Tổng quan về luận án

Trong kỷ nguyên bùng nổ dữ liệu số, việc khai thác và truy hồi thông tin từ các kho ngữ liệu phi cấu trúc đang đối mặt với rào cản lớn về sự nghèo nàn ngữ nghĩa (semantic poverty) của các mô hình tìm kiếm truyền thống. Luận án tiến sĩ Khoa học máy tính của tác giả Huỳnh Thị Thanh Thương (2024) với đề tài "Nghiên cứu phương pháp xây dựng hệ thống quản lý tài liệu văn bản dựa trên ngữ nghĩa", dưới sự hướng dẫn khoa học của PGS. TS. Đỗ Văn Nhơn tại Trường Đại học Công nghệ Thông tin – Đại học Quốc gia TP. Hồ Chí Minh, đã tạo nên một bước tiến quan trọng trong lĩnh vực Truy xuất thông tin (Information Retrieval - IR). Nghiên cứu giải quyết bài toán cốt lõi: vượt qua giới hạn của kỹ thuật đối sánh từ khóa bề mặt (lexical matching) để tiến tới mô hình hóa tri thức có cấu trúc và tính toán tương đồng ngữ nghĩa sâu dựa trên sự tích hợp giữa Ontology miền và Đồ thị Keyphrase (Keyphrase Graph).

Khoảng trống nghiên cứu (research gap) được xác định rõ ràng: các hệ thống truy xuất tài liệu (Document Retrieval Systems - DRS) hiện nay vẫn phụ thuộc nặng nề vào tần suất từ và độ phổ biến tài liệu, thất bại trong việc giải quyết hiện tượng đa nghĩa (polysemy) và đồng nghĩa (synonymy), cũng như bỏ qua hoàn toàn các quan hệ cấu trúc - ngữ nghĩa giữa các thực thể trong văn bản. Mặc dù các ontology tổng quát như DBpedia hay YAGO sở hữu quy mô khổng lồ, mức độ chồng chéo và nhập nhằng khái niệm cao khiến chúng không đáp ứng được yêu cầu biểu diễn chính xác trong các miền tri thức chuyên sâu. Từ đó, luận án xác lập hệ thống câu hỏi và giả thuyết nghiên cứu có cấu trúc chặt chẽ:

  • RQ1: Làm thế nào để hình thức hóa một mô hình ontology miền có độ mịn cao, vừa nắm bắt được hệ thống khái niệm chuẩn hóa, vừa liên kết trực tiếp với các cụm từ khóa (keyphrase) đại diện cho nội dung văn bản?
  • RQ2: Cấu trúc đồ thị nào có khả năng mô hình hóa đồng thời thông tin cấu trúc cú pháp và quan hệ ngữ nghĩa tiềm ẩn của tài liệu văn bản chuyên ngành?
  • RQ3: Kỹ thuật so khớp và đo lường độ tương đồng nào giữa đồ thị biểu diễn câu truy vấn và đồ thị tài liệu mang lại hiệu năng vượt trội so với các mô hình IR kinh điển?
  • H1: Biểu diễn tài liệu dưới dạng Đồ thị Keyphrase gán nhãn dựa trên Ontology miền CK-ONTO sẽ cải thiện đồng thời Độ chính xác (Precision), Độ bao phủ (Recall) và Điểm F (F-score) so với mô hình không gian vector (VSM) và mô hình xác suất (BM25).
  • H2: Việc tích hợp tri thức có cấu trúc từ DBpedia vào đồ thị keyphrase cho phép đo lường độ tương đồng ngữ nghĩa giữa hai tài liệu văn bản thuộc miền tổng quát với độ chính xác cao trên các tập dữ liệu chuẩn.

Khung lý thuyết của nghiên cứu được xây dựng trên sự mở rộng định nghĩa hình thức của Maedche (2002) về ontology, kết hợp lý thuyết đồ thị khái niệm (Conceptual Graphs - Sowa) và nguyên lý lập chỉ mục ngữ nghĩa. Phạm vi nghiên cứu tập trung vào kho văn bản tiếng Anh chuyên ngành với cơ sở tri thức thu thập hơn 16.000 keyphrase trong lĩnh vực Khoa học máy tính, thực nghiệm trên các tập dữ liệu từ 1.000 đến 10.000 tài liệu, 100 câu truy vấn chuẩn và đối sánh trên tập chuẩn quốc tế LP50 (Lee's 50 documents).

