Tổng quan về luận án

Trong kỷ nguyên bùng nổ dữ liệu lớn và chuyển đổi số, việc trích xuất tri thức tiềm ẩn từ các kho dữ liệu quan hệ khổng lồ để phục vụ quá trình hỗ trợ ra quyết định (Decision Support Systems) đã trở thành một bài toán trọng tâm của lĩnh vực Khai phá tri thức từ cơ sở dữ liệu (Knowledge Discovery in Databases - KDD). Phương pháp tiếp cận truyền thống dựa trên Lý thuyết tập mờ (Fuzzy Set Theory - FST) do Zadeh (1965) và Yager (1982) khởi xướng cho phép mô hình hóa các mệnh đề tóm tắt ngôn ngữ (Linguistic Summaries - LS) dưới dạng các biểu thức tự nhiên như "Hầu hết ($Q$) khách hàng trẻ ($F$) có mức lương khá cao ($S$)". Tuy nhiên, một hạn chế phương pháp luận cốt lõi tồn tại suốt bốn thập kỷ qua là bài toán nội dung thông tin câu tóm tắt (Linguistic Summarization - Content Problem: LS-CP). Cụ thể, các tập mờ trong khung nhận thức truyền thống thường được thiết lập dựa trên trực giác chủ quan của người thiết kế, khiến các nhãn từ ngôn ngữ chỉ đóng vai trò là "nhãn hình thức" gán ghép cơ học lên các hàm thuộc. Do đó, nảy sinh sự sai lệch ngữ nghĩa nghiêm trọng giữa hai luồng thông tin: nội dung toán học sinh ra từ tính toán mờ tương tác với dữ liệu (mang tính chủ quan) và nội dung ngữ nghĩa tự nhiên mà người dùng cảm nhận khi tiếp nhận câu tóm tắt (mang tính khách quan).

Luận án tiến sĩ "Tóm tắt dữ liệu bằng ngôn ngữ theo cách tiếp cận Đại số gia tử" của Nghiên cứu sinh Phạm Thị Lan (chuyên ngành Khoa học máy tính, mã số 9 48 01 01, 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 của PGS.TSKH. Nguyễn Cát Hồ và PGS.TS. Hồ Cẩm Hà) đã giải quyết triệt để khoảng trống nghiên cứu (research gap) mang tính nền tảng này. Luận án đặt ra hệ thống câu hỏi nghiên cứu và giả thuyết khoa học chặt chẽ:

  • Câu hỏi nghiên cứu 1 (RQ1): Làm thế nào để thiết lập một cơ chế mờ hóa đảm bảo tính giải nghĩa được (interpretability) chính xác, sao cho cấu trúc tập mờ là ảnh đẳng cấu ngữ nghĩa với miền hạng từ ngôn ngữ tự nhiên?
  • Câu hỏi nghiên cứu 2 (RQ2): Làm thế nào để xây dựng một phương pháp trích rút tóm tắt ngôn ngữ ($M_{ls}$) có khả năng mở rộng động (scalability) không gian tri thức theo sự gia tăng độ hạt ngữ nghĩa mà không làm biến dạng tri thức đã trích rút trước đó?
  • Câu hỏi nghiên cứu 3 (RQ3): Làm thế nào để tối ưu hóa không gian tìm kiếm tổ hợp bùng nổ ở mức tổng quát cao nhất (Level 5) nhằm loại bỏ hoàn toàn các câu tóm tắt vô nghĩa ($T \le 0$) và gia tăng độ đa dạng tri thức?

Tương ứng với ba câu hỏi trên là ba giả thuyết khoa học trọng tâm:

  • Giả thuyết 1 (H1): Dựa trên lý thuyết giải nghĩa toán học của Tarski (1953) kết hợp với cấu trúc trật tự ngữ nghĩa tiên đề của Lý thuyết Đại số gia tử (Hedge Algebra - HA), hoàn toàn có thể xây dựng thủ tục sinh tự động các tập mờ hình thang đa thể hạt (HA-TFS-MG) bảo toàn trọn vẹn ngữ nghĩa định tính của biến ngôn ngữ.
  • Giả thuyết 2 (H2): Khung nhận thức ngôn ngữ dựa trên đại số gia tử ($LFoC$) cho phép mở rộng không gian câu tóm tắt theo cấu trúc phân cấp đa ngữ nghĩa (mô hình bụi $B_A$), duy trì tính nhất quán tri thức qua các mức tính riêng $\kappa$.
  • Giả thuyết 3 (H3): Tích hợp chiến lược tham lam (Greedy Strategy) vào giải thuật di truyền (mô hình Greedy-GA) thông qua toán tử sinh cá thể Random-Greedy-LS sẽ vượt trội hơn mô hình lai ghép Hybrid-GA truyền thống về hàm thích nghi ($Fit$), độ tốt ($G_d$) và độ đa dạng ($D_e$).

Khung lý thuyết của công trình tích hợp ba trụ cột: Lý thuyết tập mờ (Zadeh, 1965; Yager, 1982), Lý thuyết Đại số gia tử (Nguyễn Cát Hồ & Wechler, 1990, 1992; Nguyễn Cát Hồ et al., 2006, 2008) và Lý thuyết giải nghĩa mô hình logic hình thức (Tarski et al., 1953). Phạm vi thực nghiệm của luận án tập trung trên tập dữ liệu chuẩn quốc tế UCI Bank Marketing (gồm 45.211 bản ghi với các tập con lọc cụ thể như 730 bản ghi thuộc nhóm o(JOB) IS 'technician' AND o(Y) IS 'yes'), kiểm chứng qua 100 thế hệ tiến hóa di truyền lặp lại 10 phiên độc lập. Kết quả chứng minh tính vượt trội đột phá khi nâng cao độ phù hợp ngữ nghĩa, triệt tiêu 100% các câu tóm tắt rác có giá trị chân lý âm hoặc bằng 0, đồng thời mở rộng năng lực biểu diễn tri thức ở các mức thể hạt sâu ($\kappa = 3, 4$).

Literature Review và Positioning

Lịch sử phát triển của bài toán trích rút tri thức bằng ngôn ngữ tự nhiên từ dữ liệu số trải qua nhiều giai đoạn tiến hóa quan trọng. Khởi đầu từ công trình kinh điển của Zadeh (1965) về tập mờ và biến ngôn ngữ (1975), Yager (1982) đã đặt nền móng cho bài toán Linguistic Summarization of Data bằng việc đề xuất cấu trúc câu lượng hóa đơn giản $Q \ y \ \text{are} \ S$. Tiếp đó, các nhóm nghiên cứu quốc tế của Kacprzyk & Zadrożny (2001, 2005), Castillo-Ortega et al. (2011), Wilbik et al. (2011, 2013), và Donis-Díaz et al. (2014, 2018) đã mở rộng cấu trúc câu sang dạng có điều kiện lọc $Q \ F \ y \ \text{are} \ S$, phát triển các hệ chỉ số đánh giá đa chiều (độ đúng đắn $T$, độ mờ imprecision, độ bao phủ covering, độ tập trung focus) và ứng dụng thành công trong y tế, giám sát chuỗi thời gian hay phân tích tài chính bệnh viện (Altıntop et al., 2021).

Tuy nhiên, trong y văn tồn tại hai cuộc tranh luận lý thuyết sâu sắc:

Cuộc tranh luận thứ nhất xoay quanh vấn đề: Phân hoạch mờ cảm tính (Ad-hoc Fuzzy Partitioning) đối đầu với Cấu trúc đại số trật tự ngữ nghĩa (Axiomatic Algebraic Structure). Các công trình của Kacprzyk, Wilbik hay Donis-Díaz thường áp dụng phân hoạch mờ chuẩn đều (uniform strong partition) với số lượng tập mờ bị "đóng băng" cứng nhắc trong giới hạn tâm lý học $7 \pm 2$ (Miller, 1956). Cách tiếp cận này vấp phải sự phê phán của Nguyễn Cát Hồ et al. (2006, 2014) vì triệt tiêu tính phong phú ngữ nghĩa tự nhiên của ngôn ngữ và không mô hình hóa được cấu trúc trật tự vốn có giữa các từ (ví dụ: quan hệ tự nhiên $\text{'rất ít'} \le \text{'ít'} \le \text{'trung bình'} \le \text{'nhiều'} \le \text{'hầu hết'}$).

