Tổng quan luận án

Trích rút tri thức diễn đạt bằng ngôn ngữ tự nhiên từ các cơ sở dữ liệu số là một hướng nghiên cứu có ý nghĩa khoa học và thực tiễn trong lĩnh vực khai phá tri thức từ cơ sở dữ liệu (KDD). Phương pháp tóm tắt dữ liệu bằng ngôn ngữ (Linguistic Summarization of Data) do Yager khởi xướng năm 1982 dựa trên lý thuyết tập mờ cho phép mô tả các tập dữ liệu số dưới dạng các câu ngôn ngữ tự nhiên chứa từ lượng hóa như "Hầu hết công nhân trẻ có mức lương khá thấp". Tuy nhiên, các phương pháp trích rút tóm tắt ngôn ngữ (LSMd) truyền thống bộc lộ một hạn chế phương pháp luận cốt lõi: bài toán nội dung thông tin của câu tóm tắt (Linguistic Summarization-Content Problem - LS-CP). Trong các mô hình mờ hiện hành, các tập mờ được thiết lập dựa trên trực giác chủ quan của người thiết kế, và các hạng từ ngôn ngữ chỉ đóng vai trò là các nhãn (labels) được gán vào tập mờ. Do đó, một câu tóm tắt tồn tại sự phân tách giữa hai nội dung thông tin: nội dung tính toán mang tính chủ quan sinh ra từ tương tác giữa dữ liệu số với các hàm thuộc, và nội dung ngôn ngữ tự nhiên mang tính khách quan mà người dùng tiếp nhận. Bên cạnh đó, việc giới hạn số lượng tập mờ cố định ($7 \pm 2$) hoặc sử dụng phân hoạch mờ đều làm hạn chế khả năng mở rộng miền ngôn ngữ và dung lượng tri thức. Khi mở rộng tập từ vựng, không gian tìm kiếm bùng nổ, đòi hỏi các giải thuật tối ưu hóa tập câu tóm tắt; tuy nhiên, các mô hình giải thuật di truyền hiện có (như Hybrid-GA) vẫn còn sản sinh các câu tóm tắt kém chất lượng (có giá trị đúng đắn $T \le 0$) và thiếu tính đa dạng.

Nhằm giải quyết các khoảng trống này, luận án xác định mục tiêu tổng quát là đề xuất cơ sở phương pháp luận dựa trên lý thuyết Đại số gia tử (ĐSGT) để giải bài toán nội dung thông tin của câu tóm tắt, xây dựng phương pháp trích rút tóm tắt có khả năng tương thích với tính mở rộng của miền ngôn ngữ thuộc tính, đồng thời cải tiến mô hình giải thuật di truyền để tìm kiếm tập câu tóm tắt tối ưu có chất lượng cao và đa dạng tri thức.

Các nhiệm vụ nghiên cứu cụ thể của luận án được xác định gồm 4 nội dung:

  1. Chỉ ra được điều kiện đảm bảo giải nghĩa đúng đắn nội dung thông tin của câu tóm tắt trích rút bởi một LSMd dựa trên việc đảm bảo tính giải nghĩa được của cấu trúc các tập mờ được xây dựng trong mờ hóa miền giá trị của các thuộc tính.
  2. Phát triển phương pháp luận và đề xuất một 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, các tập mờ này cũng mở rộng được tương ứng với tính mở rộng được của miền ngôn ngữ thuộc tính.
  3. Đề xuất phương pháp LSMd đảm bảo giải được bài toán nội dung thông tin câu tóm tắt và tương thích được với tính mở rộng miền ngôn ngữ của các thuộc tính. Tức là, tập tri thức cũng được bổ sung thêm tri thức mới khi tập từ ngôn ngữ được tăng trưởng nhưng vẫn duy trì ngữ nghĩa của các tri thức đã được trích rút trước đó.
  4. Phát triển phương pháp và xây dựng được 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 (FoC) và khung nhận thức ngôn ngữ (LFoC); tính giải nghĩa được của khung nhận thức mờ trong biểu diễn ngữ nghĩa của khung nhận thức ngôn ngữ; bài toán nội dung thông tin của các câu tóm tắt ngôn ngữ; phương pháp trích rút câu tóm tắt bằng ngôn ngữ sử dụng tập mờ; khung nhận thức ngôn ngữ dựa trên lý thuyết Đại số gia tử và bài toán sinh khung nhận thức mờ giải nghĩa được; mô hình giải thuật di truyền trích rút tập câu tóm tắt tối ưu.

