CHƯƠNG 1. KIẾN THỨC NỀN TẢNG VÀ TIẾP CẬN PHÁT TRIỂN HỆ THỐNG TIN TỨC THỂ THAO DỰA TRÊN WEB NGỮ NGHĨA Nội dung của chương này trình bày tổng quan về công nghệ Web ngữ nghĩa bao gồm nguồn gốc Web ngữ nghĩa, khái niệm Web ngữ nghĩa, kiến trúc Web ngữ nghĩa, ontology, ngôn ngữ biểu diễn ontology và dữ liệu ngữ nghĩa, tìm kiếm ngữ nghĩa, và kho dữ liệu ngữ nghĩa mở. Các nghiên cứu liên quan trong và ngoài nước về Web ngữ nghĩa cũng được đề cập và phân tích. Đề xuất tiếp cận Web ngữ nghĩa trong xây dựng hệ thống tổng hợp tin tức, các nội dung nghiên cứu chính trong luận án cùng với kiến trúc tổng quan của hệ thống tổng hợp tin tức thể thao BKSport dựa trên công nghệ Web ngữ nghĩa cũng được trình bày cụ thể.1 Giới thiệu về Web ngữ nghĩa World Wide Web (hay viết tắt là Web) đã trở thành một kho tàng thông tin khổng lồ được tạo ra bởi các tổ chức, cộng đồng và nhiều cá nhân.com ước tính kích thước của Web trên toàn thế giới cho biết: từ năm 1990 đến năm 2019, Web được lập chỉ mục có chứa ít nhất 5 tỉ trang.
Tuy nhiên, do Web ban đầu được thiết kế với mục đích là tạo ra một công cụ giúp con người chia sẻ thông tin một cách dễ dàng, nội dung trên Web hướng tới con người. Vì vậy, Web hiện tại có nhiều hạn chế khi cần được xử lý tự động bởi máy tính. Vấn đề của Web hiện nay đó là người dùng dễ dàng bị lạc, hay phải xử lý một lượng thông tin không hợp lý và không liên quan được trả về từ kết quả tìm kiếm trên Web. Câu hỏi đặt ra là: làm thế nào chúng ta có thể có được kết quả tìm kiếm chính xác một cách nhanh chóng theo những gì mà chúng ta muốn.
Với những hạn chế trên, sự bùng nổ thông tin trên Web đặt ra thách thức mới cho những nhà nghiên cứu. Đó là làm thế nào để khai thác thông tin trên Web một cách hiệu quả. Vấn đề này đã thúc đẩy sự ra đời của ý tưởng Web ngữ nghĩa. Web ngữ nghĩa không được sinh ra để thay thế toàn bộ Web hiện tại.
Mục tiêu của Web ngữ nghĩa là phát triển các tiêu chuẩn và công nghệ chung mà cho phép máy tính hiểu nhiều thông tin trên Web hơn, để chúng có thể hỗ trợ tốt hơn việc khám phá thông tin, tích hợp dữ liệu, và tự động hóa các nhiệm vụ. Thực tế cho thấy rằng Web ngữ nghĩa có thể chứng tỏ những điểm mạnh của mình khi được áp dụng vào những lĩnh vực thông tin bị giới hạn, ví dụ quản lý tri thức, phát triển những dịch vụ Web có ngữ nghĩa. Với sự hỗ trợ của Web ngữ nghĩa, thông tin mong muốn được tìm ra nhanh hơn và chính xác hơn. Web ngữ nghĩa cũng hỗ trợ tích hợp dữ liệu liên kết từ nhiều nguồn, tìm kiếm động các dữ liệu sẵn có và các nguồn dữ liệu.1 Nguồn gốc Web ngữ nghĩa Tim Berners-Lee là một nhà khoa học máy tính người Anh, nổi tiếng vì phát minh ra World Wide Web với ngôn ngữ đánh dấu siêu văn bản tuy đơn giản nhưng là khuôn dạng đầu tiên cho phép biểu diễn những nội dung giàu thông tin bao gồm văn bản và các dữ liệu đa phương tiện.
