Giới thiệu dự án

Trong kỷ nguyên số, dữ liệu chuyên ngành Công nghệ thông tin (CNTT) gia tăng theo cấp số nhân. Tuy nhiên, các công cụ tìm kiếm truyền thống như Google hay Yahoo chủ yếu dựa trên kỹ thuật khớp từ khóa (keyword matching) và chỉ mục cú pháp, dẫn đến việc người dùng nhận về nhiều tài liệu chứa từ khóa nhưng không giải quyết đúng ý định tìm kiếm, hoặc không thể xử lý các câu hỏi phức tạp bằng ngôn ngữ tự nhiên.

Rào cản cốt lõi là máy tính thiếu khả năng hiểu ngữ nghĩa (semantic understanding) và mối quan hệ bản chất giữa các thực thể. Do đó, việc nghiên cứu xây dựng Ontology tiếng Việt chuyên ngành Công nghệ thông tin (ITVO - Information Technology Vietnamese Ontology) là nền tảng cốt lõi để hiện thực hóa Web ngữ nghĩa (Semantic Web), phục vụ cho các hệ thống hỏi đáp (QA System) và nhận diện thực thể có tên (NER) chuyên biệt cho tiếng Việt.

                    [Người dùng / Ứng dụng QA / NER]
                                  │
                                  ▼
                [Semantic Search Engine / SPARQL Query]
                                  │
                                  ▼
       ┌──────────────────────────────────────────────────────┐
       │   ITVO (Information Technology Vietnamese Ontology)  │
       │   - Lớp khái niệm (ACM Taxonomy & Wikipedia)         │
       │   - Thực thể (Công ty, Trường, Chuyên gia, Sự kiện) │
       │   - Ràng buộc & Quan hệ ngữ nghĩa đa chiều          │
       └──────────────────────────────────────────────────────┘
                                  ▲
                                  │ (Protégé 3.4 API)
       ┌──────────────────────────────────────────────────────┐
       │             Hệ thống làm giàu bán tự động            │
       │   [Google/Yahoo API] ──► [vnTokenizer] ──► [SVM]     │
       └──────────────────────────────────────────────────────┘

Mục tiêu dự án

  1. Thiết kế và chuẩn hóa cấu trúc ITVO: Xây dựng mô hình biểu diễn tri thức phân cấp chặt chẽ cho toàn bộ các khái niệm, thực thể và quan hệ trong miền CNTT bằng tiếng Việt theo chuẩn OWL (Web Ontology Language).
  2. Khởi tạo cơ sở tri thức nền tảng: Nhập và định nghĩa chính xác tập từ vựng, thuộc tính và ràng buộc dựa trên chuẩn phân loại quốc tế Computing Classification System của ACM kết hợp dữ liệu Wikipedia tiếng Việt.
  3. Phát triển công cụ làm giàu ontology bán tự động: Xây dựng pipeline tích hợp thu thập dữ liệu web (Google/Yahoo APIs), tiền xử lý tiếng Việt (vnTokenizer), phân lớp tài liệu (Support Vector Machines - SVM) và rút trích cá thể/quan hệ cập nhật vào ontology thông qua Protégé API.

Phạm vi và giới hạn

  • Phạm vi dữ liệu: Tập trung vào lĩnh vực CNTT tại Việt Nam và quốc tế, bao gồm: khái niệm chuyên ngành, tổ chức/doanh nghiệp phần mềm - phần cứng, cơ sở đào tạo, chuyên gia đầu ngành, sự kiện và giải thưởng CNTT.
  • Nguồn trích xuất: ComputingOntology (ACM), Wikipedia tiếng Việt, Cổng thông tin Bộ Thông tin & Truyền thông, website các trường đại học và báo điện tử chuyên ngành.
  • Giới hạn kỹ thuật: Chưa tự động hóa 100% khâu trích xuất quan hệ phức tạp; quy trình cập nhật tri thức vẫn có bước kiểm duyệt bán tự động (Human-in-the-loop) để đảm bảo tính nhất quán (consistency).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Khảo sát các nghiên cứu ontology trong và ngoài nước chỉ ra những khoảng trống tri thức lớn đối với việc xử lý tiếng Việt chuyên ngành:

Giải pháp Nguồn dữ liệu & Ngôn ngữ Quy mô / Đặc điểm Hạn chế chính
TheComputingOntology (ACM / IEEE) Tiếng Anh; chương trình đào tạo ĐH Lewis, Villanova, ACM CCS Cấu trúc phân loại chuẩn quốc tế, định dạng Protégé Hoàn toàn bằng tiếng Anh, không hỗ trợ ngữ cảnh và thực thể CNTT tiếng Việt
SwetoDBLP (ĐH Georgia, Mỹ) Tiếng Anh; DBLP (1,5 triệu bài báo), FOAF, Dublin Core Thư viện điện tử quy mô lớn, ánh xạ XML sang RDF Tập trung vào bài báo khoa học và tác giả, không mô hình hóa khái niệm kỹ thuật CNTT
OVL (Universal Ontology) (ĐH CNTT - ĐHQG HCM) Tiếng Việt; 10 lĩnh vực tổng quát (VnExpress, Yellow Pages) 2.543 lớp, 10.024 cá thể, 312 ràng buộc, 87 thuộc tính Mang tính phổ quát rộng, thiếu chiều sâu và thuật ngữ chi tiết cho ngành CNTT
Ontology KHCN (ĐH Bách Khoa Hà Nội) Tiếng Việt; Phòng KHCN Hà Nội, Sở Bưu chính Viễn thông 3.000 chuyên gia, 1.500 đề tài, 150 lĩnh vực Không có module rút trích thực thể từ tài liệu thô; phạm vi CNTT bị phân mảnh

Yêu cầu hệ thống theo mô hình MoSCoW

  • Must have: Cấu trúc ontology chuẩn OWL-DL; hệ thống phân cấp kế thừa đa tầng; quản lý thuộc tính dữ liệu (DatatypeProperty) và thuộc tính đối tượng (ObjectProperty); tích hợp bộ tách từ tiếng Việt; lưu trữ tri thức qua Protégé API.
  • Should have: Phân loại tài liệu bằng máy học SVM đạt độ chính xác cao; cơ chế ràng buộc quan hệ nghịch đảo (Inverse Properties); giao diện GUI quản lý quá trình làm giàu tri thức.
  • Could have: Module tự động gợi ý liên kết thực thể (Entity Linking) từ văn bản không cấu trúc.
  • Won't have (lần này): Tự động suy luận logic bậc một dựa trên tập luật SWRL phức tạp trong thời gian thực.

Thiết kế hệ thống

Hệ thống được thiết kế theo kiến trúc module hóa hướng dịch vụ dữ liệu ngữ nghĩa:

[Web Documents (HTML/Text)]
            │
            ▼
┌─────────────────────────┐
│     Google/Yahoo API    │ ──► Thu thập tài liệu chuyên ngành
└─────────────────────────┘
            │
            ▼
┌─────────────────────────┐
│       vnTokenizer       │ ──► Tách từ và chuẩn hóa tiếng Việt
└─────────────────────────┘
            │
            ▼
┌─────────────────────────┐
│  Bộ phân loại LibSVM    │ ──► Lọc và phân loại văn bản CNTT
└─────────────────────────┘
            │
            ▼
┌─────────────────────────┐
│  Rút trích Thực thể     │ ──► Trích xuất: Tên, Địa chỉ, Chuyên gia, Sự kiện...
└─────────────────────────┘
            │
            ▼
┌─────────────────────────┐
│   Giao diện Xác thực    │ ──► Chuyên gia kiểm duyệt / hiệu chỉnh
└─────────────────────────┘
            │
            ▼
┌─────────────────────────┐
│     Protégé 3.4 API     │ ──► Cập nhật Knowledge Base (ITVO.owl)
└─────────────────────────┘

Công nghệ và phiên bản sử dụng

  • Môi trường phát triển: Java SDK (JDK 1.6/1.7), phát triển trên nền tảng Eclipse IDE.
  • Engine Ontology: Protégé 3.4 (tương thích đặc tả W3C OWL-DL, giao tiếp API edu.stanford.smi.protegex.owl).
  • Thư viện Máy học & NLP: LibSVM (Support Vector Machines kernel RBF/Linear), công cụ phân tích từ vựng tiếng Việt vnTokenizer.
  • Định dạng biểu diễn tri thức: OWL-DL (Description Logic) kết hợp cú pháp RDF/XML.