Phạm vi nghiên cứu tập trung vào các phương pháp mờ dựa trên lý thuyết Đại số gia tử và lý thuyết tập mờ để trích rút câu tóm tắt từ các cơ sở dữ liệu quan hệ có các thuộc tính lưu trữ dưới dạng số. Mẫu câu tóm tắt được khảo sát là câu chứa từ lượng hóa ngôn ngữ tương đối. Đồng thời, phạm vi tối ưu hóa nghiên cứu các mô hình giải thuật di truyền áp dụng cho bài toán trích rút tập con câu tóm tắt tối ưu từ không gian toàn thể các câu tóm tắt tiềm năng.

Tổng quan tài liệu và vị trí của luận án

Luận án điểm lại các giai đoạn phát triển và các hướng tiếp cận chính trong bài toán trích rút câu tóm tắt bằng ngôn ngữ từ dữ liệu:

  • Khởi xướng và đặt nền móng: R. R. Yager (1982, 1985, 1991) đề xuất bài toán tóm tắt dữ liệu bằng ngôn ngữ, thiết lập dạng câu có từ lượng hóa ngôn ngữ và công thức tính toán giá trị chân lý dựa trên hàm thuộc của Zadeh (1983).
  • Phát triển phương pháp luận và công cụ khai phá: J. Kacprzyk và các cộng sự (1998, 2000, 2001, 2005) phát triển bài toán tóm tắt ngôn ngữ như một công cụ khai phá dữ liệu dựa trên tính toán mềm, xây dựng công cụ Fquery trên hệ quản trị cơ sở dữ liệu Access, phân loại 5 mức độ tổng quát của cấu trúc câu tóm tắt, đồng thời ứng dụng trên dữ liệu nhật ký máy chủ web.
  • Ứng dụng trong y tế và chuỗi thời gian: R. Castillo-Ortega và cộng sự (2003, 2011), N. Moyse và cộng sự (2012, 2015), A. Wilbik và cộng sự (2007, 2011, 2020), R. Almeida và cộng sự (2013), Peláez-Aguilera và cộng sự (2020) áp dụng tóm tắt ngôn ngữ vào dữ liệu cảm biến theo dõi người cao tuổi, theo dõi bệnh nhân phục hồi tim mạch và quản lý lượng đường huyết.
  • Tối ưu hóa tập câu tóm tắt bằng giải thuật di truyền: J. Kacprzyk và cộng sự (2007) áp dụng giải thuật di truyền cho dữ liệu chuỗi thời gian; R. Castillo-Ortega và cộng sự (2011) trích rút tóm tắt dữ liệu bệnh nhân nhập viện; M. Altıntop và cộng sự (2018) trích rút tóm tắt đánh giá chất lượng tài chính và vận hành của hệ thống bệnh viện Thổ Nhĩ Kỳ; C. Donis-Díaz và cộng sự (2014, 2017) đề xuất mô hình giải thuật di truyền lai Hybrid-GA với các phép toán làm sạch (cleaning) và cải tiến (improver) trên cơ sở dữ liệu luyện thép.
  • Cơ sở lý thuyết về Đại số gia tử: Nguyễn Cát Hồ và W. Wechler (1990, 1992), tiếp tục phát triển bởi Nguyễn Cát Hồ và các cộng sự (2006, 2008, 2014), nghiên cứu cấu trúc đại số và mô hình hóa quan hệ thứ tự ngữ nghĩa vốn có của miền từ vựng, xác lập các khái niệm tiên đề về ánh xạ định lượng ngữ nghĩa (SQM), khoảng tính mờ, độ đo mờ và tính giải nghĩa mức từ vựng trong hệ thống luật mờ (FRBS).
  • Khái niệm giải nghĩa được: A. Tarski và cộng sự (1953) với lý thuyết về tính giải nghĩa được giữa hai hệ thống lý thuyết toán học thông qua phép nhúng đẳng cấu; G. Mencar và A. M. Fanelli (2008) với định nghĩa về khung nhận thức (FoC) và các ràng buộc giải nghĩa trong phân hoạch mờ.

Từ tổng quan tài liệu, luận án xác định ba khoảng trống nghiên cứu chính:

  1. Thiếu cơ chế bảo toàn nội dung thông tin khách quan: Các nghiên cứu LSMd mờ truyền thống chỉ xem các từ ngôn ngữ là nhãn gán cho tập mờ. Khái niệm "tính giải nghĩa" trong một số nghiên cứu trước (như [45-47]) mới chỉ xem xét khía cạnh cú pháp bề mặt (độ dài câu, cấu trúc ít thành phần), chưa giải quyết vấn đề tương đồng giữa nội dung ngữ nghĩa tính toán và nội dung ngữ nghĩa tự nhiên của câu tóm tắt.
  2. Thiếu tính mở rộng trong biểu diễn ngôn ngữ thuộc tính: Các thiết kế tập mờ truyền thống cố định số lượng tập mờ ($7 \pm 2$) hoặc chia đều miền giá trị. Khi người dùng cần gia tăng độ chi tiết của từ vựng để mở rộng cơ sở tri thức, các phương pháp hiện tại buộc phải thiết kế lại toàn bộ phân hoạch mờ, làm xáo trộn ngữ nghĩa của các tri thức đã trích rút trước đó.
  3. Hạn chế của giải thuật di truyền trong bài toán tối ưu tập câu tóm tắt: Mô hình Hybrid-GA của Donis-Díaz và cộng sự dù có bổ sung phép toán cleaning và improver nhưng vẫn còn xuất hiện các câu tóm tắt có giá trị đúng đắn $T = 0$ hoặc $T < 0$ trong quần thể tối ưu, đồng thời chưa tối ưu hóa được độ đa dạng của tập tóm tắt.

Cơ sở lý thuyết và phương pháp nghiên cứu

Luận án vận dụng các cơ sở lý thuyết toán học và tính toán mềm sau:

  • Lý thuyết tập mờ và khung nhận thức: Tập mờ $X$ xác định trên miền tham chiếu $U$ bởi hàm thuộc $\mu_X: U \to [0, 1]$. Biến ngôn ngữ được định nghĩa theo Zadeh bởi bộ 5 thành phần $(\mathfrak{X}, T(\mathfrak{X}), U, R, M)$. Khung nhận thức theo Mencar và Fanelli là cấu trúc $\mathcal{F} = \langle U, \mathbb{F}, \le, \mathcal{L}, A \rangle$, trong đó $\mathbb{F} = {X_1, X_2, \dots, X_n}$ là tập các tập mờ có thứ tự, $\mathcal{L}$ là tập nhãn ngôn ngữ, và $\le$ là quan hệ thứ tự bảo toàn tính chất: $$\forall X_i, X_j \in \mathbb{F}: X_i \le X_j \implies \exists t \in U, \forall x \in U: (x \le t \implies \mu_{X_i}(x) \ge \mu_{X_j}(x)) \wedge (x \ge t \implies \mu_{X_i}(x) \le \mu_{X_j}(x))$$ Phân hoạch mờ được gọi là phân hoạch mờ mạnh nếu $\sum_{k=1}^m \mu_{X_k}(x) = 1, \forall x \in U$, và là phân hoạch mờ đều nếu các khoảng cách $h_k = p_{k+1} - p_k$ là hằng số và các hàm thuộc đối xứng có cùng dạng hình học.
  • Cú pháp và độ đo của câu tóm tắt ngôn ngữ: Hai cấu trúc câu tóm tắt có từ lượng hóa phổ biến gồm dạng cơ bản "Q y are S" và dạng mở rộng "Q F y are S", trong đó $Q$ là từ lượng hóa, $S$ là kết luận ngôn ngữ, $F$ là điều kiện lọc mờ. Giá trị đúng đắn (chân lý) $T \in [0, 1]$ của câu tóm tắt được tính theo Zadeh: $$T(Q\ y\ \text{are}\ S) = \mu_Q\left(\frac{1}{n}\sum_{i=1}^n \mu_S(y_i)\right)$$ $$T(Q\ F\ y\ \text{are}\ S) = \mu_Q\left(\frac{\sum_{i=1}^n \mu_F(y_i) \wedge \mu_S(y_i)}{\sum_{i=1}^n \mu_F(y_i)}\right)$$
  • Lý thuyết Đại số gia tử (ĐSGT): Cấu trúc đại số trên miền hạng từ $X = LD_A$ của biến ngôn ngữ $A$ được xác định bởi $\mathcal{A}_A = (X, G, C, H, \le)$, trong đó $G = {c^-, c^+}$ là các phần tử sinh âm và dương, $C = {0, W, 1}$ là tập các hằng ngôn ngữ, $H = H^- \cup H^+$ là tập các gia tử ngôn ngữ đóng vai trò các toán tử một ngôi. Xu hướng ngữ nghĩa được xác định qua hàm dấu $sign(x) \in {-1, +1}$ và bảng dấu giữa các gia tử $sign(h', h)$. Cấu trúc định lượng ngữ nghĩa gồm: ánh xạ định lượng ngữ nghĩa SQM $f: X \to [0, 1]$, khoảng tính mờ $\Im(x)$, độ đo tính mờ của hạng từ $fm(x)$, và độ đo tính mờ của gia tử $\mu(h)$ thỏa mãn điều kiện tiên đề bảo toàn thứ tự ngữ nghĩa.
  • Nguyên lý giải nghĩa Tarski: Lý thuyết nhúng đẳng cấu ngữ nghĩa giữa cấu trúc ngôn ngữ định tính và cấu trúc tập mờ tính toán để bảo toàn nội dung thông tin.