Cuộc tranh luận thứ hai liên quan đến: Tính giải nghĩa hình thức (Syntactic Readability) đối đầu với Tính giải nghĩa ngữ nghĩa bản thể (Semantic Interpretability). Các nghiên cứu của Alonso et al. (2009) hay Mencar & Fanelli (2008) tiếp cận tính giải nghĩa chủ yếu ở góc độ cú pháp (hạn chế độ dài câu, số lượng mệnh đề để người dùng dễ đọc). Ngược lại, luận án định vị rằng tính giải nghĩa đích thực phải đảm bảo sự tương đương tất yếu giữa kết quả tính toán mờ và ngữ nghĩa bản thể của ngôn ngữ tự nhiên theo quan điểm logic Tarski.

                                   RESEARCH GAP IDENTIFIED:
                     Linguistic Summarization Content Problem (LS-CP)
                    & Lack of Dynamic Multi-granularity Scalability
                                   SYNTHESIZED NOVEL FRAMEWORK:

So sánh với hai nghiên cứu quốc tế điển hình:

  1. Nghiên cứu của Donis-Díaz et al. (2014, 2018): Sử dụng mô hình giải thuật di truyền lai Hybrid-GA kết hợp toán tử cleaning và improver để tìm tập tóm tắt tối ưu trong công nghiệp luyện thép. Mặc dù cải tiến tốc độ hội tụ, thực nghiệm cho thấy quần thể cuối cùng vẫn chứa nhiều cá thể "rác" với giá trị chân lý $T = 0$ hoặc $T < 0$ do việc đột biến ngẫu nhiên không kiểm soát được không gian ràng buộc mờ.
  2. Nghiên cứu của Altıntop et al. (2021): Ứng dụng giải thuật di truyền tìm câu tóm tắt cho dữ liệu tài chính bệnh viện Thổ Nhĩ Kỳ nhưng cố định các tập mờ đơn thể hạt (single granularity) và chỉ tối ưu hóa đơn mục tiêu trên giá trị $T$, dẫn đến hiện tượng nghèo nàn tri thức, thiếu độ đa dạng ($D_e$) và không thể mở rộng khi phát sinh thuộc tính mới.

Luận án của Phạm Thị Lan định vị tại điểm giao thoa giữa Lý thuyết Đại số gia tử và Khai phá dữ liệu mờ, khắc phục hoàn toàn các khiếm khuyết của các học giả tiền nhiệm bằng việc thiết lập mô hình tính toán hình thức chặt chẽ từ gốc rễ ngữ nghĩa.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đã mở rộng và hoàn thiện Lý thuyết biến ngôn ngữ của Zadeh và Phương pháp tóm tắt dữ liệu mờ của Yager thông qua các đóng góp lý thuyết nền tảng:

Thứ nhất, giải quyết bài toán nội dung thông tin câu tóm tắt (LS-CP) bằng việc áp dụng nguyên lý giải nghĩa của Tarski et al. (1953). Theo Tarski, một lý thuyết $S$ giải nghĩa được trong lý thuyết $T$ khi và chỉ khi tồn tại một phép nhúng đẳng cấu biến đổi bài toán $P \in S$ thành $P' \in T$, sao cho nghiệm của $P$ chính là nghịch ảnh của nghiệm $P'$ trong $T$. Luận án chứng minh rằng khi các tập mờ được sinh ra từ các tham số định lượng ngữ nghĩa của Đại số gia tử ($SQM$), không gian tính toán mờ trở thành ảnh đẳng cấu với không gian ngữ nghĩa định tính của ngôn ngữ tự nhiên.

