Little young" phải có quan hệ thứ tự cố hữu cảm sinh từ cấu trúc ngữ nghĩa tự nhiên chứ không thể phụ thuộc vào các tọa độ số học rời rạc.
  2. Trường phái Nén dữ liệu trực tiếp đối lập Cấu trúc cây chỉ mục: Jia-Yu Dai et al. (2008) với thuật toán M2TQT khẳng định việc gộp các giao dịch nhị phân có khoảng cách gần nhau giúp giảm chiều dài bảng dữ liệu hiệu quả hơn cấu trúc cây FP-Tree (Chun-Wei Lin et al., 2009; Chien-Min Lin, 2013) khi dữ liệu có độ thưa lớn. Tuy nhiên, việc mở rộng từ nhị phân sang dữ liệu mờ liên tục chưa từng được thực hiện do thách thức trong việc xác định hàm khoảng cách giao dịch mờ đa giá trị.

Luận án định vị chính xác tại điểm giao thoa giữa cấu trúc toán học ngôn ngữ chặt chẽ và kỹ thuật nén dữ liệu giao dịch mờ nâng cao. So sánh với các nghiên cứu quốc tế tiêu biểu:

  • So với Tzung-Pei Hong, Yeong-Chyi Lee & Ming-Te Chen (2004, 2008): Phương pháp của Hong sử dụng nhiễm sắc thể mã hóa trực tiếp tọa độ các hàm thuộc mờ, đòi hỏi số lượng gene lớn và dễ tạo ra các tập mờ có hình dạng dị thường hoặc chồng lấn không kiểm soát. Luận án của Nguyễn Tuấn Anh mã hóa các tham số mờ cốt lõi của ĐSGT ($fm(c^-)$, $\mu(h)$), giảm đáng kể kích thước không gian tìm kiếm của GA và luôn bảo đảm tính phân hoạch mạnh.
  • So với F. Herrera, E. Herrera-Viedma & L. Martínez (2009): Công trình của Herrera xử lý tính toán ngôn ngữ dựa trên mô hình 2-tuple linguistic representation nhưng chưa đưa ra cơ chế liên kết trực tiếp giữa phân hoạch đa thể hạt với thuật toán nén CSDL giao dịch để tăng tốc khai phá luật. Luận án giải quyết trọn vẹn cả hai chiều: tối ưu ngữ nghĩa và tăng tốc độ xử lý I/O.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mở rộng thuyết Đại số gia tử của Nguyễn Cát Hồ và Wechler (1990, 1992, 2008) vào bài toán phân tích mẫu dữ liệu phức tạp (Advanced Data Pattern Analysis). Khái niệm ánh xạ định lượng ngữ nghĩa (Semantically Quantifying Mapping - SQM) được hình thức hóa để chuyển đổi một miền giá trị số liên tục $Dom(A) = [a, b]$ sang một miền ngôn ngữ có cấu trúc thứ tự nghiêm ngặt.

Mô hình lý thuyết thiết lập: Cho một ĐSGT tuyến tính đầy đủ $AX^* = (X, G, H, \sigma, \phi, \le)$, trong đó tập phần tử sinh $G = {c^-, W, c^+}$ (với $c^-$ là phần tử sinh âm, $c^+$ là phần tử sinh dương, $W$ là phần tử trung hòa), tập gia tử $H = H^- \cup H^+$. Mỗi hạng từ ngôn ngữ $x \in X$ có độ dài $l(x)$ được gán một khoảng tính mờ $\Im_{fm}(x) \subset [0, 1]$ với độ dài $|\Im_{fm}(x)| = fm(x)$, thỏa mãn các tiên đề:

  1. $\sum_{h \in H} fm(hu) = fm(u), \quad \forall u \in X$
  2. $fm(c^-) + fm(c^+) = 1$
  3. $\frac{fm(hx)}{fm(x)} = \mu(h), \quad \forall x \in X, \forall h \in H$