Phương pháp nghiên cứu thực hiện trong luận án bao gồm:

  • Phương pháp tổng hợp, phân tích: Khảo sát lý thuyết tập mờ, bài toán tóm tắt dữ liệu và lý thuyết ĐSGT để phát hiện hạn chế của các mô hình hiện có.
  • Phương pháp so sánh: Phân tích đối chiếu giữa biểu diễn mờ thông thường và biểu diễn dựa trên ĐSGT về tính giải nghĩa; so sánh cấu trúc giải thuật di truyền Greedy-GA đề xuất với mô hình Hybrid-GA.
  • Phương pháp thiết kế và chứng minh: Xây dựng thủ tục sinh tập mờ hình thang đa thể hạt HA-TFS-MG; phát biểu và chứng minh các định lý về bảo toàn ngữ nghĩa và tính mở rộng của khung nhận thức; thiết kế thuật toán trích rút câu tóm tắt $M_{ls}$ và giải thuật di truyền Greedy-GA.
  • Phương pháp thực nghiệm: Kiểm chứng trên dữ liệu số thực tế để đánh giá hiệu năng thuật toán và so sánh các chỉ số độ tốt, độ đa dạng.

Nguồn tư liệu và dữ liệu nghiên cứu:

  • Bộ dữ liệu thực nghiệm chuẩn Bank Marketing lấy từ kho dữ liệu máy học UCI (UCI Machine Learning Repository), gồm các thuộc tính số như độ tuổi (AGE), chỉ số niềm tin người tiêu dùng (CCI), kết quả đăng ký dịch vụ (Y) và nghề nghiệp (JOB: technician, student, retired, housemaid,...).
  • Tập dữ liệu số mô phỏng gồm 10 công việc (CV1 đến CV10) với hai thuộc tính Khoảng cách (KC, miền tham chiếu $[0, 20]$ km) và Lương (miền tham chiếu $[0, 10]$ triệu đồng) phục vụ minh họa tính toán phân hoạch mờ và trích rút câu tóm tắt.

Nội dung chính theo từng chương

Chương 1. Một số kiến thức cơ sở

Chương 1 hệ thống hóa toàn bộ khung lý thuyết nền tảng phục vụ cho các phát triển ở các chương sau. Nội dung mở đầu bằng định nghĩa tập mờ, biến ngôn ngữ, phân hoạch mờ (đơn thể hạt, đa thể hạt, phân hoạch mạnh và đều) và khung nhận thức (FoC) theo Mencar và Fanelli cùng các ràng buộc giải nghĩa được (tính lồi, chuẩn hóa, bao phủ, bảo toàn thứ tự). Tiếp đó, chương trình bày tổng quan về bài toán trích rút tóm tắt bằng ngôn ngữ (LSMd) trong quy trình KDD, phân tích dạng câu tóm tắt chứa từ lượng hóa ngôn ngữ và công thức tính giá trị chân lý $T$.

Chương này trình bày chi tiết phân loại 5 mức độ tổng quát trong trích rút câu tóm tắt từ cơ sở dữ liệu do Kacprzyk và Zadrożny đề xuất:

Loại Thành phần đã cho Thành phần cần tìm Ghi chú
Mức 1 $S$ $Q$ Tóm tắt đơn giản thông qua truy vấn mờ
Mức 2 $S, F$ $Q$ Tóm tắt có điều kiện thông qua truy vấn mờ
Mức 3 $Q, S_{structure}$ $S_{value}$ Tóm tắt đơn giản hướng đến tìm giá trị
Mức 4 $Q, S_{structure}, F$ $S_{value}$ Tóm tắt có điều kiện hướng đến tìm giá trị
Mức 5 Không có (Nothing) $S, F, Q$ Khai phá các luật mờ tổng quát

Bên cạnh đó, chương 1 phân tích các thành phần của giải thuật di truyền khi áp dụng vào bài toán tóm tắt ngôn ngữ (mã hóa cá thể, hàm thích nghi, các toán tử di truyền cơ bản và mở rộng như cleaning, improver trong Hybrid-GA). Phần cuối chương dành cho lý thuyết Đại số gia tử: cấu trúc đại số $\mathcal{A}_A$, quan hệ thứ tự ngữ nghĩa, dấu của gia tử và hạng từ, mô hình mờ $H(x)$, ánh xạ định lượng ngữ nghĩa SQM, khoảng tính mờ $\Im(x)$ và độ đo tính mờ $fm(x), \mu(h)$.

