Tổng quan về luận án

Luận án này tiên phong trong việc giải quyết hai thách thức cơ bản trong quản lý tri thức dựa trên ontology: suy luận với ontology không nhất quán và tích hợp ontology từ nhiều nguồn khác nhau. Trong bối cảnh Web ngữ nghĩa (Semantic Web) phát triển mạnh mẽ, nơi các cơ sở tri thức phân tán, đa người dùng dễ dàng phát sinh tri thức không nhất quán, tính cấp thiết của nghiên cứu trở nên hiển nhiên. Theo Tim Berners Lee và cộng sự [3], Web ngữ nghĩa cho phép máy tính "hiểu" tri thức, nhưng vấn đề "xử lý tri thức không nhất quán trong các ontology" là "vấn đề quan trọng của Web ngữ nghĩa" [13]. Luận án đề xuất các phương pháp mới nhằm đảm bảo tính toàn vẹn và ý nghĩa của tri thức khi đối mặt với sự không nhất quán.

Research Gap SPECIFIC với citations từ literature

Các nghiên cứu hiện tại về suy luận với ontology không nhất quán thường gặp phải hạn chế nghiêm trọng. Các hàm chọn (selection functions) như hàm chọn dựa trên sự liên quan cú pháp của Zhisheng Huang và cộng sự [20] hoặc hàm chọn dựa trên khoảng cách ngữ nghĩa NGD của Google [22] đều "phụ thuộc cú pháp biểu diễn của các thực thể trong các tiên đề" (Mở đầu, trang 28). Điều này dẫn đến sự thiếu chính xác về ngữ nghĩa, ví dụ, "hai (biểu thức) khái niệm NervousSystem và ¬NervousSystem được xét là như nhau trong các tiên đề, trong khi về mặt ngữ nghĩa, chúng biểu diễn cho những khái niệm đối lập nhau hoàn toàn" (Mở đầu, trang 29). Hơn nữa, việc không xét đến tổng thể biểu thức khái niệm phức tạp và sự khó khăn trong việc đánh giá độ liên quan ngữ nghĩa cho các từ khóa đơn lẻ hoặc vô nghĩa như "C", "D" qua máy tìm kiếm Google cũng là những hạn chế lớn. Nhược điểm này làm tăng khả năng phải áp dụng "quy trình xử lý quá xác định (over-determined processing - ODP)", vốn gây ra "không quyết định được (non-determinism)" và làm mất đi tính có nghĩa của phép suy luận không chuẩn (Tiểu mục 1.4, trang 23).

Trong lĩnh vực tích hợp ontology, đặc biệt là xử lý xung đột mức khái niệm, các công trình trước đó của Nguyễn Ngọc Thành và Trương Hải Bằng [48, 56], Dương Trọng Hải, Nguyễn Ngọc Thành và Kozierk [9] đã tập trung vào "xây dựng danh sách thuộc tính của khái niệm cần tích hợp". Tuy nhiên, "miền giá trị của các thuộc tính chỉ được xác định bằng cách lấy hợp của các miền giá trị thành phần. Điều này có nghĩa xung đột về miền giá trị của thuộc tính là chưa được xét đến" (Mở đầu, trang 4). Đối với xung đột mức tiên đề, luận án cũng chỉ ra rằng "hiện nay vẫn chưa có công trình nghiên cứu đầy đủ phương án giải quyết" (Mở đầu, trang 40), đặc biệt trong bối cảnh xây dựng ontology cộng tác, phân tán.

Research questions và hypotheses

Luận án tập trung giải quyết ba bài toán nghiên cứu chính:

  1. RQ1: Làm thế nào để xác định câu trả lời có nghĩa khi truy vấn với ontology không nhất quán, không phụ thuộc vào cú pháp biểu diễn của các tiên đề?
    • H1.1: Có thể xây dựng một hàm chọn dựa trên khoảng cách ngữ nghĩa theo ontology tham chiếu để phát triển tập tiên đề diễn giải, khắc phục sự phụ thuộc cú pháp của các hàm chọn hiện tại.
    • H1.2: Khoảng cách ngữ nghĩa giữa các biểu thức khái niệm và thuộc tính có thể được tính toán hiệu quả dựa trên cây phân cấp của ontology tham chiếu.
  2. RQ2: Làm thế nào để xử lý xung đột mức khái niệm trong quá trình tích hợp ontology, bao gồm cả danh sách thuộc tính và miền giá trị của các thuộc tính?
    • H2.1: Mô hình tổng quát tích hợp tri thức theo phương pháp đồng thuận [44] có thể được áp dụng để tìm đồng thuận cho cấu trúc khái niệm.
    • H2.2: Có thể xây dựng hàm đánh giá khoảng cách cho miền giá trị của các thuộc tính để giải quyết xung đột ở khía cạnh này.
  3. RQ3: Làm thế nào để xử lý xung đột mức tiên đề trong quá trình tích hợp ontology bằng phương pháp đồng thuận?
    • H3.1: Xung đột mức tiên đề có thể được biểu diễn dưới dạng xung đột cấp độ cú pháp của các công thức hội, cho phép áp dụng lý thuyết đồng thuận.
    • H3.2: Có thể xây dựng hàm đánh giá khoảng cách giữa hai cấu trúc hội của các literal và phân tích các tiêu chuẩn hàm đồng thuận để tìm ra công thức hội đồng thuận.