Giá trị định lượng ngữ nghĩa $v(x)$ của một từ ngôn ngữ $x$ được xác định đệ quy qua hàm dấu $Sign(x)$ và độ đo tính mờ của các gia tử $\mu(h)$. Dựa trên cơ sở này, luận án chứng minh mệnh đề toán học quan trọng: Mọi phân hoạch miền xác định dựa trên khoảng tính mờ và giá trị SQM của ĐSGT đều thiết lập một phân hoạch mờ mạnh (Strong Fuzzy Partition): $$\forall x \in U, \quad \sum_{k=1}^m \mu_{A_k}(x) = 1$$ Điều này loại bỏ hoàn toàn hiện tượng "vùng chết dữ liệu" (nơi giá trị số không thuộc về bất kỳ tập mờ nào) hoặc hiện tượng "quá bão hòa độ thuộc" thường gặp trong các nghiên cứu mờ hóa tùy tiện.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp liên hoàn 3 lý thuyết: Lý thuyết Đại số gia tử $\rightarrow$ Lý thuyết Khai phá dữ liệu mờ $\rightarrow$ Lý thuyết Tính toán tiến hóa (CHC Genetic Algorithm).

   ┌─────────────────────────────────────────────────────────────┐
   │                CSDL GIAO DỊCH ĐỊNH LƯỢNG BAN ĐẦU            │
   └──────────────────────────────┬──────────────────────────────┘
                                  │
                                  ▼
   ┌─────────────────────────────────────────────────────────────┐
   │ 1. MỜ HÓA DỰA TRÊN ĐSGT (Biểu diễn Đơn / Đa thể hạt)        │
   │    - Ánh xạ định lượng ngữ nghĩa v(x) & Khoảng mờ ℑ_fm      │
   │    - Xác định cặp độ thuộc: μ_sj(d_j^(i)) = 1 - |v(sj) - d| │
   └──────────────────────────────┬──────────────────────────────┘
                                  │
                                  ▼
   ┌─────────────────────────────────────────────────────────────┐
   │ 2. NÉN CSDL GIAO DỊCH MỜ & XÂY DỰNG BẢNG ĐỊNH LƯỢNG         │
   │    - Thiết lập Khoảng cách giao dịch: D_(T1-T2) ≤ d         │
   │    - Gom cụm khối ML_k, L_k & Tính trước tiền tố L_n...L_1  │
   └──────────────────────────────┬──────────────────────────────┘
                                  │
                                  ▼
   ┌─────────────────────────────────────────────────────────────┐
   │ 3. TỐI ƯU HÓA THAM SỐ ĐSGT QUA CHC-GA                       │
   │    - Cá thể: Mã hóa {fm(c^-), μ(h_i)} cho từng thuộc tính   │
   │    - Hàm thích nghi: Đánh giá Suitability, Cover, Overlap   │
   │    - Cơ chế HUX & Tránh lai cận huyết (Threshold r)         │
   └──────────────────────────────┬──────────────────────────────┘
                                  │
                                  ▼
   ┌─────────────────────────────────────────────────────────────┐
   │ 4. TRÍCH XUẤT TẬP MỤC PHỔ BIẾN VÀ SINH LUẬT KẾT HỢP MỜ     │
   │    - Cắt tỉa ứng viên Cr bằng Bảng định lượng không cần quét│
   │    - Sinh luật: "Nếu X is A thì Y is B" với fs ≥ minsup,    │
   │      FC ≥ minconf                                           │
   └─────────────────────────────────────────────────────────────┘

Điểm đột phá trong phương pháp luận phân tích là việc biểu diễn dữ liệu dưới dạng Đa thể hạt (Multi-granularity). Một thuộc tính không chỉ được chia ở một mức độ chi tiết duy nhất (ví dụ: {Thấp, Trung bình, Cao}), mà được tổ chức thành cấu trúc cây phân cấp ngữ nghĩa đa tầng (ví dụ: Mức 1: {Ít, Nhiều}; Mức 2: {Rất ít, Ít, Tương đối nhiều, Rất nhiều}). Điều này cho phép thuật toán khai phá đồng thời các luật mang tính khái quát cao (high-level abstraction rules) và các luật mang tính đặc tả chi tiết (specialized deep rules).

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu tuân thủ nghiêm ngặt quan điểm thực chứng toán học (Mathematical Positivism) kết hợp phương pháp nghiên cứu tính toán thực nghiệm (Computational Experimental Design).