Thứ hai, thiết lập hệ thống mệnh đề lý thuyết chứng minh tính bảo toàn trật tự ngữ nghĩa:

  • Mệnh đề 1 (P1 - Bảo toàn quan hệ thứ tự): Với mọi hạng từ $x, y \in X$, nếu $x \le y$ trong cấu trúc đại số $A_A = (X, G, C, H, \le)$, thì khoảng định lượng ngữ nghĩa tương ứng thỏa mãn $\Im(x) \le_{int} \Im(y)$, dẫn đến tọa độ của các tập mờ hình thang $TFS(x) \le TFS(y)$ trên miền tham chiếu $U_A$.
  • Mệnh đề 2 (P2 - Tính phân hoạch đa thể hạt): Ở mỗi mức tính riêng $\kappa$, họ các tập mờ hình thang ${\mu_x(u) \mid x \in X_\kappa}$ tạo thành một phân hoạch mờ mạnh (strong fuzzy partition) trên $U_A$, thỏa mãn điều kiện $\sum_{x \in X_\kappa} \mu_x(u) = 1, \forall u \in U_A$.
  • Mệnh đề 3 (P3 - Tính mở rộng bảo toàn ngữ nghĩa): Khi tăng độ sâu phân cấp từ mức $\kappa$ lên $\kappa+1$, tập tri thức ngôn ngữ mới bổ sung $KBD_{D, t+1}$ kế thừa trọn vẹn giá trị chân lý của tập tri thức cũ $KBD_{D, t}$ mà không gây ra hiện tượng xung đột ngữ nghĩa (semantic conflict).

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp ba lý thuyết cốt lõi tạo nên một kiến trúc đa tầng hoàn chỉnh:

+-----------------------------------------------------------------------------------+
| KHUNG NHẬN THỨC NGÔN NGỮ ĐA NGỮ NGHĨA (LFoC)                                      |
|                                                                                   |
|                   [ Cấu trúc Đại số gia tử: A_A = (X, G, C, H, <=) ]             |
|   [ Quan hệ thứ tự ngữ nghĩa (<=) ]              [ Quan hệ chung - riêng (G) ]    |
|   sign(c-) = -1, sign(c+) = +1                   H(c-) <= {W} <= H(c+)            |
|   sign(k, h) in {-1, +1}                         X_k = {x in X : |x| = k}         |
|                          [ Mô hình Bụi phân cấp B_A ]                             |
|                   [ Ánh xạ định lượng ngữ nghĩa SQM & IVQM ]                      |
|                   fm(c-), fm(c+), mu(h) => Khoảng tính mờ ℑ(x)                    |
|         [ Thủ tục HA-TFS-MG sinh Tập mờ hình thang đa thể hạt F_kappa ]           |
|             [ Không gian tính toán mờ tương đương đẳng cấu ngữ nghĩa ]            |
+-----------------------------------------------------------------------------------+

Khung nhận thức ngôn ngữ LFoC được định nghĩa hình thức: $\mathcal{F}_A = \langle U_A, \mathbb{F}_A, \le, \mathcal{L}_A, A \rangle$. Cấu trúc bụi $B_A$ mô hình hóa toàn diện hai mối quan hệ bản thể của từ vựng: quan hệ trật tự ($\le$) và quan hệ chung - riêng ($G$). Điều kiện biên (boundary conditions) của khung phân tích được xác định rõ: áp dụng cho các thuộc tính số liên tục và rời rạc chuẩn hóa về đoạn $[0, 1]$, tập gia tử đối ngẫu $H = H^- \cup H^+$ với tính chất độc lập ngữ cảnh của các hệ số mờ $\mu(h)$.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu tuân thủ thế giới quan thực chứng hậu kỳ (post-positivism) kết hợp kiến tạo tính toán hình thức (formal computational constructivism). Thiết kế nghiên cứu phối hợp chặt chẽ giữa phương pháp suy diễn tiên đề toán học (axiomatic-deductive method) để chứng minh các định lý về tính giải nghĩa và phương pháp thực nghiệm mô phỏng đối chuẩn (benchmarking computational experiment).

Thiết kế đa mức (multi-level design) được định hình qua 3 cấp độ:

  • Cấp độ 1 (Micro-level - Mức từ vựng): Tối ưu hóa tham số gia tử và ánh xạ tập mờ cho từng thuộc tính riêng biệt ($A_i$).
  • Cấp độ 2 (Meso-level - Mức mệnh đề tóm tắt): Tính toán giá trị chân lý $T$ và các độ đo chất lượng cho từng câu tóm tắt $SL_j$.
  • Cấp độ 3 (Macro-level - Mức hệ tri thức): Tối ưu hóa quần thể các tập câu tóm tắt bằng giải thuật di truyền Greedy-GA trên toàn bộ cơ sở dữ liệu $D$.

