Luận Văn Thạc Sĩ: Xây Dựng Ontology Từ Kho Ngữ Liệu Dạng Văn Bản

Khám phá luận văn thạc sĩ công nghệ thông tin về xây dựng ontology từ kho ngữ liệu dạng văn bản, ứng dụng và tiềm năng trong nghiên cứu.

• Tác giả: Lâm Thị Phương Thảo
• Người hướng dẫn: TS. Nguyễn Chánh Thành
• Trường học: Trường Đại Học Công Nghệ TP. HCM
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Xây Dựng Ontology Từ Kho Ngữ Liệu Dạng Văn Bản
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2015
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: MỞ ĐẦU
• 1.1. Lý do chọn đề tài
• 1.2. Mục đích, đối tượng và phạm vi nghiên cứu
• 1.3. Ý nghĩa khoa học và thực tiễn của đề tài
• 1.4. Cấu trúc của luận văn
• 2. CHƯƠNG 2: TỔNG QUAN
• 2.1. Giới thiệu bản thể học
• 2.1.1. Khái niệm Bản thể học
• 2.1.2. Ứng dụng của bản thể học hiện nay
• 2.1.3. Hiệu quả mang lại từ việc sử dụng bản thể học
• 2.1.4. Cách tổ chức dữ liệu trong một bản thể học
• 2.2. Các công trình nghiên cứu đã có liên quan mật thiết đến đề tài
• 2.2.1. Học từ bản thể học
• 2.2.2. Tạo bản thể học bán tự động từ kho ngữ liệu văn bản
• 2.2.3. Kỹ thuật tạo bản thể học bán tự động sử dụng mô hình
• 2.2.4. Kỹ thuật bán tự động của bản thể học từ văn bản
• 2.2.5. Dafoe: Một Nền tảng cho việc xây dựng bản thể học từ văn bản
• 2.3. Những vấn đề mà đề tài tập trung nghiên cứu, giải quyết
• 2.3.1. Tìm hiểu bản thể học
• 2.3.2. Xây dựng tập từ gốc, xác định các từ, cụm từ
• 2.3.3. Nhận dạng và tạo các quan hệ ngữ nghĩa
• 2.3.4. Tạo bản thể học
• 3. CHƯƠNG 3: CÁC NGHIÊN CỨU LIÊN QUAN
• 3.1. Trình tự thực hiện tạo ứng dụng trong Gate UK
• 3.2. Phương pháp thực hiện tạo bản thể học
• 3.2.1. Xác định lĩnh vực và phạm vi của bản thể học
• 3.2.2. Xây dựng tập từ gốc, xác định các từ, cụm từ
• 3.2.2.1. Sưu tập các từ gốc
• 3.2.2.2. Xác định các từ, cụm từ liên quan
• 3.2.3. Kết quả đạt được
• 3.3. Nhận dạng quan hệ ngữ nghĩa
• 3.4. Tạo bản thể học
• 3.4.1. Tạo các class theo hệ thống phân cấp đã phân tích trên
• 3.4.2. Tạo các thuộc tính của class, xây dựng mối quan hệ giữa các lớp
• 3.4.3. Tạo các thể hiện
• 4. CHƯƠNG 4: THỰC NGHIỆM
• 5. CHƯƠNG 5: KẾT LUẬN VÀ KIẾN NGHỊ
• 5.1. Kết quả đạt được
• 5.2. Hướng phát triển
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về Xây Dựng Ontology Từ Kho Ngữ Liệu Văn Bản

Bản thể học (ontology) đã trở thành một công cụ quan trọng trong việc tổ chức và chia sẻ kiến thức. Việc xây dựng ontology từ kho ngữ liệu văn bản không chỉ giúp tăng cường khả năng tương tác giữa các hệ thống mà còn hỗ trợ việc hiểu biết chung giữa các bên. Nghiên cứu này sẽ trình bày các khái niệm cơ bản về ontology và tầm quan trọng của nó trong lĩnh vực công nghệ thông tin.

1.1. Khái niệm về Ontology và Vai Trò của Nó

Ontology là một hệ thống các khái niệm và mối quan hệ giữa chúng trong một lĩnh vực cụ thể. Nó giúp định nghĩa rõ ràng các khái niệm và mối quan hệ, từ đó hỗ trợ việc chia sẻ thông tin hiệu quả.