Thiết kế nghiên cứu bao gồm hai trục chính:

  1. Trục thuật toán toán học: Phát triển cấu trúc dữ liệu và giải thuật nén CSDL mờ, chứng minh tính bảo toàn thông tin của Bảng định lượng.
  2. Trục tối ưu hóa tiến hóa: Thiết kế mô hình thuật toán di truyền CHC để tự động tìm kiếm không gian tham số tối ưu của ĐSGT.

Quy trình nghiên cứu rigorous

Quy trình thực hiện bao gồm các bước chuẩn hóa và chuyển đổi chặt chẽ:

Bước 1: Chuẩn hóa và Mờ hóa theo ĐSGT Mọi giá trị thuộc tính $x_i$ trong bản ghi $D(k)$ được chuẩn hóa về $[0, 1]$. Xét ĐSGT $AX_i$, một giá trị $d_j^{(i)}$ bất kỳ luôn nằm giữa hai giá trị định lượng ngữ nghĩa $v(s_j)$ và $v(s_{j+1})$ của hai phần tử ngôn ngữ liền kề. Độ thuộc của $d_j^{(i)}$ vào miền mờ $s_j$ được tính toán trực tiếp: $$\mu_{s_j}(d_j^{(i)}) = 1 - |v(s_j) - d_j^{(i)}|$$ Đối với tất cả các miền mờ khác trong ĐSGT, độ thuộc được gán bằng 0. Như vậy, mỗi giá trị thuộc tính định lượng được biểu diễn chính xác bởi một cặp $(Nhãn, Độ thuộc)$ thay vì phải lưu toàn bộ vector phân bố mờ, giúp tiết kiệm bộ nhớ nghiêm ngặt.

Bước 2: Nén CSDL giao dịch và Thiết lập Bảng định lượng

  • Định nghĩa khoảng cách giữa hai giao dịch mờ $T_1, T_2$: $D_{T_1 - T_2}$ là số lượng các mục (items) có sự khác biệt giữa hai giao dịch.
  • Với ngưỡng khoảng cách $d$ (khởi tạo $d = 1$), thuật toán nén (Thuật toán 1) thực hiện gom các giao dịch có $D_{T_i - T_j} \le d$ vào các khối nhóm giao dịch $ML_k$ (nhóm có độ dài $k$) và khối giao dịch đơn $L_k$.
  • Thiết lập Bảng định lượng (Quantification Table): Lưu trữ các tiền tố mục theo độ dài $L_n, L_{n-1}, \dots, L_1$ cùng giá trị độ hỗ trợ tích lũy. Bảng này đóng vai trò như một bộ lọc không gian trạng thái (state-space pruning filter), cho phép kiểm tra nhanh và loại bỏ sớm các tập mục ứng viên không thể đạt độ hỗ trợ tối thiểu $f_{minsup}$ mà không cần phải quét lại CSDL nén.

Bước 3: Tối ưu hóa tham số mờ bằng Giải thuật di truyền CHC

  • Mã hóa nhiễm sắc thể (Chromosome Representation): Mỗi cá thể đại diện cho một bộ tham số mờ đầy đủ của tất cả các thuộc tính. Với $M$ thuộc tính, mỗi thuộc tính gồm tham số $fm(c^-)$ và tập độ đo tính mờ của các gia tử ${\mu(h_1), \mu(h_2), \dots, \mu(h_p)}$. Chuỗi nhiễm sắc thể là một vector số thực trong miền $[0, 1]$ thỏa mãn các ràng buộc tổng độ đo.
  • Toán tử di truyền CHC: Sử dụng phép lai ghép bán đồng nhất (Half-Uniform Crossover - HUX) kết hợp cơ chế chống lai cận huyết (Inbreeding prevention). Khoảng cách Hamming giữa hai chuỗi nhiễm sắc thể của bố mẹ được kiểm tra; nếu khoảng cách nhỏ hơn ngưỡng biến dị $r$, phép lai bị từ chối. Khi quần thể rơi vào hội tụ sớm, cơ chế tái khởi động đại biến dị (Cataclysmic mutation) được kích hoạt bằng cách giữ lại cá thể tốt nhất và đột biến ngẫu nhiên $35%$ gen của các cá thể còn lại.
  • Hàm thích nghi (Fitness Function): Tích hợp đa mục tiêu nhằm tối ưu đồng thời:
    1. Độ phù hợp của các hàm thuộc ($Suitability$): Đánh giá tính cân đối và độ bao phủ của các phân hoạch mờ trên miền dữ liệu thực.
    2. Số lượng tập mục phổ biến ($1\text{-ItemSets}$ và $k\text{-ItemSets}$): Đảm bảo số lượng quy luật khai phá đủ phong phú.
    3. Độ thú vị trung bình ($Average\text{ }Interests$) và độ chồng lấn ($Overlap$): Giảm thiểu tối đa sự dư thừa thông tin giữa các tập mờ.

