Tổng quan nghiên cứu

Với hơn 90 triệu người dùng Internet tại Việt Nam và nhu cầu tra cứu thông tin ẩm thực ngày càng tăng, việc xây dựng một hệ thống chatbot thông minh có khả năng cung cấp thông tin chính xác về ẩm thực Việt Nam trở thành bài toán cấp thiết. Luận văn "Xây dựng Đồ thị Tri thức Kết hợp Kiểm chứng Thực tế về Ẩm thực Việt Nam" được thực hiện tại Trường Đại học Công nghệ Thông tin – ĐHQG TP.HCM năm 2023, thuộc chuyên ngành Hệ thống Thông tin.

Nghiên cứu tập trung giải quyết một khoảng trống quan trọng: hầu hết các hệ thống NLP hiện tại chỉ hoạt động hiệu quả với tiếng Anh, trong khi tiếng Việt — ngôn ngữ có cấu trúc phức tạp và giàu ngữ cảnh — gần như bị bỏ ngỏ. Đặc biệt, chưa tồn tại hệ thống nào có khả năng trích xuất bộ ba tri thức (triple) trực tiếp từ văn bản tiếng Việt ở thời điểm nghiên cứu.

Mục tiêu cụ thể gồm: xây dựng đồ thị tri thức bao phủ ẩm thực của 63 tỉnh thành Việt Nam, tích hợp mô hình BERT-NER để nhận diện thực thể có tên, phát triển giao diện chatbot hỏi-đáp thân thiện người dùng, và triển khai cơ chế kiểm chứng thực tế dựa trên độ tương đồng ngữ nghĩa. Nghiên cứu sử dụng dữ liệu từ Wikipedia và các trang web uy tín, lưu trữ trong cơ sở dữ liệu đồ thị Neo4j Aura. Kết quả không chỉ mở ra hướng ứng dụng mới trong bảo tồn văn hóa ẩm thực, mà còn đặt nền móng kỹ thuật cho các hệ thống tri thức tiếng Việt trong tương lai.


Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên hai nền tảng lý thuyết cốt lõi:

Thứ nhất, Resource Description Framework (RDF) và Đồ thị Tri thức (Knowledge Graph). RDF — chuẩn do W3C phát triển — biểu diễn tri thức dưới dạng bộ ba (Subject, Predicate, Object). Ví dụ, mệnh đề "Phở là đặc sản của Nam Định" được mã hóa thành triple: :Pho :is_a_specialty_in :Nam_Dinh. Đồ thị tri thức kế thừa mô hình này, tổ chức thực thể thành các nút (node) và mối quan hệ thành các cạnh (edge), tạo nên cấu trúc ngữ nghĩa phong phú. Hệ thống Neo4j — cơ sở dữ liệu đồ thị được Emil Eifrem sáng lập năm 2000 — được chọn làm nền tảng lưu trữ nhờ ngôn ngữ truy vấn Cypher trực quan và khả năng triển khai đám mây qua Neo4j Aura.

Thứ hai, kiến trúc Transformer và BERT. BERT (Bidirectional Encoder Representations from Transformers) là mô hình học sâu sử dụng cơ chế multi-head attention để học biểu diễn ngữ cảnh hai chiều. BERT base có 12 attention heads, 768 hidden layers và 110 triệu tham số; BERT large có 16 attention heads, 1.024 hidden layers và 340 triệu tham số. Để xử lý tiếng Việt, nghiên cứu ứng dụng PhoBERT — biến thể BERT được huấn luyện trên khoảng 20GB dữ liệu tiếng Việt, bao gồm khoảng 1GB Wikipedia tiếng Việt và 19GB corpus báo chí. PhoBERT base (12 transformer blocks) được chọn cho tác vụ kiểm chứng thực tế.

Năm khái niệm kỹ thuật trung tâm gồm: Triple RDF, Named Entity Recognition (NER), Cosine Similarity, Word EmbeddingFact Checking qua so sánh ngữ nghĩa.

Phương pháp nghiên cứu

Nguồn dữ liệu: Dữ liệu được thu thập thủ công và có giám sát từ Wikipedia và các trang web chuyên về ẩm thực Việt Nam, bao phủ 63 tỉnh thành. Kỹ thuật web scraping được áp dụng để trích xuất văn bản và hình ảnh. Dữ liệu sau đó được lưu dưới định dạng CSV, phân chia theo từng thực thể: thực thể Food lưu các thuộc tính như FoodName, locationId, sourceId, image; thực thể Location lưu LocationName, RegionId, Country; thực thể Type phân loại theo TypeName.