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 câu tóm tắt (LS-CP). Tác giả chỉ ra rằng trong các LSMd mờ truyền thống, sự sai lệch ngữ nghĩa nảy sinh do không có ràng buộc đảm bảo các tập mờ phản ánh đẳng cấu ngữ nghĩa định tính của các từ ngôn ngữ. Dựa trên khái niệm giải nghĩa được của Tarski (chuyển đổi bài toán giữa hai lý thuyết thông qua phép nhúng đẳng cấu), luận án xác định điều kiện cần để một tập các tập mờ phản ánh đúng ngữ nghĩa của miền từ vựng.

Từ khung nhận thức ngôn ngữ LFoC dựa trên ĐSGT, chương 2 phân tích cấu trúc đa ngữ nghĩa dựa trên hai quan hệ vốn có: quan hệ thứ tự ngữ nghĩa ($\le$) và quan hệ chung - riêng ($G$). Tác giả sử dụng mô hình bụi ($B_A$) để mô tả cấu trúc phân cấp và đa ngữ nghĩa của miền hạng từ. Luận án đề xuất thủ tục HA-TFS-MG (Hedge Algebra – Trapezoid Fuzzy Set - Multiple Granularity) nhằm tự động sinh các tập mờ hình thang đa thể hạt từ bộ tham số định lượng của ĐSGT gồm $fm(c^-), fm(c^+)$ và $\mu(h)$. Điểm mấu chốt của thủ tục này là các tập mờ sinh ra tạo thành một ảnh đẳng cấu ngữ nghĩa với miền từ vựng của thuộc tính. Chương 2 phát biểu và chứng minh các định lý toán học khẳng định:

  1. Cấu trúc tập mờ hình thang đa thể hạt HA-TFS-MG bảo toàn trọn vẹn quan hệ thứ tự ngữ nghĩa và quan hệ chung - riêng của miền hạng từ ĐSGT.
  2. Tính mở rộng được của LFoC: khi tăng mức tính riêng $\kappa$ của hạng từ (bổ sung các gia tử mới), các tập mờ cũ vẫn giữ nguyên vị trí và hình dạng cốt lõi, trong khi các tập mờ mới được phân hoạch mịn hơn bên trong khoảng tính mờ tương ứng, đảm bảo tính giải nghĩa tính toán nhất quán.

Chương 3. Phương pháp trích rút câu tóm tắt ngôn ngữ dựa trên Đại số gia tử

Chương 3 đề xuất phương pháp trích rút câu tóm tắt ngôn ngữ $M_{ls}$ dựa trên cấu trúc các tập mờ sinh bởi thủ tục HA-TFS-MG. Phương pháp này vận hành trực tiếp trên ngữ nghĩa định tính của các hạng từ trong câu tóm tắt, khắc phục tình trạng gán nhãn tùy tiện. Nhờ tính mở rộng của LFoC, phương pháp $M_{ls}$ cho phép bổ sung thêm các câu tóm tắt mới với mức độ chi tiết cao hơn khi người dùng mở rộng tập từ vựng, mà không làm thay đổi giá trị hay tính đúng đắn của các câu tóm tắt đã trích rút ở mức tính riêng thấp hơn.

Để chứng minh tính khả thi, luận án thiết kế 3 kịch bản thực nghiệm trên cơ sở dữ liệu Bank Marketing từ kho dữ liệu UCI:

  • Thí nghiệm 1: Kiểm chứng ưu điểm của LFoC khi số lượng từ lớn và tính mở rộng được. Khảo sát 730 bản ghi thỏa mãn điều kiện lọc $o(JOB) = \text{'technician'} \wedge o(Y) = \text{'yes'}$. Kết quả cho thấy phương pháp trích rút được các câu tóm tắt có ý nghĩa rõ ràng với mức tính riêng sâu hơn của thuộc tính AGE và CCI mà mô hình mờ truyền thống không thực hiện được do giới hạn số lượng tập mờ.
  • Thí nghiệm 2: Đánh giá khả năng mở rộng tập tri thức trích rút từ cơ sở dữ liệu khi mức tính riêng của tập từ lượng hóa $Q$ tăng từ mức 3 ($\mathcal{F}{Q, (3)}$) lên mức 4 ($\mathcal{F}{Q, (4)}$). Cơ sở tri thức được bổ sung thêm các tri thức mới chi tiết hơn mà không làm mâu thuẫn hay thay đổi giá trị chân lý của các câu tóm tắt đã xác lập ở mức 3.
  • Thí nghiệm 3: Trích rút phân phối ngôn ngữ cho các nhóm mờ. Xây dựng cây phân cấp biểu diễn phân phối ngôn ngữ độ tuổi của các nhóm khách hàng theo nghề nghiệp ($JOB \in {\text{'retired'}, \text{'student'}, \text{'housemaid'}}$) kết hợp với trạng thái đăng ký dịch vụ ($Y = \text{'no'}$). Kết quả chứng minh khả năng trực quan hóa và cung cấp bức tranh phân bố ngôn ngữ nhiều tầng bậc cho người ra quyết định.