Thiết kế lược đồ tri thức (Ontology Schema)

ITVO tổ chức 7 nhánh thực thể chính:

  1. Khái niệm CNTT: Khoa học máy tính, Kỹ thuật phần mềm, Hệ thống thông tin, Mạng máy tính, Bảo mật, Đạo đức nghề nghiệp...
  2. Công ty CNTT: Công ty phần mềm, Công ty phần cứng, Công ty dịch vụ, Chi nhánh.
  3. Trường đào tạo: Đại học, Cao đẳng, Trung cấp, Trung tâm dạy nghề CNTT.
  4. Tổ chức / Hiệp hội: Các tổ chức chuyên môn trong và ngoài nước.
  5. Chuyên gia CNTT: Học vị (Tiến sĩ trở lên), công trình nghiên cứu, đơn vị công tác.
  6. Sự kiện CNTT: Hội nghị, triển lãm, phân cấp theo năm diễn ra.
  7. Giải thưởng CNTT: Phân cấp theo tên giải thưởng và phiên bản trao giải.
<!-- Đoạn mã OWL biểu diễn lớp Khái niệm và Ràng buộc quan hệ trong ITVO -->
<owl:Class rdf:ID="KhaiNiemCNTT">
  <rdfs:subClassOf rdf:resource="http://www.w3.org/2002/07/owl#Thing"/>
</owl:Class>

<owl:DatatypeProperty rdf:ID="dinhNghia">
  <rdfs:domain rdf:resource="#KhaiNiemCNTT"/>
  <rdfs:range rdf:resource="http://www.w3.org/2001/XMLSchema#string"/>
</owl:DatatypeProperty>

<owl:ObjectProperty rdf:ID="toChuc">
  <rdfs:domain>
    <owl:Class>
      <owl:unionOf rdf:parseType="Collection">
        <owl:Class rdf:about="#CongTyCNTT"/>
        <owl:Class rdf:about="#TruongDaoTaoCNTT"/>
        <owl:Class rdf:about="#ToChucHiepHoiCNTT"/>
      </owl:unionOf>
    </owl:Class>
  </rdfs:domain>
  <rdfs:range rdf:resource="#SuKienCNTT"/>
  <owl:inverseOf rdf:resource="#duocToChucBoi"/>
</owl:ObjectProperty>

<owl:ObjectProperty rdf:ID="duocToChucBoi">
  <owl:inverseOf rdf:resource="#toChuc"/>
</owl:ObjectProperty>

Phương pháp luận phát triển

Quy trình phát triển ontology áp dụng phương pháp luận 7 bước chuẩn của Noy & McGuinness (Đại học Stanford), kết hợp kỹ thuật hỗn hợp (Middle-Out / Combination):

  1. Xác định miền và phạm vi: Đặt câu hỏi kiểm chứng năng lực (Competency Questions) như: "Thuật toán này thuộc nhánh nào?", "Trường nào vô địch Robocon năm 2009?".
  2. Kế thừa tri thức sẵn có: Tái sử dụng cây phân cấp từ Computing Classification System (ACM).
  3. Liệt kê thuật ngữ cốt lõi: Trích xuất danh từ (khái niệm/lớp), tính từ (thuộc tính), động từ (quan hệ ngữ nghĩa).
  4. Xây dựng cấu trúc lớp: Định nghĩa lớp cha - con theo quan hệ is-a (subClassOf).
  5. Định nghĩa thuộc tính và quan hệ: Thiết lập DatatypeProperty và ObjectProperty.
  6. Thiết lập ràng buộc (Restrictions): Khai báo số lượng (Cardinality), kiểu dữ liệu (Range), miền xác định (Domain) và tính chất đối xứng/nghịch đảo.
  7. Khởi tạo cá thể (Instances) và kiểm tra nhất quán: Chạy bộ suy luận DIG Reasoner để kiểm tra lỗi logic.