Literature Review và Positioning

Lịch sử phát triển của ngành Truy xuất thông tin (IR) được định hình bởi nhiều trường phái lý thuyết. Theo Salton (1968), "Truy xuất thông tin là một nhánh nghiên cứu của Khoa học máy tính liên quan đến việc cấu trúc hoá, phân tích, tổ chức, lưu trữ, tìm kiếm và truy hồi thông tin". Tiếp nối quan điểm này, Anderson cùng các học giả như Bruce R. Schatz (1997), Roberto Basili & Alessandro Moschitti (2005), và Christopher D. Manning (2008) đã hệ thống hóa các mô hình từ không gian vector (Vector Space Model - VSM), mô hình xác suất nâng cao (BM25, BM25*, Divergence From Randomness), mô hình ngôn ngữ (Language Model) đến các kỹ thuật phân tích ma trận và phân tích chủ đề tiềm ẩn như Latent Semantic Indexing (LSI - Deerwester et al.), Probabilistic LSI (PLSA - Hofmann), Non-negative Matrix Factorization (NMF) và Latent Dirichlet Allocation (LDA - Blei et al., 2003).

Tuy nhiên, y văn thế giới ghi nhận hai luồng quan điểm đối lập nhau gay gắt:

  1. Trường phái Thống kê phân bố (Distributional & Statistical IR): Cho rằng ngữ nghĩa có thể được xấp xỉ hoàn toàn thông qua ma trận đồng xuất hiện của từ ngữ, tần suất và không gian nhúng vector mà không cần sự can thiệp của tri thức tường minh (explicit knowledge).
  2. Trường phái Kỹ thuật tri thức và Ngữ nghĩa học (Knowledge Engineering & Semantic Web): Lập luận rằng các mô hình thống kê thuần túy không thể phân biệt được các mối quan hệ logic, bản thể luận và ngữ cảnh đặc thù của miền tri thức, do đó bắt buộc phải sử dụng Ontology và Đồ thị tri thức (Knowledge Graphs) làm cơ sở tham chiếu tường minh.

Vị trí của luận án được xác lập tại điểm giao thoa đột phá: khắc phục nhược điểm của các ontology miền hiện có (như CSO trong Khoa học máy tính, MeSH trong Y khoa, PhySH trong Vật lý hay AGROVOC trong Nông nghiệp) vốn không được thiết kế cho tác vụ trích xuất và truy hồi tài liệu. Đồng thời, nghiên cứu vượt lên trên các công cụ liên kết thực thể quốc tế như TagMe (Ferragina & Scaiella) hay DBpedia Spotlight (Mendes et al.) bằng cách kết hợp thông tin cấu trúc nội tại của tài liệu với ontology miền có độ mịn cao, thay vì phụ thuộc thụ động vào các cơ sở tri thức tổng quát dễ gây nhiễu.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đã mở rộng mô hình ontology chuẩn tắc $O = (C, H^C, R, rel, A^O)$ của Alexander Maedche (2002) để hình thức hóa mô hình bản thể luận mới mang tên CK-ONTO (Classed Keyphrase based Ontology). Mô hình này thiết lập cầu nối lý thuyết giữa các khái niệm trừu tượng và các đơn vị từ vựng cụ thể trong văn bản:

$$\text{CK-ONTO} = (K, C, R, Rules)$$

Trong đó:

  • $K$ là không gian các keyphrase được phân loại thành keyphrase đơn ($K_1$), keyphrase tổ hợp ($K_2$), keyphrase bổ nghĩa ($K_3$), đồng thời được phân hoạch ngữ nghĩa thành $K = K_a \cup K_e \cup K_c \cup K_u$ (thuộc tính, thực thể, khái niệm, chưa phân loại).

  • $C$ là tập hợp các lớp khái niệm với cấu trúc bộ 5 thành phần hình thức:

    $$c = (cnames, Statement, Kbs, Attrs, Insts)$$

    với $cnames \subseteq K_c$ (synset), $Statement$ (định nghĩa tự nhiên), $Kbs \subseteq K$ (tập keyphrase nền), $Attrs$ (tập thuộc tính đặc tả), và $Insts$ (tập thực thể/thể hiện).