1.2. Lợi Ích Của Việc Xây Dựng Ontology

Việc xây dựng ontology từ kho ngữ liệu văn bản mang lại nhiều lợi ích, bao gồm khả năng tương tác tốt hơn giữa các hệ thống và việc chia sẻ kiến thức hiệu quả hơn giữa người dùng.

II. Những Thách Thức Trong Việc Xây Dựng Ontology Từ Văn Bản

Mặc dù việc xây dựng ontology từ kho ngữ liệu văn bản mang lại nhiều lợi ích, nhưng cũng gặp phải nhiều thách thức. Các vấn đề như độ chính xác trong việc nhận diện khái niệm và mối quan hệ giữa chúng là những thách thức lớn.

2.1. Vấn Đề Nhận Diện Khái Niệm

Nhận diện khái niệm từ văn bản là một nhiệm vụ khó khăn, đặc biệt khi văn bản chứa nhiều ngữ nghĩa khác nhau. Điều này đòi hỏi các phương pháp xử lý ngôn ngữ tự nhiên hiệu quả.

2.2. Khó Khăn Trong Việc Xác Định Mối Quan Hệ

Việc xác định mối quan hệ giữa các khái niệm trong ontology cũng gặp nhiều khó khăn. Các mối quan hệ này cần phải được xác định một cách chính xác để đảm bảo tính hợp lệ của ontology.

III. Phương Pháp Xây Dựng Ontology Từ Kho Ngữ Liệu Văn Bản

Để xây dựng ontology từ kho ngữ liệu văn bản, có nhiều phương pháp khác nhau. Nghiên cứu này sẽ trình bày một số phương pháp chính, bao gồm phương pháp bán tự động và các công cụ hỗ trợ.

3.1. Phương Pháp Bán Tự Động

Phương pháp bán tự động cho phép kết hợp giữa con người và máy móc trong quá trình xây dựng ontology. Điều này giúp tăng cường độ chính xác và hiệu quả trong việc nhận diện khái niệm và mối quan hệ.

3.2. Công Cụ Hỗ Trợ Xây Dựng Ontology

Có nhiều công cụ hỗ trợ việc xây dựng ontology như Protégé và Gate UK. Những công cụ này giúp người dùng dễ dàng hơn trong việc phân tích và tổ chức dữ liệu.

IV. Ứng Dụng Của Ontology Trong Xử Lý Ngôn Ngữ Tự Nhiên

Ontology có nhiều ứng dụng trong lĩnh vực xử lý ngôn ngữ tự nhiên. Việc sử dụng ontology giúp cải thiện khả năng hiểu biết của máy tính về ngôn ngữ tự nhiên.

4.1. Tăng Cường Khả Năng Tìm Kiếm Thông Tin

Ontology giúp cải thiện khả năng tìm kiếm thông tin bằng cách cung cấp một cấu trúc rõ ràng cho các khái niệm và mối quan hệ giữa chúng.

4.2. Hỗ Trợ Phân Tích Ngữ Nghĩa

Việc sử dụng ontology trong phân tích ngữ nghĩa giúp máy tính hiểu rõ hơn về ngữ cảnh và ý nghĩa của các từ trong văn bản.

V. Kết Luận và Hướng Phát Triển Tương Lai

Việc xây dựng ontology từ kho ngữ liệu văn bản là một lĩnh vực nghiên cứu quan trọng và cần thiết. Nghiên cứu này đã chỉ ra những lợi ích và thách thức trong việc xây dựng ontology, đồng thời đề xuất các phương pháp và công cụ hỗ trợ.

5.1. Tóm Tắt Kết Quả Nghiên Cứu

Nghiên cứu đã chỉ ra rằng việc xây dựng ontology từ kho ngữ liệu văn bản có thể thực hiện hiệu quả thông qua các phương pháp bán tự động và công cụ hỗ trợ.

