Tổng quan luận án
Luận án tiến sĩ chuyên ngành Khoa học máy tính (mã số: 9 48 01 01) của nghiên cứu sinh Phạm Thị Lan, với đề tài "Tóm tắt dữ liệu bằng ngôn ngữ theo cách tiếp cận Đại số gia tử", được thực hiện tại Học viện Khoa học và Công nghệ thuộc Viện Hàn lâm Khoa học và Công nghệ Việt Nam dưới sự hướng dẫn khoa học của PGS.TSKH Nguyễn Cát Hồ và PGS.TS Hồ Cẩm Hà (năm 2022).
Trong khai phá tri thức từ cơ sở dữ liệu (Knowledge Discovery in Database - KDD), trích rút tri thức diễn đạt bằng ngôn ngữ tự nhiên là hướng tiếp cận giúp người dùng dễ dàng tiếp nhận và sử dụng thông tin. Bài toán trích rút tóm tắt dữ liệu bằng ngôn ngữ (Linguistic Summarization of Data) do Ronald R. Yager khởi xướng năm 1982 dựa trên nền tảng lý thuyết tập mờ nhằm tạo ra các câu tóm tắt súc tích chứa các từ lượng hóa ngôn ngữ. Tuy nhiên, luận án chỉ ra ba khoảng trống nghiên cứu chính tồn tại trong các phương pháp trích rút tóm tắt ngôn ngữ (Linguistic Summarization Method - LSMd) truyền thống:
- Vấn đề nội dung thông tin của câu tóm tắt (Linguistic Summarization-Content Problem - LS-CP): Sự sai lệch giữa hai luồng nội dung trong cùng một câu tóm tắt. Một mặt là nội dung thu được từ tính toán hình thức giữa dữ liệu và hàm thuộc của các tập mờ (mang tính chủ quan của người thiết kế hệ mờ). Mặt khác là nội dung ngữ nghĩa tự nhiên vốn có của các từ ngôn ngữ mà người dùng tiếp nhận (mang tính khách quan). Các nghiên cứu trước đây chưa có cơ chế bảo đảm hai nội dung này tương đồng với nhau.
- Hạn chế về tính mở rộng của miền ngôn ngữ: Các nghiên cứu dựa trên tập mờ thường ấn định số lượng tập mờ cố định cho mỗi thuộc tính trong ngưỡng tâm lý học $7 \pm 2$, đồng thời sử dụng các phân hoạch mờ mạnh hoặc phân hoạch đều cố định. Cách thiết lập này làm hạn chế khả năng mở rộng không gian hạng từ để mô tả chi tiết thế giới thực khi nhu cầu phân tích tăng lên.
- Chất lượng của tập câu tóm tắt tối ưu: Khi mở rộng không gian hạng từ, số lượng câu tóm tắt bùng nổ, dẫn đến bài toán tìm kiếm tập con câu tóm tắt tối ưu. Các nghiên cứu áp dụng giải thuật di truyền hiện thời (như mô hình lai Hybrid-GA) vẫn để sót các câu tóm tắt không đạt chất lượng với độ đúng đắn $T = 0$ hoặc $T < 0$, gây lãng phí không gian tìm kiếm và làm giảm độ đa dạng của tập tri thức.
Để giải quyết các khoảng trống này, mục tiêu của luận án được xác định gồm 4 nhiệm vụ cụ thể:
- Chỉ ra điều kiện bảo đảm giải nghĩa đúng đắn nội dung thông tin của câu tóm tắt trích rút bởi một LSMd dựa trên việc bảo đảm tính giải nghĩa được của cấu trúc các tập mờ được xây dựng trong quá trình mờ hóa miền giá trị thuộc tính.
- Phát triển phương pháp luận và đề xuất thủ tục xây dựng các tập mờ biểu diễn đúng đắn ngữ nghĩa vốn có của các hạng từ được gán cho chúng, đồng thời có khả năng mở rộng tương ứng với tính mở rộng của miền ngôn ngữ thuộc tính.
- Đề xuất phương pháp LSMd bảo đảm giải quyết được bài toán nội dung thông tin câu tóm tắt và tương thích với tính mở rộng miền ngôn ngữ thuộc tính (bổ sung tri thức mới khi tập từ ngôn ngữ tăng trưởng nhưng vẫn duy trì tính nhất quán ngữ nghĩa của các tri thức đã trích rút trước đó).