  • $R = (R_{CC}, R_{KK})$ là hệ thống quan hệ nhị phân kép, bao gồm quan hệ giữa các lớp khái niệm ($R_{CC}$) và quan hệ trực tiếp giữa các keyphrase ($R_{KK}$), bao hàm cả quan hệ phân cấp ($r_{hyp}$ - hyponymy/is-a) và phi phân cấp.

  • $Rules$ là tập hợp các luật suy diễn logic phục vụ trích xuất quan hệ cú pháp - ngữ nghĩa và lan truyền quan hệ thừa kế.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp ba lý thuyết nền tảng: Lý thuyết Bản thể luận hình thức (Formal Ontology), Lý thuyết Đồ thị tri thức (Knowledge Graph Theory), và Mô hình Khớp nối Ngữ nghĩa (Semantic Matching Model). Khung tiếp cận này cho phép giải quyết bài toán tìm kiếm qua cơ chế khớp nối đa tầng:

  1. Tầng Keyphrase: Tính toán độ tương đồng dựa trên khoảng cách ngữ nghĩa trong ontology, độ trùng khớp thuộc tính và cấu trúc synset.
  2. Tầng Quan hệ: Đánh giá mức độ tương thích giữa các liên kết ngữ nghĩa dựa trên ma trận trọng số $R_{KK}$.
  3. Tầng Đồ thị: Thực hiện phép chiếu đồ thị (graph projection) và đẳng cấu đồ thị con mờ (fuzzy subgraph isomorphism) giữa đồ thị câu truy vấn $G_Q$ và đồ thị tài liệu $G_D$.

Ranh giới áp dụng (boundary conditions) của khung lý thuyết được xác định rõ: áp dụng tối ưu cho các tập tài liệu có cấu trúc tương đối xác định (bài báo khoa học, tin tuyển dụng, bài báo điện tử) trong phạm vi ngôn ngữ tiếng Anh chuyên ngành, với độ dài câu truy vấn thực tế từ 1 đến 10 cụm từ.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu tuân thủ chặt chẽ thế giới quan thực chứng (positivism) kết hợp phương pháp luận Khoa học Thiết kế trong Tin học (Design Science Research - DSR). Thiết kế nghiên cứu bao gồm quy trình đa giai đoạn kết hợp giữa kỹ thuật xử lý ngôn ngữ tự nhiên (NLP) dựa trên luật cú pháp và đối sánh cấu trúc đồ thị toán học.

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu được thực hiện qua bốn giai đoạn chuẩn mực:

  1. Thiết lập Ontology miền: Xây dựng cơ sở tri thức CK-ONTO với 16.000 keyphrase, định nghĩa các thuộc tính đơn trị, đa trị (kiểu "instance") và thiết lập cây phân cấp khái niệm $r_{hyp}$.

  2. Trích xuất thông tin tự động và Biểu diễn đồ thị: Áp dụng hệ luật cú pháp (syntax rules) kết hợp ontology để bóc tách keyphrase và quan hệ từ văn bản thô, ánh xạ thành các tệp tin cấu trúc ngữ nghĩa FileSemantics.txt và định dạng chuẩn RDF/RDFS.

  3. Triangulation và Chuẩn hóa dữ liệu: Sử dụng phương pháp kiểm chứng chéo chuyên gia để xây dựng "Gold Standard" với hàm đánh giá liên quan nhị phân:

    $$\mu_D: Q \times D \to {0, 1}$$

    trong đó $\mu(q_i, d_j) = 1$ biểu thị tài liệu $d_j$ thực sự thỏa mãn nhu cầu tin của truy vấn $q_i$.

  4. Đo lường độ tin cậy: Đánh giá hệ thống trên các thước đo tiêu chuẩn IR quốc tế: Độ chính xác (Precision - $P$), Độ bao phủ (Recall - $R$), Điểm số F-measure ($F_1$), và hệ số tương quan Spearman/Pearson trên tập dữ liệu chuẩn.