Implementation và kết quả

Quy trình phát triển (Development Process)

Quá trình xây dựng và làm giàu dữ liệu được triển khai theo 4 giai đoạn chính:

[Thu thập dữ liệu Web] ──► [Phân loại văn bản (SVM)] ──► [Rút trích thực thể] ──► [Cập nhật ITVO]
  1. Thu thập văn bản tự động: Sử dụng Web Crawler kết hợp Google/Yahoo Search APIs với bộ từ khóa hạt giống (seeds) về CNTT để tải tài liệu thô từ internet.
  2. Tiền xử lý văn bản tiếng Việt: Văn bản được chuẩn hóa bảng mã Unicode, loại bỏ stop words (sử dụng danh sách từ hư tiếng Việt) và phân tách từ ghép thông qua vnTokenizer.
  3. Phân lớp văn bản bằng SVM: Áp dụng mô hình vector không gian TF-IDF biểu diễn tài liệu, huấn luyện mô hình SVM để phân loại tài liệu thuộc chuyên ngành CNTT hay phi CNTT.
  4. Rút trích và cập nhật Ontology: Trích xuất các thực thể định danh dựa trên mẫu mẫu ngữ pháp/từ điển, hiển thị trên giao diện quản trị để người dùng kiểm duyệt, sau đó ghi trực tiếp vào tệp ITVO.owl bằng Protégé OWL API.
// Đoạn mã mẫu sử dụng Protégé OWL API để khởi tạo và gán giá trị cho một cá thể mới
OWLModel owlModel = ProtegeOWL.createJenaOWLModel();
OWLNamedClass companyClass = owlModel.getOWLNamedClass("CongTyPhanMem");
OWLIndividual companyIndividual = companyClass.createOWLIndividual("FPT_Software");

OWLDatatypeProperty addressProp = owlModel.getOWLDatatypeProperty("diaChi");
companyIndividual.setPropertyValue(addressProp, "Khu Công nghệ cao Hòa Lạc, Hà Nội");

OWLObjectProperty organizedProp = owlModel.getOWLObjectProperty("toChuc");
OWLIndividual eventIndividual = owlModel.getOWLIndividual("CuocThiLapTrinh_2011");
companyIndividual.addPropertyValue(organizedProp, eventIndividual);

Kiểm thử và đánh giá (Testing & Validation)

Hệ thống được kiểm thử toàn diện trên các khía cạnh logic và hiệu năng làm giàu dữ liệu:

  • Kiểm tra tính nhất quán logic: Sử dụng Reasoner tương thích chuẩn DIG (FaCT++ / Pellet) tích hợp trong Protégé để kiểm tra lỗi circular dependency, disjoint classes và vi phạm cardinality. Kết quả không có xung đột logic.
  • Độ chính xác phân lớp SVM: Thử nghiệm trên tập dữ liệu kiểm thử 500 bài báo tiếng Việt (250 bài CNTT, 250 bài tổng hợp), mô hình SVM đạt độ chính xác (Precision) trên 88.4% và độ bao phủ (Recall) đạt 86.2%.
  • Độ chính xác trích xuất thực thể: Bộ công cụ vnTokenizer kết hợp luật trích xuất đạt tỷ lệ tách từ đúng 94.1% trên tập ngữ liệu văn bản kỹ thuật.

Kết quả đạt được

Hệ thống đã hoàn thành đầy đủ các chỉ tiêu đặt ra ban đầu:

Thành phần đo lường Kế hoạch ban đầu Kết quả thực tế đạt được Tỷ lệ hoàn thành
Số lượng Lớp (Classes) 1.000 lớp 1.085 lớp 108.5%
Số lượng Quan hệ (Relations) 100 quan hệ 112 quan hệ 112.0%
Số lượng Thuộc tính (Properties) 30 thuộc tính 38 thuộc tính 126.6%
Cá thể nhập thủ công (Core Instances) 100 cá thể 125 cá thể 125.0%
Cá thể làm giàu bán tự động 1.000 cá thể 1.140 cá thể 114.0%
Độ nhất quán dữ liệu (Consistency) 100% 100% (Passed DIG Reasoner) 100%

Đổi mới và đóng góp

  1. Chuẩn hóa Ontology CNTT tiếng Việt đầu tiên có tính hệ thống cao: Khác với các nghiên cứu trước đây chỉ tập trung vào tiếng Anh hoặc ontology tiếng Việt đa miền tổng quát, ITVO là bộ ontology chuyên biệt đầu tiên phản ánh đầy đủ cấu trúc phân loại học thuật quốc tế (ACM CCS) bằng ngôn ngữ tiếng Việt.
  2. Quy trình kết hợp NLP tiếng Việt và Web ngữ nghĩa: Tích hợp module xử lý tiếng Việt chuyên sâu (vnTokenizer) với giải thuật phân loại máy học SVM, giúp giải quyết triệt để vấn đề đồng âm, đa nghĩa và từ ghép trong việc nhận diện thực thể kỹ thuật.
  3. Mô hình làm giàu bán tự động hiệu quả: Cắt giảm hơn 70% thời gian và công sức xây dựng cơ sở tri thức so với phương pháp thủ công thuần túy, đồng thời duy trì độ tin cậy tri thức tuyệt đối thông qua cơ chế kiểm duyệt bán tự động trước khi ghi vào kho tri thức OWL.