5.2. Đề Xuất Hướng Nghiên Cứu Tương Lai

Cần tiếp tục nghiên cứu và phát triển các phương pháp mới để cải thiện độ chính xác và hiệu quả trong việc xây dựng ontology từ kho ngữ liệu văn bản.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh phát triển mạnh mẽ của công nghệ thông tin, bản thể học (ontology) đã trở thành một công cụ thiết yếu trong việc chia sẻ và quản lý tri thức. Theo ước tính, bản thể học được ứng dụng rộng rãi trong các lĩnh vực như web ngữ nghĩa, trí tuệ nhân tạo, thương mại điện tử và xử lý ngôn ngữ tự nhiên. Tuy nhiên, việc xây dựng bản thể học cho các lĩnh vực kiến thức cụ thể vẫn còn nhiều thách thức, đặc biệt khi nguồn dữ liệu chủ yếu là kho ngữ liệu dạng văn bản phong phú nhưng chưa được cấu trúc. Luận văn tập trung nghiên cứu phương pháp xây dựng bản thể học bán tự động từ kho ngữ liệu dạng văn bản, với phạm vi nghiên cứu tập trung vào lĩnh vực ngôn ngữ lập trình, sử dụng các ebook tiếng Anh làm nguồn dữ liệu chính trong khoảng thời gian từ tháng 8/2014 đến tháng 3/2015 tại Trường Đại học Công nghệ TP. Hồ Chí Minh.

Mục tiêu cụ thể của nghiên cứu là khảo sát các phương pháp xây dựng bản thể học từ kho ngữ liệu văn bản, đề xuất và cải tiến một phương pháp kết hợp xử lý ngôn ngữ tự nhiên để xây dựng bản thể học bán tự động, đồng thời tiến hành thực nghiệm và đánh giá hiệu quả phương pháp. Ý nghĩa của nghiên cứu thể hiện qua việc hỗ trợ người dùng tạo bản thể học cho miền kiến thức cụ thể, góp phần nâng cao khả năng tương tác và chia sẻ thông tin giữa các hệ thống và con người, đồng thời giảm thiểu công sức và thời gian xây dựng bản thể học thủ công.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình nghiên cứu về bản thể học và xử lý ngôn ngữ tự nhiên. Hai lý thuyết chính được áp dụng gồm:

1. Lý thuyết bản thể học (Ontology Theory): Bản thể học được định nghĩa là một hệ thống các khái niệm và mối quan hệ giữa chúng trong một lĩnh vực cụ thể, nhằm mục đích tạo ra một sự đồng thuận và chia sẻ kiến thức. Bản thể học bao gồm bốn thành phần chính: khái niệm (class), thể hiện (instance), mối quan hệ (relation) và tiên đề (axiom). Phân loại bản thể học theo đối tượng khái niệm gồm: top level ontology, domain ontology, task ontology và application ontology. Domain ontology là loại bản thể học phổ biến nhất, tập trung vào một miền ứng dụng cụ thể.

2. Mô hình xây dựng bản thể học bán tự động: Nghiên cứu tập trung vào phương pháp bán tự động, kết hợp xử lý ngôn ngữ tự nhiên và các thuật toán phân loại để trích xuất và tổ chức thông tin từ kho ngữ liệu văn bản. Các kỹ thuật như học từ bản thể học đã có, mô hình kết hợp (hybrid approach), và các công cụ hỗ trợ như GATE (General Architecture for Text Engineering), WordNet được sử dụng để phân tích và nhận dạng các từ, cụm từ, cũng như xác định các quan hệ ngữ nghĩa giữa chúng.

Các khái niệm chuyên ngành quan trọng bao gồm: quan hệ Is-A (hyponymy/hypernymy), quan hệ bộ phận-toàn thể (meronymy/holonymy), xử lý ngôn ngữ tự nhiên (NLP), luật JAPE (Java Annotation Patterns Engine) trong GATE, và các thuật toán phân loại khái niệm.

Phương pháp nghiên cứu

Nguồn dữ liệu chính của nghiên cứu là các ebook tiếng Anh về lĩnh vực ngôn ngữ lập trình, được lựa chọn làm kho ngữ liệu văn bản để xây dựng bản thể học. Cỡ mẫu dữ liệu gồm khoảng 30 thuật ngữ được xác định ban đầu, trong đó 8 thuật ngữ được chọn làm từ gốc để phát triển bản thể học.

Phương pháp phân tích bao gồm:

• Xây dựng tập từ gốc: Sưu tập thủ công các từ gốc dựa trên mô tả chủ đề, kết hợp với việc sử dụng WordNet để mở rộng tập từ bằng các quan hệ đồng nghĩa và Is-A.

• Phân tích ngữ liệu: Sử dụng công cụ GATE UK với các plugin ANNIE và luật JAPE để phân tích các ebook, nhận dạng và trích xuất các từ, cụm từ liên quan đến bản thể học, đặc biệt tập trung vào các khái niệm như cấu trúc điều khiển (control structure) và kiểu dữ liệu (data type).