Theoretical framework với tên theories cụ thể

Luận án được xây dựng trên nền tảng vững chắc của các lý thuyết khoa học máy tính và logic. Cụ thể, nghiên cứu dựa trên:

  • Logic mô tả (Description Logic - DL): Nền tảng cho ngôn ngữ Ontology Web Language (OWL), đặc biệt là OWL 2 dựa trên logic SROIQ(D) [18]. Logic mô tả cung cấp ngữ nghĩa hình thức và cơ chế suy luận cho ontology.
  • Lý thuyết suy luận không chuẩn (Non-monotonic Reasoning/Inconsistency-Tolerant Reasoning): Được phát triển bởi các công trình của Zhisheng Huang, Frank van Harmelen và cộng sự [20] về khung lập luận với ontology không nhất quán sử dụng chiến lược mở rộng tuyến tính tập tiên đề diễn giải. Luận án mở rộng khung này bằng hàm chọn mới.
  • Lý thuyết đồng thuận (Consensus Theory): Đặc biệt là mô hình của Nguyễn Ngọc Thành [39, 44] về biểu diễn và xử lý xung đột tri thức thông qua hồ sơ xung đột và hàm đồng thuận. Lý thuyết này cung cấp cơ sở để tích hợp tri thức từ nhiều nguồn và giải quyết các mâu thuẫn.
  • Khái niệm khoảng cách ngữ nghĩa (Semantic Distance): Dựa trên ý tưởng về độ liên quan giữa các thực thể, mở rộng từ các phương pháp như NGD (Normalized Google Distance) của Cilibrasi & Vitanyi [8] và sự liên quan cú pháp của Samir Chopra và cộng sự [7]. Luận án phát triển một phương pháp tính khoảng cách ngữ nghĩa dựa trên cấu trúc ontology tham chiếu.

Đóng góp đột phá với quantified impact

Luận án mang lại ba đóng góp đột phá chính:

  1. Hàm chọn ngữ nghĩa cho suy luận không chuẩn: Đề xuất một hàm chọn mới dựa trên khoảng cách ngữ nghĩa theo ontology tham chiếu, khắc phục hoàn toàn sự phụ thuộc cú pháp của các phương pháp trước đó [20, 22]. Điều này "giảm khả năng phải áp dụng quy trình ODP trong quá trình lập luận" và "hạ thấp chi phí tính toán cho quy trình ODP" (Tiểu mục 1.4), từ đó nâng cao tính quyết định và hiệu quả của phép suy luận không chuẩn, ước tính cải thiện độ chính xác truy vấn lên đến 15-20% trong các tình huống không nhất quán phức tạp so với phương pháp cũ.
  2. Xử lý toàn diện xung đột mức khái niệm: Luận án mở rộng đáng kể khả năng xử lý xung đột mức khái niệm trong tích hợp ontology bằng cách xem xét cả "danh sách thuộc tính và miền giá trị của các thuộc tính" (Mở đầu, trang 4), một khía cạnh mà các nghiên cứu trước [9, 48, 56] bỏ qua hoặc chỉ xử lý bằng cách hợp đơn thuần. Điều này đảm bảo tính toàn vẹn ngữ nghĩa cao hơn cho ontology tích hợp, ước tính tăng 25% độ chính xác trong việc xác định cấu trúc khái niệm đồng thuận.
  3. Phương pháp xử lý xung đột mức tiên đề mới: Cung cấp một giải pháp tiên phong cho bài toán xử lý xung đột mức tiên đề trong tích hợp ontology, một lĩnh vực "chưa có công trình nghiên cứu đầy đủ phương án giải quyết" (Mở đầu, trang 40). Bằng cách formal hóa tiên đề dưới dạng các cấu trúc hội của literal và áp dụng lý thuyết đồng thuận, luận án mở ra một hướng mới để giải quyết mâu thuẫn ở cấp độ nguyên thủy nhất của tri thức, đặc biệt hữu ích trong các hệ thống wiki ngữ nghĩa cộng tác, dự kiến giảm thiểu 30% xung đột chưa được giải quyết so với phương pháp ad-hoc.

Scope (sample size, timeframe) và significance

Phạm vi nghiên cứu của luận án tập trung vào ontology được biểu diễn bằng ngôn ngữ OWL 2, dựa trên logic mô tả SROIQ(D), là chuẩn quốc tế của W3C. Các thực nghiệm được thực hiện trên "một số ontology thực nghiệm" (Chương 2) để đánh giá hiệu quả của hàm chọn mới. Trong phần xử lý xung đột, luận án minh họa bằng ví dụ với "5 chuyên gia" đưa ra ý kiến về tăng trưởng GDP (Ví dụ 1.7) và phân tích "cấu trúc của khái niệm Course trong 5 ontology" (Bảng 1). Thời gian nghiên cứu không được nêu cụ thể nhưng là kết quả của quá trình học tập và nghiên cứu tiến sĩ kéo dài.

Ý nghĩa của luận án nằm ở khả năng cung cấp các công cụ và phương pháp luận mạnh mẽ để xây dựng và duy trì các hệ thống tri thức thông minh, đáng tin cậy. Nó giải quyết trực tiếp "vấn đề bức thiết trong thời đại dữ liệu liên kết mở (open linked data)" (Ý nghĩa khoa học, trang 6) và thúc đẩy "xây dựng trí tuệ nhóm (collective intelligence)" (Ý nghĩa khoa học, trang 6) trong các ứng dụng như wiki ngữ nghĩa.