Data và phân tích

Thực nghiệm được triển khai quy mô trên ba hệ thống ứng dụng cụ thể và một bộ dữ liệu chuẩn hóa quốc tế:

  • Hệ thống Quản lý kho tài nguyên học tập Khoa học máy tính: Đánh giá trên 2 tập ngữ liệu gồm 1.000 tài liệu và 10.000 tài liệu với 100 câu truy vấn chuyên sâu (ví dụ: "python programming language", "game programming").
  • Hệ thống Tìm kiếm tin bài tuyển dụng CNTT: Kiểm thử trên tập dữ liệu tin tuyển dụng thực tế với các truy vấn phức tạp (ví dụ: "Cloud Software Engineer", "Platform Engineer for Containers").
  • Hệ thống Chọn lọc tin báo chí điện tử: Triển khai trên các lĩnh vực Lao động việc làm, Đầu tư công và Đầu tư nước ngoài (FDI).
  • Tập dữ liệu chuẩn Lee's 50 (LP50): 50 tài liệu văn bản tiếng Anh chuẩn với 1.225 cặp so sánh tương đồng ngữ nghĩa, sử dụng tri thức mở rộng từ DBpedia.

Các công cụ và framework được sử dụng bao gồm: Protégé, công cụ quản trị ontology CK-ONTO tự xây dựng, nền tảng lưu trữ ngữ nghĩa RDF/RDFS, các thư viện NLP trích xuất cú pháp và công cụ liên kết thực thể (Entity Linking).

Phát hiện đột phá và implications

Những phát hiện then chốt

  1. Hiệu năng tìm kiếm vượt trội trên kho ngữ liệu quy mô lớn: Kết quả thực nghiệm trên kho 1.000 và 10.000 tài liệu Khoa học máy tính với 100 câu truy vấn mẫu chứng minh mô hình đề xuất đạt hiệu quả tìm kiếm cao hơn rõ rệt so với các hệ thống tìm kiếm từ khóa truyền thống ở cả ba chỉ số Precision, Recall và F-score.
  2. Khả năng nắm bắt ý định tìm kiếm ngắn (1-10 cụm từ): Hệ thống chứng minh khả năng diễn giải chính xác nhu cầu thông tin ngay cả khi người dùng không cung cấp đúng từ khóa xuất hiện trong văn bản, giải quyết triệt để vấn đề "từ đồng nghĩa" thông qua cơ chế synset và keyphrase nền ($Kbs$).
  3. Tính ưu việt của Đồ thị Keyphrase có trọng số: So với biểu diễn dạng vector hay đồ thị từ (word graph) đơn thuần, đồ thị keyphrase kết hợp quan hệ $R_{KK}$ bảo toàn được cấu trúc mệnh đề và ngữ cảnh chuyên ngành của tài liệu.
  4. Khả năng mở rộng sang tri thức tổng quát trên tập LP50: Việc làm giàu đồ thị bằng DBpedia và Wikipedia ở Chương 6 chứng minh mô hình có khả năng đo lường độ tương đồng giữa hai văn bản bất kỳ đạt hệ số tương quan tương đương với đánh giá của chuyên gia con người.

Implications đa chiều

  • Về mặt Lý thuyết: Luận án mở rộng lý thuyết biểu diễn tri thức và kỹ thuật công nghệ tri thức (Knowledge Engineering), cung cấp một mô hình ontology có khả năng ứng dụng trực tiếp vào cấu trúc hóa tài liệu văn bản phi cấu trúc.
  • Về mặt Phương pháp luận: Đề xuất một khung quy trình chuẩn mực từ trích xuất, mô hình hóa đồ thị đến so khớp ngữ nghĩa mờ, có thể tái lập và chuyển giao cho các lĩnh vực khoa học khác.
  • Về mặt Thực tiễn ứng dụng: Đặt nền móng cho lớp hệ thống mới gọi là Hệ quản lý cơ sở tài liệu văn bản theo ngữ nghĩa (Semantic Document Base System - SDBS), thay thế cho các kho lưu trữ điện tử tĩnh truyền thống.
  • Về mặt Chính sách và Quản trị: Cung cấp giải pháp công nghệ phục vụ trực tiếp công cuộc chuyển đổi số trong quản lý hành chính nhà nước, khắc phục tình trạng văn bản trùng lặp, mâu thuẫn trong công báo và hệ thống lưu trữ quốc gia.