• Nhận dạng và tạo quan hệ ngữ nghĩa: Áp dụng các thủ tục phân loại và cải tiến thuật toán để xác định các quan hệ Is-A và các quan hệ ngữ nghĩa khác giữa các khái niệm, đồng thời xây dựng cơ sở dữ liệu thuật ngữ.

• Tạo bản thể học: Sử dụng phần mềm Protégé 4.3 để xây dựng bản thể học dựa trên hệ thống phân cấp lớp, thuộc tính và các mối quan hệ đã xác định.

Timeline nghiên cứu kéo dài từ tháng 8/2014 đến tháng 3/2015, bao gồm các giai đoạn khảo sát lý thuyết, thu thập và phân tích dữ liệu, xây dựng bản thể học và thực nghiệm đánh giá.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Xác định tập từ gốc và từ liên quan: Qua phân tích các ebook và sử dụng WordNet, luận văn đã xác định được 30 thuật ngữ liên quan đến lĩnh vực ngôn ngữ lập trình, trong đó 8 thuật ngữ được chọn làm từ gốc như "Programming language", "Procedure programming language", "Object-oriented programming language", "Logic programming language", "Structure programming language". Tỷ lệ từ gốc chiếm khoảng 26.2% tổng số thuật ngữ xác định.

2. Phân tích và nhận dạng từ, cụm từ: Sử dụng GATE UK với plugin ANNIE và luật JAPE, nghiên cứu đã thành công trong việc nhận dạng các từ, cụm từ đặc trưng cho các khái niệm như "control structure" và "data type" trong các ngôn ngữ lập trình phổ biến như C, C++, Java, Pascal, Visual Basic. Ví dụ, các cấu trúc điều khiển được nhận dạng dựa trên các từ khóa như "if", "for", "while", "switch", "do".

3. Cải tiến thuật toán phân loại quan hệ: Luận văn đề xuất cải tiến hai thủ tục phân loại quan hệ Is-A nhằm tăng hiệu quả và giảm thiểu bỏ sót thông tin khi xử lý lượng lớn dữ liệu. Cải tiến thủ tục 1 giúp xác định các từ ghép có từ cuối là head, trong khi cải tiến thủ tục 2 tạo danh sách các từ và head subsumes để ghép và xác định quan hệ bao hàm giữa các khái niệm.

4. Xây dựng bản thể học hoàn chỉnh: Sử dụng Protégé, bản thể học về ngôn ngữ lập trình được xây dựng với hệ thống phân cấp lớp rõ ràng, các thuộc tính và mối quan hệ được xác định đầy đủ. Kết quả thực nghiệm cho thấy tính khả thi của phương pháp bán tự động trong việc xây dựng bản thể học từ kho ngữ liệu văn bản.

Thảo luận kết quả

Kết quả nghiên cứu cho thấy phương pháp bán tự động kết hợp xử lý ngôn ngữ tự nhiên và thuật toán phân loại là phù hợp để xây dựng bản thể học trong lĩnh vực có kho ngữ liệu dạng văn bản phong phú nhưng chưa được cấu trúc. Việc sử dụng GATE UK và WordNet giúp tăng độ chính xác trong việc nhận dạng và phân loại các thuật ngữ, đồng thời giảm thiểu sự phụ thuộc vào can thiệp thủ công.

So sánh với các nghiên cứu trước đây, phương pháp này có ưu điểm là linh hoạt, có thể áp dụng cho nhiều lĩnh vực khác nhau và giảm thiểu thời gian xây dựng bản thể học so với phương pháp thủ công hoàn toàn. Việc cải tiến các thủ tục phân loại cũng góp phần nâng cao hiệu quả xử lý dữ liệu lớn, điều mà nhiều nghiên cứu trước chưa tập trung khai thác.

Dữ liệu có thể được trình bày qua các biểu đồ thể hiện tỷ lệ từ gốc so với tổng số thuật ngữ, bảng thống kê số lượng từ và cụm từ được nhận dạng, cũng như sơ đồ hệ thống phân cấp lớp trong bản thể học. Các bảng và hình ảnh minh họa trong luận văn đã hỗ trợ trực quan cho việc đánh giá kết quả.

Đề xuất và khuyến nghị

1. Phát triển công cụ tự động hóa cao hơn: Tiếp tục cải tiến các thuật toán phân loại và nhận dạng quan hệ ngữ nghĩa để giảm thiểu sự can thiệp thủ công, hướng tới xây dựng hệ thống hoàn toàn tự động trong việc tạo bản thể học từ kho ngữ liệu văn bản.