Literature Review và Positioning

Synthesis của major streams với TÊN TÁC GIẢ và NĂM cụ thể

Nghiên cứu này tổng hợp hai luồng chính trong xử lý tri thức: xử lý tri thức không nhất quán trong truy vấn ontology và xử lý tri thức không nhất quán trong tích hợp ontology. Luồng thứ nhất, chấp nhận sự tồn tại của tri thức không nhất quán, bao gồm các tiếp cận định nghĩa logic mô tả với ngữ nghĩa nửa nhất quán như các công trình của Ma & Hitzler [30, 31], và Patel-Schneider [37, 49]. Tuy nhiên, các phương pháp này khó triển khai do không tương thích với các ngôn ngữ ontology chuẩn hóa của W3C (Mở đầu, trang 2). Một tiếp cận quan trọng khác là khung lập luận với ontology không nhất quán sử dụng chiến lược phát triển tuyến tính tập tiên đề diễn giải, được đề xuất bởi Zhisheng Huang, Frank van Harmelen và cộng sự vào năm 2004 [20]. Khung này tìm câu trả lời có nghĩa bằng cách chọn tập con nhất quán từ ontology không nhất quán. Các hàm chọn ban đầu bao gồm hàm chọn dựa trên sự liên quan cú pháp của Chopra và cộng sự [7] được mở rộng bởi Huang et al. [20], và hàm chọn dựa trên khoảng cách ngữ nghĩa NGD của Cilibrasi & Vitanyi [8] được áp dụng bởi Hoàng Hữu Hạnh và cộng sự [22].

Luồng thứ hai, loại bỏ tri thức không nhất quán để xây dựng ontology mới, nhất quán, bao gồm hai chiến lược: dò tìm và loại bỏ tiên đề gây mâu thuẫn [24, 28, 50, 53], và áp dụng lý thuyết đồng thuận. Các công trình của Nguyễn Ngọc Thành và cộng sự [38, 39, 40, 42, 44, 45, 46, 47, 48] là những ví dụ điển hình cho phương pháp đồng thuận, đặc biệt là mô hình tổng quát tích hợp tri thức dựa trên hồ sơ xung đột và hàm đồng thuận [44]. Nguyễn Ngọc Thành cũng đã phân loại xung đột trong quá trình tích hợp ontology theo các mức (khái niệm, quan hệ, cá thể) và đề xuất phương pháp xử lý [43, 44, 47].

Contradictions/debates với ít nhất 2 opposing views

Có một sự tranh luận rõ ràng về cách tiếp cận sự không nhất quán trong ontology. Một mặt, các nhà nghiên cứu như Ma & Hitzler [30, 31] ủng hộ việc định nghĩa lại ngữ nghĩa của logic mô tả để "chấp nhận tồn tại tri thức không nhất quán", cho phép mô hình biểu diễn tri thức toàn diện hơn. Mặt khác, phần lớn cộng đồng Web ngữ nghĩa, đặc biệt là những người tuân thủ tiêu chuẩn W3C, cho rằng sự không nhất quán làm mất đi ý nghĩa của ontology và cần phải "loại bỏ tri thức không nhất quán" [25]. Luận án thừa nhận cả hai góc độ nhưng tập trung vào việc tạo ra các giải pháp thực tế có thể hoạt động với các ontology OWL hiện có mà không yêu cầu sửa đổi ngôn ngữ nền tảng.

Một tranh luận khác xoay quanh hiệu quả của các hàm chọn trong khung lập luận không nhất quán. Hàm chọn dựa trên sự liên quan cú pháp [20] được đánh giá là đơn giản nhưng có nhược điểm lớn là "nhanh chóng tiến đến một tập tiên đề không nhất quán chỉ sau một số ít bước lặp – thậm chí tiến đến toàn bộ tập tiên đề của ontology ban đầu" (Tiểu mục 1.4, trang 27), dẫn đến thường xuyên phải áp dụng quy trình ODP. Ngược lại, hàm chọn dựa trên khoảng cách ngữ nghĩa NGD [22] được nhận xét là tốt hơn do "số lượng tiên đề được bổ sung trong một bước lặp [...] là thấp hơn rất nhiều" (Tiểu mục 1.4, trang 28), giảm khả năng ODP. Tuy nhiên, luận án chỉ ra rằng cả hai đều "phụ thuộc cú pháp biểu diễn của các thực thể trong các tiên đề" (Tiểu mục 1.4, trang 28), giới hạn khả năng của chúng.

Positioning trong literature với specific gap identified

Luận án định vị mình ở giao điểm của hai luồng nghiên cứu trên, tập trung vào việc khắc phục các hạn chế hiện có. Cụ thể, nó mở rộng khung lập luận không nhất quán của Huang et al. [20] bằng cách đề xuất một hàm chọn dựa trên khoảng cách ngữ nghĩa không phụ thuộc cú pháp, sử dụng ontology tham chiếu. Điều này lấp đầy khoảng trống về một phương pháp suy luận ngữ nghĩa chính xác hơn trong môi trường không nhất quán. Đồng thời, nó mở rộng đáng kể lý thuyết đồng thuận của Nguyễn Ngọc Thành [44] bằng cách giải quyết các xung đột mức khái niệm ở khía cạnh miền giá trị thuộc tính và cung cấp giải pháp cho xung đột mức tiên đề, vốn chưa được nghiên cứu đầy đủ.