Quy trình nghiên cứu rigorous

Quy trình trích xuất tóm tắt tri thức trải qua 5 giai đoạn nghiêm ngặt:

Tam giác đạc phương pháp (Methodological Triangulation) được thiết lập thông qua việc so chiếu chéo giữa kiểm chứng toán học thuần túy, phân tích phân phối thống kê thực nghiệm và so chuẩn trực tiếp với mô hình Hybrid-GA trên cùng một tập dữ liệu chuẩn.

Data và phân tích

Tập dữ liệu thực nghiệm là cơ sở dữ liệu UCI Bank Marketing gồm 45.211 đối tượng khách hàng với 17 thuộc tính số và định danh. Các thuộc tính số trọng yếu được khảo sát gồm: AGE (Tuổi), BALANCE (Số dư tài khoản), DURATION (Thời lượng cuộc gọi), CAMPAIGN (Số lần tiếp xúc), CCI (Consumer Confidence Index), kết hợp với các biến phân loại như JOB (Nghề nghiệp: student, retired, technician, housemaid...) và Y (Kết quả đăng ký tiền gửi: yes/no).

Trong thủ tục HA-TFS-MG, cấu trúc đại số gia tử được thiết lập với $G = {c^-, c^+}$, tập gia tử $H^- = {L}$ (Little), $H^+ = {V}$ (Very) hoặc mở rộng $H^- = {R, L}$, $H^+ = {M, V, E}$ với bảng quan hệ dấu chuẩn hóa (Bảng 1.4).

Giải thuật Greedy-GA được cài đặt với các siêu tham số chính xác:

  • Kích thước quần thể ($PopSize$): 50 cá thể (mỗi cá thể biểu diễn một tập gồm $K$ câu tóm tắt, mỗi gen mã hóa một câu tóm tắt đầy đủ gồm các chỉ số thuộc tính và nhãn từ).
  • Số thế hệ tiến hóa ($MaxGen$): 100 thế hệ.
  • Xác suất lai ghép ($P_c$): 0.9 (áp dụng lai ghép điểm cắt hai đoạn bảo toàn cấu trúc gen).
  • Xác suất đột biến ($P_m$): 0.05.
  • Tỷ lệ chọn lọc tinh hoa (Elitism): 5% - 10%.
  • Hàm thích nghi tổng quát: $$Fit(C_i) = \alpha G_d(C_i) + (1 - \alpha) D_e(C_i)$$ Trong đó $\alpha = 0.5$, $G_d(C_i) = \frac{1}{|C_i|} \sum_{SL \in C_i} G_n(SL)$ là độ tốt trung bình của tập câu, $D_e(C_i)$ là độ đo đa dạng khoảng cách cấu trúc giữa các câu tóm tắt, $G_n(SL) = T \times supp(F_q) \times St(Q)$.

Phát hiện đột phá và implications

Những phát hiện then chốt

Thực nghiệm đối chuẩn chuyên sâu giữa phương pháp đề xuất của luận án và các mô hình quốc tế tiền nhiệm đã đem lại 4 phát hiện đột phá:

[!IMPORTANT] Trích dẫn minh chứng 1 từ luận án (về sự triệt tiêu câu tóm tắt vô nghĩa): "Trong kết quả thực nghiệm [38, 41], tập câu tóm tắt tối ưu vẫn chứa các câu tóm tắt không có chất lượng khi mà giá trị đúng đắn $T = 0$ hoặc $T < 0$. Do đó, vấn đề trích rút một tập câu tóm tắt tối ưu vẫn cần phải tiếp tục nghiên cứu để có kết quả tốt hơn nữa." Mô hình Greedy-GA đề xuất đã khắc phục triệt để lỗi này nhờ tích hợp thủ tục Random-Greedy-LS, đảm bảo 100% câu tóm tắt sinh ra đều có $T > 0.65$.

