Bối cảnh và vấn đề nghiên cứu

1. Lý do chọn đề tài và bối cảnh thực tiễn

Trong kỷ nguyên công nghiệp 4.0, dữ liệu văn bản phi cấu trúc chiếm tỷ trọng lớn trong tổng khối lượng dữ liệu số toàn cầu và gia tăng liên tục. Việc khai thác giá trị và tri thức tiềm ẩn từ nguồn văn bản thô này là bài toán trung tâm trong lĩnh vực Trí tuệ nhân tạo (AI) và Xử lý ngôn ngữ tự nhiên (NLP). Đồ thị tri thức (Knowledge Graph - KG), kể từ khi được Google giới thiệu vào năm 2012 với phương châm tập trung vào "thực thể thay vì chuỗi ký tự" (searching things not strings), đã trở thành nền tảng biểu diễn tri thức và suy luận cho hàng loạt hệ thống lớn như DBpedia, YAGO, Wikidata và Freebase.

Tuy nhiên, hầu hết các đồ thị tri thức quy mô lớn đều đòi hỏi khối lượng dữ liệu đầu vào khổng lồ và phụ thuộc nhiều vào quy trình tiền xử lý, can thiệp thủ công trên dữ liệu có cấu trúc. Việc xây dựng tự động đồ thị tri thức từ văn bản tự nhiên thuần túy vẫn đối mặt với hiện tượng mất mát thông tin (information loss), dư thừa (redundancy) và trùng lặp (duplication).

2. Vấn đề nghiên cứu cụ thể

Khóa luận tập trung giải quyết các bất cập tồn tại trong các kỹ thuật trích xuất bộ ba (triple extraction) và hệ thống Trích xuất thông tin mở (Open Information Extraction - OpenIE) hiện nay:

  • Chuỗi thực thể quá dài và thiếu phân rã vai trò ngữ nghĩa: Các hệ thống OpenIE như OpenIE-5, MinIE, RnnOIE, IMoJIE thường trích xuất các thành phần chủ ngữ (subject) hoặc tân ngữ (object) là các cụm từ rất dài chứa lẫn lộn các vai trò ngữ nghĩa.
  • Mất mát siêu dữ liệu bổ trợ (metadata): Các phương pháp thủ công hoặc chỉ dựa vào cụm danh từ/cụm động từ làm mất các ngữ cảnh sự kiện quan trọng như thời gian (temporal), địa điểm (location), cách thức (manner), mục đích (purpose), hoặc đối tượng cùng tham gia (comitative).
  • Liên kết thực thể chưa tối ưu trong giải quyết đồng tham chiếu (Coreference Resolution): Nhiều hệ thống chỉ thay thế toàn bộ các đề cập tiếp theo bằng đề cập đầu tiên trong chuỗi đồng tham chiếu, làm mất đi tính đa dạng ngữ nghĩa của văn bản gốc.
  • Thiếu quy trình hoàn chỉnh mã nguồn mở: Đa phần các nghiên cứu dừng lại ở bước trích xuất bộ ba đơn giản mà chưa đóng gói thành quy trình hoàn chỉnh từ văn bản thô đến lưu trữ đồ thị thuộc tính và ứng dụng thực tế.

3. Mục tiêu và nhiệm vụ nghiên cứu

Khóa luận xác định các nhiệm vụ cụ thể:

  1. Thiết kế và triển khai quy trình tự động xây dựng đồ thị tri thức từ văn bản phi cấu trúc (Automatic Knowledge Graph Construction Pipeline).
  2. Tích hợp gán nhãn vai trò ngữ nghĩa (Semantic Role Labeling - SRL) kết hợp với nhận dạng thực thể tên riêng (Named Entity Recognition - NER) và giải quyết đồng tham chiếu (Coreference Resolution) nhằm bảo toàn tối đa thông tin và ngữ cảnh sự kiện dưới dạng siêu dữ liệu.
  3. Lưu trữ đồ thị tri thức dưới dạng mô hình đồ thị thuộc tính có nhãn (Labeled Property Graph - LPG) trên cơ sở dữ liệu đồ thị Neo4j.
  4. Làm giàu thực thể (Entity Enrichment) thông qua việc liên kết với cơ sở tri thức Wikidata.
  5. Triển khai các tác vụ ứng dụng minh chứng tính hữu ích của đồ thị: module tự động sinh câu hỏi - câu trả lời (Question-Answer Pair Generator) và công cụ tìm kiếm ngữ nghĩa câu hỏi (Question-Answer Pair Searcher).