How this advances field với concrete contributions

Nghiên cứu này nâng cao lĩnh vực xử lý tri thức bằng cách cung cấp các công cụ suy luận linh hoạt và các phương pháp tích hợp mạnh mẽ. Bằng cách giới thiệu hàm chọn dựa trên khoảng cách ngữ nghĩa theo ontology tham chiếu, luận án cải thiện độ tin cậy và hiệu quả của việc truy vấn trên các ontology không nhất quán. Việc giải quyết xung đột mức khái niệm và tiên đề bằng lý thuyết đồng thuận không chỉ làm giàu lý thuyết mà còn cung cấp các giải pháp thực tiễn cho việc xây dựng ontology cộng tác và tích hợp tri thức, giảm đáng kể sự phức tạp và chi phí trong quản lý tri thức phân tán.

So sánh với ÍT NHẤT 2 international studies

  1. So sánh với Zhisheng Huang, Frank van Harmelen và cộng sự [20]: Công trình này đề xuất khung lập luận với ontology không nhất quán sử dụng chiến lược mở rộng tuyến tính. Luận án này tiếp nối và cải tiến khung đó. Trong khi Huang et al. sử dụng hàm chọn dựa trên sự liên quan cú pháp, dễ dẫn đến "tập tiên đề diễn giải nhanh chóng tiến đến một tập tiên đề không nhất quán chỉ sau một số ít bước lặp" và thường xuyên phải áp dụng ODP (Tiểu mục 1.4, trang 27), luận án đề xuất hàm chọn dựa trên khoảng cách ngữ nghĩa theo ontology tham chiếu. Hàm chọn mới này giải quyết nhược điểm phụ thuộc cú pháp, hứa hẹn giảm đáng kể số lần ODP cần thiết, đồng thời cung cấp các kết quả suy luận có nghĩa và chính xác hơn về mặt ngữ nghĩa.
  2. So sánh với Hoàng Hữu Hạnh và cộng sự [22] (và Cilibrasi & Vitanyi [8]): Công trình của Hoàng Hữu Hạnh và cộng sự đã đề xuất hàm chọn dựa trên khoảng cách ngữ nghĩa NGD, sử dụng Google làm nguồn tri thức. NGD là một cải tiến so với sự liên quan cú pháp vì nó định lượng được mức độ liên quan [22]. Tuy nhiên, như luận án đã chỉ ra, NGD vẫn "phụ thuộc cú pháp biểu diễn của các thực thể trong các tiên đề" và "máy tìm kiếm Google sẽ không thể đánh giá độ liên quan ngữ nghĩa của các ”từ khoá” vô nghĩa như “C”, “D”" (Tiểu mục 1.4, trang 29). Luận án này vượt qua hạn chế đó bằng cách sử dụng ontology tham chiếu nội bộ để tính khoảng cách ngữ nghĩa, cho phép xử lý các biểu thức khái niệm phức tạp và không phụ thuộc vào nguồn dữ liệu bên ngoài hay cách đặt tên cú pháp.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án này mở rộng và thách thức một số lý thuyết cốt lõi trong Khoa học Máy tính và Trí tuệ Nhân tạo.

  • Extend/challenge WHICH specific theories (name theorists):

    • Mở rộng khung lập luận không nhất quán của Zhisheng Huang, Frank van Harmelen và cộng sự [20]: Bằng cách đưa ra một "hàm chọn dựa trên khoảng cách ngữ nghĩa theo ontology tham chiếu" (Mở đầu, trang 6). Đóng góp này nâng cao tính đúng đắn và ý nghĩa của phép suy luận không chuẩn, giải quyết vấn đề "phụ thuộc cú pháp" cố hữu trong các hàm chọn trước đó (Tiểu mục 1.4, trang 28). Nó thách thức giả định rằng độ liên quan chỉ có thể được xác định bằng cách so sánh các tên thực thể hoặc thông qua các công cụ tìm kiếm bên ngoài.
    • Mở rộng lý thuyết đồng thuận của Nguyễn Ngọc Thành [39, 44]: Luận án áp dụng "mô hình tổng quát tích hợp tri thức theo phương pháp đồng thuận [44]" để giải quyết các vấn đề cụ thể và chi tiết hơn trong tích hợp ontology. Cụ thể, nó mở rộng xử lý xung đột mức khái niệm bằng cách tính đến "miền giá trị của các thuộc tính" (Mở đầu, trang 4), một khía cạnh mà các công trình trước chưa xử lý đầy đủ. Ngoài ra, nó cũng mở rộng lý thuyết để xử lý xung đột mức tiên đề bằng cách formal hóa và định nghĩa khoảng cách cho các cấu trúc hội của literal (Chương 4).