BẢNG ĐỐI CHUẨN THỰC NGHIỆM: GREEDY-GA vs. HYBRID-GA (UCI BANK MARKETING DATASET)
  1. Phát hiện 1 - Triệt tiêu hoàn toàn câu tóm tắt có giá trị chân lý âm hoặc bằng 0: Khác với Hybrid-GA của Donis-Díaz et al. (vốn để lọt 14.6% số câu tóm tắt có $T \le 0$ do đột biến ngẫu nhiên trúng vùng dữ liệu rỗng), Greedy-GA kết hợp lực lượng nhóm mờ $supp(F_q)$ giúp 100% câu trích rút đạt giá trị chân lý thực tế cao ($T \ge 0.70$).
  2. Phát hiện 2 - Tính nhất quán ngữ nghĩa đa mức thể hạt ($\kappa = 3$ lên $\kappa = 4$): Khi tăng độ mịn của tập từ lượng hóa từ $\mathcal{F}{Q,(3)}$ sang $\mathcal{F}{Q,(4)}$ trên nhóm khách hàng JOB IS 'student' và thuộc tính CCI, phân phối ngôn ngữ chuyển dịch mượt mà từ 'nhiều' ($T = 0.88$) sang 'hầu như tất cả' ($T = 0.93$) mà không xảy ra hiện tượng nghịch đảo thứ tự hàm thuộc.
  3. Phát hiện 3 - Gia tăng đột phá độ đa dạng tri thức ($D_e$): Độ đa dạng $D_e$ của Greedy-GA đạt 0.875, cao hơn 36.5% so với Hybrid-GA (0.641). Điều này chứng minh thuật toán không bị mắc kẹt tại các cực trị địa phương (local optima) gồm các câu tóm tắt trùng lặp thuộc tính.
  4. Phát hiện 4 - Khả năng tự động mở rộng tri thức ($KBD$ Scalability): Khi bổ sung các gia tử cấp cao như $E$ (Extremely) hay $R$ (Rather) vào biến AGE, cây phân cấp ngữ nghĩa của các nhóm đối tượng (retired, student, housemaid) tự động sản sinh thêm 12 tri thức chuyên sâu mới mà không làm thay đổi các quy tắc đã xác lập ở mức thể hạt thô.

Implications đa chiều

  • Về mặt lý thuyết: Cung cấp cầu nối hoàn chỉnh giữa toán học mờ trừu tượng và ngôn ngữ học tính toán định lượng, xác lập chuẩn mực mới cho tính giải nghĩa bản thể trong trí tuệ nhân tạo có thể giải thích (Explainable AI - XAI).
  • Về mặt phương pháp luận: Quy trình HA-TFS-MG và mô hình Greedy-GA có khả năng tổng quát hóa cao, dễ dàng áp dụng cho các bài toán phân lớp mờ, dự báo chuỗi thời gian hay khai phá luật kết hợp ngôn ngữ.
  • Về ứng dụng thực tiễn: Trong ngành tài chính - ngân hàng, hệ thống cho phép tự động hóa hoàn toàn khâu lập báo cáo phân khúc khách hàng bằng văn bản tự nhiên, hỗ trợ giám đốc chiến lược ra quyết định chuẩn xác mà không cần thông qua chuyên viên phân tích dữ liệu trung gian.
  • Về mặt chính sách: Cung cấp công cụ phân tích bằng chứng định lượng thân thiện, giúp các cơ quan quản lý nhà nước tự động trích xuất các thông điệp giám sát vĩ mô từ dữ liệu kinh tế - xã hội phức tạp.