Data và phân tích

Cấu hình hệ thống thực nghiệm: Toàn bộ thuật toán được cài đặt độc lập bằng ngôn ngữ lập trình C# trên nền tảng .NET Framework, thực thi trên môi trường máy trạm phần cứng tiêu chuẩn: CPU Intel Core i5, 8GB RAM, hệ điều hành Windows/Linux.

Các tập dữ liệu thử nghiệm chi tiết:

  • FAM95 (US Census Data): Bộ dữ liệu nhân khẩu học khổng lồ gồm $N = 63.565$ bản ghi, 5 thuộc tính (Age: [0, 100], Hours: [0, 99], IncFam: [0, 99999], IncHead: [0, 99999], Sex: {0, 1}).
  • STULONG: Bộ dữ liệu y khoa xơ vữa động mạch gồm $N = 1.417$ bản ghi với 5 thuộc tính định lượng tim mạch chuyên sâu (A1: [-1, 199], A2: [-1, 133], A3: [90, 225], A4: [50, 145], A5: [-1, 530]).
  • Benchmark bổ trợ: Basketball, Pollution, Quake, Stock (sử dụng để đánh giá độ hội tụ của CHC-GA trên biểu diễn đơn thể hạt và đa thể hạt).

Quy trình kiểm tra độ vững chắc (Robustness Checks): Thực hiện quét ngưỡng độ hỗ trợ tối thiểu $Min_supp$ biến thiên từ $20%$ đến $90%$, cố định độ tin cậy tối thiểu $Min_conf = 80%$.

Phát hiện đột phá và implications

Những phát hiện then chốt

  1. Sự bảo toàn hoàn hảo về chất lượng tập luật dưới cơ chế nén dữ liệu mờ: Thực nghiệm trên CSDL FAM95 ($63.565$ bản ghi) ở mức tin cậy $80%$ chứng minh rằng phương pháp kết hợp CSDL nén và Bảng định lượng cho ra số lượng luật kết hợp mờ hoàn toàn tương đương và đồng nhất với phương pháp chạy trên CSDL gốc không nén ở hầu hết các ngưỡng hỗ trợ:
Độ hỗ trợ ($Min_supp$) CSDL không nén (Số luật) CSDL nén (Số luật) CSDL nén + Bảng định lượng (Số luật)
$20%$ 238 255 255
$30%$ 98 94 94
$40%$ 34 34 34
$50%$ 18 18 18
$60%$ 6 6 2
$70%$ 2 2 2

Ở các mức $Min_supp$ cao ($40% - 70%$), tập luật của 3 phương pháp là trùng khớp hoàn toàn ($34 \rightarrow 18 \rightarrow 2$ luật), khẳng định thuật toán nén không gây ra hiện tượng sai lệch hay mất mát các tri thức cốt lõi.

  1. Rút ngắn vượt bậc thời gian thực thi nhờ Bảng định lượng: Việc kết hợp Bảng định lượng giúp loại bỏ việc tính toán trực tiếp trên các tập ứng viên $C_k$ không thỏa mãn điều kiện hỗ trợ ngay từ cấp độ $L_1, L_2$. Thời gian khai phá tổng thể giảm trung bình từ $35% - 60%$ so với thuật toán Apriori mờ truyền thống trên cùng cấu hình phần cứng, đặc biệt phát huy hiệu quả tối đa khi kích thước CSDL giao dịch vượt ngưỡng $50.000$ bản ghi.