- Phát triển phương pháp và xây dựng mô hình giải thuật di truyền trích rút tập câu tóm tắt tối ưu có cải tiến so với các mô hình giải thuật di truyền đã có.
Đối tượng nghiên cứu của luận án bao gồm: khung nhận thức mờ (Frame of Cognition - FoC) và khung nhận thức ngôn ngữ (Linguistic Frame of Cognition - LFoC); tính giải nghĩa được của FoC trong biểu diễn ngữ nghĩa của LFoC; vấn đề nội dung thông tin của câu tóm tắt dữ liệu; LFoC dựa trên lý thuyết Đại số gia tử (Hedge Algebra - HA); mô hình giải thuật di truyền trích rút tập câu tóm tắt tối ưu.
Phạm vi nghiên cứu tập trung vào các cơ sở dữ liệu quan hệ có các thuộc tính lưu trữ ở dạng số; cấu trúc câu tóm tắt bằng ngôn ngữ tự nhiên có chứa từ lượng hóa; phương pháp tiếp cận kết hợp giữa lý thuyết Đại số gia tử và lý thuyết tập mờ; không gian tìm kiếm tập câu tóm tắt tối ưu bằng giải thuật di truyền.
Tổng quan tài liệu và vị trí của luận án
Luận án tổng thuật có hệ thống các giai đoạn phát triển của bài toán trích rút tóm tắt dữ liệu bằng ngôn ngữ từ năm 1982 đến thời điểm công bố:
- Khởi đầu từ các nghiên cứu nền tảng của R. R. Yager (1982, 1985, 1991) đề xuất dạng câu tóm tắt mờ có từ lượng hóa ngôn ngữ và công thức đánh giá chân lý của mệnh đề mờ.
- Nhóm tác giả Janusz Kacprzyk và Sławomir Zadrożny (từ 1995 đến 2010) phát triển bài toán tóm tắt ngôn ngữ như một công cụ khai phá dữ liệu tương tác trên hệ quản trị cơ sở dữ liệu (công cụ Fquery trên Microsoft Access), phân loại các mức độ tổng quát của cấu trúc câu tóm tắt và mở rộng ứng dụng trên nhật ký truy cập máy chủ web.
- Hướng tiếp cận áp dụng tóm tắt ngôn ngữ trên chuỗi thời gian và dữ liệu y tế được phát triển bởi nhóm R. Castillo-Ortega và cộng sự (2011, 2012), N. Moyse và cộng sự (2012, 2015), Anna Wilbik và cộng sự (2011-2017) với các ứng dụng theo dõi vận động của người cao tuổi qua hệ thống cảm biến gia đình.
- Hướng giải bài toán tối ưu tập câu tóm tắt bằng giải thuật di truyền được nghiên cứu bởi Donis-Díaz và cộng sự (2014, 2016) trên dữ liệu luyện thép (đề xuất mô hình lai Hybrid-GA với toán tử cleaning và improver); Altıntop và cộng sự (2017) ứng dụng trên dữ liệu tài chính bệnh viện tại Thổ Nhĩ Kỳ; Peláez-Aguilera và cộng sự (2018) ứng dụng theo dõi nhịp tim bệnh nhân phục hồi chức năng tim mạch.
- Về tính giải nghĩa của hệ thống mờ: Luận án điểm lại các tiêu chuẩn khung nhận thức FoC của Mencar và Fanelli (2008), các nghiên cứu của Alonso và cộng sự (2009-2018) về độ phức tạp câu tóm tắt, cùng nguyên lý giải nghĩa được (interpretability) giữa hai lý thuyết hình thức của Alfred Tarski, Andrzej Mostowski và Raphael Robinson (1953).
- Về lý thuyết Đại số gia tử: Được đề xuất bởi Nguyễn Cát Hồ và W. Wechler (1990, 1992), tiếp tục hoàn thiện bởi Nguyễn Cát Hồ và các cộng sự (1999, 2006, 2007) nhằm mô hình hóa cấu trúc thứ tự ngữ nghĩa vốn có của miền hạng từ ngôn ngữ.