Chương 4. Trích rút tập câu tóm tắt tối ưu sử dụng giải thuật di truyền kết hợp chiến lược tham lam

Chương 4 tập trung giải quyết bài toán tìm kiếm tập con câu tóm tắt tối ưu ở mức độ 5 (mức tổng quát nhất). Tác giả làm rõ mối liên hệ giữa bài toán khai phá luật kết hợp ngôn ngữ và trích rút tóm tắt ngôn ngữ, từ đó mô hình hóa bài toán trích rút tập câu tóm tắt tối ưu dưới dạng bài toán tối ưu tổ hợp đa mục tiêu.

Phân tích mô hình giải thuật di truyền lai Hybrid-GA của Donis-Díaz và cộng sự, luận án chỉ ra các hạn chế: phép toán cleaning loại bỏ câu có $T=0$ nhưng làm giảm độ đa dạng quần thể, phép toán improver tìm kiếm lân cận ngẫu nhiên dễ rơi vào cực trị cục bộ và quần thể kết quả vẫn tồn tại các câu có $T \le 0$. Để khắc phục, luận án đề xuất thủ tục sinh câu tóm tắt Random-Greedy-LS dựa trên chiến lược tham lam: lựa chọn thuộc tính và hạng từ dựa trên việc đánh giá lực lượng của nhóm mờ nhằm đảm bảo câu sinh ra có độ hỗ trợ ($supp$) và giá trị đúng đắn $T$ cao.

Dựa trên thủ tục này, luận án xây dựng mô hình giải thuật di truyền Greedy-GA. Mỗi cá thể trong quần thể được mã hóa là một tập gồm $k$ câu tóm tắt. Hàm thích nghi $Fit$ được xây dựng kết hợp giữa độ tốt của tập câu ($G_d$) và độ đa dạng của tập câu ($D_e$): $$Fit = \alpha \cdot G_d + (1 - \alpha) \cdot D_e$$ Trong đó, độ tốt $G_d$ là trung bình độ tốt của các câu thành phần $G_n$, tích hợp giá trị đúng đắn $T$, độ hỗ trợ của điều kiện lọc $supp(F_q)$, độ dài câu và trọng số ưu tiên của từ lượng hóa $St(Q)$.

Thực nghiệm so sánh giữa mô hình Greedy-GA đề xuất và mô hình Hybrid-GA được tiến hành qua 10 lần chạy trên cùng cơ sở dữ liệu. Kết quả thống kê cho thấy:

  • Quần thể tối ưu của Greedy-GA đạt giá trị hàm thích nghi $Fit$ trung bình qua 100 thế hệ tiến hóa cao hơn rõ rệt so với Hybrid-GA.
  • Tỷ lệ câu tóm tắt vô nghĩa ($T = 0$ hoặc $T < 0$) trong Greedy-GA bị triệt tiêu hoàn toàn (đạt 0%), trong khi Hybrid-GA vẫn còn tồn tại tỷ lệ câu kém chất lượng.
  • Độ đa dạng $D_e$ của tập câu tóm tắt thu được từ Greedy-GA tăng lên, bao phủ được nhiều mẫu hình thuộc tính khác nhau trong cơ sở dữ liệu.

Kết quả và những đóng góp mới

Luận án tự xác định các đóng góp mới về mặt lý luận khoa học và thực tiễn ứng dụng như sau:

  1. Xác lập điều kiện bảo toàn nội dung thông tin dựa trên nguyên lý giải nghĩa Tarski: Chỉ ra điều kiện đảm bảo tính giải nghĩa của biểu diễn tập mờ cho miền hạng từ của thuộc tính; đề xuất thủ tục HA-TFS-MG sinh các tập mờ hình thang đa thể hạt từ các tham số định lượng của ĐSGT. Thủ tục này chứng minh được rằng các tập mờ sinh ra là ảnh đẳng cấu ngữ nghĩa với các từ ngôn ngữ, giúp quá trình tính toán trên tập mờ tương đương với việc tương tác trực tiếp trên ngữ nghĩa định tính của ngôn ngữ tự nhiên.
  2. Đề xuất phương pháp trích rút câu tóm tắt ngôn ngữ $M_{ls}$ có tính mở rộng: Phương pháp cho phép trích rút câu tóm tắt tương tác hiệu quả với ngữ nghĩa định tính, đồng thời tương thích hoàn toàn với việc mở rộng khung nhận thức ngôn ngữ. Cơ sở tri thức có thể mở rộng bằng cách bổ sung các câu tóm tắt có độ chi tiết cao hơn mà vẫn duy trì tính nhất quán và ngữ nghĩa của các tri thức đã khai phá trước đó.
  3. Cải tiến giải thuật di truyền trích rút tập câu tóm tắt tối ưu: Đề xuất hàm Random-Greedy-LS kết hợp chiến lược tham lam dựa trên lực lượng nhóm mờ, và xây dựng mô hình giải thuật di truyền Greedy-GA. Mô hình này nâng cao độ thích nghi và độ đa dạng của tập tóm tắt, khắc phục triệt để tình trạng sản sinh các câu tóm tắt không có chất lượng ($T \le 0$) vốn tồn tại trong các mô hình trước đây như Hybrid-GA.