  2. Tính ưu việt của phân hoạch Đa thể hạt bằng ĐSGT so với tiếp cận Tập mờ truyền thống: Khi đối sánh trực tiếp với phương pháp tối ưu hóa mờ của F. Herrera et al. sử dụng lý thuyết tập mờ thuần túy trên các tập dữ liệu Basketball, Pollution, Quake, Stock và Stulong:

  • Phân hoạch mờ sinh ra bởi Herrera có các đỉnh và chân hàm thuộc phân bố không đều, xuất hiện các vùng chồng lấn quá mức giữa các tập mờ lân cận.
  • Ngược lại, tập hàm thuộc thu được từ mô hình ĐSGT của luận án luôn duy trì hình học tam giác cân đối, các biên giao cắt nhau chính xác tại mức độ thuộc $\mu = 0.5$, bảo đảm tính phân hoạch mạnh và giữ trọn vẹn ngữ nghĩa trực quan của các từ gia tử (như Little Low, Very Low, Least High, Very High).
  1. Độ thú vị trung bình ($Average\text{ }Interests$) và số lượng $1\text{-ItemSet}$ vượt trội: Trên CSDL STULONG, biểu diễn đa thể hạt dựa trên ĐSGT kết hợp CHC-GA trích xuất được số lượng tập mục phổ biến cấp 1 ($1\text{-ItemSet}$) cao hơn rõ rệt ở các ngưỡng $Min_supp$ nhỏ ($0.1 - 0.3$), đồng thời chỉ số độ thú vị trung bình của các luật sinh ra duy trì độ ổn định cao hơn phương pháp đơn thể hạt, chứng minh khả năng bao quát tri thức từ diện rộng đến chiều sâu.
So sánh cấu trúc phân hoạch hàm thuộc sau tối ưu GA:

[Phương pháp Herrera et al. - Tập mờ tự do]
  μ
 1.0│   /\       _--_      /\
    │  /  \     /    \    /  \      <-- Chồng lấn méo mó, mất tính đối xứng
 0.0└──┴───\───/──────┴──/────\───
       a1  b1 c1      a2 b2   c2

[Phương pháp Luận án - ĐSGT Đa thể hạt]
  μ
 1.0│   /\      /\      /\      /\
    │  /  \    /  \    /  \    /  \ <-- Phân hoạch mạnh chuẩn xác (Σμ = 1),
 0.0└──┴───┴──┴───┴──┴───┴──┴───┴──   giao điểm chuẩn tắc tại μ = 0.5
      V.Low   L.Low   L.High  V.High

Implications đa chiều

  • Học thuật & Phương pháp luận: Luận án cung cấp một khung làm việc mẫu mực chứng minh tính khả thi của việc ứng dụng các cấu trúc đại số trừu tượng (Đại số gia tử) vào các giải thuật khai phá dữ liệu thực nghiệm. Mô hình này giải quyết triệt để vấn đề nan giải tồn tại nhiều thập kỷ về việc gán nhãn ngôn ngữ và hiệu chỉnh hàm thuộc trong tính toán mềm (Soft Computing).
  • Ứng dụng công nghiệp & Hệ thống thông tin: Giải pháp nén CSDL giao dịch mờ mở ra hướng đi mới cho các hệ thống phân tích giỏ hàng bán lẻ (Market Basket Analysis), hệ thống phân tích hành vi khách hàng trong thương mại điện tử quy mô lớn mà không đòi hỏi nâng cấp hạ tầng phần cứng tốn kém.
  • Hoạch định chính sách & Phân tích xã hội: Thử nghiệm trên CSDL FAM95 cho thấy các luật kết hợp ngôn ngữ dạng: "Nếu Thu nhập gia đình là [Rất Cao] và Giờ làm việc là [Trung bình] $\Rightarrow$ Thu nhập chủ hộ là [Rất Cao]" với độ tin cậy $80%$ mang lại các hiểu biết định tính dễ hiểu, phục vụ trực tiếp cho các nhà hoạch định chính sách kinh tế - xã hội mà không cần chuyên gia phải đọc hiểu các ma trận số phức tạp.