Khoảng trống được luận án lựa chọn giải quyết là tính giải nghĩa ở mức nội dung ngữ nghĩa (semantic-level interpretability): Thay vì chỉ giới hạn ở mức độ dễ đọc của cú pháp (độ dài câu, số lượng từ) như các nghiên cứu trước, luận án sử dụng lý thuyết Đại số gia tử làm cấu trúc trung gian để thiết lập một phép nhúng đẳng cấu ngữ nghĩa giữa miền hạng từ tự nhiên và các hàm thuộc tập mờ hình thang đa thể hạt. Đồng thời, luận án khắc phục nhược điểm sinh câu tóm tắt có giá trị chân lý bằng không trong các mô hình giải thuật di truyền hiện có.
Cơ sở lý thuyết và phương pháp nghiên cứu
Luận án sử dụng các hệ thống lý thuyết và phương pháp cụ thể sau:
- Lý thuyết tập mờ và khung nhận thức (FoC):
Biến ngôn ngữ được biểu diễn dưới dạng bộ 5 thành phần $(\mathfrak{X}, T(\mathfrak{X}), U, R, M)$. Khung nhận thức mờ theo Mencar và Fanelli (2008) là cấu trúc $\mathcal{F} = \langle U, \mathbb{F}, \le, f, A \rangle$, trong đó $\mathbb{F} = {X_1, \dots, X_n}$ là tập các tập mờ lồi, chuẩn, liên tục trên miền tham chiếu $U$; $\le$ là thứ tự giữa các tập mờ; $f$ là tập nhãn ngôn ngữ tương ứng. Cấu trúc câu tóm tắt tổng quát có dạng:
- Dạng cơ bản: $Q\ y\ \text{are}\ S$
- Dạng mở rộng: $Q\ F\ y\ \text{are}\ S$
Trong đó $Q$ là từ lượng hóa ngôn ngữ, $F$ là điều kiện lọc (qualifier), $S$ là kết luận (summarizer). Giá trị đúng đắn (chân lý) $T$ được tính theo công thức của Lotfi A. Zadeh (1983):
$$T = \mu_Q\left( \frac{\sum_{i=1}^n (\mu_F(y_i) \land \mu_S(y_i))}{\sum_{i=1}^n \mu_F(y_i)} \right)$$
Với phép giao mờ chuẩn $\land$ là phép lấy giá trị nhỏ nhất $\min$.
- Lý thuyết Đại số gia tử (HA) và Đại số gia tử mở rộng (EnHA):
Miền hạng từ $X = LD_A$ của biến ngôn ngữ $A$ được xem xét như một cấu trúc đại số $\mathcal{A}_A = (X, G, C, H, \le)$, trong đó:
- $G = {c^-, c^+}$ là tập phần tử sinh nguyên tử (ví dụ: $c^- = \text{'young'}$, $c^+ = \text{'old'}$).
- $C = {0, W, 1}$ là tập các hằng ngôn ngữ (ngữ nghĩa nhỏ nhất, trung bình, lớn nhất).
- $H = H^- \cup H^+$ là tập các gia tử ngôn ngữ âm và dương (ví dụ: $H^- = {R, L}$ đại diện cho 'rather', 'little'; $H^+ = {M, V, E}$ đại diện cho 'more', 'very', 'extremely').
- Các đại lượng định lượng ngữ nghĩa được xây dựng bằng phương pháp tiên đề: độ đo tính mờ của phần tử sinh $fm(c^-), fm(c^+)$, độ đo tính mờ của gia tử $\mu(h)$, khoảng tính mờ $\Im(x)$, và ánh xạ định lượng ngữ nghĩa (Semantically Quantifying Mapping - SQM) $f: X \to [0, 1]$.
- Phương pháp nghiên cứu:
- Phương pháp phân tích - tổng hợp và so sánh: Đối sánh cấu trúc của lý thuyết tập mờ và lý thuyết Đại số gia tử trong việc biểu diễn miền giá trị ngôn ngữ; so sánh các toán tử di truyền trong bài toán tối ưu tập câu tóm tắt.
- Phương pháp thiết kế và chứng minh toán học: Xây dựng thủ tục sinh tập mờ hình thang đa thể hạt HA-TFS-MG từ bộ tham số định lượng của Đại số gia tử; thiết lập và chứng minh định lý về tính giải nghĩa được (nhúng đẳng cấu ngữ nghĩa) và tính mở rộng được của khung nhận thức ngôn ngữ.
- Phương pháp thực nghiệm: Thực thi các thuật toán và kiểm thử trên tập dữ liệu chuẩn Bank Marketing lấy từ kho dữ liệu UCI Machine Learning Repository; chạy đối sánh thực nghiệm 10 lần giữa mô hình Greedy-GA đề xuất và mô hình Hybrid-GA.