2. Mở rộng phạm vi ứng dụng: Áp dụng phương pháp xây dựng bản thể học bán tự động cho các lĩnh vực khác ngoài ngôn ngữ lập trình, đặc biệt là các lĩnh vực có kho dữ liệu văn bản lớn như y tế, luật pháp, thương mại điện tử nhằm tăng tính ứng dụng thực tiễn.

3. Tăng cường tích hợp công cụ: Kết hợp thêm các công cụ xử lý ngôn ngữ tự nhiên hiện đại như các mô hình học sâu (deep learning) để nâng cao khả năng nhận dạng và phân loại ngữ nghĩa, đồng thời tích hợp với các phần mềm xây dựng bản thể học như Protégé để tối ưu hóa quy trình.

4. Đào tạo và hướng dẫn sử dụng: Tổ chức các khóa đào tạo, hướng dẫn sử dụng công cụ và phương pháp xây dựng bản thể học bán tự động cho các nhà nghiên cứu và chuyên gia trong ngành nhằm phổ biến và nâng cao năng lực xây dựng bản thể học.

Các giải pháp trên nên được thực hiện trong vòng 1-2 năm tới, với sự phối hợp giữa các cơ sở nghiên cứu, trường đại học và doanh nghiệp công nghệ thông tin.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và sinh viên ngành Công nghệ Thông tin: Luận văn cung cấp kiến thức chuyên sâu về bản thể học và phương pháp xây dựng bản thể học bán tự động, hỗ trợ nghiên cứu và học tập trong lĩnh vực xử lý ngôn ngữ tự nhiên và quản lý tri thức.

2. Chuyên gia phát triển phần mềm và hệ thống thông tin: Các kỹ thuật và công cụ được trình bày giúp cải thiện khả năng xây dựng hệ thống thông minh, tăng cường khả năng tương tác và chia sẻ dữ liệu giữa các ứng dụng.

3. Doanh nghiệp và tổ chức ứng dụng công nghệ tri thức: Các tổ chức có nhu cầu xây dựng hệ thống quản lý tri thức, khai thác dữ liệu văn bản có thể áp dụng phương pháp để phát triển bản thể học phù hợp với lĩnh vực hoạt động của mình.

4. Nhà quản lý và hoạch định chính sách trong lĩnh vực CNTT: Luận văn cung cấp cơ sở khoa học để định hướng phát triển các dự án liên quan đến quản lý tri thức và ứng dụng bản thể học trong các hệ thống thông tin quốc gia và doanh nghiệp.

Câu hỏi thường gặp

1. Bản thể học là gì và tại sao nó quan trọng?
   Bản thể học là hệ thống các khái niệm và mối quan hệ trong một lĩnh vực cụ thể, giúp tạo sự đồng thuận và chia sẻ kiến thức giữa con người và máy tính. Nó quan trọng vì hỗ trợ khả năng tương tác ngữ nghĩa giữa các hệ thống và nâng cao hiệu quả quản lý tri thức.

2. Phương pháp bán tự động trong xây dựng bản thể học là gì?
   Phương pháp bán tự động kết hợp giữa tự động hóa qua xử lý ngôn ngữ tự nhiên và sự can thiệp thủ công để trích xuất, phân loại và tổ chức thông tin từ kho ngữ liệu văn bản, giúp giảm công sức và tăng độ chính xác so với phương pháp thủ công.

3. Công cụ GATE và WordNet được sử dụng như thế nào trong nghiên cứu?
   GATE là bộ công cụ xử lý ngôn ngữ tự nhiên dùng để phân tích và trích xuất thông tin từ văn bản, trong khi WordNet là cơ sở tri thức từ vựng giúp xác định các quan hệ ngữ nghĩa như đồng nghĩa, Is-A giữa các thuật ngữ, hỗ trợ xây dựng bản thể học.

4. Làm thế nào để cải tiến thuật toán phân loại quan hệ trong bản thể học?
   Luận văn đề xuất cải tiến thủ tục phân loại bằng cách tạo danh sách các từ và head subsumes, ghép các cặp từ để xác định quan hệ bao hàm, giúp xử lý hiệu quả hơn khi dữ liệu lớn và giảm bỏ sót thông tin.

