Tổng quan luận án

Luận án tiến sĩ "Một số phương pháp xử lý truy vấn mới trên cơ sở dữ liệu hướng đối tượng mờ" được nghiên cứu sinh Nguyễn Tấn Thuận thực hiện dưới sự hướng dẫn khoa học của TS. Trương Ngọc Châu, bảo vệ năm 2021 tại Học viện Khoa học và Công nghệ – Viện Hàn lâm Khoa học và Công nghệ Việt Nam. Luận án thuộc ngành Máy tính, chuyên ngành Hệ thống thông tin (Mã số: 9 48 01 04).

Tính cấp thiết và khoảng trống nghiên cứu

Trong thực tế phát triển của các hệ thống thông tin, khối lượng dữ liệu gia tăng nhanh chóng dẫn đến hiện tượng quá tải thông tin, gây khó khăn cho quá trình phân tích và ra quyết định quản lý. Các hệ quản trị cơ sở dữ liệu phổ biến hiện nay chủ yếu dựa trên mô hình cơ sở dữ liệu quan hệ (RDBMS) hoặc cơ sở dữ liệu hướng đối tượng (OODBMS). Mặc dù các mô hình này có khả năng mô hình hóa và xử lý các cấu trúc đối tượng phức tạp, chúng chỉ phù hợp với dữ liệu "cứng" (dữ liệu chính xác và xác định) và gặp nhiều hạn chế khi đối diện với dữ liệu "mềm" (thông tin không hoàn hảo, mơ hồ, không chắc chắn hoặc không đầy đủ).

Trong bối cảnh cách mạng công nghiệp lần thứ tư (Công nghiệp 4.0) gắn liền với xử lý dữ liệu lớn theo thời gian thực, trí tuệ nhân tạo, thiết bị kết nối và các hệ thống hỗ trợ quyết định tự động, nhu cầu xử lý thông tin mờ ngày càng trở nên thiết yếu. Dù đã có nhiều nghiên cứu áp dụng toán học mờ vào cơ sở dữ liệu hướng đối tượng, các mô hình công bố trước đó vẫn thiếu một thiết kế kiến trúc hoàn chỉnh, thiếu hệ thống định nghĩa hình thức cho các phép toán đại số đối tượng mờ và chưa hoàn thiện cơ chế xử lý, tối ưu hóa truy vấn có tính hệ thống. Do đó, việc xây dựng các phương pháp tiền xử lý dữ liệu, thiết lập đại số đối tượng mờ mới và tối ưu hóa câu truy vấn mờ là yêu cầu cấp thiết.

Mục tiêu nghiên cứu

Luận án xác định các mục tiêu cụ thể gồm:

  1. Đề xuất các phương pháp tiền xử lý dữ liệu: phương pháp so sánh tính tương tự giữa hai đối tượng mờ dựa trên độ đo ngữ nghĩa, khoảng cách Euclidean và thuật toán gom cụm cải tiến EMC (Expectation Maximization Coefficient) dựa trên mô hình hỗn hợp Gaussian (GMM).
  2. Xây dựng phương pháp phân chia các khoảng mờ dựa trên kết quả gom cụm và phát triển các thuật toán xử lý truy vấn mờ (FQSIMSC, FQSIMMC, FQSEM, FQINTERVAL).
  3. Đề xuất mô hình đại số kết hợp mờ mới cùng hệ thống các phép toán đại số đối tượng mờ (phép chọn, chiếu, nối, hợp, giao, trừ, chia mờ).
  4. Xây dựng kiến trúc, quy trình xử lý và thuật toán tối ưu hóa truy vấn mờ (ngôn ngữ FOQL) dựa trên các luật biến đổi tương đương và giải thuật Heuristic.