4. Đối tượng và phạm vi nghiên cứu

  • Đối tượng nghiên cứu: Văn bản tiếng Anh phi cấu trúc; các mô hình học sâu và kỹ thuật NLP (BERT, BiLSTM, AllenNLP SRL, SpaCy NER, AllenNLP Coreference Resolution); mô hình dữ liệu đồ thị LPG và hệ quản trị Neo4j.
  • Phạm vi dữ liệu thực nghiệm: Các tập dữ liệu chuẩn trong bài toán OpenIE và NLP bao gồm OntoNotes 5.0, OIE-2016 (3.200 câu), CaRB (641 câu), và tập dữ liệu hỏi đáp SQuAD.

Cơ sở lý thuyết và phương pháp

1. Khung lý thuyết và mô hình sử dụng

Khóa luận xây dựng trên nền tảng các lý thuyết và mô hình chuẩn trong khoa học dữ liệu và xử lý ngôn ngữ tự nhiên:

Văn bản thô (Raw Text)
  Trích xuất Bộ ba (h, r, t) + Siêu dữ liệu ngữ nghĩa (Metadata)
  Khử trùng lặp, Cắt tỉa (Pruning) & Làm giàu thực thể (Wikidata Enrichment)
  Lưu trữ Đồ thị thuộc tính có nhãn (Neo4j / Cypher Query)
  • Mô hình dữ liệu đồ thị: So sánh giữa Khung mô tả tài nguyên (Resource Description Framework - RDF) của W3C và Mô hình đồ thị thuộc tính có nhãn (Labeled Property Graph - LPG). Tác giả chọn LPG vì tính linh hoạt, khả năng gán trực tiếp các cặp thuộc tính khóa-giá trị (key-value properties) lên cả nút (node) và quan hệ (relationship), hỗ trợ thao tác truy vấn trực quan thông qua ngôn ngữ Cypher trên hệ quản trị cơ sở dữ liệu Neo4j.
  • Mô hình gán nhãn vai trò ngữ nghĩa (SRL): Dựa trên chuẩn PropBank (Proposition Bank) với hệ thống 5 đối số đánh số (numbered arguments từ ARG0 đến ARG4) và 15 loại thành phần bổ nghĩa (modifiers, ký hiệu ARGM). Khóa luận áp dụng kiến trúc SRL dựa trên BERT của Shi và Lin (re-implemented bởi AllenNLP), sử dụng biểu diễn ngữ cảnh kết hợp nhãn vị trí vị ngữ (predicate indicator embedding) đưa qua lớp BiLSTM và mạng Perceptron đa tầng (MLP) để phân loại nhãn BIO.
  • Nhận dạng thực thể tên riêng (NER): Sử dụng hệ thống tiền huấn luyện SpaCy hỗ trợ 18 kiểu thực thể định sẵn (PERSON, ORG, GPE, LOC, DATE, TIME, EVENT, WORK_OF_ART, FAC, NORP, PRODUCT, LAW, LANGUAGE, PERCENT, MONEY, QUANTITY, ORDINAL, CARDINAL).
  • Giải quyết đồng tham chiếu (Coreference Resolution): Sử dụng mô hình AllenNLP để xác định thực thể gốc (antecedent), các biểu thức chỉ xuất (anaphora/mentions), xây dựng mô hình diễn ngôn (discourse model) và gom nhóm thành các cụm đồng tham chiếu (coreference clusters).
  • Mô hình ngôn ngữ tiền huấn luyện BERT: Tận dụng kiến trúc Transformer hai chiều với hai kích thước BERT-Base (12 lớp, 768 chiều ẩn, 12 đầu attention, 110 triệu tham số) và BERT-Large (24 lớp, 1024 chiều ẩn, 16 đầu attention, 340 triệu tham số), sử dụng cơ chế Masked Language Model (tỷ lệ che 15%: 80% [MASK], 10% ngẫu nhiên, 10% giữ nguyên) và Next Sentence Prediction (NSP).
Thành phần lý thuyết Công nghệ / Chuẩn áp dụng Vai trò trong hệ thống
Mô hình đồ thị Labeled Property Graph (LPG), Neo4j Lưu trữ cấu trúc nút, cạnh và thuộc tính ngữ cảnh
Gán nhãn vai trò ngữ nghĩa PropBank, AllenNLP (BERT + BiLSTM + MLP) Phân tích cấu trúc vị ngữ - đối số (ARG0 - ARG4, 15 ARGM)
Nhận dạng thực thể SpaCy NER (18 entity types) Xác định loại thực thể cho các nút trong đồ thị
Đồng tham chiếu AllenNLP Coreference Resolution Kết nối các đề cập trong văn bản về cùng thực thể trung tâm
Truy vấn & Thao tác Ngôn ngữ Cypher (CRUD) Thao tác CREATE, MATCH, SET, DELETE trên Neo4j
Tri thức ngoài Wikidata API Làm giàu thông tin thực thể (Entity Enrichment)