- Nguồn dữ liệu thực nghiệm:
- Bộ dữ liệu mẫu 10 công việc với 2 thuộc tính số Khoảng cách và Lương.
- Bộ dữ liệu Bank Marketing (UCI) gồm các bản ghi khách hàng với các thuộc tính số như Tuổi (AGE), Chỉ số giá tiêu dùng (Consumer Price Index - CPI), Chỉ số niềm tin người tiêu dùng (Consumer Confidence Index - CCI), và các thuộc tính phân loại như Nghề nghiệp (JOB), Kết quả đồng ý mở tiền gửi tiết kiệm định kỳ ($Y \in {\text{'yes'}, \text{'no'}}$).
Nội dung chính theo từng chương
Chương 1: Một số kiến thức cơ sở
Chương này trình bày hệ thống lý thuyết nền tảng phục vụ các đề xuất của luận án. Nội dung bao gồm định nghĩa tập mờ, biến ngôn ngữ, phân hoạch mờ đơn thể hạt và đa thể hạt (Định nghĩa 1.1 đến 1.3), khung nhận thức FoC và các điều kiện ràng buộc giải nghĩa được (Định nghĩa 1.4). Luận án tổng hợp 5 mức độ tổng quát trong bài toán trích rút câu tóm tắt theo phân loại của Kacprzyk và Zadrożny:
| Loại |
Thành phần cho trước |
Thành phần cần tìm |
Ghi chú |
| 1 |
$S$ |
$Q$ |
Tóm tắt đơn giản thông qua truy vấn mờ |
| 2 |
$S, F$ |
$Q$ |
Tóm tắt có điều kiện thông qua truy vấn mờ |
| 3 |
$Q, S_{\text{structure}}$ |
$S_{\text{value}}$ |
Tóm tắt đơn giản hướng đến tìm giá trị |
| 4 |
$Q, S_{\text{structure}}, F$ |
$S_{\text{value}}$ |
Tóm tắt có điều kiện hướng đến tìm giá trị |
| 5 |
Không có gì |
$S, F, Q$ |
Khai phá các luật mờ tổng quát |
Để minh họa quy trình tính toán, luận án đưa ra ví dụ về 10 công việc (Bảng 1.1) khảo sát trên hai thuộc tính Khoảng cách (KC) và Lương:
| Mã CV |
CV1 |
CV2 |
CV3 |
CV4 |
CV5 |
CV6 |
CV7 |
CV8 |
CV9 |
CV10 |
| KC (km) |
9 |
3.7 |
10 |
18 |
15.5 |
4 |
2 |
12 |
1.5 |
7.5 |
| Lương (triệu) |
7 |
6.7 |
8 |
5.5 |
6.5 |
9 |
8.5 |
7.2 |
8.8 |
6 |
Bảng tính độ thuộc của thuộc tính Lương vào 5 tập mờ tương ứng trong miền $\text{Dom}(\text{LƯƠNG}) = {\text{'rất thấp'}, \text{'thấp'}, \text{'trung bình'}, \text{'cao'}, \text{'rất cao'}}$ (Bảng 1.2) cho thấy quá trình mờ hóa và áp dụng công thức (1.6), (1.7) để trích rút các câu tóm tắt có giá trị chân lý cao nhất (ví dụ: "Ít công việc có mức lương trung bình" đạt $T = 1.0$; "Một nửa công việc có mức lương cao" đạt $T = 0.8$).
Trong cấu trúc Đại số gia tử, quan hệ dấu giữa các gia tử trong tập $H^+ = {E, V, M}$ và $H^- = {R, L}$ được chuẩn hóa theo Bảng 1.4:
| $\text{sign}(k, h)$ |
E |
V |
M |
R |
L |
| E |
+ |
+ |
+ |
– |
+ |
| V |
+ |
+ |
+ |
– |
+ |
| M |
+ |
+ |
+ |
– |
+ |
| R |
– |
– |
– |
+ |
– |
| L |
– |
– |
– |
+ |
– |
Cuối chương, tác giả phân tích các mô hình giải thuật di truyền hiện có trong bài toán trích rút tóm tắt, chỉ ra sự khác biệt trong cách mã hóa cá thể và xác định hàm thích nghi.