Đối tượng và phạm vi nghiên cứu

  • Đối tượng nghiên cứu: Cơ sở dữ liệu hướng đối tượng mờ (FOODB), mô hình dữ liệu UML mờ, các cấu trúc dữ liệu không hoàn hảo, đại số đối tượng mờ, ngôn ngữ truy vấn đối tượng mờ (FOQL) và các giải thuật tối ưu hóa kế hoạch thực thi truy vấn.
  • Phạm vi nghiên cứu:
    • Về mặt lý thuyết: Tập trung vào lý thuyết tập mờ, lý thuyết khả năng, lý thuyết xác suất (GMM, thuật toán EM), đại số kết hợp mờ và mô hình ODMG/OQL mở rộng cho dữ liệu mờ.
    • Về mặt kỹ thuật và thực nghiệm: Xây dựng các thuật toán so sánh tương tự, thuật toán gom cụm EMC, bộ phân tích truy vấn FOQL, biến đổi cây truy vấn/đồ thị truy vấn và đánh giá thực nghiệm về mặt thời gian thực thi (Execution Time) cũng như dung lượng bộ nhớ (Memory Consumption).

Tổng quan tài liệu và vị trí của luận án

Luận án đã điểm luận chi tiết các công trình nghiên cứu trong và ngoài nước theo 3 nhóm hướng tiếp cận chính:

Các hướng nghiên cứu trước

  1. Các mô hình cơ sở dữ liệu hướng đối tượng mờ:

    • M. Umano và cộng sự (1998): Đề xuất mô hình CSDL hướng đối tượng mờ gán giá trị thuộc tính mờ kèm hệ số chắc chắn, sử dụng ngôn ngữ thao tác dữ liệu mở rộng từ SQL.
    • Gyseghem và Caluwe (1998): Phát triển mô hình biểu diễn tính mờ và tính không chắc chắn bằng tập mờ và phân bố khả năng; đưa ra cơ chế thừa kế bộ phận, thừa kế có điều kiện và đa thừa kế.
    • G. Bordogna và cộng sự (1999, 2001): Mở rộng mô hình đối tượng dựa trên đồ thị, biểu diễn mức độ mờ bằng các từ ngôn ngữ (như: không, rất lưu loát, lưu loát, trung bình, cao, rất cao, hoàn toàn) và định nghĩa các thao tác duyệt đồ thị.
    • Các mô hình dựa trên quan hệ tương tự và lý thuyết khả năng (Cross 1993, Lee 1994, Chen 1998): Định nghĩa độ thuộc thành viên của đối tượng vào lớp dựa trên mức độ bao hàm miền giá trị thuộc tính.
    • Mô hình dựa trên lý thuyết xác suất (Kornatzky và Shimony 1994; B. Ding và cộng sự 2004): Kết hợp phân bố xác suất vào thuộc tính và phân cấp lớp, định nghĩa đại số cho các bộ ba xác suất mờ.

  2. Tiền xử lý dữ liệu (đối sánh và gom cụm) trên CSDL HĐT mờ:

    • Lập trình mạng di truyền GNP (Genetic Network Programming - 2009): Tách cụm đối tượng dựa trên phân loại mẫu và khám phá luật mờ.
    • L. Ma và cộng sự (2007): Ứng dụng độ đo ngữ nghĩa của dữ liệu mờ để so sánh đối tượng và lớp.
    • M. Mouna và cộng sự, Bashon và cộng sự (2009, 2011): So sánh hai đối tượng mờ qua thuộc tính mờ sử dụng khoảng cách Euclidean.
    • Salihoglu và cộng sự (2010): Phát triển phép đo độ tương tự dựa trên mô hình đối sánh Tversky trên tập mờ.

  3. Xử lý và tối ưu hóa truy vấn:

    • X. Hu và cộng sự (1998): Xây dựng mô hình F-model và đại số kết hợp mờ mở rộng (FA-algebra) để xử lý giá trị mờ.
    • Goswami (2010): Thiết kế đại số đối tượng dựa trên kiểu và tập hợp của lớp, sử dụng giá trị chân lý và định danh đối tượng.
    • Các nghiên cứu tối ưu hóa truy vấn: Dựa vào biểu thức đường dẫn và kỹ thuật viết lại câu truy vấn.