Ứng dụng thực tế và triển khai

Tình huống ứng dụng (Use Cases)

  • Hệ thống Tìm kiếm Ngữ nghĩa (Semantic Search): Truy vấn thông tin tài liệu dựa trên khái niệm con/cha thay vì khớp từ khóa tĩnh (ví dụ: tìm kiếm "ngôn ngữ lập trình hướng đối tượng" tự động trả về tài liệu về Java, C++, C#).
  • Hệ thống Hỏi - Đáp tự động (QA System): Xử lý và trả lời chính xác các câu hỏi ngữ nghĩa phức tạp như: "Trường đại học nào đào tạo ngành Kỹ thuật phần mềm tại TP.HCM?", "Những giải thưởng CNTT nào được trao cho chuyên gia X?".
  • Tư vấn hướng nghiệp và chương trình đào tạo: So khớp lộ trình học tập giữa các trường đại học dựa trên các lớp môn học và chuẩn kiến thức ACM.

Yêu cầu triển khai hệ thống

  • Phần cứng tối thiểu: CPU 2.0 GHz đa nhân, RAM tối thiểu 4GB, ổ cứng trống 10GB.
  • Môi trường phần mềm: Hệ điều hành Linux/Windows, Java Runtime Environment (JRE) 1.6+, Protégé 3.4 API runtime libraries, Jena Semantic Framework.
  • Bảo trì & Mở rộng: Triển khai SPARQL Endpoint thông qua Apache Jena Fuseki để cho phép các ứng dụng bên thứ ba truy vấn dữ liệu ngữ nghĩa qua HTTP RESTful API.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Xử lý ngữ nghĩa sâu: Chưa tự động rút trích hoàn toàn các quan hệ ngữ nghĩa phức tạp giữa các thực thể từ văn bản tự do không cấu trúc mà vẫn cần tập luật heuristic.
  • Quy mô dữ liệu: Mới tập trung vào các trường đại học và doanh nghiệp lớn tại Việt Nam; dữ liệu về các chương trình đào tạo chi tiết từng môn học cần tiếp tục bổ sung.

Hướng phát triển tương lai

  1. Nâng cấp OWL 2.0 & Triển khai Deep Learning: Ứng dụng các mô hình ngôn ngữ lớn (LLMs/Transformers) để tự động hóa hoàn toàn quy trình trích xuất quan hệ (Relation Extraction) và nhận diện thực thể (NER).
  2. Xây dựng SPARQL Endpoint công khai: Đóng gói ITVO thành dịch vụ Linked Open Data (LOD) phục vụ cộng đồng nghiên cứu xử lý ngôn ngữ tự nhiên tiếng Việt.
  3. Tích hợp tập luật suy luận SWRL: Bổ sung các luật suy diễn nghiệp vụ nâng cao để phát hiện tri thức tiềm ẩn trong dữ liệu đào tạo và nghiên cứu khoa học.

Đối tượng hưởng lợi

┌────────────────────────────────────────────────────────────────────────┐
│                        ĐỐI TƯỢNG HƯỞNG LỢI                             │
├───────────────────┬────────────────────┬───────────────────────────────┤
│  Sinh viên & Học  │  Lập trình viên &  │  Nhà nghiên cứu NLP /         │
│  viên chuyên ngành│  Kỹ sư phần mềm    │  Tổ chức giáo dục             │
│  Tra cứu khái     │  Tích hợp API      │  Kế thừa ontology chuẩn,      │
│  niệm chuẩn hóa   │  Semantic Web      │  phát triển hệ thống QA       │
└───────────────────┴────────────────────┴───────────────────────────────┘
  • Sinh viên & Học viên: Nắm vững hệ thống thuật ngữ CNTT chuẩn hóa, dễ dàng tra cứu mối liên kết giữa các môn học và lộ trình đào tạo chuyên ngành.
  • Kỹ sư phát triển phần mềm: Tận dụng schema ITVO và mã nguồn tích hợp Protégé API để xây dựng các công cụ phân tích văn bản, chatbot và công cụ tìm kiếm ngữ nghĩa.
  • Nhà nghiên cứu Xử lý ngôn ngữ tự nhiên (NLP): Sở hữu tập dữ liệu ngữ nghĩa tiếng Việt có cấu trúc để làm benchmark cho các bài toán Named Entity Recognition và Information Extraction.
  • Doanh nghiệp & Trường đại học: Tối ưu hóa việc quản lý hồ sơ chuyên gia, đề tài nghiên cứu khoa học và chuẩn hóa chương trình đào tạo theo khung quốc tế.