5. Phạm vi ứng dụng của phương pháp này có giới hạn không?
   Phương pháp được thiết kế linh hoạt và có thể áp dụng cho nhiều lĩnh vực khác nhau có kho ngữ liệu dạng văn bản phong phú. Tuy nhiên, hiệu quả phụ thuộc vào chất lượng dữ liệu đầu vào và sự phù hợp của các công cụ xử lý ngôn ngữ tự nhiên với ngôn ngữ và lĩnh vực cụ thể.

Kết luận

• Luận văn đã trình bày thành công phương pháp xây dựng bản thể học bán tự động từ kho ngữ liệu dạng văn bản trong lĩnh vực ngôn ngữ lập trình.
• Phương pháp kết hợp sử dụng công cụ GATE, WordNet và Protégé giúp nhận dạng, phân loại và tổ chức các khái niệm một cách hiệu quả.
• Các cải tiến thuật toán phân loại quan hệ góp phần nâng cao hiệu quả xử lý dữ liệu lớn và giảm thiểu sai sót.
• Kết quả thực nghiệm chứng minh tính khả thi và ứng dụng thực tiễn của phương pháp trong việc xây dựng bản thể học.
• Đề xuất các hướng phát triển tiếp theo bao gồm tự động hóa cao hơn, mở rộng phạm vi ứng dụng và tích hợp công nghệ mới.

Để tiếp tục phát triển, các nhà nghiên cứu và chuyên gia được khuyến khích áp dụng và cải tiến phương pháp này trong các lĩnh vực khác, đồng thời phối hợp phát triển công cụ hỗ trợ nhằm nâng cao hiệu quả xây dựng bản thể học. Hãy bắt đầu áp dụng phương pháp này để nâng cao chất lượng quản lý tri thức và khả năng tương tác thông tin trong tổ chức của bạn ngay hôm nay!

Trích đoạn nội dung tài liệu

Mở đầu, trình bày lý do chọn đề tài, mục tiêu, phạm vi và những đóng góp chính của luận văn, giới thiệu cấu trúc của luận văn. Chương 2: Tổng quan, chương này giải quyết vấn đề thứ nhất giới thiệu các khái niệm về bản thể học, ngoài ra chương này còn phân tích, đánh giá các công trình nghiên cứu liên quan đến việc xây dựng bản thể học, chỉ ra những vấn đề mà đề tài cần tập trung nghiên cứu, giải quyết. Chương 3: Các nghiên cứu liên quan, chương này trình bày các nghiên cứu liên quan để thực hiện đề tài: GateUK, Wordnet, các nghiên cứu liên quan đến việc tạo bản thể học, tập trung giải quyết vấn đề thứ hai và thứ ba : cách xây dựng tập từ gốc, thực hiện phân tích nội dung, cách nhận dạng và tạo quan hệ ngữ nghĩa, cách tạo bản thể học bán tự động Chương 4: Thực nghiệm, chương này giải quyết vấn đề thứ tư: trình bày cách thức và kết quả quá trình thực nghiệm. Chương 5: Kết luận và kiến nghị, là phần tổng kết, trong đó trình bày tóm lược kết quả luận văn và những đề nghị liên quan đến luận văn.

Danh mục tài liệu tham khảo. Phụ lục 5 Chương 2.1 Giới thiệu bản thể học Trình bày lý thuyết tổng quan về bản thể học, về cách tổ chức dữ liệu trong bản thể học, các công trình nghiên cứu liên quan đến tạo bản thể học.1 Khái niệm Bản thể học Theo Wikipedia ii, “ontology” (bản thể học) là từ có nguồn gốc từ triết học và được dùng trong nhiều lĩnh vực như khoa học máy tính, hệ thống kỹ thuật, kỹ thuật phần mềm, sinh tin học, khoa học thư viện, kiến trúc thông tin và các website ngữ nghĩa (semantic web). Một số định nghĩa về bản thể học được sử dụng nhiều hiện nay : - Theo quan điểm triết học, bản thể học là nghiên cứu về bản chất của sinh vật, sự tồn tại hoặc những sự vật thực tế, cũng như các loại sinh vật cơ bản và các mối quan hệ của chúng (theo Wikipedia). - Trong khoa học máy tính, một bản thể học là một đặc tả rõ ràng của một sự trừu tượng hóa (theo [14]).

- Theo Mizoguchi, bản thể học là một hệ thống các khái niệm/ từ vựng được sử dụng như một khối trong hệ thống xử lý thông tin. - Một bản thể học định nghĩa một tập từ vựng cho những nhà nghiên cứu sử dụng khi cần chia sẻ thông tin trong một lĩnh vực. Nó bao gồm những định nghĩa của các khái niệm cơ bản trong một lĩnh vực và mối quan hệ giữa chúng mà máy có thể hiểu được (theo [9]). Tóm lại, bản thể học bao gồm các khái niệm về một lĩnh vực cụ thể và các mối quan hệ giữa các khái niệm đó.