Khoảng trống luận án lựa chọn giải quyết

Mặc dù các nghiên cứu đi trước đã giải quyết được một số khía cạnh riêng lẻ, mô hình CSDL hướng đối tượng mờ vẫn thiếu một kiến trúc xử lý tổng thể. Cụ thể:

  • Các phương pháp đối sánh đối tượng chưa bao quát hết các trường hợp (thuộc tính rõ – rõ, rõ – mờ, mờ – mờ, cùng lớp hoặc khác lớp).
  • Thuật toán gom cụm truyền thống (như EM) dễ rơi vào tối ưu cục bộ và thiếu linh hoạt khi xác định số cụm phù hợp với các vùng mờ.
  • Thiếu hệ thống toán tử đại số đối tượng mờ đầy đủ tương thích với chuẩn ODMG/OQL, chưa có tập luật biến đổi tương đương hình thức làm cơ sở cho giải thuật tối ưu hóa Heuristic.

Cơ sở lý thuyết và phương pháp nghiên cứu

Lý thuyết, khái niệm và khung phân tích

Luận án xây dựng trên nền tảng các cơ sở lý thuyết toán học và khoa học máy tính:

  1. Lý thuyết tập mờ và phân bố khả năng: Khái niệm tập mờ $F$ trên vũ trụ $U$, hàm liên thuộc $\mu_F(u) \in [0, 1]$, phân bố khả năng $\pi_X(u)$.
  2. Khái niệm thông tin không hoàn hảo: Phân loại thành 5 dạng chính theo Gyseghem và Caluwe:
    • Sự không nhất quán (Inconsistency): Dữ liệu xung đột trong cùng một thuộc tính thế giới thực.
    • Tính không chính xác (Imprecision): Giá trị thuộc về một khoảng hoặc tập hợp nhiều phần tử.
    • Sự mơ hồ (Vagueness): Biểu diễn bằng các nhãn ngôn ngữ.
    • Tính không chắc chắn (Uncertainty): Thiếu thông tin để khẳng định giá trị chân lý Boolean.
    • Sự không rõ ràng (Ambiguity): Thiếu hoàn chỉnh về ngữ nghĩa dẫn đến nhiều cách giải thích.
  3. Mô hình Gaussian hỗn hợp (GMM) và Thuật toán EM: Mô hình hóa phân bố xác suất của tập dữ liệu và ước lượng tham số kỳ vọng ($\mu$), hiệp phương sai ($\Sigma$), trọng số ($\pi$).
  4. Mô hình chuẩn ODMG: Mở rộng các khái niệm OID (định danh đối tượng rõ) thành FOID (định danh đối tượng mờ), OQL thành FOQL (Fuzzy Object Query Language).

Phương pháp nghiên cứu thực tế

Luận án kết hợp nghiên cứu lý thuyết hình thức và kiểm chứng thực nghiệm thông qua các phương pháp:

  • Phương pháp hình thức hóa: Xây dựng định nghĩa toán học cho các lớp mờ, quan hệ mờ (tổng quát hóa, kết tập, kết hợp, phụ thuộc), các phép toán đại số đối tượng mờ và các luật biến đổi tương đương.
  • Phương pháp thuật toán:
    • Thiết kế thuật toán gom cụm cải tiến EMC bổ sung bước tính hệ số biến thiên ($C$) nhằm tối ưu hóa toàn cục.
    • Thiết lập các thuật toán trích rút truy vấn: FQSIMSC, FQSIMMC, FQSEM, FQINTERVAL.
    • Thiết kế thuật toán tối ưu hóa cây truy vấn theo quy tắc Heuristic đẩy phép chọn/chiếu mờ xuống thấp.
  • Phương pháp thực nghiệm: Cài đặt thuật toán, chạy thử nghiệm trên các bộ dữ liệu mô phỏng và thực tế (dữ liệu điểm số học tập, dữ liệu phòng khách sạn/nhà ở, dữ liệu thiên văn). Đánh giá hiệu năng dựa trên hàm Log-Likelihood, độ đo khác biệt giữa các nhóm, thời gian thực thi (Execution Time tính bằng mili-giây/giây) và dung lượng bộ nhớ tiêu thụ (Memory Consumption tính bằng KB/MB).
Thành phần nghiên cứu Công cụ / Khái niệm lý thuyết Kỹ thuật / Thuật toán áp dụng
Biểu diễn dữ liệu Lý thuyết tập mờ, Phân bố khả năng Mô hình hóa UML 3 mức độ mờ, Quan hệ meta
Tiền xử lý dữ liệu Độ đo ngữ nghĩa, Khoảng cách Euclidean Độ đo SIM, SEM, Mô hình Tversky
Phân cụm & Khoảng mờ Thống kê hỗn hợp Gaussian (GMM) Thuật toán cải tiến EMC, Phân vùng khoảng mờ
Đại số đối tượng mờ Chuẩn ODMG mở rộng Các toán tử: $\sigma, \Pi, \bowtie, \cup, \cap, \simeq, \div$
Tối ưu hóa truy vấn Cây truy vấn, Đồ thị truy vấn Phép biến đổi tương đương, Giải thuật Heuristic