Limitations và Future Research

Nhìn nhận một cách khách quan và nghiêm cẩn, luận án chỉ rõ các hạn chế nội tại:

  1. Rào cản xây dựng Ontology thủ công: Việc thiết lập cơ sở tri thức CK-ONTO với 16.000 keyphrase và các quan hệ ngữ nghĩa vẫn đòi hỏi sự tham gia đáng kể của các kỹ sư tri thức và chuyên gia miền, gây tốn kém thời gian và chi phí duy trì.
  2. Giới hạn ngôn ngữ và miền tri thức: Thực nghiệm hiện tại tập trung chủ yếu vào văn bản tiếng Anh chuyên ngành Khoa học máy tính và Tuyển dụng; chưa mở rộng đánh giá toàn diện trên tiếng Việt tự nhiên phức tạp.
  3. Bỏ qua tối ưu hóa hiệu năng tính toán phân tán: Luận án tập trung giải quyết bài toán nâng cao chất lượng tìm kiếm (Precision, Recall) mà chưa giải quyết sâu bài toán thời gian xử lý thời gian thực, kích thước chỉ mục và tính toán phân tán trên dữ liệu cực lớn (Big Data).

Chương trình nghiên cứu tương lai (Future Research Agenda) mở ra 4 hướng chiến lược:

  • Tự động hóa quy trình học ontology (Ontology Learning) từ ngữ liệu thô bằng cách kết hợp các mô hình ngôn ngữ lớn (LLMs).
  • Tích hợp biểu diễn đồ thị biểu tượng (Symbolic Graph) với không gian vector dày đặc (Dense Vector Embeddings) theo cơ chế lai Graph-Neural IR.
  • Mở rộng hệ thống SDBS cho bài toán truy xuất đa ngữ (Cross-lingual IR), đặc biệt là xử lý ngữ nghĩa tiếng Việt.
  • Tối ưu hóa thuật toán so khớp đồ thị để đạt tốc độ xử lý phần nghìn giây trên các hệ thống phân tán.

Tác động và ảnh hưởng

Các kết quả nghiên cứu của luận án đã được công bố trên các tạp chí và kỷ yếu hội nghị quốc tế chuyên ngành uy tín, được lập chỉ mục trong Web of Science, Scopus, EI Compendex, Inspec, DBLP, ACM Digital Library. Công trình mở ra triển vọng ứng dụng to lớn trong:

  • Giáo dục đại học và Đào tạo: Hiện đại hóa hệ thống thư viện số và kho học liệu mở tại các trường đại học thông qua hệ thống quản lý tài nguyên học tập thông minh.
  • Thị trường Lao động & Tuyển dụng: Nâng cao chất lượng kết nối cung - cầu việc làm CNTT thông qua máy tìm kiếm tuyển dụng ngữ nghĩa.
  • Chính phủ điện tử: Cải tiến công tác văn thư, lưu trữ và rà soát tính nhất quán của văn bản quy phạm pháp luật tại các cơ quan hành chính Nhà nước.

Đối tượng hưởng lợi

  • Nghiên cứu sinh & Nhà khoa học máy tính: Tiếp cận mô hình hình thức CK-ONTO và thuật toán so khớp đồ thị keyphrase để phát triển các bài toán con trong NLP và Semantic Web.
  • Chuyên gia Kỹ thuật tri thức (Knowledge Engineers): Sở hữu quy trình chuẩn hóa và công cụ trực quan để xây dựng, quản trị các ontology miền chuyên sâu.
  • Kỹ sư phát triển hệ thống R&D: Ứng dụng kiến trúc hệ thống SDBS vào các sản phẩm thương mại như máy tìm kiếm chuyên ngành, hệ thống gợi ý việc làm và công cụ tổng hợp tin tức tự động.
  • Cơ quan Quản lý Nhà nước: Có được cơ sở khoa học để hoạch định các tiêu chuẩn số hóa tài liệu lưu trữ hướng ngữ nghĩa trong khu vực công.