Cỡ mẫu và phương pháp chọn mẫu: Cơ sở dữ liệu bao gồm thông tin ẩm thực đặc trưng của toàn bộ 63 tỉnh thành — tương đương 100% đơn vị hành chính cấp tỉnh của Việt Nam — được lựa chọn theo phương pháp toàn mẫu để đảm bảo tính đại diện và toàn vẹn. Tập dữ liệu huấn luyện BERT-NER được tạo từ các câu được chọn thủ công từ Wikipedia, chuyển đổi sang định dạng CoNLL 2003 và gán nhãn bổ sung.

Phương pháp phân tích: Pipeline xử lý gồm ba giai đoạn. Giai đoạn 1: BERT-NER nhận diện thực thể (món ăn, địa danh) từ truy vấn người dùng. Giai đoạn 2: Cypher query truy vấn Neo4j để tìm kết quả phù hợp. Giai đoạn 3: PhoBERT tính cosine similarity giữa câu trả lời của hệ thống và nội dung từ các trang tham chiếu để kiểm chứng thực tế. Lý do chọn cosine similarity: phương pháp này ổn định, hiệu quả trong không gian vector chiều cao và phù hợp với biểu diễn PhoBERT. Toàn bộ hệ thống được triển khai trên nền tảng web React.js (frontend) và Node.js (backend), giao tiếp qua HTTP request/response.


Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Phát hiện 1 – Hiệu suất mô hình BERT-NER đạt mức chấp nhận được trong thực tế. Kết quả đánh giá trên tập kiểm tra cho thấy mô hình đạt chỉ số F1-score đủ để ứng dụng trong điều kiện thực tế. Biểu đồ training loss (Figure 4-12) thể hiện xu hướng giảm dần qua các epoch, phản ánh quá trình học hiệu quả. Precision, Recall và F1-score được trình bày song song trong bảng kết quả (Figure 4-13), cho phép đánh giá toàn diện khả năng nhận diện thực thể.

Phát hiện 2 – Đồ thị tri thức bao phủ 63 tỉnh thành với cấu trúc đa quan hệ. Hệ thống xây dựng thành công đồ thị tri thức liên kết 3 nhóm thực thể chính (Món ăn, Địa điểm, Loại món) thông qua nhiều kiểu quan hệ. Cấu trúc đồ thị được mô tả chi tiết trong Phụ lục C, cho thấy mạng lưới kết nối dày đặc giữa các thực thể ẩm thực và vùng miền.

Phát hiện 3 – Pipeline kiểm chứng thực tế hoạt động hiệu quả qua 4 bước tuần tự. Hệ thống phân đoạn từ tiếng Việt, trích xuất câu liên quan từ trang tham chiếu, tính cosine similarity bằng PhoBERT, sau đó sắp xếp kết quả từ cao đến thấp. Cosine similarity đạt giá trị gần 1 khi nội dung trùng khớp cao, tạo cơ sở đáng tin cậy để trích dẫn nguồn. Kết quả cosine similarity được minh họa trực quan trong Figure 4-10 và 4-11.

Phát hiện 4 – Chatbot xử lý được cả truy vấn tiếng Anh và tiếng Việt. Hệ thống thực tế hỗ trợ đa ngôn ngữ trong giao diện chatbot, trả về kết quả kèm hình ảnh món ăn và đường dẫn URL tham chiếu (Figure A-6, A-8). Đây là bước tiến quan trọng so với các hệ thống chỉ hỗ trợ tiếng Anh phổ biến hiện tại.

Thảo luận kết quả

Sự kết hợp giữa BERT-NER và Neo4j Cypher tạo nên pipeline xử lý ngôn ngữ tự nhiên có khả năng chuyển đổi câu hỏi của người dùng thành truy vấn đồ thị một cách hiệu quả — điều mà các cơ sở dữ liệu quan hệ truyền thống không thể thực hiện linh hoạt. Việc sử dụng PhoBERT thay vì cosine similarity trên TF-IDF vector thông thường giúp nâng cao độ chính xác ngữ nghĩa, đặc biệt với đặc thù tiếng Việt có nhiều từ đồng âm và ngữ cảnh phụ thuộc.

Hạn chế chính được thừa nhận: ở thời điểm nghiên cứu, hệ thống chỉ trích xuất câu tiếng Anh do giới hạn công cụ xử lý tiếng Việt. Điều này phù hợp với ghi nhận của một số nghiên cứu gần đây trong lĩnh vực NLP cho ngôn ngữ ít tài nguyên (low-resource languages): các công cụ xử lý văn bản tiếng Việt vẫn còn ít hơn đáng kể so với tiếng Anh. Việc chọn toàn bộ 63 tỉnh thành làm phạm vi nghiên cứu — thay vì chọn mẫu — đảm bảo tính bao quát, nhưng cũng đặt ra thách thức về chất lượng và độ đồng đều của dữ liệu giữa các vùng.