Nội dung chính theo từng chương

Chương 1: Tổng quan về bài toán xử lý truy vấn trên mô hình cơ sở dữ liệu hướng đối tượng mờ

Chương 1 thiết lập khung khái niệm và kiến trúc nền tảng cho việc mô hình hóa dữ liệu mờ, ánh xạ từ biểu đồ lớp UML mờ sang lược đồ cơ sở dữ liệu hướng đối tượng mờ (FOODB).

1. Mô hình hóa ba cấp độ mờ trong UML

Luận án mở rộng sơ đồ lớp UML $\tilde{D} = (\tilde{C}, \tilde{A}, \tilde{R}, \tilde{O})$ gồm tập các lớp mờ, thuộc tính mờ, mối quan hệ mờ và đối tượng mờ, phân cấp thành 3 mức độ mờ:

  • Mức 1 (Mức mô hình/lớp): Đánh giá mức độ một lớp thuộc về mô hình dữ liệu hoặc mức độ một thuộc tính thuộc về lớp. Khai báo bằng cú pháp WITH mem DEGREE (ví dụ: Lớp Nhân viên WITH 0.6 DEGREE).
  • Mức 2 (Mức đối tượng): Đánh giá mức độ một đối tượng cụ thể thuộc về một lớp, ký hiệu bằng thuộc tính bổ sung $\mu \in [0, 1]$ hoặc $pD$.
  • Mức 3 (Mức giá trị thuộc tính): Giá trị thuộc tính là một tập mờ hoặc phân bố khả năng ${(v_1, \pi(v_1)), \dots, (v_q, \pi(v_q))}$, khai báo bằng từ khóa FUZZY.

2. Các mối quan hệ mờ trong UML

  • Quan hệ tổng quát hóa mờ (Fuzzy Generalization): Xác định quan hệ lớp cha/lớp con $c''$ là lớp con của $c'$ theo ngưỡng $\beta$: $$(\forall o)(\beta \le \mu_{c''}(o) \le \mu_{c'}(o)) \wedge (\beta \le degree_c'' \le degree_c')$$ Xử lý đa kế thừa thông qua các phép hội ($\wedge$) hoặc tuyển ($\vee$).
  • Quan hệ kết tập mờ (Fuzzy Aggregation): Biểu diễn mối quan hệ "toàn thể - bộ phận" (whole-part) mờ bằng ký hiệu hình thoi đứt nét. Mức thành viên của đối tượng toàn thể không vượt quá mức thành viên của phép chiếu lên từng bộ phận cấu thành: $$\mu(o) \le \min(\mu(o \downarrow c_1''), \dots, \mu(o \downarrow c_n''))$$
  • Quan hệ kết hợp mờ (Fuzzy Association): Xác định liên kết giữa hai lớp $c'$ và $c''$. Mức thành viên liên kết đối tượng được xác định bởi $\mu(assc(o', o'')) = \min(\mu_{c'}(o'), \mu_{c''}(o''))$.
  • Quan hệ phụ thuộc mờ (Fuzzy Dependency): Biểu diễn quan hệ nhà cung cấp/khách hàng mờ một chiều bằng đường đứt nét có mũi tên.