Chương 2: Vấn đề nội dung thông tin câu tóm tắt và biểu diễn tập mờ của miền ngôn ngữ thuộc tính
Chương 2 tập trung phân tích bản chất của bài toán nội dung thông tin (LS-CP). Tác giả vận dụng khái niệm giải nghĩa được của Tarski (1953): một lý thuyết $S$ giải nghĩa được vào lý thuyết $T$ khi tồn tại một phép nhúng đẳng cấu biến đổi bài toán $P$ trong $S$ thành $P'$ trong $T$, sao cho nghiệm của $P$ là nghịch ảnh của nghiệm $P'$.
Áp dụng vào bài toán tóm tắt dữ liệu, miền hạng từ ngôn ngữ đóng vai trò lý thuyết $S$, còn hệ thống tập mờ tính toán đóng vai trò lý thuyết $T$. Luận án đề xuất mô hình khung nhận thức ngôn ngữ LFoC (Linguistic Frame of Cognition) dựa trên cấu trúc Đại số gia tử. Cấu trúc ngữ nghĩa của LFoC được hình thức hóa qua cấu trúc bụi (bush structure) $B_A$, kết hợp hai mối quan hệ ngữ nghĩa cốt lõi: quan hệ thứ tự $\le$ và quan hệ tính chung - riêng $G$.
Luận án đề xuất thủ tục HA-TFS-MG (Hedge Algebra – Trapezoid Fuzzy Set – Multi Granularity) để sinh tự động các tập mờ hình thang từ bộ tham số định lượng của Đại số gia tử ($fm(c^-), fm(c^+), \mu(h)$). Thủ tục này bảo đảm:
- Các tập mờ hình thang được tạo ra tạo thành phân hoạch mạnh đa thể hạt trên miền tham chiếu chuẩn hóa $[0, 1]$.
- Cấu trúc các tập mờ là ảnh đẳng cấu ngữ nghĩa với các hạng từ ngôn ngữ tương ứng.
- Đảm bảo tính mở rộng được: khi tăng mức tính riêng $k$ (tăng số lượng từ bằng cách áp dụng thêm gia tử), các tập mờ mới ở mức $k+1$ tạo thành một phân hoạch mịn hơn, là sự phân rã có trật tự của tập mờ ở mức $k$ mà không làm thay đổi hay phá vỡ ngữ nghĩa của các tập mờ đã xác lập trước đó.
Các định lý toán học trong chương khẳng định tính giải nghĩa được và tính mở rộng được của cấu trúc ngữ nghĩa tính toán sinh bởi HA-TFS-MG.
Chương 3: Phương pháp trích rút câu tóm tắt ngôn ngữ dựa trên Đại số gia tử
Chương 3 xây dựng phương pháp trích rút câu tóm tắt $M_{ls}$ dựa trên nền tảng Đại số gia tử và kiểm chứng thực nghiệm. Phương pháp $M_{ls}$ sử dụng trực tiếp các tập mờ sinh ra từ thủ tục HA-TFS-MG, cho phép thuật toán tính toán độ đo chân lý $T$ tương tác trực tiếp và đồng nhất với ngữ nghĩa định tính của các từ ngôn ngữ trong câu.
Luận án tiến hành ba thí nghiệm trên cơ sở dữ liệu Bank Marketing (UCI):
- Thí nghiệm 1: Kiểm chứng ưu điểm của LFoC khi có số lượng từ lớn và tính mở rộng được. Bảng 3.1 thể hiện kết quả trích rút trên nhóm 730 bản ghi thỏa điều kiện lọc
o(JOB) IS 'technician' AND o(Y) IS 'yes', trích rút các câu tóm tắt mô tả thuộc tính Tuổi (AGE) và Chỉ số niềm tin người tiêu dùng (CCI) ở các mức tính riêng khác nhau.
- Thí nghiệm 2: Kiểm chứng khả năng mở rộng tập tri thức trích rút từ cơ sở dữ liệu. Khi mở rộng miền hạng từ của thuộc tính Tuổi từ mức tính riêng $k=1$ sang $k=2$ và $k=3$, hệ thống bổ sung thêm các tri thức chi tiết hơn (như mô tả nhóm tuổi 'very young' hoặc 'rather young') mà không làm sai lệch giá trị chân lý của các câu tóm tắt ở mức khái quát ('young') đã trích rút trước đó.