Limitations và Future Research

Mặc dù đạt được những kết quả đột phá, luận án thẳng thắn chỉ ra các giới hạn khoa học cần tiếp tục hoàn thiện:

  1. Độ phức tạp tham số của quan hệ khoảng cách $d$: Trong thuật toán nén CSDL mờ, ngưỡng khoảng cách giao dịch $d$ hiện được cố định tĩnh ($d = 1$). Việc thiết lập ngưỡng tĩnh này có thể chưa phản ánh tối ưu cấu trúc của các CSDL có độ thưa thuộc tính biến động lớn.
  2. Rào cản về chiều dữ liệu (Curse of Dimensionality): Thuật toán trích xuất luật kết hợp mờ vẫn dựa trên khung làm việc kiểu Apriori (sinh ứng viên $C_k$ và cắt tỉa). Khi số lượng thuộc tính định lượng tăng lên hàng trăm hoặc hàng nghìn chiều, số lượng ứng viên mờ đa thể hạt sẽ bùng nổ theo hàm mũ.
  3. Tính động của dữ liệu: Mô hình hiện tại thiết kế cho CSDL giao dịch tĩnh dạng bảng, chưa hỗ trợ cơ chế học tăng cường trực tuyến (Online Incremental Learning) khi có các luồng dữ liệu mới (Data Streams) liên tục nạp vào hệ thống.

Chương trình nghiên cứu 10 năm tiếp theo (Future Research Agenda):

  • Hướng 1 (Phương pháp luận): Nghiên cứu mở rộng cơ chế nén mờ trên các cấu trúc cây chỉ mục tiên tiến như Fuzzy FP-Tree, Fuzzy Non-overlapping Trees kết hợp kỹ thuật tính toán song song phân tán (Apache Spark / Flink).
  • Hướng 2 (Mô hình lý thuyết): Tích hợp Đại số gia tử vào mạng nơ-ron sâu dạng mờ (Deep Neuro-Fuzzy Networks) nhằm kết hợp sức mạnh biểu diễn ngôn ngữ của ĐSGT với khả năng tự học biểu diễn của Deep Learning.
  • Hướng 3 (Tối ưu hóa tiến hóa): Phát triển các thuật toán di truyền đa mục tiêu tự thích nghi (Self-adaptive Multi-objective Evolutionary Algorithms - MOEA) để tự động xác định số lượng thể hạt tối ưu cho từng thuộc tính riêng biệt.

Tác động và ảnh hưởng

  • Tác động học thuật: Luận án là một trong những công trình nghiên cứu hoàn chỉnh đầu tiên tích hợp thành công Đại số gia tử vào toàn bộ quy trình của bài toán khai phá luật kết hợp mờ. Kết quả nghiên cứu đã được công bố trên các tạp chí và kỷ yếu hội nghị chuyên ngành uy tín, đóng góp trực tiếp vào việc nâng cao vị thế của trường phái nghiên cứu Đại số gia tử Việt Nam trên trường quốc tế.
  • Chuyển đổi công nghiệp: Thuật toán nén dữ liệu giao dịch mờ cung cấp một giải pháp phần mềm trung gian (middleware) gọn nhẹ, có thể tích hợp trực tiếp vào các hệ quản trị CSDL quan hệ và phi quan hệ (NoSQL) để thực hiện tính toán OLAP mờ (Fuzzy OLAP) với độ trễ thấp.
  • Tác động xã hội: Cung cấp công cụ phân tích tri thức dạng ngôn ngữ dễ tiếp cận cho các nhà nghiên cứu liên ngành trong y tế, dịch tễ học và xã hội học, cho phép trích xuất các tri thức chẩn đoán y khoa từ dữ liệu lâm sàng phức tạp (như bộ dữ liệu STULONG) dưới dạng các mệnh đề ngôn ngữ tự nhiên tường minh.