3. Cấu trúc lưu trữ siêu dữ liệu và Ánh xạ sang FOODB

Để hỗ trợ lưu trữ thống nhất các kiểu dữ liệu mờ, luận án đề xuất cấu trúc 2 quan hệ meta:

  • ATTRIBUTES(attr-id, attribute-name, defined-in, data-type)
  • PARAMETERS(attribute-id, label, parameters)
attr-id attribute-name defined-in data-type
attr-15 tên sao STAR {string}
attr-16 kiểu dữ liệu của sao STAR {symbolic}
attr-17 tuổi STAR {linguistic label, integer}
attr-18 độ sáng STAR {linguistic label, real}
attr-19 vị trí STAR {linguistic label, real}
attr-20 trọng lượng STAR {interval, real}
attr-77 lĩnh vực nghiên cứu SCIENTIST {scalar}
attr-80 tuổi SCIENTIST {linguistic label, integer}

Bảng cấu trúc quan hệ meta ATTRIBUTES lưu trữ các thuộc tính mờ và rõ.

Chương 2: Các phương pháp xử lý truy vấn mờ dựa vào độ đo tương tự và gom cụm dữ liệu

Chương 2 trình bày các kỹ thuật tiền xử lý dữ liệu và thuật toán truy vấn trực tiếp trên dữ liệu mờ.

1. Xử lý truy vấn dựa trên độ đo tương tự

Luận án phát triển kỹ thuật tính toán độ đo tương tự cho 2 đối tượng mờ $o_1, o_2$ qua các thuộc tính:

  • Sử dụng độ đo ngữ nghĩa cho dữ liệu dạng nhãn ngôn ngữ và phân bố khả năng.
  • Sử dụng độ đo khoảng cách Euclidean kết hợp hàm liên thuộc cho thuộc tính số và khoảng mờ.
  • Xây dựng 3 thuật toán truy vấn tương tự:
    • FQSIMSC: Xử lý truy vấn mờ đơn điều kiện dựa trên độ đo SIM.
    • FQSIMMC: Xử lý truy vấn mờ đa điều kiện kết hợp trọng số thuộc tính.
    • FQSEM: Trích rút các đối tượng có dữ liệu phân bố khả năng dựa trên độ đo ngữ nghĩa SEM.

2. Thuật toán gom cụm cải tiến EMC (Expectation Maximization Coefficient)

Thuật toán EM truyền thống trong mô hình hỗn hợp Gaussian (GMM) thường gặp hiện tượng rơi vào cực trị cục bộ. Luận án đề xuất thuật toán EMC cải tiến bằng việc tích hợp hệ số biến thiên (Coefficient of Variation):

  • Bước E (Kỳ vọng): Tính xác suất hậu nghiệm đối tượng thuộc vào từng thành phần Gaussian.
  • Bước M (Cực đại hóa): Cập nhật lại các tham số $\mu_k, \Sigma_k, \pi_k$.
  • Bước C (Hệ số biến thiên): Đánh giá và điều chỉnh sự phân tán của các nhóm dựa trên hệ số biến thiên, giúp tự động tối ưu hóa số lượng cụm và tăng khả năng đạt tối ưu toàn cục.
  • Đánh giá chất lượng phân cụm thông qua hàm hợp lý Log-Likelihood và phân tích sự khác biệt phương sai giữa các nhóm (Bảng 2.5, Bảng 2.6).

3. Phân khoảng mờ và thuật toán FQINTERVAL

Từ các cụm dữ liệu thu được sau thuật toán EMC, luận án xây dựng phương pháp xác định các khoảng mờ (ví dụ: các khoảng giá trị "thấp", "trung bình", "hơi cao", "cao" cho thuộc tính "Điểm toán" tại Bảng 2.7, Bảng 2.9).

  • Thuật toán FQINTERVAL cho phép người dùng thực thi truy vấn tự nhiên trên các nhãn ngôn ngữ tương ứng với các vùng mờ đã phân chia.
  • Đánh giá thực nghiệm so sánh thuật toán đề xuất với các phương pháp cơ sở cho thấy thuật toán EMC kết hợp FQINTERVAL có thời gian thực thi ổn định và tối ưu bộ nhớ khi kích thước dữ liệu tăng (Bảng 2.12, Bảng 2.13, Hình 2.10, Hình 2.11).