Về mặt giải pháp và kiến nghị thực tiễn, luận án đề xuất ứng dụng phương pháp $M_{ls}$ và mô hình Greedy-GA vào các hệ thống tự động hóa khai phá dữ liệu, hỗ trợ ra quyết định kinh doanh và sản sinh báo cáo y tế tự động nhằm cung cấp thông tin ngắn gọn, trực quan và chuẩn xác cho người quản lý.

Hạn chế và hướng nghiên cứu tiếp

Căn cứ trên các nội dung văn bản luận án công bố, các hạn chế và hướng nghiên cứu phát triển được xác định như sau:

  • Hạn chế: Phương pháp nghiên cứu chủ yếu tập trung vào dữ liệu dạng bảng quan hệ có thuộc tính số; cấu trúc câu tóm tắt khảo sát tập trung vào các mẫu câu chứa từ lượng hóa tương đối dạng Yager ($Q\ y\ \text{are}\ S$ và $Q\ F\ y\ \text{are}\ S$). Các biểu thức điều kiện lọc và kết luận chủ yếu áp dụng phép giao mờ chuẩn ($\min$) trên các thuộc tính độc lập.
  • Hướng nghiên cứu tiếp theo:
    • Mở rộng phương pháp tiếp cận ĐSGT cho việc trích rút tóm tắt trên các dạng dữ liệu phức tạp hơn như dữ liệu chuỗi thời gian, dữ liệu luồng (data stream) và dữ liệu bán cấu trúc.
    • Nghiên cứu các toán tử logic mờ mở rộng trong việc kết hợp đa thuộc tính ở thành phần lọc $F$ và kết luận $S$.
    • Tối ưu hóa hiệu năng tính toán của mô hình Greedy-GA trên các kho dữ liệu quy mô lớn (Big Data).

Giá trị tham khảo

Luận án là tài liệu tham khảo có giá trị chuyên môn đối với:

  • Nghiên cứu sinh, học viên cao học và giảng viên chuyên ngành Khoa học máy tính, Hệ thống thông tin: Phần tổng quan lý thuyết mờ, khung nhận thức FoC và phương pháp luận Đại số gia tử (Chương 1 và Chương 2) cung cấp nền tảng toán học chặt chẽ về ngữ nghĩa tính toán giải nghĩa được.
  • Các nhà nghiên cứu trong lĩnh vực Khai phá dữ liệu và Trí tuệ nhân tạo: Thủ tục sinh tập mờ hình thang HA-TFS-MG và mô hình giải thuật di truyền Greedy-GA (Chương 2, Chương 4) là tài liệu tham khảo hữu ích cho việc thiết kế các thuật toán tối ưu hóa đa mục tiêu và trích rút tri thức mờ.
  • Chuyên gia phân tích dữ liệu và phát triển hệ thống hỗ trợ ra quyết định: Phương pháp sinh câu tóm tắt ngôn ngữ $M_{ls}$ và cách xây dựng cây phân phối ngôn ngữ nhóm mờ (Chương 3) có thể ứng dụng trực tiếp trong xây dựng báo cáo phân tích tự động cho y tế, ngân hàng và quản lý kinh doanh.

Câu hỏi thường gặp

1. Vấn đề nội dung thông tin của câu tóm tắt (LS-CP) trong luận án được định nghĩa như thế nào?

Bài toán nội dung thông tin của câu tóm tắt (LS-CP) xuất hiện khi có sự sai lệch giữa hai nội dung thông tin trong cùng một câu tóm tắt: (1) nội dung tính toán mang tính chủ quan được gán bởi quá trình tính toán tương tác giữa dữ liệu số và các tập mờ do chuyên gia thiết kế; và (2) nội dung ngôn ngữ tự nhiên khách quan mà người dùng tiếp nhận dựa trên ngữ nghĩa vốn có của từ ngữ. Các phương pháp LSMd mờ truyền thống chưa có cơ chế đảm bảo hai nội dung này tương đồng với nhau.