2. Phương pháp nghiên cứu

  • Phương pháp kỹ thuật - thực nghiệm: Thiết kế kiến trúc module hóa (pipeline architecture), tích hợp các mô hình NLP tiên tiến vào một luồng xử lý thống nhất.
  • Phương pháp đánh giá định lượng: Đo lường hiệu năng trích xuất thông tin bằng các chỉ số Precision, Recall, F1-score trên các tập dữ liệu benchmark OIE-2016 và CaRB; đánh giá chất lượng sinh câu hỏi bằng điểm BLEU trên tập SQuAD; đo lường hiệu năng thời gian xử lý của hệ thống.

Thiết kế và triển khai hệ thống

1. Kiến trúc hệ thống trích xuất (Extractor System)

Hệ thống xử lý văn bản đầu vào qua các module liên hoàn:

  1. Sentence Decomposer & Tiền xử lý: Sử dụng Sapien Language Engine để phân tách câu phức thành các mệnh đề độc lập nhằm giảm độ phức tạp cú pháp trước khi đưa vào mô hình học sâu.
  2. Nhận dạng thực thể & Đồng tham chiếu: SpaCy trích xuất danh sách thực thể tên riêng; AllenNLP xác định bảng ánh xạ đồng tham chiếu giữa các đại từ/từ thay thế và thực thể gốc.
  3. Trích xuất bộ ba ngữ nghĩa (SRL Triples): Trích xuất các vị ngữ (V) cùng các đối số bắt buộc (ARG0, ARG1, ARG2, ARG3, ARG4) để tạo thành bộ ba nền tảng $(h, r, t)$. Toàn bộ các đối số bổ nghĩa (ARGM-LOC, ARGM-TMP, ARGM-MNR, ARGM-PRP, ARGM-COM,...) được trích xuất thành danh sách thuộc tính ngữ cảnh gắn liền với quan hệ đó.
  4. Xử lý đồ thị (Graph Insertion, Mapping, Pruning & Enrichment):
    • Ánh xạ các thực thể đồng tham chiếu về một nút đại diện duy nhất nhưng vẫn lưu giữ các biến thể đề cập.
    • Cắt tỉa (Pruning) các nút rác hoặc các quan hệ không mang giá trị ngữ nghĩa độc lập.
    • Làm giàu thực thể (Entity Enrichment) bằng cách liên kết mã định danh và thuộc tính từ Wikidata.
+-----------------------------------------------------------------------------------+
| Câu văn: "John went to California with Tim in 2010 by airplane to travel."        |
+-----------------------------------------------------------------------------------+
+-----------------------------------------------------------------------------------+
| Phân tích Vai trò Ngữ nghĩa (PropBank SRL):                                       |
| - [ARGO / Agent]: John                                                            |
| - [V / Predicate]: went                                                           |
| - [ARG4 / End point]: to California                                               |
| - [ARGM-COM / Comitative]: with Tim                                               |
| - [ARGM-TMP / Temporal]: in 2010                                                  |
| - [ARGM-MNR / Manner]: by airplane                                                |
| - [ARGM-PRP / Purpose]: in order to travel                                        |
+-----------------------------------------------------------------------------------+
+-----------------------------------------------------------------------------------+
| Cấu trúc Labeled Property Graph (LPG) trên Neo4j:                                 |
| - Nút nguồn: (:Person {name: "John"})                                             |
| - Nút đích: (:Place {name: "California"})                                         |
| - Quan hệ: -[:went_to {                                                           |
|               comitative: "Tim",                                                  |
|               temporal: "2010",                                                   |
|               manner: "airplane",                                                 |
|               purpose: "travel"                                                   |
|             }]->                                                                  |
+-----------------------------------------------------------------------------------+