- Thí nghiệm 3: Trích rút phân phối ngôn ngữ cho các nhóm mờ. Bảng 3.2 đến 3.5 thống kê phân phối ngôn ngữ của nhóm khách hàng sinh viên (
JOB IS 'student') kết hợp các nhóm tuổi mờ đối với thuộc tính CCI, phân tách theo kết quả mở sổ tiết kiệm ($Y = \text{'yes'}$ và $Y = \text{'no'}$), tại hai mức tính riêng của tập từ lượng hóa $Q$ là $\mathcal{F}{Q,(3)}$ và $\mathcal{F}{Q,(4)}$. Kết quả giúp biểu diễn phân phối ngôn ngữ dạng cây phân cấp trực quan cho các nhóm khách hàng khác nhau ('retired', 'student', 'housemaid').
Chương 4: Trích rút tập câu tóm tắt tối ưu sử dụng giải thuật di truyền kết hợp chiến lược tham lam
Chương 4 giải quyết bài toán tối ưu hóa khi không gian câu tóm tắt bùng nổ ở mức tổng quát 5. Bảng 4.1 thống kê không gian tìm kiếm: số lượng câu tóm tắt tăng lũy thừa theo số lượng thuộc tính tham gia vào câu.
Tác giả phân tích hạn chế của giải thuật di truyền lai Hybrid-GA (Donis-Díaz và cộng sự): Hybrid-GA sử dụng phép khởi tạo ngẫu nhiên và các toán tử cleaning, improver nhưng vẫn sinh ra nhiều cá thể chứa các câu tóm tắt có $T \le 0$ (do kết hợp ngẫu nhiên các thuộc tính và hạng từ không có đối tượng nào trong cơ sở dữ liệu thỏa mãn), làm giảm chất lượng quần thể và lãng phí thời gian tiến hóa.
Để khắc phục, luận án đề xuất:
- Thủ tục sinh câu tóm tắt
Random-Greedy-LS: Dựa trên chiến lược tham lam kết hợp đánh giá lực lượng của nhóm mờ. Thủ tục quét dữ liệu để xác định các nhóm mờ có độ hỗ trợ $\text{supp}(F_q)$ đủ lớn, sau đó lựa chọn hạng từ kết luận $S$ và từ lượng hóa $Q$ tối ưu tương ứng, bảo đảm câu sinh ra luôn có giá trị chân lý $T > 0$.
- Mô hình giải thuật di truyền Greedy-GA: Tích hợp thủ tục
Random-Greedy-LS vào các bước khởi tạo quần thể và toán tử đột biến. Hàm đánh giá độ thích nghi ($Fit$) kết hợp giữa độ tốt của tập câu ($G_d$) và độ đa dạng của tập câu ($D_e$):
$$Fit = \alpha G_d + (1 - \alpha) D_e$$
Thực nghiệm so sánh giữa Greedy-GA và Hybrid-GA được tiến hành trên cùng tập dữ liệu, cấu hình tham số (kích thước quần thể, số thế hệ tiến hóa qua 100 lần, tỷ lệ lai ghép, tỷ lệ đột biến). Kết quả trung bình sau 10 lần chạy được tổng hợp tại Bảng 4.2:
| Chỉ số đánh giá |
Mô hình Hybrid-GA (Donis-Díaz và cs) |
Mô hình Greedy-GA (Luận án đề xuất) |
| Số câu tóm tắt có $T = 0$ |
Luôn xuất hiện ($> 0$) |
Hoàn toàn bằng 0 |
| Độ tốt trung bình của tập câu ($G_d$) |
Thấp hơn |
Cao hơn rõ rệt |
| Độ thích nghi ($Fit$) của cá thể tốt nhất |
Hội tụ chậm hơn |
Đạt giá trị cao và hội tụ nhanh hơn |
| Độ đa dạng tập câu ($D_e$) |
Bị ảnh hưởng bởi câu trùng lặp/$T=0$ |
Đảm bảo tính phong phú ngữ nghĩa |
Biểu đồ tiến hóa qua 100 thế hệ (Hình 4.2) xác nhận độ thích nghi $Fit$ của Greedy-GA vượt trội so với Hybrid-GA trong toàn bộ quá trình tìm kiếm.