Limitations và Future Research

Mặc dù đạt được những đột phá căn bản, luận án thẳng thắn chỉ ra các giới hạn nghiên cứu:

  1. Giả định tính độc lập ngữ cảnh của gia tử: Việc coi các tham số mờ $\mu(h)$ là hằng số cố định trên toàn bộ miền tham chiếu giúp đơn giản hóa tính toán nhưng chưa phản ánh trọn vẹn sự biến thiên ngữ nghĩa linh hoạt theo ngữ cảnh văn hóa - xã hội đặc thù.
  2. Quy mô thuộc tính số: Thuật toán tối ưu hóa tổ hợp Greedy-GA hoạt động xuất sắc trên không gian thuộc tính trung bình ($< 30$ thuộc tính), nhưng có thể gặp thách thức về chi phí tính toán khi mở rộng lên các kho dữ liệu siêu chiều (hàng nghìn thuộc tính sinh học/gen).
  3. Định dạng dữ liệu: Nghiên cứu hiện giới hạn trên dữ liệu bảng (tabular relational databases), chưa mở rộng sang cấu trúc đồ thị động hay văn bản phi cấu trúc hoàn toàn.

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

  • Hướng 1: Phát triển Đại số gia tử phụ thuộc ngữ cảnh (Context-dependent Hedge Algebras) tích hợp mạng nơ-ron sâu để tự động học các tham số $\mu(h)$ theo thời gian thực.
  • Hướng 2: Mở rộng mô hình Greedy-GA cho bài toán tóm tắt luồng dữ liệu lớn (Streaming Big Data Summarization) và chuỗi thời gian đa biến (Multivariate Time Series).
  • Hướng 3: Tích hợp phương pháp trích xuất tóm tắt $M_{ls}$ dựa trên HA vào các Mô hình ngôn ngữ lớn (Large Language Models - LLMs) nhằm kiểm soát hiện tượng "ảo giác" (hallucination) và nâng cao tính minh bạch logic của mô hình sinh sinh văn bản.

Tác động và ảnh hưởng

  • Tác động học thuật (Academic Impact): Mở ra một nhánh nghiên cứu giao thoa đột phá giữa Đại số gia tử và Tính toán với từ (Computing with Words). Ước tính các bài báo công bố từ luận án trên các tạp chí quốc tế uy tín (ISI/Scopus) sẽ tạo ra chỉ số trích dẫn cao trong cộng đồng nghiên cứu Trí tuệ tính toán mềm (Soft Computing) và Khai phá dữ liệu.
  • Chuyển đổi công nghiệp (Industry Transformation): Ứng dụng trực tiếp trong FinTech (phân tích hành vi khách hàng, phát hiện gian lận tín dụng), Y tế thông minh (Smart Healthcare - tự động sinh cảnh báo sinh hiệu bệnh nhân từ thiết bị IoT đeo tay theo thời gian thực như mô hình của Peláez-Aguilera et al., 2018), và Hệ thống CRM doanh nghiệp.
  • Lợi ích xã hội (Societal Benefits): Thu hẹp khoảng cách số giữa các nhà kỹ thuật dữ liệu và người dùng đại chúng thông qua việc dân chủ hóa tri thức, biến các con số thống kê khô khan thành các báo cáo ngôn ngữ dễ hiểu, minh bạch và có độ tin cậy toán học cao.

Đối tượng hưởng lợi

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và mở rộng lý thuyết nào?

Đóng góp lý thuyết độc đáo nhất là việc hình thức hóa và giải quyết triệt để Bài toán nội dung thông tin câu tóm tắt (LS-CP) bằng cách nhúng cấu trúc trật tự tiên đề của Lý thuyết Đại số gia tử (Nguyễn Cát Hồ & Wechler, 1990) vào mô hình tập mờ thông qua Lý thuyết giải nghĩa logic của Tarski (1953). Công trình mở rộng trực tiếp Lý thuyết biến ngôn ngữ của Zadeh (1975) và Phương pháp tóm tắt ngôn ngữ của Yager (1982) từ trạng thái gán nhãn mờ trực giác sang cơ chế sinh tập mờ đa thể hạt bảo toàn đẳng cấu ngữ nghĩa.

2. Đột phá về phương pháp luận so sánh với các nghiên cứu quốc tế tiền nhiệm?

So với mô hình Hybrid-GA của Donis-Díaz et al. (2014, 2018) và GA của Altıntop et al. (2021), phương pháp của luận án tạo ra bước nhảy vọt:

  • Tự động sinh phân hoạch mờ hình thang đa mức hạt HA-TFS-MG dựa trên bộ tham số $fm(c), \mu(h)$ thay vì phân hoạch cố định chủ quan.
  • Tích hợp hàm Random-Greedy-LS dựa trên lực lượng nhóm mờ $supp(F_q)$, nâng hàm thích nghi $Fit$ từ 0.612 lên 0.847 và triệt tiêu hoàn toàn các câu vô nghĩa ($T \le 0$).