Câu hỏi chuyên sâu

  1. Đóng góp lý thuyết độc đáo nhất của luận án là gì? Đó là việc đề xuất mô hình bản thể luận CK-ONTO (Classed Keyphrase based Ontology) với cấu trúc bộ 4 $(K, C, R, Rules)$. Khác với ontology thuần túy của Maedche (2002), CK-ONTO tích hợp trực tiếp cấu trúc keyphrase đa phân loại ($K_1, K_2, K_3$) và hệ thống thuộc tính thực thể ($Attrs, Insts$) làm đơn vị nhận thức cơ sở, giải quyết trọn vẹn sự cách biệt giữa khái niệm trừu tượng và từ vựng trong văn bản.

  2. Cải tiến phương pháp luận so với các nghiên cứu quốc tế trước đây thể hiện ở đâu? So với phương pháp biểu diễn đồ thị DBpedia con của công trình quốc tế [110, 71] vốn phụ thuộc hoàn toàn vào công cụ gán nhãn bên ngoài (TagMe, Spotlight) và bỏ qua cấu trúc cú pháp văn bản, luận án kết hợp đồng thời: (1) Luật trích xuất cú pháp nội tại của văn bản, (2) Tri thức ontology miền có độ mịn cao, và (3) Đồ thị keyphrase có trọng số đầy đủ.

  3. Phát hiện thực nghiệm nào bất ngờ nhất trong nghiên cứu? Mô hình Đồ thị Keyphrase duy trì độ chính xác và độ bao phủ vượt trội ngay cả với các câu truy vấn rất ngắn (chỉ 1-3 cụm từ, chiếm đa số thói quen tìm kiếm người dùng) mà không cần người dùng phải học các cú pháp truy vấn phức tạp hay cung cấp từ khóa chính xác tuyệt đối.

  4. Nghiên cứu có cung cấp giao thức tái lập (Replication Protocol) không? Hoàn toàn có. Luận án cung cấp đầy đủ: lược đồ cấu trúc tập tin ngữ nghĩa FileSemantics.txt, cấu trúc xuất định dạng chuẩn RDF/RDFS, danh mục 16.000 keyphrase, bảng trọng số quan hệ $R_{KK}$, và mô tả chi tiết tập dữ liệu thử nghiệm chuẩn hóa.

  5. Chương trình nghị sự nghiên cứu 10 năm tới được định hình như thế nào? Tập trung vào sự hội tụ giữa Bản thể luận biểu tượng (Symbolic Ontologies) và Mô hình Ngôn ngữ Lớn (LLMs / Neuro-Symbolic AI), hướng tới xây dựng hệ thống SDBS tự học (Self-learning Semantic Document Base Systems) hỗ trợ đa ngữ và phân tán toàn cầu.

Kết luận

Luận án của NCS. Huỳnh Thị Thanh Thương đã hoàn thành xuất sắc các mục tiêu nghiên cứu với 5 đóng góp học thuật cốt lõi:

  1. Xác lập mô hình ontology miền CK-ONTO chuẩn hóa cho bài toán truy xuất thông tin ngữ nghĩa.
  2. Xây dựng phương pháp biểu diễn văn bản dựa trên Đồ thị Keyphrase tích hợp quan hệ cú pháp và tri thức bản thể học.
  3. Phát triển thuật toán đo lường độ tương đồng ngữ nghĩa đa tầng giữa câu truy vấn và tài liệu.
  4. Đề xuất kiến trúc tổng thể và giải pháp thiết kế cho lớp hệ thống mới Hệ quản lý cơ sở tài liệu văn bản theo ngữ nghĩa (SDBS) qua 3 ứng dụng thực tiễn.
  5. Chứng minh tính khả thi của mô hình đo lường tương đồng tài liệu tổng quát với tri thức mở rộng DBpedia trên tập chuẩn quốc tế LP50.

Công trình đánh dấu bước chuyển dịch mô thức (paradigm shift) từ xử lý chuỗi ký tự bề mặt sang thấu hiểu ngữ nghĩa sâu bằng công nghệ tri thức, tạo tiền đề vững chắc cho các nghiên cứu tiếp theo trong kỷ nguyên Trí tuệ nhân tạo và Dữ liệu lớn.