Chương 3: Xử lý và tối ưu hóa truy vấn trong cơ sở dữ liệu hướng đối tượng mờ

Chương 3 tập trung vào lý thuyết đại số đối tượng mờ, ngôn ngữ truy vấn FOQL và thuật toán tối ưu hóa truy vấn mờ Heuristic.

1. Hệ thống các phép toán đại số kết hợp mờ (FA-algebra)

Luận án định nghĩa hình thức tập hợp các phép toán đại số đối tượng mờ:

  • Phép chọn mờ ($\sigma_F$): Lọc các đối tượng thỏa mãn điều kiện mờ kèm theo mức ngưỡng chân lý.
  • Phép chiếu mờ ($\Pi_F$): Trích xuất danh sách thuộc tính trên các tập đối tượng mờ.
  • Phép kết nối mờ ($\bowtie_F$): Nối hai tập đối tượng mờ dựa trên điều kiện tương đương hoặc điều kiện mờ.
  • Các phép toán tập hợp mờ: Phép hợp mờ ($\cup_F$), phép giao mờ ($\cap_F$), phép trừ mờ ($\simeq_F$), phép chia mờ ($\div_F$).

2. Ngôn ngữ truy vấn mờ FOQL và Cấu trúc xử lý

  • Ngôn ngữ FOQL mở rộng chuẩn OQL của ODMG, cho phép định nghĩa các mệnh đề SELECT, FROM, WHERE có chứa nhãn ngôn ngữ mờ, toán tử so sánh mờ và ngưỡng thành viên WITH DEGREE.
  • Quy trình xử lý câu truy vấn FOQL gồm các bước:
    1. Phân tích cú pháp câu truy vấn FOQL.
    2. Ánh xạ câu truy vấn thành cây truy vấn ban đầu (chuẩn FOQL) và đồ thị truy vấn.
    3. Chuyển đổi cây truy vấn sang biểu thức đại số đối tượng mờ.

3. Tối ưu hóa truy vấn mờ bằng giải thuật Heuristic

Luận án đề xuất hệ thống các quy tắc biến đổi tương đương trên cây đại số đối tượng mờ:

  • Quy tắc giao hoán và kết hợp của các phép nối mờ, giao mờ, hợp mờ.
  • Quy tắc đẩy phép chọn mờ ($\sigma_F$) qua phép kết nối mờ ($\bowtie_F$) và phép chiếu mờ ($\Pi_F$) để giảm kích thước trung gian của tập dữ liệu sớm nhất có thể.
  • Quy tắc gom nhóm các phép chọn và phép chiếu mờ liên tiếp.
                                (Đẩy phép chọn/chiếu mờ xuống thấp)

Thuật toán tối ưu Heuristic được thử nghiệm trên các câu truy vấn phức tạp (ví dụ: truy vấn FQ2 minh họa tại Hình 3.5, Hình 3.6, Hình 3.7). Kết quả thực nghiệm tại Hình 3.8 khẳng định cây truy vấn sau tối ưu giảm đáng kể chi phí tính toán và thời gian thực thi so với cây truy vấn chưa tối ưu.

Kết quả và những đóng góp mới

Luận án tự tổng hợp các đóng góp mới về mặt lý luận và thực tiễn bao gồm:

Đóng góp về mặt lý luận

  1. Mô hình hóa hình thức UML mờ và ánh xạ sang FOODB: Đề xuất mô hình biểu đồ lớp UML mờ hoàn chỉnh hỗ trợ 3 cấp độ mờ (mức lớp, mức đối tượng, mức thuộc tính) cùng các mối quan hệ tổng quát hóa, kết tập, kết hợp và phụ thuộc mờ; xác lập quy tắc chuyển đổi chặt chẽ từ UML mờ sang lược đồ CSDL hướng đối tượng mờ (FOODB).
  2. Hệ thống đại số kết hợp mờ: Định nghĩa hình thức và đầy đủ các toán tử đại số đối tượng mờ ($\sigma_F, \Pi_F, \bowtie_F, \cup_F, \cap_F, \simeq_F, \div_F$) tương thích với mô hình đối tượng ODMG.
  3. Cơ chế tối ưu hóa truy vấn mờ: Xây dựng hệ thống các luật biến đổi tương đương đại số mờ và giải thuật Heuristic tối ưu hóa kế hoạch thực thi câu truy vấn.