Đề xuất và khuyến nghị

Dựa trên kết quả và hạn chế đã xác định, bốn nhóm giải pháp được đề xuất cho các đơn vị triển khai và nhà nghiên cứu kế tiếp:

1. Mở rộng hỗ trợ tiếng Việt hoàn toàn trong pipeline trích xuất triple (Timeline: 6-12 tháng) Nhóm nghiên cứu phát triển cần xây dựng hoặc tích hợp công cụ trích xuất bộ ba tri thức trực tiếp từ văn bản tiếng Việt. Mục tiêu: đạt tỷ lệ trích xuất triple tiếng Việt đạt tối thiểu 80% precision trên tập kiểm tra tiêu chuẩn. Đơn vị thực hiện: nhóm kỹ thuật NLP, kết hợp với các phòng nghiên cứu chuyên về ngôn ngữ học tính toán tại các trường đại học.

2. Mở rộng phạm vi tri thức sang các lĩnh vực văn hóa liên quan (Timeline: 12-18 tháng) Đơn vị quản lý hệ thống cần tích hợp thêm dữ liệu về lịch sử, lễ hội và phong tục địa phương vào đồ thị tri thức hiện tại. Mục tiêu tăng số lượng nút trong đồ thị lên ít nhất gấp đôi so với phiên bản hiện tại, đồng thời bổ sung ít nhất 5 kiểu quan hệ mới. Điều này sẽ nâng cao chất lượng trả lời của chatbot và phục vụ nhóm người dùng là khách du lịch quốc tế.

3. Tăng cường cơ chế kiểm chứng thực tế đa nguồn (Timeline: 3-6 tháng) Nhóm phát triển backend cần tích hợp thêm ít nhất 3 nguồn tham chiếu ngoài Wikipedia, bao gồm các trang báo điện tử uy tín và cơ sở dữ liệu ẩm thực chuyên ngành. Mục tiêu: mỗi câu trả lời của chatbot được kiểm chứng từ ít nhất 2 nguồn độc lập, tăng độ tin cậy thông tin lên mức có thể trích dẫn học thuật.

4. Triển khai hệ thống đánh giá người dùng và vòng phản hồi liên tục (Timeline: tức thì sau khi ra mắt) Đơn vị vận hành cần tích hợp hệ thống thu thập phản hồi người dùng (thumbs up/down, báo cáo sai sót) vào giao diện chatbot. Dữ liệu phản hồi được dùng để tái huấn luyện mô hình theo chu kỳ 3 tháng/lần, với mục tiêu duy trì accuracy người dùng tự báo cáo ở mức trên 85%.


Đối tượng nên tham khảo luận văn

Nhà nghiên cứu và học viên chuyên ngành NLP/AI sẽ tìm thấy trong luận văn này một case study thực tế về việc xây dựng pipeline xử lý ngôn ngữ tự nhiên cho ngôn ngữ ít tài nguyên. Cụ thể, phần mô tả tích hợp BERT-NER, PhoBERT và Neo4j cung cấp kiến trúc tham chiếu có thể tái sử dụng cho các bài toán nhận diện thực thể và hỏi-đáp tự động trong tiếng Việt. Luận văn cũng thẳng thắn thừa nhận hạn chế kỹ thuật, giúp nhà nghiên cứu xác định đúng gap cần giải quyết.

Nhà phát triển phần mềm và kỹ sư dữ liệu quan tâm đến xây dựng hệ thống chatbot tri thức sẽ được hưởng lợi từ phần mô tả thiết kế hệ thống chi tiết: kiến trúc React.js + Node.js + Neo4j, luồng xử lý HTTP request/response, và cách tích hợp mô hình Python vào hệ thống web thực tế. Đây là tài liệu kỹ thuật có giá trị tham chiếu trực tiếp cho các dự án tương tự.

Doanh nghiệp du lịch và ẩm thực có thể tham khảo luận văn như một bản thiết kế (blueprint) để xây dựng hệ thống tư vấn ẩm thực tự động cho khách du lịch nội địa và quốc tế. Chatbot được mô tả trong nghiên cứu có khả năng trả lời câu hỏi về đặc sản địa phương của cả 63 tỉnh thành, hỗ trợ cả tiếng Anh và tiếng Việt — ứng dụng trực tiếp cho các ứng dụng du lịch thông minh.

Cơ quan quản lý văn hóa và du lịch địa phương có thể sử dụng nghiên cứu này như tài liệu cơ sở cho các dự án số hóa di sản văn hóa ẩm thực. Cấu trúc đồ thị tri thức được trình bày cung cấp mô hình dữ liệu chuẩn để lưu trữ, bảo tồn và phổ biến thông tin ẩm thực truyền thống một cách có hệ thống và dễ tra cứu.