Một bản thể học về một lĩnh vực sẽ mô tả rõ ràng những thực thể giúp con người và máy có thể hiểu và suy luận được theo ngữ nghĩa trong phạm vi lĩnh vực đó. Có nhiều cách phân loại bản thể học, theo [16], dựa trên đối tượng của khái niệm thì bản thể học được chia thành 4 loại như sau: ii http://en.org/wiki/Ontology 6 Top level ontology Task ontology Domain ontology Application ontology Hình 2-1: Phân loại ontology theo đối tượng của khái niệm - Top level ontology: mô tả khái niệm rất chung chung hoặc kiến thức thông thường như không gian, thời gian, sự kiện, hành động,. Những khái niệm độc lập của một vấn đề hay một lĩnh vực cụ thể. - Domain ontology: là một tập hợp các từ vựng và các khái niệm mô tả một miền ứng dụng hoặc các mục tiêu cụ thể.

Hầu hết các bản thể học hiện nay là Domain ontology. - Task ontology: được sử dụng để khái niệm hóa các nhiệm vụ cụ thể trong hệ thống. Nó điều chỉnh một tập hợp các từ vựng và các khái niệm mô tả một cấu trúc thực hiện các nhiệm vụ độc lập với miền. - Application ontology: bản thể học này là cụ thể nhất.

Các khái niệm trong bản thể học ứng dụng là ứng dụng trên lĩnh vực cụ thể và đặc biệt. Nói cách khác, các khái niệm thường tương ứng với vai trò của các lĩnh vực trong khi thực hiện một hoạt động nào đó. Ngoài việc phân loại nêu trên, về mặt tổ chức thì bản thể học bao gồm bốn thành phần chính: khái niệm, các thể hiện, mối quan hệ và các tiên đề.2 Ứng dụng của bản thể học hiện nay Trong những năm gần đây, bản thể học đã trở thành một chủ đề nghiên cứu phổ biến trong một loạt các ngành, với mục đích tăng sự hiểu biết và xây dựng một sự thống nhất trong một lĩnh vực tri thức nhất định. Bản thể học cũng giải quyết việc chia sẻ kiến thức giữa các hệ thống và con người với nhau.

Bản thể học xuất hiện 7 đầu tiên trong phòng thí nghiệm trí tuệ nhân tạo, trước khi được sử dụng trong các lĩnh vực khác, hiện nay bản thể học được sử dung rộng rãi trong nhiều lĩnh vực khác nhau: web ngữ nghĩa (Semantic Web), khám phá dịch vụ web ngữ nghĩa (Semantic Web Service Discovery), Trí tuệ nhân tạo (Artificial Intelligence), máy tìm kiếm (Search Engines), thương mại điện tử (E-Commerce).3 Hiệu quả mang lại từ việc sử dụng bản thể học Bản thể học trở thành một chủ đề nghiên cứu phổ biến trong một loạt các ngành, với mục đích tăng sự hiểu biết và xây dựng một sự đồng thuận trong một lĩnh vực nhất định của tri thức. Bản thể học cũng hỗ trợ việc chia sẻ kiến thức giữa các hệ thống và con người.4 Cách tổ chức dữ liệu trong một bản thể học Bản thể học bao gồm bốn thành phần chính: - Concept (class hoặc term): khái niệm là một nhóm trừu tượng, tập hợp các đối tượng. Đây là yếu tố cơ bản của tên miền và thường đại diện cho một nhóm hoặc lớp mà các thành viên chia sẻ thuộc tính chung. - Instance: một thể hiện, biểu diễn cho một lớp, một đối tượng cụ thể.