Đóng góp về mặt thực tiễn

  1. Thuật toán gom cụm cải tiến EMC: Cải tiến thuật toán EM dựa trên mô hình GMM kết hợp hệ số biến thiên, giúp tự động hóa việc phân chia các cụm dữ liệu mờ, khắc phục điểm dừng cực trị cục bộ.
  2. Bộ thuật toán xử lý truy vấn mờ đa dạng: Đưa ra các thuật toán FQSIMSC, FQSIMMC, FQSEM, và FQINTERVAL phục vụ trích lọc dữ liệu trực tiếp, mềm dẻo theo ngôn ngữ tự nhiên.
  3. Kiến trúc và giải pháp lưu trữ quan hệ meta: Xây dựng cấu trúc quan hệ ATTRIBUTES và PARAMETERS cho phép tích hợp và quản lý siêu dữ liệu mờ trên các hệ quản trị CSDL hướng đối tượng hiện hành.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế

Căn cứ theo nội dung và phạm vi nghiên cứu được trình bày trong văn bản:

  • Các đánh giá thực nghiệm chủ yếu tập trung vào dữ liệu đơn lẻ trên hệ thống tập trung, chưa triển khai thử nghiệm toàn diện trên môi trường cơ sở dữ liệu hướng đối tượng mờ phân tán.
  • Các hàm liên thuộc và nhãn ngôn ngữ mờ được cấu hình cố định hoặc dựa trên phân bố Gaussian/khoảng mờ thu được từ EMC, chưa tích hợp sâu cơ chế tự thích nghi theo thời gian thực khi dữ liệu thay đổi liên tục.

Hướng nghiên cứu tiếp

  • Mở rộng ngôn ngữ truy vấn FOQL để hỗ trợ các cấu trúc điều khiển và toán tử phức tạp hơn trong chuẩn ODMG 3.0.
  • Phát triển thêm các luật Heuristic tối ưu hóa cho các biểu thức đường dẫn sâu (nested path expressions) trong các quan hệ kết tập phức hợp.
  • Ứng dụng sâu hơn đại số gia tử (Hedge Algebra) vào việc chuẩn hóa các nhãn ngôn ngữ và đánh giá ngữ nghĩa của dữ liệu mờ.
  • Triển khai giải pháp trên các nền tảng dữ liệu lớn phân tán hỗ trợ ứng dụng Công nghiệp 4.0.

Giá trị tham khảo

Luận án có giá trị tham khảo chuyên môn đối với các nhóm đối tượng:

  • Nghiên cứu sinh và học viên cao học ngành Khoa học máy tính, Hệ thống thông tin: Tham khảo phương pháp luận hình thức hóa mô hình dữ liệu mờ, cách tiếp cận mở rộng chuẩn ODMG và kỹ thuật cải tiến thuật toán thống kê (GMM/EM).
  • Giảng viên giảng dạy các học phần Cơ sở dữ liệu nâng cao, Tính toán mềm (Soft Computing): Sử dụng các nội dung Chương 1 và Chương 3 làm tài liệu tham khảo cho các chuyên đề về cơ sở dữ liệu phi truyền thống, đại số đối tượng và tối ưu hóa truy vấn.
  • Kỹ sư phát triển phần mềm và kiến trúc sư hệ thống: Ứng dụng cấu trúc quan hệ meta (ATTRIBUTES, PARAMETERS), thuật toán gom cụm EMC và thuật toán xử lý truy vấn khoảng mờ (FQINTERVAL) vào các hệ thống hỗ trợ ra quyết định, hệ thống gợi ý hoặc công cụ tư vấn tự động (Chatbot).