Câu hỏi thường gặp

1. Đồ thị tri thức trong nghiên cứu này khác gì so với cơ sở dữ liệu thông thường? Cơ sở dữ liệu quan hệ truyền thống lưu dữ liệu theo bảng cố định, phù hợp với dữ liệu có cấu trúc rõ ràng. Đồ thị tri thức lưu dữ liệu theo mạng nút-cạnh, cho phép biểu diễn mối quan hệ phức tạp giữa các thực thể. Trong thực tế, khi hỏi "Món nào đặc trưng cho vùng Tây Bắc và có nguyên liệu từ gạo?", truy vấn đồ thị xử lý quan hệ đa tầng này hiệu quả hơn SQL truyền thống tới vài lần.

2. Tại sao nghiên cứu chọn PhoBERT thay vì các mô hình tiếng Anh cho kiểm chứng thực tế? PhoBERT được huấn luyện đặc thù trên khoảng 20GB dữ liệu tiếng Việt, giúp tạo ra vector embedding hiểu đúng ngữ nghĩa từ trong ngữ cảnh tiếng Việt. Các mô hình tiếng Anh như BERT gốc xử lý tiếng Việt rất kém do sự khác biệt cấu trúc ngôn ngữ. PhoBERT base với 12 transformer blocks đủ nhanh cho ứng dụng thực tế mà vẫn đảm bảo độ chính xác ngữ nghĩa cần thiết.

3. Hệ thống có thể phát hiện thông tin sai lệch về ẩm thực không? Hệ thống không "phát hiện sai" theo nghĩa phán xét, mà cung cấp cơ chế kiểm chứng tham chiếu: câu trả lời của chatbot được so sánh với nội dung từ Wikipedia và các trang uy tín bằng cosine similarity. Nếu độ tương đồng thấp, hệ thống có thể cảnh báo người dùng. Cơ chế này tương tự cách Google xếp hạng trang web theo độ liên quan — ưu tiên nguồn có nội dung trùng khớp cao nhất.

4. Nghiên cứu giải quyết bài toán tiếng Việt đến đâu? Ở giai đoạn hiện tại, hệ thống trích xuất triple từ văn bản tiếng Anh và hỗ trợ truy vấn bằng cả hai ngôn ngữ qua giao diện chatbot. Xử lý tiếng Việt hoàn toàn trong pipeline trích xuất tri thức là hướng nghiên cứu tiếp theo được xác định rõ. Đây phản ánh thực trạng của lĩnh vực: theo đánh giá của nhóm nghiên cứu, chưa có công cụ mã nguồn mở nào trích xuất triple trực tiếp từ tiếng Việt ở thời điểm 2023.

5. Kiến trúc hệ thống có thể tái sử dụng cho lĩnh vực khác không? Hoàn toàn có thể. Pipeline tổng quát gồm: thu thập dữ liệu → xây dựng đồ thị tri thức (Neo4j) → nhận diện thực thể (BERT-NER) → truy vấn Cypher → kiểm chứng ngữ nghĩa (PhoBERT + cosine similarity) có thể áp dụng cho bất kỳ lĩnh vực có dữ liệu quan hệ phức tạp. Trong thực tế, kiến trúc tương tự đã được ứng dụng thành công trong y tế, pháp luật và hệ thống khuyến nghị tại một số quốc gia.


Kết luận

Luận văn "Xây dựng Đồ thị Tri thức Kết hợp Kiểm chứng Thực tế về Ẩm thực Việt Nam" đạt được những đóng góp cụ thể sau:

  • Đóng góp kỹ thuật: Tích hợp thành công BERT-NER, PhoBERT và Neo4j thành một pipeline hỏi-đáp tự động hoàn chỉnh — kiến trúc có thể nhân rộng sang các lĩnh vực khác.
  • Đóng góp dữ liệu: Xây dựng đồ thị tri thức ẩm thực bao phủ toàn bộ 63 tỉnh thành Việt Nam, tạo nền tảng dữ liệu cho các nghiên cứu tiếp theo.
  • Đóng góp phương pháp: Chứng minh tính khả thi của cosine similarity với PhoBERT embedding trong bài toán kiểm chứng thực tế cho ngôn ngữ ít tài nguyên như tiếng Việt.
  • Đóng góp ứng dụng: Phát triển chatbot web thực tế hỗ trợ song ngữ, kèm cơ chế trích dẫn nguồn tăng độ tin cậy thông tin.
  • Lộ trình phát triển tiếp theo (2024-2025): Hoàn thiện trích xuất triple tiếng Việt (6-12 tháng), mở rộng đồ thị sang văn hóa-lịch sử địa phương (12-18 tháng), và tích hợp vòng phản hồi người dùng để cải tiến mô hình liên tục.

Nghiên cứu này là bước khởi đầu quan trọng cho hệ sinh thái tri thức số về văn hóa Việt Nam. Các nhà nghiên cứu, nhà phát triển và tổ chức quan tâm có thể tham khảo toàn văn luận văn để kế thừa kiến trúc và dữ liệu đã xây dựng.