Kết quả và những đóng góp mới
Luận án tự xác định các đóng góp mới về mặt khoa học và thực tiễn:
- Về mặt lý luận:
- Xác lập điều kiện bảo đảm tính giải nghĩa được của các tập mờ biểu diễn miền hạng từ thuộc tính dựa trên nguyên lý nhúng đẳng cấu của Tarski. Điều này giải quyết bài toán nội dung thông tin câu tóm tắt (LS-CP), bảo đảm nội dung tính toán số học trên tập mờ phản ánh đúng đắn nội dung ngữ nghĩa tự nhiên mà người dùng cảm nhận.
- Đề xuất thủ tục HA-TFS-MG sinh tự động các hàm thuộc hình thang đa thể hạt từ các tham số định lượng của Đại số gia tử. Cấu trúc tập mờ này có tính mở rộng được, cho phép làm mịn không gian ngữ nghĩa mà không phá vỡ cấu trúc thứ tự vốn có.
- Về mặt phương pháp và thuật toán:
- Xây dựng phương pháp trích rút câu tóm tắt ngôn ngữ $M_{ls}$ tương tác trực tiếp với ngữ nghĩa định tính của các từ ngôn ngữ, có khả năng mở rộng tập tri thức tóm tắt khi miền hạng từ được bổ sung các từ mới.
- Đề xuất thủ tục sinh câu tóm tắt
Random-Greedy-LS dựa trên chiến lược tham lam và xây dựng mô hình giải thuật di truyền Greedy-GA. Mô hình này loại bỏ triệt để các câu tóm tắt có giá trị chân lý bằng không ($T \le 0$), nâng cao độ tốt và độ đa dạng của tập câu tóm tắt tối ưu thu được từ cơ sở dữ liệu.
- Kiến nghị và giải pháp đề xuất:
- Ứng dụng mô hình LFoC và thủ tục HA-TFS-MG vào việc chuẩn hóa các biến ngôn ngữ trong các hệ thống mờ nhằm loại bỏ tính chủ quan khi thiết lập hàm thuộc bằng phương pháp thủ công.
- Tích hợp phương pháp $M_{ls}$ và giải thuật Greedy-GA vào các hệ thống tự động sản sinh báo cáo văn bản và các hệ hỗ trợ ra quyết định kinh doanh hoặc y tế.
Hạn chế và hướng nghiên cứu tiếp
Căn cứ vào phạm vi trình bày trong văn bản luận án, các hạn chế và định hướng phát triển tiếp theo gồm:
- Hạn chế: Phương pháp đề xuất chủ yếu tập trung xử lý các cơ sở dữ liệu quan hệ có cấu trúc bảng, trong đó các thuộc tính phân tích chính là dữ liệu dạng số kết hợp một số thuộc tính phân loại rời rạc; chưa mở rộng sang các dạng dữ liệu phi cấu trúc phức tạp như đồ thị lớn, văn bản tự do hoặc hình ảnh. Cấu trúc câu tóm tắt khảo sát tập trung vào các mẫu câu chứa từ lượng hóa đơn và các điều kiện lọc liên kết bằng phép giao mờ chuẩn ($\min$).
- Hướng nghiên cứu tiếp:
- Mở rộng phương pháp tiếp cận Đại số gia tử để trích rút tóm tắt ngôn ngữ cho dữ liệu chuỗi thời gian (time series) và luồng dữ liệu thời gian thực (data streams).
- Nghiên cứu các dạng câu tóm tắt ngôn ngữ phức hợp hơn, bao gồm các cấu trúc mệnh đề quan hệ đa tầng và khảo sát các phép toán logic mờ khác (các họ t-norm, t-conorm linh hoạt).
- Tối ưu hóa sâu hơn các tham số tiến hóa trong giải thuật Greedy-GA khi xử lý các kho dữ liệu quy mô rất lớn (Big Data).
Giá trị tham khảo
Nội dung luận án có giá trị tham khảo chuyên môn đối với các nhóm đối tượng:
- Nghiên cứu sinh, học viên cao học, giảng viên ngành Khoa học máy tính và Trí tuệ nhân tạo: Có thể sử dụng Chương 1 và Chương 2 làm tài liệu tham khảo chi tiết về lý thuyết Đại số gia tử, cơ sở toán học của tính giải nghĩa được trong tính toán mềm, và kỹ thuật chuyển đổi từ cấu trúc đại số trừu tượng sang các hàm thuộc mờ tính toán được.