Câu hỏi thường gặp

1. Luận án phân biệt bao nhiêu cấp độ mờ trong mô hình biểu đồ lớp UML?

Luận án xác định 3 cấp độ mờ trong biểu đồ lớp UML mờ:

  • Cấp độ 1: Độ mờ ở mức mô hình/lớp (mức độ thuộc của lớp vào mô hình hoặc thuộc tính vào lớp, khai báo bằng WITH mem DEGREE).
  • Cấp độ 2: Độ mờ ở mức đối tượng (mức độ thuộc của đối tượng vào lớp, biểu diễn qua thuộc tính $\mu$ hoặc $pD$).
  • Cấp độ 3: Độ mờ ở mức giá trị thuộc tính (giá trị thuộc tính là tập mờ hoặc phân bố khả năng, khai báo bằng từ khóa FUZZY).

2. Thuật toán EMC khác biệt gì so với thuật toán EM truyền thống?

Thuật toán EMC (Expectation Maximization Coefficient) bổ sung bước tính toán và kiểm soát hệ số biến thiên (bước C) vào quy trình 2 bước E (Kỳ vọng) và M (Cực đại hóa) của thuật toán EM trên mô hình hỗn hợp Gaussian (GMM). Cải tiến này giúp kiểm soát mức độ phân tán của các nhóm, khắc phục nhược điểm rơi vào tối ưu cục bộ và tăng khả năng đạt tối ưu toàn cục.

3. Cấu trúc quan hệ meta nào được đề xuất để lưu trữ siêu dữ liệu mờ?

Luận án đề xuất 2 quan hệ meta chính ở cấp siêu dữ liệu:

  • ATTRIBUTES: Gồm các trường attr-id (khóa chính), attribute-name, defined-in, data-type.
  • PARAMETERS: Gồm các trường attribute-id (tham chiếu sang ATTRIBUTES), label (nhãn ngôn ngữ), parameters (các tham số tạo phân bố khả năng).

4. Thuật toán FQINTERVAL thực hiện truy vấn dựa trên nguyên lý nào?

Thuật toán FQINTERVAL hoạt động dựa trên các khoảng mờ được phân chia tự động từ kết quả của thuật toán gom cụm EMC. Thuật toán cho phép trích lọc các đối tượng thỏa mãn các điều kiện truy vấn dạng nhãn ngôn ngữ tự nhiên (ví dụ: điểm "hơi cao", điểm "trung bình") tương ứng với các vùng giá trị mờ đã xác lập.

5. Nguyên tắc cơ bản của thuật toán Heuristic tối ưu hóa truy vấn mờ trong luận án là gì?

Thuật toán Heuristic áp dụng các luật biến đổi tương đương trên cây truy vấn đại số mờ, trong đó nguyên tắc cốt lõi là đẩy các phép chọn mờ ($\sigma_F$) và phép chiếu mờ ($\Pi_F$) xuống vị trí sâu nhất có thể trên cây thực thi, giúp thu hẹp kích thước tập dữ liệu trung gian trước khi thực hiện các phép kết nối mờ ($\bowtie_F$) hoặc tích Descartes.

Kết luận

Luận án tiến sĩ của tác giả Nguyễn Tấn Thuận đã giải quyết một cách có hệ thống bài toán biểu diễn dữ liệu và xử lý truy vấn trên mô hình cơ sở dữ liệu hướng đối tượng mờ. Tác giả đã hoàn thiện khung lý thuyết từ mô hình hóa UML mờ 3 cấp độ, ánh xạ lược đồ FOODB, đến việc thiết lập đại số kết hợp mờ và ngôn ngữ truy vấn FOQL. Bên cạnh đó, các đóng góp kỹ thuật như thuật toán gom cụm EMC, các thuật toán truy vấn mờ và giải thuật tối ưu hóa Heuristic dựa trên phép biến đổi tương đương đã được kiểm chứng thực nghiệm, thể hiện tính hiệu quả trong việc nâng cao tốc độ xử lý và tối ưu hóa bộ nhớ cho các hệ thống thông tin chứa dữ liệu không hoàn hảo.