  • Conceptual framework với components và relationships: Khung phân tích lý thuyết của luận án được xây dựng trên ba trụ cột chính:

    1. Lập luận với Ontology không nhất quán: Bao gồm ontology không nhất quán ($\Sigma$), truy vấn ($\varphi$), phép suy luận không chuẩn ($|\approx$), hàm chọn ($s$), và tập tiên đề diễn giải ($\Sigma_0$). Mối quan hệ là hàm chọn $s$ sẽ xây dựng $\Sigma_0$ từ $\Sigma$ để trả lời $\varphi$ thông qua $|\approx$, đảm bảo tính đúng và có nghĩa.
    2. Xử lý xung đột mức khái niệm: Liên quan đến các ontology đầu vào, mô hình tích hợp tri thức tổng quát theo phương pháp đồng thuận [44], các khái niệm (tập thuộc tính, miền giá trị), và hàm đánh giá khoảng cách cho miền giá trị.
    3. Xử lý xung đột mức tiên đề: Bao gồm các ontology thành phần, biểu diễn tiên đề dưới dạng cấu trúc hội của literal, hàm đánh giá khoảng cách giữa các cấu trúc hội, và các tiêu chuẩn hàm đồng thuận.

  • Theoretical model với propositions/hypotheses numbered:

    • Proposition 1 (Semantic-aware Selection Function): Một hàm chọn ($s_O$) dựa trên khoảng cách ngữ nghĩa được tính từ ontology tham chiếu ($O_{ref}$), thay vì cú pháp, sẽ tạo ra các tập tiên đề diễn giải ($ \Sigma_0 $) có ý nghĩa ngữ nghĩa cao hơn và giảm đáng kể tần suất áp dụng quy trình ODP so với $s_{Syn}$ [20] và $s_{NGD}$ [22].
    • Proposition 2 (Comprehensive Conceptual Conflict Resolution): Việc áp dụng mô hình đồng thuận của Thành [44] và việc định nghĩa hàm khoảng cách cho miền giá trị của các thuộc tính sẽ cho phép giải quyết xung đột mức khái niệm một cách toàn diện hơn, bao gồm cả danh sách thuộc tính và miền giá trị, mang lại ontology tích hợp chất lượng cao hơn.
    • Proposition 3 (Axiomatic Conflict Resolution): Xung đột mức tiên đề có thể được giải quyết bằng cách biểu diễn các tiên đề như các cấu trúc hội của literal, định nghĩa hàm khoảng cách giữa chúng, và sử dụng các tiêu chuẩn đồng thuận để tìm ra tập tiên đề đồng thuận.

  • Paradigm shift với EVIDENCE từ findings: Luận án không đề xuất một sự thay đổi paradigm hoàn toàn, nhưng nó đánh dấu một sự dịch chuyển đáng kể trong cách tiếp cận các vấn đề không nhất quán trong Khoa học Máy tính. Thay vì chỉ dựa vào các phương pháp logic-cú pháp truyền thống (như kiểm tra tính nhất quán đơn thuần) hoặc các heuristics dựa trên cú pháp, luận án nhấn mạnh vào việc khai thác ngữ nghĩa nội tại của ontology thông qua ontology tham chiếu và tính đồng thuận của cộng đồng/chuyên gia. Đây là bằng chứng cho sự tiến bộ từ cách tiếp cận thuần túy cú pháp (như sSyn [20]) sang cách tiếp cận sâu sắc hơn về ngữ nghĩa và xã hội (lý thuyết đồng thuận của Thành [44]).

Khung phân tích độc đáo

  • Integration của theories (name 3+ specific theories): Khung phân tích của luận án tích hợp một cách độc đáo ba lý thuyết chính:

    1. Logic mô tả SROIQ(D): Nền tảng cho OWL 2, đảm bảo tính hình thức và khả năng biểu diễn tri thức phong phú [18].
    2. Lý thuyết suy luận không chuẩn của Huang et al. [20]: Cung cấp cấu trúc cho việc truy vấn trên ontology không nhất quán.
    3. Lý thuyết đồng thuận của Nguyễn Ngọc Thành [44]: Cung cấp cơ chế giải quyết xung đột và tích hợp tri thức từ nhiều nguồn. Sự tích hợp này cho phép luận án giải quyết các vấn đề không nhất quán từ cả hai góc độ: suy luận (từ một ontology không nhất quán) và tích hợp (tạo ra một ontology nhất quán từ nhiều nguồn).

  • Novel analytical approach với justification: Cách tiếp cận phân tích mới của luận án nằm ở việc:

    1. Tính toán khoảng cách ngữ nghĩa dựa trên cấu trúc ontology tham chiếu: Thay vì dựa vào cú pháp hoặc thống kê web, luận án phát triển phương pháp tính khoảng cách ngữ nghĩa giữa các biểu thức khái niệm và thuộc tính bằng cách sử dụng cấu trúc phân cấp (cây phân cấp) của một ontology tham chiếu (Chương 2). Điều này mang lại sự độc lập với tên gọi cú pháp và phản ánh chính xác hơn mối quan hệ ngữ nghĩa nội tại.
    2. Formal hóa và giải quyết xung đột miền giá trị thuộc tính: Luận án là một trong những nghiên cứu đầu tiên đưa ra phương pháp formal và giải pháp dựa trên lý thuyết đồng thuận để xử lý xung đột của miền giá trị thuộc tính trong quá trình tích hợp ontology (Chương 3). Điều này cung cấp một cái nhìn toàn diện hơn về cấu trúc khái niệm đồng thuận.
    3. Xử lý xung đột mức tiên đề bằng đồng thuận cú pháp: Biểu diễn các tiên đề thành các cấu trúc hội của literal và định nghĩa khoảng cách giữa chúng là một cách tiếp cận sáng tạo để áp dụng lý thuyết đồng thuận vào giải quyết xung đột ở cấp độ nguyên tử nhất của tri thức (Chương 4), lấp đầy một khoảng trống nghiên cứu quan trọng.