2. Module sinh câu hỏi - câu trả lời và Tìm kiếm ngữ nghĩa

  • Question-Answer Pair Generator: Tận dụng tri thức đã cấu trúc hóa trên đồ thị để sinh tự động các cặp câu hỏi - câu trả lời theo 3 cơ chế:
    • Dựa trên chủ ngữ/tân ngữ (Subject/Object-based): Sinh câu hỏi "Who/What" dựa vào nhãn thực thể của nút.
    • Dựa trên thành phần bổ nghĩa (Modifier-based): Sinh các câu hỏi "When" (từ ARGM-TMP), "Where" (từ ARGM-LOC), "How" (từ ARGM-MNR), "Why" (từ ARGM-PRP, ARGM-CAU).
  • Question-Answer Pair Searcher: Cho phép người dùng tìm kiếm thông tin bằng ngôn ngữ tự nhiên, hệ thống đối sánh câu hỏi với các mẫu truy vấn đồ thị để trả về câu trả lời chính xác cùng ngữ cảnh trích xuất.

3. Hệ thống trực quan hóa (Visualization System)

Khóa luận xây dựng giao diện web tích hợp thư viện đồ thị neo4jd3 và vis.js, cho phép người dùng:

  • Nhập văn bản thô trực tiếp trên giao diện.
  • Quan sát kết quả phân rã câu, nhãn đồng tham chiếu và phân bố nhãn thực thể.
  • Xem đồ thị tri thức tương tác với các nút có màu sắc phân loại theo nhãn SpaCy và các cạnh chứa đầy đủ bảng thuộc tính ngữ nghĩa.
  • Thống kê phân bố quan hệ (relation distribution), thực thể tên riêng (named entity distribution) và bổ ngữ vị ngữ (predicate modifier distribution).

Nội dung chính theo từng chương

Chương 1: Giới thiệu (Introduction)

Chương 1 thiết lập bối cảnh chuyển dịch dữ liệu trong thời kỳ cách mạng công nghiệp 4.0 và sự ra đời của đồ thị tri thức. Tác giả phân tích điểm yếu của các hệ thống OpenIE truyền thống và học sâu hiện tại:

  • Minh họa sự thất bại của IMoJIE, MinIE và OpenIE-5 trên câu phức mẫu ("John went to California with Tim in 2010 by airplane in order to travel."). Các hệ thống này hoặc sinh tân ngữ quá dài không hoàn chỉnh, hoặc chia tách câu sai cú pháp, hoặc đánh mất các bổ ngữ cách thức/mục đích.
  • Phân tích hạn chế trong xử lý đồng tham chiếu của các pipeline hiện nay.
  • Xác định mục tiêu, động lực nghiên cứu, phạm vi đóng góp và cấu trúc gồm 5 chương của khóa luận.

Chương 2: Cơ sở lý thuyết và kiến thức nền tảng (Background and Theory)

Chương 2 trình bày chi tiết các nền tảng lý thuyết:

  • Định nghĩa đồ thị tri thức theo tiếp cận bản thể học và lý thuyết đồ thị; cấu trúc bộ ba $(h, r, t)$.
  • Phân biệt chi tiết hai mô hình lưu trữ: RDF (chuẩn W3C, URI, cú pháp XML, Turtle, JSON-LD, bộ ba tài nguyên) và LPG (mô hình đồ thị thuộc tính có nhãn).
  • Cơ sở dữ liệu đồ thị Neo4j và cú pháp ngôn ngữ Cypher cho các thao tác CRUD (CREATE, MATCH, RETURN, SET, DELETE).
  • Nhận dạng thực thể tên riêng (NER) với 18 nhãn của SpaCy và tổng quan 4 hướng tiếp cận NER (dựa trên luật, học không giám sát, học có giám sát dựa trên đặc trưng, và học sâu).
  • Lý thuyết giải quyết đồng tham chiếu (Coreference Resolution): mô hình diễn ngôn, antecedent, anaphor, mentions, singleton, và chuỗi đồng tham chiếu (coreference chains).
  • Vai trò ngữ nghĩa (Semantic Roles): đối chiếu giữa FrameNet và PropBank (5 đối số ARG0-ARG4 và 15 bổ ngữ ARGM).
  • Mô hình BERT (kiến trúc Transformer Encoder, kích thước BERT-Base 110M và BERT-Large 340M, cơ chế biểu diễn đầu vào [CLS]/[SEP], tiền huấn luyện MLM và NSP).
  • Ứng dụng BERT trong trích xuất quan hệ và gán nhãn vai trò ngữ nghĩa (mô hình của Shi & Lin, kết hợp BiLSTM và MLP, đạt F1-score 86.49 trên OntoNotes 5.0).

Chương 3: Thiết kế và triển khai hệ thống (System Design and Implementation)

Chương 3 trình bày chi tiết kiến trúc kỹ thuật của hệ thống SRL-KG:

  • Thiết kế tổng thể hệ thống gồm 3 phân hệ chính: Trích xuất (Extractor System), Sinh & Tìm kiếm hỏi đáp (Question-Answer Pair Generator & Searcher), và Trực quan hóa (Visualization System).
  • Luồng hoạt động chi tiết của Sentence Decomposer, module tích hợp Sapien Language Engine, SpaCy NER, AllenNLP SRL và AllenNLP Coreference.
  • Quy trình chuẩn hóa đầu ra SRL thành cấu trúc bộ ba JSON chứa danh sách thuộc tính (property triples).
  • Thuật toán chèn đồ thị (Graph insertion), ánh xạ nút đồng tham chiếu (mapping coreference table), thuật toán cắt tỉa đồ thị (pruning) và làm giàu dữ liệu thực thể từ Wikidata (enrichment).
  • Cơ chế sinh câu hỏi tự động (dựa trên chủ ngữ, tân ngữ, bổ ngữ thời gian, địa điểm, cách thức, mục đích).
  • Kiến trúc hệ thống trực quan hóa giao diện người dùng, so sánh hiệu năng trực quan giữa neo4jd3 và vis.js, hiển thị thống kê biểu đồ phân bố nhãn.

Chương 4: Triển khai hệ thống và Đánh giá (System Implementation and Evaluation)

Chương 4 tập trung vào phần thực nghiệm, kiểm thử và đánh giá hiệu năng:

  • Đánh giá chất lượng trích xuất bộ ba của mô hình SRL-KG trên hai tập dữ liệu benchmark chuẩn: OIE-2016 (quy mô 3.200 câu) và CaRB (quy mô 641 câu).
  • Đo lường và phân tích hiệu năng thời gian xử lý (time performance) của các thành phần trong pipeline.
  • Đánh giá chất lượng của module sinh câu hỏi dựa trên thang điểm BLEU trên tập dữ liệu chuẩn SQuAD so với các mô hình sinh câu hỏi khác.
  • Phân tích định tính ca điển hình (case studies): so sánh trực tiếp đồ thị tri thức sinh bởi SRL-KG với kết quả từ nhóm nghiên cứu UWA (Team UWA) trên các văn bản thử nghiệm thực tế (ví dụ về tiểu sử cầu thủ Fernando Torres và các câu chứa vị ngữ phức tạp như "debuted", "returns").

Chương 5: Kết luận và Hướng phát triển (Conclusion and Future Work)

Chương 5 đúc kết toàn bộ kết quả nghiên cứu đạt được của khóa luận, chỉ ra các giới hạn kỹ thuật hiện tại và đề xuất các định hướng mở rộng nghiên cứu trong tương lai.