- Các nhà nghiên cứu trong lĩnh vực Khai phá dữ liệu và Hệ hỗ trợ ra quyết định: Có thể tham khảo Chương 3 và Chương 4 để nắm bắt quy trình trích rút tri thức tự động bằng ngôn ngữ tự nhiên, kỹ thuật thiết kế giải thuật di truyền lai kết hợp chiến lược tham lam (Greedy-GA) nhằm giải bài toán bùng nổ không gian mẫu trong khai phá luật kết hợp mờ.
- Kỹ sư phát triển phần mềm phân tích dữ liệu: Có thể ứng dụng trực tiếp thủ tục HA-TFS-MG và thuật toán
Random-Greedy-LS để xây dựng các phân hệ tạo báo cáo tổng quan tự động cho doanh nghiệp (phân tích hành vi khách hàng từ dữ liệu ngân hàng, giám sát chỉ số sức khỏe y tế).
Câu hỏi thường gặp
1. Bài toán nội dung thông tin câu tóm tắt (LS-CP) được luận án định nghĩa như thế nào?
LS-CP là tình trạng không đồng nhất giữa hai nội dung thông tin trong cùng một câu tóm tắt: nội dung tính toán số học thu được từ tương tác giữa dữ liệu với các tập mờ (do con người thiết kế chủ quan) và nội dung ngữ nghĩa tự nhiên mà người dùng hiểu khi đọc câu tóm tắt (dựa trên ngữ nghĩa khách quan của từ). Sự sai lệch này xảy ra khi các tập mờ không phản ánh chính xác cấu trúc ngữ nghĩa vốn có của các từ ngôn ngữ gán cho chúng.
2. Điểm cốt lõi của thủ tục HA-TFS-MG là gì?
HA-TFS-MG là thủ tục toán học sử dụng bộ tham số định lượng ngữ nghĩa của Đại số gia tử ($fm(c^-), fm(c^+), \mu(h)$) để tự động sinh các tập mờ hình thang đa thể hạt. Cấu trúc tập mờ này bảo đảm tính nhúng đẳng cấu ngữ nghĩa với miền hạng từ tự nhiên và tự động mở rộng phân hoạch khi bổ sung các gia tử mới mà không làm thay đổi ngữ nghĩa của các tập mờ mức trước.
3. Khác biệt cơ bản giữa giải thuật Greedy-GA và Hybrid-GA là gì?
Hybrid-GA sử dụng cơ chế sinh cá thể ngẫu nhiên kết hợp tìm kiếm lân cận (improver), dẫn đến việc sinh ra nhiều câu tóm tắt không có bản ghi nào hỗ trợ ($T \le 0$). Greedy-GA thay thế bằng thủ tục Random-Greedy-LS, đánh giá lực lượng nhóm mờ trước khi chọn từ lượng hóa và kết luận, loại bỏ hoàn toàn các câu có $T = 0$, giúp quần thể tiến hóa tập trung vào các câu có chất lượng cao.
4. Dữ liệu Bank Marketing (UCI) được dùng để kiểm chứng nội dung nào trong luận án?
Dữ liệu Bank Marketing được sử dụng trong Chương 3 và Chương 4 để kiểm nghiệm: (1) tính khả thi và khả năng mở rộng không gian từ của phương pháp $M_{ls}$; (2) việc trích rút phân phối ngôn ngữ đa mức cho các nhóm khách hàng theo nghề nghiệp và tuổi; (3) so sánh hiệu năng thực tế giữa hai giải thuật di truyền Greedy-GA và Hybrid-GA.
Kết luận
Luận án "Tóm tắt dữ liệu bằng ngôn ngữ theo cách tiếp cận Đại số gia tử" của tác giả Phạm Thị Lan đã giải quyết bài toán nội dung thông tin (LS-CP) trong trích rút tóm tắt dữ liệu bằng ngôn ngữ tự nhiên thông qua việc vận dụng lý thuyết Đại số gia tử để bảo đảm tính giải nghĩa được theo quan điểm đẳng cấu của Tarski. Công trình đóng góp thủ tục sinh tập mờ hình thang đa thể hạt HA-TFS-MG bảo toàn ngữ nghĩa định tính, phương pháp trích rút $M_{ls}$ có tính mở rộng tri thức, và mô hình giải thuật di truyền Greedy-GA loại bỏ hoàn toàn các câu tóm tắt không chất lượng. Các kết quả thực nghiệm trên cơ sở dữ liệu Bank Marketing từ kho dữ liệu UCI đã xác nhận tính đúng đắn và hiệu quả tính toán của các giải pháp đề xuất.