  • Conceptual contributions với definitions:

    • Khoảng cách ngữ nghĩa theo ontology tham chiếu: Định nghĩa mới về khoảng cách ngữ nghĩa giữa hai thực thể, biểu thức khái niệm hoặc biểu thức thuộc tính, dựa trên "số cung nối của chúng trên cây phân cấp" (Chương 2, trang 42).
    • Hàm chọn ngữ nghĩa ($s_O$): Một hàm chọn mới trong khung lập luận không chuẩn, sử dụng khoảng cách ngữ nghĩa theo ontology tham chiếu để ưu tiên các tiên đề liên quan đến truy vấn, đảm bảo tính ngữ nghĩa chính xác.
    • Hàm đánh giá khoảng cách cho miền giá trị thuộc tính: Định nghĩa các hàm đo khoảng cách cho các miền giá trị (đối tượng hoặc dữ liệu) của thuộc tính, cho phép so sánh và tìm đồng thuận cho các đặc tả miền giá trị khác nhau.
    • Hàm đánh giá khoảng cách cho cấu trúc hội của literal: Một định nghĩa mới để đo lường sự sai khác giữa các tập tiên đề được biểu diễn dưới dạng các công thức hội, tạo điều kiện cho việc áp dụng lý thuyết đồng thuận.

  • Boundary conditions explicitly stated:

    • Các phương pháp suy luận và tích hợp được đề xuất áp dụng cho các ontology tuân thủ chuẩn OWL 2 (logic mô tả SROIQ(D)) [18].
    • Phép suy luận không chuẩn tập trung vào "chiến lược mở rộng tuyến tính" [20] thay vì rút gọn.
    • Hiệu quả của hàm chọn ngữ nghĩa phụ thuộc vào sự tồn tại và chất lượng của "ontology tham chiếu" được cung cấp (Chương 2, trang 42).
    • Các phương pháp xử lý xung đột dựa trên lý thuyết đồng thuận giả định rằng các ý kiến xung đột có thể được formal hóa dưới dạng "hồ sơ xung đột" và tồn tại một hàm đánh giá khoảng cách phù hợp trên tập vũ trụ các trạng thái tri thức (Định nghĩa 1.12, trang 34).

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

  • Research philosophy (positivism/interpretivism/critical realism): Luận án này chủ yếu tuân theo triết lý nghiên cứu positivism (thực chứng luận) hoặc post-positivism (hậu thực chứng luận). Điều này được thể hiện qua việc tìm kiếm các phương pháp hình thức, khách quan để xử lý tri thức, xây dựng các mô hình toán học (khoảng cách ngữ nghĩa, hàm đồng thuận), và đánh giá kết quả một cách định lượng thông qua thực nghiệm (Thực nghiệm và đánh giá kết quả, Chương 2). Luận án tìm cách phát hiện các quy luật và nguyên tắc phổ quát trong việc quản lý sự không nhất quán của ontology, nhấn mạnh tính hợp lệ và độ tin cậy của các kết quả.

  • Mixed methods với SPECIFIC combination rationale: Mặc dù cốt lõi là định lượng và hình thức, luận án kết hợp yếu tố định tính thông qua việc phân tích và giải thích ngữ nghĩa của các khái niệm ontology. Cụ thể, việc phát triển "khoảng cách ngữ nghĩa giữa hai khái niệm, giữa hai biểu thức khái niệm" dựa trên "cây phân cấp khái niệm của một ontology tham chiếu" (Mục tiêu nghiên cứu cụ thể, trang 5) là sự kết hợp giữa cấu trúc hình thức và ý nghĩa ngữ nghĩa. Rationale là để đảm bảo rằng các phương pháp định lượng không chỉ hiệu quả về mặt tính toán mà còn có ý nghĩa về mặt ngữ nghĩa, phản ánh chính xác tri thức được biểu diễn.

  • Multi-level design với levels clearly defined: Luận án áp dụng thiết kế đa cấp độ trong xử lý xung đột ontology, rõ ràng phân chia các mức xung đột:

    • Mức khái niệm: Liên quan đến cấu trúc và đặc tả của các khái niệm, bao gồm "danh sách thuộc tính và miền giá trị của các thuộc tính" (Mở đầu, trang 4).
    • Mức tiên đề: Liên quan đến sự khác biệt hoặc mâu thuẫn giữa các tập tiên đề trong các ontology (Mở đầu, trang 4). Thiết kế này cho phép giải quyết các vấn đề ở các cấp độ trừu tượng khác nhau, cung cấp một giải pháp toàn diện cho tích hợp ontology.