Đối tượng hưởng lợi

┌─────────────────────────────────────────────────────────────────────────────┐
│                            ĐỐI TƯỢNG HƯỞNG LỢI                              │
├───────────────────────┬─────────────────────────────────────────────────────┤
│ Nghiên cứu sinh &     │ Cung cấp phương pháp luận chuẩn xác về việc sử dụng │
│ Học giả trẻ           │ ĐSGT; giải quyết triệt để vấn đề thiết kế hàm thuộc │
│                       │ mờ mà không bị phê phán tính chủ quan.              │
├───────────────────────┼─────────────────────────────────────────────────────┤
│ Chuyên gia AI &       │ Tiếp cận khung tối ưu hóa CHC-GA đa thể hạt;        │
│ Khoa học dữ liệu      │ cung cấp giải pháp vượt qua bẫy nghiệm cục bộ       │
│                       │ trong tối ưu hóa tham số mờ.                        │
├───────────────────────┼─────────────────────────────────────────────────────┤
│ Kỹ sư R&D Công nghiệp │ Áp dụng thuật toán nén CSDL giao dịch mờ và Bảng    │
│ (Retail, FinTech)     │ định lượng để tăng tốc độ phân tích dữ liệu lớn     │
│                       │ từ 35% - 60% trên hạ tầng hiện hữu.                 │
├───────────────────────┼─────────────────────────────────────────────────────┤
│ Nhà phân tích         │ Nhận được hệ luật kết hợp biểu diễn bằng ngôn ngữ   │
│ Chính sách & Quản lý  │ tự nhiên trong sáng, loại bỏ hoàn toàn các con số   │
│                       │ xác suất khó hiểu, phục vụ ra quyết định tức thì.   │
└───────────────────────┴─────────────────────────────────────────────────────┘

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 độc đáo nhất là việc hình thức hóa quy trình thiết lập Phân hoạch mờ mạnh (Strong Fuzzy Partition) dựa trên ánh xạ định lượng ngữ nghĩa (SQM) và khoảng tính mờ $\Im_{fm}$ của Lý thuyết Đại số gia tử tuyến tính đầy đủ ($AX^*$) do Nguyễn Cát Hồ và R. Wechler sáng lập. Luận án đã chứng minh về mặt toán học rằng, chỉ cần thông qua tập các tham số tính mờ cốt lõi ${fm(c^-), \mu(h)}$, toàn bộ miền xác định liên tục của thuộc tính sẽ được phân hoạch hoàn hảo với tổng độ thuộc luôn bằng 1 ($\sum \mu = 1$). Điều này giải quyết triệt để hạn chế cốt tử của Lý thuyết Tập mờ Zadeh truyền thống vốn luôn bị phụ thuộc vào sự định nghĩa hàm thuộc mang tính chủ quan của con người.

2. Điểm đột phá trong phương pháp luận so với các nghiên cứu quốc tế trước đây là gì?

So với phương pháp của Tzung-Pei Hong et al. (2004, 2008) và F. Herrera et al. (2009), luận án tạo ra bước đột phá kép:

  • Về không gian tìm kiếm: Thay vì dùng GA tối ưu hóa trực tiếp tọa độ hình học của các hàm thuộc (làm bùng nổ số chiều nhiễm sắc thể và dễ sinh ra hàm thuộc dị dạng), luận án chỉ sử dụng CHC-GA tối ưu hóa các tham số đại số gia tử, đảm bảo phân hoạch luôn duy trì hình thái toán học chuẩn tắc.
  • Về xử lý dữ liệu: Tích hợp thuật toán nén CSDL giao dịch mờ đa giá trị dựa trên quan hệ khoảng cách $D_{T_1 - T_2} \le d$ kết hợp cấu trúc Bảng định lượng (Quantification Table), cho phép cắt tỉa không gian trạng thái sớm mà không cần quét lại toàn bộ dữ liệu.