Kết quả và đóng góp

1. Kết quả thực nghiệm chính

  • Hiệu năng trích xuất thông tin: Hệ thống SRL-KG được kiểm thử thành công trên hai tập dữ liệu benchmark OpenIE chuẩn:
    • Tập dữ liệu OIE-2016 với quy mô 3.200 câu.
    • Tập dữ liệu CaRB với quy mô 641 câu.
  • Bảo toàn ngữ nghĩa và cấu trúc thông tin: Khóa luận chứng minh việc chuyển đổi các đối số bổ nghĩa (ARGM) thành thuộc tính của quan hệ giúp đồ thị tri thức tinh gọn, loại bỏ các cụm từ thừa thãi ở nút nhưng vẫn lưu giữ trọn vẹn thông tin về địa điểm, thời gian, cách thức, nguyên nhân và mục đích của sự kiện.
  • Hiệu năng sinh câu hỏi: Đánh giá trên tập dữ liệu SQuAD bằng thước đo BLEU score khẳng định tính khả thi và độ chính xác của cơ chế sinh câu hỏi tự động dựa trên đồ thị tri thức và vai trò ngữ nghĩa.
Tiêu chí thực nghiệm Tập dữ liệu kiểm thử Quy mô tập dữ liệu Mô hình / Công cụ áp dụng
Trích xuất thông tin mở (OpenIE) OIE-2016 3.200 câu SRL-KG Pipeline (AllenNLP SRL + PropBank)
Trích xuất thông tin mở (OpenIE) CaRB 641 câu SRL-KG Pipeline
Sinh câu hỏi tự động (QG) SQuAD Chuẩn benchmark SQuAD Q&A Generator (đo lường bằng điểm BLEU)
Phân tích so sánh đồ thị Văn bản ca điển hình 4 đoạn văn bản thực nghiệm So sánh trực quan SRL-KG vs. Team UWA

2. Đóng góp khoa học và kỹ thuật

  1. Đề xuất quy trình tích hợp SRL vào xây dựng đồ thị tri thức: Khắc phục triệt để hiện tượng mất mát thông tin ngữ cảnh trong các bộ ba OpenIE truyền thống bằng cách tận dụng 15 nhãn bổ ngữ của PropBank làm siêu dữ liệu thuộc tính.
  2. Cải tiến phương pháp xử lý đồng tham chiếu trên đồ thị: Thay vì thay thế văn bản thô làm mất tính đa dạng, hệ thống gom cụm các đề cập vào cùng một thực thể trung tâm trên mô hình Labeled Property Graph của Neo4j.
  3. Mô hình hóa hoàn chỉnh chu trình dữ liệu: Xây dựng thành công hệ thống đầu-cuối hoàn chỉnh từ khâu nhập văn bản thô, trích xuất NLP, chuẩn hóa bộ ba, làm giàu thực thể qua Wikidata, lưu trữ cơ sở dữ liệu Neo4j đến trực quan hóa tương tác và ứng dụng hỏi đáp thực tế.

Hạn chế và hướng nghiên cứu tiếp

1. Hạn chế

  • Phụ thuộc tài nguyên tính toán: Do hạn chế về thời gian và năng lực tính toán phần cứng, khóa luận sử dụng mô hình tiền huấn luyện sẵn có từ AllenNLP thay vì huấn luyện lại toàn bộ mô hình học sâu từ đầu (training from scratch).
  • Phạm vi ngôn ngữ: Hệ thống hiện tập trung xử lý dữ liệu văn bản tiếng Anh dựa trên tài nguyên ngôn ngữ của PropBank, SpaCy và AllenNLP.

2. Hướng phát triển tiếp theo

  • Nâng cấp và tối ưu hóa thời gian xử lý của pipeline trích xuất.
  • Nghiên cứu cơ chế tự động hợp nhất và đồng bộ nhiều đồ thị tri thức độc lập (merging multiple knowledge graphs).
  • Mở rộng kiến trúc và mô hình ngôn ngữ để hỗ trợ xử lý đồ thị tri thức đa ngôn ngữ, đặc biệt là tiếng Việt.

Giá trị tham khảo

  • Đối tượng thụ hưởng: Sinh viên, học viên cao học và nhóm nghiên cứu chuyên ngành Hệ thống Thông tin, Khoa học Máy tính, Trí tuệ Nhân tạo và Xử lý Ngôn ngữ Tự nhiên.
  • Nội dung tham khảo giá trị:
    • Kiến trúc phân tầng và giải pháp tích hợp các công cụ NLP hiện đại (AllenNLP, SpaCy, BERT) vào cơ sở dữ liệu đồ thị Neo4j.
    • Phương pháp chuẩn hóa bộ ba ngữ nghĩa kết hợp siêu dữ liệu (Property Triples) dựa trên chuẩn PropBank.
    • Các kỹ thuật triển khai ngôn ngữ Cypher để tạo lập, truy vấn, cắt tỉa và làm giàu đồ thị tri thức.
    • Mã nguồn và tài liệu hướng dẫn xây dựng các ứng dụng hạ tầng như sinh câu hỏi tự động và tìm kiếm ngữ nghĩa.