- Relation: mối quan hệ giữa các khái niệm. - Axiom: được sử dụng để ràng buộc giá trị của các class hoặc các thể hiện, vì vậy tiên đề axiom sử dụng ngôn ngữ logic; chúng được sử dụng để xác minh tính hợp lệ của bản thể học.2 Các công trình nghiên cứu đã có liên quan mật thiết đến đề tài Hiện nay trên thế giới và trong nước đã có nhiều công trình nghiên cứu về cách tạo bản thể học: 2.1 Học từ bản thể học - Học từ bản thể học, theo [3], có thể được mô tả như là việc thu thập một bản thể học trên một miền tri thức (local ontology) mới từ những bản thể học đang có. Learning Ontology cần dữ liệu đầu vào để học những khái niệm liên quan đến miền đã biết trước, những định nghĩa của khái niệm cũng như các mối quan hệ tổ chức giữa những định nghĩa này. 8 - Học từ bản thể học bao gồm việc mượn kiểu dữ liệu không cấu trúc, bán cấu trúc, có cấu trúc để hổ trợ, quá trình thiết kế bản thể học bán tự động.

Học từ bản thể học tiến hành thông qua nhập (import), rút trích (extract), tỉa (prune), lọc (refine), và ước lượng tạo cho người thiết kế bản thể học có nhiều sự phối hợp các công cụ cho mẫu bản thể học. - Quá trình Learning Ontology trải qua năm bước: Hình 2-2: Các bước quá trình Học bản thể học (nguồn: trang 3 tài liệu tham khảo [3])  Bước 1: bản thể học hiện có được import và tái sử dụng từ sự kết hợp các cấu trúc hiện tại, hoặc định nghĩa sự sắp xếp các qui tắc giữa cấu trúc hiện tại và bản thể học đã được thành lập  Bước 2: trong bản thể học đã có trích 1 phần từ bản thể học đích được mô hình với sự hỗ trợ từ web document.  Bước 3: hình dáng thô của bản thể học đích cần cắt tỉa để điều chỉnh thành bản thể học tốt hơn bản ban đầu của nó.  Bước 4: bản thể học chọn lọc những lợi thế từ domain ontology nhất định hoàn thành bản thể học đích tốt (trái ngược với khai thác).

 Bước 5: cung cấp một ứng dụng đích như là một giới hạn để kiểm tra bản thể học kết quả.2 Tạo bản thể học bán tự động từ kho ngữ liệu văn bản Phương pháp này, theo [2], thực hiện tự động trích xuất xâu ngữ nghĩa thông tin từ các nguồn văn bản và nhanh chóng tạo ra bản thể học miền ngữ nghĩa phong phú trong khi vẫn giữ can thiệp bằng tay đến mức tối thiểu. Phương pháp này sử dụng công cụ Polaris để tự động trích xuất thông tin ngữ nghĩa từ văn bản. Sau đó sử dụng công cụ Jaguar xây dựng bán tự động mô hình bản thể học trên miền tri thức. Polaris [2], là bộ phân tích cú pháp ngữ nghĩa, tự động trích xuất thông tin ngữ nghĩa từ văn bản.

Polaris được xây dựng dựa trên một tập hợp 26 mối quan hệ ngữ nghĩa mà Lymba đã xác định. Polaris chạy phân loại trên từng phần của văn bản phù hợp với một mô hình cú pháp. Phân loại kiểm tra tính năng của các văn bản và xác định xem có quan hệ nào của 26 quan hệ ghép vào giữa các yếu tố của mô hình không. Hầu hết các phân loại dựa trên các thuật toán học máy khác nhau, và tán xạ ngữ nghĩa (một thuật toán học mới sử dụng các lớp WordNet để tìm mối quan hệ có thể xảy ra nhất giữa hai danh từ).

Jaguar xử lý các nguồn tài nguyên văn bản và nhanh chóng xây dựng bản thể học lĩnh vực chuyên biệt trong định dạng Lymba hoặc trong các định dạng tiêu chuẩn như RDF của W3C và OWL. Các văn bản đầu vào cho Jaguar có thể từ nhiều nguồn khác nhau bao gồm cả văn bản, MS Word, PDF và trang web HTML ,. Một Jaguar kiến thức cơ bản bao gồm các thành phần sau đây: - Các khái niệm bản thể học: khối xây dựng cơ bản của một bản thể học - Hệ thống phân cấp: cấu trúc để lấy được kiến thức phổ quát trên một số khái niệm bản thể học thông qua các mối quan hệ bắc cầu (ví dụ như IS-A, Whole-Part, LOCATIVE , v.v…) - Kiến thức theo ngữ cảnh: cụm kiến thức lấy được thông qua tất cả các mối quan hệ ngữ nghĩa được phát hiện bởi bộ phân tích ngữ nghĩa. - Tiên đề theo yêu cầu: lấy được khẳng định về khái niệm của điều quan tâm tạo ra từ những kiến thức có giá trị và có ích cho việc suy luận trên văn bản.