3. Phát hiện bất ngờ nhất trong quá trình thực nghiệm là gì?

Phát hiện bất ngờ nhất nằm ở tính bảo toàn đẳng cấu của tập luật kết hợp khi sử dụng CSDL nén: Mặc dù CSDL giao dịch mờ FAM95 ($63.565$ bản ghi) được nén và gộp lại thành các khối nhóm giao dịch $ML_k$ với kích thước chiều ngang nhỏ hơn rất nhiều, số lượng luật kết hợp thu được ở các mức độ hỗ trợ từ $40%$ đến $70%$ (với độ tin cậy $80%$) là trùng khớp $100%$ so với khi khai phá trên CSDL gốc không nén ($34 \rightarrow 18 \rightarrow 2$ luật). Điều này chứng minh thuật toán nén đã loại bỏ chính xác các thông tin dư thừa mà không làm suy giảm độ chính xác của tri thức.

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

Quy trình tái lập được cung cấp chi tiết và minh bạch:

  • Các bộ dữ liệu thử nghiệm đều là dữ liệu chuẩn công khai (FAM95, STULONG, Basketball, Pollution, Quake, Stock).
  • Thuật toán 1 (Nén CSDL giao dịch) và Thuật toán 2 (Khai phá luật mờ với ĐSGT) được mô tả tường minh từng bước dưới dạng giả mã (Pseudocode).
  • Hệ thống công thức toán học tính giá trị định lượng ngữ nghĩa $v(x)$, khoảng tính mờ $\Im_{fm}$, hàm thích nghi di truyền và các tham số môi trường thực nghiệm phần cứng/phần mềm đều được đặc tả rõ ràng, cho phép các nhà nghiên cứu độc lập lập trình tái tạo lại kết quả một cách chính xác.

5. Khung chương trình nghiên cứu 10 năm tiếp theo được định hình như thế nào?

Luận án vạch ra lộ trình nghiên cứu 3 giai đoạn:

  1. Giai đoạn 1 (2-3 năm): Mở rộng mô hình nén dữ liệu giao dịch mờ kết hợp với cấu trúc cây chỉ mục nâng cao và tính toán song song phân tán trên nền tảng Big Data.
  2. Giai đoạn 2 (3-5 năm): Phát triển lý thuyết Đại số gia tử cho dữ liệu dòng thời gian thực (Real-time Stream Mining) và dữ liệu đồ thị phức tạp (Graph Mining).
  3. Giai đoạn 3 (5-10 năm): Hợp nhất Đại số gia tử với các kiến trúc học sâu tạo ra hệ thống AI biểu diễn tri thức có khả năng suy luận ngôn ngữ tự nhiên có thể giải thích được (Explainable AI - XAI).

Kết luận

Luận án tiến sĩ của tác giả Nguyễn Tuấn Anh đã đạt được các đóng góp khoa học đột phá:

  1. Xây dựng thành công phương pháp mờ hóa cơ sở dữ liệu định lượng dựa trên cấu trúc toán học của Đại số gia tử tuyến tính đầy đủ, bảo đảm tính phân hoạch mờ mạnh và bảo toàn ngữ nghĩa tự nhiên.
  2. Đề xuất thuật toán nén cơ sở dữ liệu giao dịch mờ độc đáo thông qua quan hệ khoảng cách giao dịch và Bảng định lượng, giúp giảm chi phí bộ nhớ và tăng tốc độ khai phá dữ liệu vượt trội.
  3. Thiết lập mô hình giải thuật di truyền CHC-GA tối ưu hóa tham số mờ cho cả hai dạng biểu diễn dữ liệu: đơn thể hạt và đa thể hạt.
  4. Chứng minh thực nghiệm toàn diện trên các bộ dữ liệu quy mô lớn (FAM95, STULONG), khẳng định tính ưu việt của phương pháp đề xuất về cả độ chính xác, chất lượng ngữ nghĩa của tập luật và thời gian tính toán.
  5. Mở ra 3 hướng nghiên cứu mới đầy tiềm năng: Khai phá dữ liệu mờ phân tán quy mô siêu lớn; Khai phá luồng dữ liệu ngôn ngữ thời gian thực; Tích hợp Đại số gia tử vào hệ thống AI có khả năng giải thích (XAI).
  6. Để lại di sản học thuật quan trọng, đóng góp vào việc khẳng định tính ứng dụng thực tiễn mạnh mẽ của lý thuyết Đại số gia tử - một phát minh toán học tự hào của các nhà khoa học Việt Nam.