Ngôn ngữ đánh dấu siêu văn bản là ngôn ngữ đánh dấu mà được các trình duyệt Web sử dụng để trình bày văn bản, hình ảnh, âm thanh, và các tài liệu khác trong các trang web. Tuy nhiên, Tim Berners-Lee thấy nhiều điểm hạn chế của Web hiện tại là nội dung biểu diễn sử dụng HTML mới chỉ hướng đến con người mà chưa thể được hiểu và xử lý tự động bằng máy tính. Từ đó ông đã có ý tưởng thêm ngữ nghĩa vào các trang Web từ gần cuối những năm 1990. Ý tưởng về Web ngữ nghĩa như là phần mở rộng của Web hiện tại trong đó thông tin được xác định rõ ý nghĩa, cho phép máy tính và con người cộng tác với nhau tốt hơn [6].
Nền tảng cho sự ra đời của Web ngữ nghĩa phải nói đến 2 thuật ngữ là RDF và URI. Để gắn siêu dữ liệu phân loại cho các trang Web, nhóm W3C Metadata Activity tạo ra nền tảng PICS (Platform for Internet Content Selection) trong đó các tài nguyên Web được xác định bởi URL 7 luan an và được cấp các nhãn. URI có khả năng hỗ trợ cho các thực thể trừu tượng, do đó được nhóm Semantic Web Activity đưa ra để thay thế cho các nhãn PICS vốn chỉ đề cập được đến các tài nguyên Web thực (URL). RDF viết tắt của Resource Description Framework do W3C tạo ra, được sử dụng như một phương pháp chung để mô tả khái niệm hoặc mô hình hóa thông tin về các tài nguyên Web.
RDF trở thành mô hình dữ liệu cơ bản cho ontology trên Web, vì với RDF các đối tượng có URI đều có thể được mô tả mà không cần phải có một tài nguyên Web thực sự tồn tại tương ứng. Từ năm 2001, W3C đã chuẩn hóa những khái niệm cốt lõi của Web ngữ nghĩa cụ thể là RDF, RDFS, OWL (Web Ontology Language), SPARQL, RIF (Rule Interchange Format). Sau 5 năm kể từ ngày phát hành phiên bản SPARQL [51], phiên bản SPARQL 1.1 [52] đã được phát hành vào năm 2013. Phiên bản tiếp theo của OWL [53], ký hiệu là OWL2 [54], đã được công bố vào năm 2012.
Phiên bản mới nhất của RIF [55] được công bố vào ngày 5/2/2013.2 Khái niệm Web ngữ nghĩa Năm 2001, Tim Berners-Lee lần đầu tiên giới thiệu chính thức về Web ngữ nghĩa trong một bài báo đăng trên tạp chí Scientific American. Ông đã đưa ra định nghĩa: “Web ngữ nghĩa là sự mở rộng của Web hiện tại mà ở đó thông tin được định nghĩa một cách rõ ràng, cho phép máy tính và con người có thể hợp tác với nhau tốt hơn” [6]. Có nhiều nghiên cứu khác nhau với nhiều góc nhìn khác nhau về Web ngữ nghĩa đã được đưa ra bởi các nhà khoa học. Lassila và các cộng sự [56] mô tả Web ngữ nghĩa như một loạt các tiêu chuẩn, ngôn ngữ mô hình hóa và các sáng kiến phát triển công cụ nhằm chú thích trang Web với siêu dữ liệu được định nghĩa rõ ràng, sao cho các tác nhân thông minh có thể lập luận hiệu quả hơn về các dịch vụ được cung cấp tại các site cụ thể.
Theo Nigel Shadbolt và các cộng sự [57], Web ngữ nghĩa là Web của thông tin hành động – thông tin thu được từ dữ liệu nhờ một lý thuyết ngữ nghĩa để diễn dịch các ký hiệu. Lý thuyết ngữ nghĩa cung cấp một bản kê “ý nghĩa” trong đó các kết nối logic của các thuật ngữ thiết lập khả năng liên tác (interoperability) giữa các hệ thống. Lee Feigenbaum và các cộng sự [58] phát biểu rằng Web ngữ nghĩa không khác với World Wide Web. Nó là sự nâng cao của Web, cung cấp cho Web tiện ích lớn hơn nhiều.