Câu hỏi thường gặp

1. Cần chuẩn bị môi trường kỹ thuật gì để triển khai và chạy ITVO?

Để triển khai ITVO, hệ thống cần cài đặt Java Development Kit (JDK 1.6 hoặc cao hơn) cùng phần mềm Protégé 3.4 (hỗ trợ Protégé-OWL API). Nếu muốn tích hợp vào ứng dụng Java, bạn cần import các thư viện lõi của Protégé OWL và Apache Jena để thao tác với tệp ITVO.owl.

2. Sự khác biệt giữa việc sử dụng OWL-DL và cơ sở dữ liệu quan hệ (RDBMS) truyền thống là gì?

RDBMS lưu trữ dữ liệu dưới dạng bảng cố định và đòi hỏi truy vấn tường minh qua SQL, không có khả năng hiểu ngữ nghĩa. Ngược lại, OWL-DL trong ITVO cho phép mô hình hóa tri thức có tính suy luận logic (reasoning), tự động phân lớp thực thể dựa trên thuộc tính và phát hiện các mối quan hệ ngữ nghĩa tiềm ẩn mà không cần lập trình cứng.

3. Làm thế nào để mở rộng thêm các lớp (Classes) hoặc thuộc tính mới vào ITVO?

Bạn có thể mở rộng trực tiếp bằng giao diện đồ họa Protégé-OWL hoặc thông qua mã nguồn Java sử dụng Protégé API. Nhờ kiến trúc hướng đối tượng của OWL, khi thêm một lớp con mới (ví dụ: TriTueNhanTao là con của KhoaHocMayTinh), lớp mới sẽ tự động kế thừa toàn bộ thuộc tính và ràng buộc từ lớp cha.

4. Quy trình làm giàu bán tự động xử lý các văn bản tiếng Việt có độ nhập nhằng cao như thế nào?

Quy trình sử dụng công cụ vnTokenizer để phân đoạn từ vựng chính xác, kết hợp mô hình SVM để xác thực ngữ cảnh CNTT của tài liệu. Các thực thể trích xuất được đưa qua giao diện quản trị để chuyên gia kiểm tra và xác nhận trước khi lưu vào ontology, đảm bảo cơ sở tri thức không bị ô nhiễm bởi thông tin sai lệch.

5. Chi phí bản quyền và khả năng tích hợp của ITVO vào các dự án thương mại ra sao?

Dự án được xây dựng dựa trên các công nghệ và thư viện mã nguồn mở hoàn toàn (Protégé, LibSVM, vnTokenizer, chuẩn W3C OWL/RDF), do đó chi phí bản quyền phần mềm là 0 đồng. Hệ thống hoàn toàn tương thích để nhúng vào các kiến trúc microservices phục vụ tìm kiếm ngữ nghĩa thông qua chuẩn giao tiếp RESTful API và SPARQL.

Kết luận

Đồ án tốt nghiệp "Xây dựng và làm giàu Ontology tiếng Việt chuyên ngành Công nghệ thông tin" đã giải quyết thành công bài toán biểu diễn và tự động hóa cập nhật tri thức chuyên ngành cho tiếng Việt. Với quy mô hơn 1.000 lớp, hơn 1.200 cá thể cùng pipeline trích xuất tri thức bán tự động tích hợp máy học SVM và NLP tiếng Việt, đề tài đặt nền móng kỹ thuật vững chắc cho việc phát triển các ứng dụng Web ngữ nghĩa, công cụ tìm kiếm thông minh và hệ thống hỏi đáp tự động tại Việt Nam.

Các nhà phát triển và nhóm nghiên cứu có thể kế thừa và tích hợp ngay mô hình ITVO để nâng cao năng lực thấu hiểu ngữ nghĩa cho các sản phẩm công nghệ trong tương lai.