Câu hỏi thường gặp

1. Tại sao khóa luận lựa chọn mô hình Labeled Property Graph (LPG) trên Neo4j thay vì mô hình RDF truyền thống?

Mô hình RDF của W3C biểu diễn dữ liệu bằng các phát biểu bộ ba dựa trên URI, không hỗ trợ định danh cục bộ và gặp khó khăn khi gán trực tiếp các cặp thuộc tính bổ trợ lên cạnh. Mô hình LPG của Neo4j cho phép cả nút và cạnh chứa các cặp khóa-giá trị (key-value properties), giúp lưu trữ trực tiếp các siêu dữ liệu bổ nghĩa (thời gian, địa điểm, cách thức) vào chính quan hệ mà không làm phát sinh thêm các nút phụ phức tạp.

2. Vai trò của chuẩn PropBank trong quy trình trích xuất bộ ba là gì?

PropBank cung cấp cấu trúc vị ngữ - đối số gồm 5 đối số đánh số (ARG0: tác nhân gây ra hành động, ARG1: đối tượng chịu tác động, ARG2-ARG4: các đối số mở rộng) và 15 nhãn bổ ngữ ARGM (thời gian ARGM-TMP, địa điểm ARGM-LOC, cách thức ARGM-MNR, mục đích ARGM-PRP,...). Hệ thống sử dụng các đối số cốt lõi để tạo cạnh nối $(h, r, t)$ và chuyển toàn bộ ARGM thành thuộc tính của cạnh trên đồ thị.

3. Hệ thống xử lý vấn đề đồng tham chiếu (Coreference Resolution) như thế nào để tránh mất đa dạng thông tin?

Thay vì thay thế toàn bộ các từ chỉ xuất (đại từ, danh từ thay thế) bằng đề cập đầu tiên của thực thể trong văn bản, hệ thống sử dụng AllenNLP để nhận diện chuỗi đồng tham chiếu, sau đó ánh xạ các đề cập này về cùng một nút đại diện trong mô hình diễn ngôn trên đồ thị Neo4j, bảo toàn tính liên kết mà không làm mất đi các sắc thái diễn đạt gốc.

4. Hiệu năng của hệ thống được kiểm chứng qua những tập dữ liệu nào?

Hệ thống được đánh giá định lượng trên 2 tập dữ liệu trích xuất thông tin mở chuẩn là OIE-2016 (3.200 câu) và CaRB (641 câu); chất lượng module sinh câu hỏi tự động được đánh giá trên tập dữ liệu SQuAD bằng thang đo BLEU score. Ngoài ra, tác giả so sánh trực quan cấu trúc đồ thị sinh ra với kết quả của nhóm Team UWA qua các đoạn văn bản thử nghiệm thực tế.


Kết luận

Khóa luận tốt nghiệp của tác giả Nguyễn Minh Hiệu đã nghiên cứu và triển khai thành công quy trình tự động xây dựng đồ thị tri thức từ văn bản tự nhiên phi cấu trúc dựa trên kỹ thuật gán nhãn vai trò ngữ nghĩa (SRL) kết hợp nhận dạng thực thể (NER) và giải quyết đồng tham chiếu. Giải pháp lưu trữ đồ thị thuộc tính có nhãn trên Neo4j đã giải quyết hiệu quả vấn đề mất mát thông tin ngữ cảnh sự kiện, đồng thời tối ưu hóa cấu trúc dữ liệu cho các tác vụ hạ nguồn. Hệ thống được đánh giá thực nghiệm toàn diện trên các tập dữ liệu chuẩn OIE-2016, CaRB, SQuAD và cung cấp nền tảng ứng dụng trực quan hóa, sinh câu hỏi và tìm kiếm ngữ nghĩa hoàn chỉnh.