2. Thủ tục HA-TFS-MG giải quyết bài toán biểu diễn ngữ nghĩa của hạng từ bằng cách nào?

Thủ tục HA-TFS-MG (Hedge Algebra – Trapezoid Fuzzy Set - Multiple Granularity) sử dụng bộ tham số định lượng của cấu trúc Đại số gia tử (gồm độ đo tính mờ của phần tử sinh $fm(c^-), fm(c^+)$ và độ đo tính mờ của các gia tử $\mu(h)$) để tự động sinh ra các tập mờ hình thang đa thể hạt. Cấu trúc tập mờ này tạo thành một ảnh đẳng cấu ngữ nghĩa với miền hạng từ của biến ngôn ngữ, đảm bảo bảo toàn quan hệ thứ tự ngữ nghĩa và quan hệ tính chung - riêng của các từ vựng.

3. Khung nhận thức ngôn ngữ (LFoC) dựa trên Đại số gia tử có ưu thế gì về tính mở rộng so với phân hoạch mờ thông thường?

Trong phân hoạch mờ thông thường, số lượng tập mờ bị giới hạn ($7 \pm 2$) và khi cần bổ sung từ ngữ mới, toàn bộ phân hoạch mờ phải được thiết kế lại, làm thay đổi ngữ nghĩa đã xác lập. Ngược lại, LFoC dựa trên ĐSGT cho phép tăng mức tính riêng $\kappa$ của hạng từ bằng cách đưa thêm gia tử mới. Khi đó, các tập mờ mới được sinh ra như một phân hoạch mịn hơn bên trong khoảng tính mờ của hạng từ gốc mà không làm thay đổi các tập mờ đã tồn tại, giúp mở rộng cơ sở tri thức mà vẫn duy trì tính nhất quán của tri thức cũ.

4. Mô hình Greedy-GA cải tiến những điểm yếu nào của mô hình Hybrid-GA trong việc trích rút tập câu tóm tắt tối ưu?

Mô hình Hybrid-GA trước đây sử dụng phép toán cleaning và improver ngẫu nhiên nhưng vẫn để sót các câu tóm tắt có giá trị đúng đắn $T \le 0$ và làm giảm tính đa dạng của quần thể. Greedy-GA đề xuất hàm Random-Greedy-LS lựa chọn thuộc tính và hạng từ dựa trên đánh giá lực lượng nhóm mờ, giúp định hướng sinh câu tóm tắt có độ hỗ trợ và độ đúng đắn cao, loại bỏ hoàn toàn các câu vô nghĩa ($T \le 0$), đồng thời nâng cao độ thích nghi $Fit$ và độ đa dạng $D_e$ của tập câu tóm tắt tối ưu.

5. Dữ liệu thực nghiệm nào được sử dụng để kiểm chứng phương pháp đề xuất trong luận án?

Luận án sử dụng hai nguồn dữ liệu: (1) Tập dữ liệu số ví dụ gồm 10 công việc (CV1 đến CV10) với các thuộc tính Khoảng cách và Lương để minh họa cơ chế tính toán độ thuộc và giá trị chân lý $T$; (2) Cơ sở dữ liệu chuẩn Bank Marketing từ kho dữ liệu máy học UCI với các thuộc tính số như Tuổi (AGE), Chỉ số niềm tin người tiêu dùng (CCI) và các thuộc tính phân loại như Nghề nghiệp (JOB), Trạng thái kết quả (Y) để thực hiện chuỗi thực nghiệm kiểm chứng phương pháp $M_{ls}$ và mô hình Greedy-GA.

Kết luận

Luận án tiến sĩ của tác giả Phạm Thị Lan đã giải quyết trọn vẹn bài toán nội dung thông tin của câu tóm tắt (LS-CP) trong khai phá dữ liệu bằng ngôn ngữ tự nhiên thông qua việc vận dụng lý thuyết Đại số gia tử và nguyên lý giải nghĩa Tarski. Các đóng góp cốt lõi bao gồm thủ tục HA-TFS-MG sinh tập mờ hình thang đa thể hạt đẳng cấu ngữ nghĩa, phương pháp trích rút $M_{ls}$ có khả năng mở rộng tri thức ngôn ngữ, và mô hình giải thuật di truyền Greedy-GA tối ưu hóa tập câu tóm tắt chất lượng cao. Các kết quả nghiên cứu lý thuyết được chứng minh bằng toán học chặt chẽ và được khẳng định qua các thực nghiệm đối sánh trên cơ sở dữ liệu thực tế. Công trình mang lại giá trị học thuật cao cho chuyên ngành Khoa học máy tính và mở ra khả năng ứng dụng hiệu quả trong các hệ thống khai phá tri thức tự động.