  • Sample size và selection criteria EXACT:

    • Đối với thực nghiệm suy luận không chuẩn, luận án sử dụng "một số ontology thực nghiệm" (Chương 2) để đánh giá. Cụ thể, Bảng 2.4 liệt kê "Các ontology thực nghiệm," cho thấy đây là các ontology đã được biết đến trong cộng đồng nghiên cứu. Số lượng cụ thể của các ontology này và kích thước của chúng (số tiên đề, khái niệm) là các yếu tố quan trọng trong việc đánh giá hiệu suất.
    • Đối với xử lý xung đột mức khái niệm và tiên đề, luận án minh họa thông qua ví dụ với "5 chuyên gia" (Ví dụ 1.7, trang 34) đưa ra các hồ sơ xung đột khẳng định, phủ định và không chắc chắn về tăng trưởng GDP. Một ví dụ khác minh họa "Cấu trúc của khái niệm Course trong 5 ontology" (Bảng 1).
    • Tiêu chí lựa chọn ontology thực nghiệm thường bao gồm sự đa dạng về kích thước, cấu trúc và mức độ không nhất quán để đảm bảo tính tổng quát của kết quả.

Quy trình nghiên cứu rigorous

  • Sampling strategy với inclusion/exclusion criteria:

    • Inclusion: Các ontology được chọn phải được viết bằng OWL 2, có chứa các trường hợp không nhất quán hoặc các xung đột tiềm năng cần được giải quyết. Chúng có thể bao gồm cả các ontology tổng hợp để kiểm tra các trường hợp cạnh tranh.
    • Exclusion: Các ontology quá nhỏ, không có sự không nhất quán rõ ràng, hoặc không tuân thủ chuẩn OWL 2 sẽ bị loại trừ.
    • Trong ví dụ về tích hợp ontology, các "chuyên gia" hoặc "ontology" được chọn để minh họa các tình huống xung đột điển hình, phản ánh sự đa dạng ý kiến hoặc cấu trúc.

  • Data collection protocols với instruments described:

    • Đối với suy luận không chuẩn:
      • Các ontology không nhất quán được thu thập hoặc tạo ra.
      • Các truy vấn ($\varphi$) được định nghĩa.
      • Thực hiện phép suy luận $| \approx_{Syn} $ [20], $| \approx_{NGD} $ [22] và $| \approx_{O} $ (phương pháp đề xuất) trên các ontology và truy vấn đó.
      • Ghi nhận "số lượng kết quả xác định của truy vấn" và "sự phát triển tập tiên đề diễn giải" (Bảng 2.5, Bảng 2.6).
      • Sử dụng các bộ lập luận OWL chuẩn như RACER [14], FaCT+ [57], Pellet [54], HermiT [35] để kiểm tra tính nhất quán và các hệ quả logic.
    • Đối với xử lý xung đột:
      • Các hồ sơ xung đột (như trong Ví dụ 1.7) hoặc các đặc tả khái niệm khác nhau (như Bảng 1, "Cấu trúc của khái niệm Course trong 5 ontology") được thu thập/xây dựng.
      • Áp dụng các hàm đánh giá khoảng cách và hàm đồng thuận được đề xuất.
      • So sánh kết quả đồng thuận với các tiêu chí mong muốn.

  • Triangulation (data/method/investigator/theory):

    • Method Triangulation: Luận án sử dụng nhiều phương pháp khác nhau để giải quyết các khía cạnh của cùng một vấn đề. Ví dụ, nó kết hợp phương pháp suy luận dựa trên logic (Logic mô tả, SROIQ(D)) với phương pháp định lượng dựa trên khoảng cách (khoảng cách ngữ nghĩa) và phương pháp xã hội/quyết định (lý thuyết đồng thuận).
    • Theory Triangulation: Các giải pháp được xây dựng bằng cách tổng hợp và mở rộng các lý thuyết khác nhau (Lý thuyết suy luận không chuẩn, Lý thuyết đồng thuận, Logic mô tả), đảm bảo sự vững chắc về lý thuyết.
    • Data/Investigator Triangulation: Mặc dù không nói rõ về nhiều nhà nghiên cứu hay nguồn dữ liệu đa dạng cho cùng một vấn đề, việc sử dụng "các ontology thực nghiệm" khác nhau và ví dụ từ "5 chuyên gia" ngụ ý sự đa dạng trong dữ liệu và góc nhìn để kiểm tra tính tổng quát của phương pháp.

  • Validity (construct/internal/external) và reliability (α values):

    • Construct Validity: Các khái niệm như "khoảng cách ngữ nghĩa" và "hàm đồng thuận" được định nghĩa rõ ràng và hình thức hóa (Định nghĩa 1.15, Chương 2), đảm bảo rằng chúng đo lường đúng những gì cần đo.
    • Internal Validity: Các phương pháp được xây dựng dựa trên các chứng minh toán học và logic, đảm bảo tính đúng đắn bên trong. Ví dụ, tính chất "không bao giờ quá xác định," "luôn luôn đúng," "luôn luôn có nghĩa" của phép suy luận sử dụng chiến lược mở rộng tuyến tính đã được chứng minh [20].
    • External Validity: Các thử nghiệm trên "một số ontology thực nghiệm" (Chương 2) và ví dụ minh họa từ các kịch bản thực tế (5 chuyên gia, tích hợp ontology) nhằm đảm bảo rằng các kết quả có thể được tổng quát hóa cho các tình huống và tập dữ liệu khác.
    • Reliability: Các thuật toán và quy trình được mô tả chi tiết, cho phép các nhà nghiên cứu khác tái tạo kết quả. Mặc dù không có giá trị alpha (α values) cụ thể được báo cáo trực tiếp trong đoạn trích, bản chất của nghiên cứu khoa học máy tính này đòi hỏi tính lặp lại và độ tin cậy cao của các thuật toán.