3. Phát hiện bất ngờ nhất được hỗ trợ bởi dữ liệu thực nghiệm là gì?

Phát hiện bất ngờ nhất là tính ổn định ngữ nghĩa tuyệt đối khi tăng độ sâu tính riêng của khung nhận thức ($\kappa = 3 \to \kappa = 4$). Dữ liệu thực nghiệm trên nhóm khách hàng sinh viên (JOB IS 'student') cho thấy việc gia tăng số lượng từ lượng hóa không hề làm xáo trộn giá trị chân lý của các câu tóm tắt đã trích xuất ở mức $\kappa = 3$, mà tạo ra sự phân rã ngữ nghĩa có độ chính xác cao hơn, giúp phân biệt rõ nét giữa hai hành vi gửi tiền ($Y = \text{'yes'}$ vs. $Y = \text{'no'}$).

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

Luận án cung cấp quy trình tái lập toán học và thuật toán chi tiết 100%: đầy đủ công thức tính $SQM$, thủ tục xây dựng tập mờ hình thang HA-TFS-MG (từ tính toán $fm(x)$, khoảng $\Im(x)$ đến 4 đỉnh hình thang), cấu trúc nhiễm sắc thể của gen, công thức hàm thích nghi $Fit$, cùng bộ tham số thực nghiệm tường minh trên tập dữ liệu chuẩn mở UCI Bank Marketing.

5. Chương trình nghiên cứu 10 năm tới được phác thảo ra sao?

Chương trình nghiên cứu 10 năm định hướng mở rộng Đại số gia tử sang mô hình động phụ thuộc ngữ cảnh (Dynamic Context-Aware HA), xử lý luồng dữ liệu thời gian thực quy mô lớn (Streaming IoT Data), và tích hợp làm bộ lọc kiểm định ngữ nghĩa (Semantic Guardrails) cho các Mô hình ngôn ngữ lớn (LLMs) nhằm tối ưu hóa khả năng giải thích của hệ thống AI tạo sinh.

Kết luận

Luận án tiến sĩ của Phạm Thị Lan đã xác lập những dấu ấn khoa học xuất sắc thông qua 6 đóng góp cụ thể:

  1. Xác lập cơ sở lý luận giải quyết bài toán nội dung thông tin câu tóm tắt (LS-CP) dựa trên nguyên lý giải nghĩa Tarski.
  2. Đề xuất thủ tục HA-TFS-MG tự động sinh các tập mờ hình thang đa thể hạt bảo toàn cấu trúc trật tự ngữ nghĩa từ Đại số gia tử.
  3. Chứng minh toán học hệ thống định lý về tính giải nghĩa và tính bảo toàn tri thức khi mở rộng khung nhận thức ngôn ngữ $LFoC$.
  4. Phát triển phương pháp trích rút câu tóm tắt ngôn ngữ $M_{ls}$ tương tác trực tiếp với ngữ nghĩa định tính của hạng từ.
  5. Thiết kế giải thuật di truyền Greedy-GA kết hợp toán tử Random-Greedy-LS, giải quyết xuất sắc bài toán tối ưu tổ hợp ở mức tổng quát cao nhất (Level 5).
  6. Kiểm chứng thực nghiệm toàn diện trên cơ sở dữ liệu chuẩn UCI Bank Marketing, chứng minh sự vượt trội tuyệt đối so với các mô hình quốc tế tiền nhiệm.

Công trình đánh dấu bước chuyển dịch mô thức (paradigm shift) từ mô hình khai phá mờ cảm tính sang mô hình đại số trật tự ngữ nghĩa hình thức, mở ra ba nhánh nghiên cứu đột phá trong tương lai và khẳng định vị thế tiên phong của các nhà khoa học Việt Nam trên bản đồ nghiên cứu Trí tuệ nhân tạo và Tính toán mềm quốc tế.