Dựa trên các lược đồ chung, các công cụ Web ngữ nghĩa cho phép liên kết các lược đồ đó, và hiểu các thuật ngữ của chúng để các phần mềm dựa Web ngữ nghĩa của cộng đồng có thể tự động hiểu nhau. Web ngữ nghĩa là Web của dữ liệu. Ý tưởng của Web ngữ nghĩa là mở rộng các nguyên tắc của Web hiện tại áp dụng trên tài liệu, để chúng hoạt động trên dữ liệu. Khi đó, dữ liệu có thể được truy cập cũng bằng kiến trúc Web chung, ví dụ như là URI.
Dữ liệu cũng sẽ được liên kết với nhau giống như những tài liệu Web đã và đang được liên kết. Việc xây dựng Web ngữ nghĩa thành công sẽ tạo ra một khung (framework) cho phép dữ liệu được chia sẻ và tái sử dụng giữa các ứng dụng khác nhau, các doanh nghiệp khác nhau, và cộng đồng khác nhau. Như vậy dữ liệu trong Web ngữ nghĩa sẽ được xử lý tự động/bán tự động cũng như thủ công bằng công cụ. Web ngữ nghĩa có các thành phần quan trọng là ontology, chú thích ngữ nghĩa, và tìm kiếm ngữ nghĩa: 1.
Ontology cung cấp vốn từ vựng mô tả các khái niệm và mối quan hệ giữa chúng cho Web ngữ nghĩa. Ontology thể hiện hiểu biết chung về một lĩnh vực mà có thể tái sử dụng và chia sẻ qua các ứng dụng và cộng đồng quan tâm. Chú thích là những giải thích, những ghi chú, sự hiệu đính, sự tham khảo, những bình nghĩa tổng quát hoặc bất kỳ hình thức nào khác của nhận xét bên ngoài được nhúng trong hoặc gắn vào một trang Web hoặc một phần được chọn của tài liệu. Chú thích ngữ nghĩa tổng quát là sự kết hợp của một thực thể dữ liệu với một phần tử của một sơ đồ phân loại, một ontology, hoặc một kho tri thức khác.
Chú thích ngữ nghĩa có thể được thực hiện thủ công, tự động hoặc bán tự động. Tìm kiếm ngữ nghĩa là một quy trình tìm kiếm tài liệu dựa trên sự khai thác tri thức lĩnh vực được hình thức hóa bởi một ontology. Nó là một phương pháp cải thiện kết quả tìm kiếm truyền thống bằng cách sử dụng dữ liệu từ Web ngữ nghĩa.3 Kiến trúc Web ngữ nghĩa Hình 1.1 minh họa kiến trúc của Web ngữ nghĩa. Kiến trúc (hoặc ngăn xếp) này đã được đề xuất bởi Berners-Lee và các cộng sự vào năm 2006 [59], và thường được sử dụng để mô tả các thành phần cốt lõi khác nhau của kiến trúc Web ngữ nghĩa.
Những thành phần này được khảo sát theo thứ tự từ đáy tới đỉnh của ngăn xếp Web ngữ nghĩa.1 Kiến trúc Web ngữ nghĩa [59] URI (Uniform Resource Identifier) và IRI (Internationalized Resource Identifier) là một chuỗi ký tự dùng để xác định duy nhất các tài nguyên Web ngữ nghĩa. IRI là tổng quát của URI, IRI chứa các ký tự từ tập hợp ký tự quốc tế (Unicode/ISO 10646) bao gồm Trung Quốc, Nhật Bản, Hàn Quốc v. Web ngữ nghĩa cần nhận dạng duy nhất để cho phép thao tác chứng minh được với các tài nguyên ở các lớp trên. URI/IRI là cơ chế cho phép xác định duy nhất các tài nguyên Web ngữ nghĩa.
Unicode là cần thiết để có thể biểu diễn các ngôn ngữ toàn cầu. Unicode đảm nhiệm việc biểu diễn và thao tác văn bản trong nhiều ngôn ngữ khác nhau, nó đặc biệt hữu dụng cho trao đổi các ký hiệu. XML (Extensible Markup Language) là một ngôn ngữ đánh dấu mà cho phép tạo ra các tài liệu về các dữ liệu có cấu trúc. XML là ngôn ngữ định chuẩn công nghiệp trong chuyển giao dữ liệu có cấu trúc trên Web.
Tuy nhiên XML mới chỉ hình thức hóa cấu trúc của một tài liệu, nó chưa thể hình thức hóa nội dung của một tài liệu.