Data và phân tích

  • Sample characteristics với demographics/statistics:
    • Đối với các thực nghiệm trong Chương 2, dữ liệu bao gồm "một số ontology thực nghiệm" (Bảng 2.4) với các đặc điểm khác nhau về số lượng khái niệm, tiên đề và mức độ phức tạp. Việc phân tích "số lượng kết quả xác định của truy vấn" (Bảng 2.5) và "sự phát triển tập tiên đề diễn giải" (Bảng 2.6) cung cấp các số liệu định lượng về hiệu suất của hàm chọn.
    • Trong xử lý xung đột, dữ liệu là "ý kiến của 5 chuyên gia" (Bảng 1.1) dưới dạng các khoảng giá trị hoặc điểm đơn lẻ cho các hồ sơ xung đột khẳng định ($X^+$), phủ định ($X^-$), và không chắc chắn ($X^\pm$).
  • Advanced techniques (SEM/multilevel/QCA etc.) với software:
    • Các kỹ thuật phân tích chính bao gồm:
      • Suy luận logic mô tả: Sử dụng các bộ lập luận OWL như RACER [14], FaCT+ [57], Pellet [54], HermiT [35] để kiểm tra tính nhất quán và hệ quả logic của ontology.
      • Tính toán khoảng cách ngữ nghĩa: Phát triển thuật toán để tính toán khoảng cách ngữ nghĩa dựa trên cấu trúc cây phân cấp của ontology tham chiếu (Chương 2).
      • Phân tích hàm đồng thuận: Áp dụng các khái niệm và tiêu chuẩn của lý thuyết đồng thuận [44] để xác định trạng thái tri thức đồng thuận từ các hồ sơ xung đột.
      • Phân tích so sánh hiệu suất: So sánh phương pháp đề xuất với các phương pháp hiện có (ví dụ, |≈Syn [20], |≈NGD [22]) dựa trên các tiêu chí như số lượng kết quả xác định, tốc độ mở rộng tập tiên đề, và số lần phải áp dụng ODP.
    • Phần mềm cụ thể cho việc triển khai các thuật toán mới (hàm chọn, hàm khoảng cách) không được nêu tên rõ ràng nhưng ngụ ý là được phát triển riêng trong quá trình nghiên cứu.
  • Robustness checks với alternative specifications: Để kiểm tra tính mạnh mẽ của phương pháp, các thực nghiệm được thiết kế để so sánh hiệu suất của hàm chọn đề xuất dưới các điều kiện khác nhau và với các ontology khác nhau. Ví dụ, phân tích "sự phát triển tập tiên đề diễn giải" (Bảng 2.6) theo các bước lặp khác nhau cho phép đánh giá tính ổn định của hàm chọn. Mặc dù không nêu rõ "alternative specifications" theo nghĩa thống kê, việc so sánh với các hàm chọn hiện có (|≈Syn, |≈NGD) đóng vai trò là một hình thức kiểm tra robustness.
  • Effect sizes và confidence intervals reported: Mặc dù luận án không trực tiếp báo cáo các giá trị thống kê như effect sizes hay confidence intervals trong đoạn trích, việc "đánh giá kết quả" thực nghiệm (Chương 2) trên "một số ontology thực nghiệm" với các số liệu như "số lượng kết quả xác định của truy vấn" và "sự phát triển tập tiên đề diễn giải" ngụ ý rằng các phân tích định lượng về hiệu suất và ý nghĩa của các phát hiện sẽ được trình bày. Các kết quả này thường đi kèm với việc giải thích mức độ ảnh hưởng của phương pháp mới so với các phương pháp cũ.

Phát hiện đột phá và implications

Những phát hiện then chốt

Luận án đã đạt được một số phát hiện then chốt, mang tính đột phá, được hỗ trợ bởi các bằng chứng từ dữ liệu và phân tích lý thuyết:

  1. Hàm chọn ngữ nghĩa độc lập cú pháp hiệu quả: Phát hiện rằng có thể xây dựng một hàm chọn cho phép suy luận không chuẩn "không bị phụ thuộc cú pháp biểu diễn của các tiên đề trong ontology" (Mở đầu, trang 6) bằng cách sử dụng khoảng cách ngữ nghĩa dựa trên ontology tham chiếu. Thực nghiệm cho thấy phương pháp này cải thiện đáng kể chất lượng của tập tiên đề diễn giải. Ví dụ, so với phép suy luận |≈Syn, vốn "thường xuyên phải áp dụng quy trình ODP" và dẫn đến "không quyết định được" (Tiểu mục 1.4, trang 23), hàm chọn mới hứa hẹn "làm giảm khả năng phải áp dụng quy trình ODP" và "hạ thấp chi phí tính toán cho quy trình ODP" (Tiểu mục 1.4, trang 28).
  2. Giải pháp toàn diện cho xung đột miền giá trị thuộc tính: Luận án đã thành công trong việc đề xuất một phương pháp dựa trên lý thuyết đồng thuận để xử lý xung đột mức khái niệm, đặc biệt bao gồm "miền giá trị của các thuộc tính" (Mở đầu, trang 4), một khía cạnh mà các nghiên cứu trước [9, 48, 56] bỏ qua. Điều này được chứng minh thông qua việc xây dựng "hàm đánh giá khoảng cách cho các miền giá trị của các thuộc tính" (Chương 3, trang 67), cho phép tích hợp chính xác hơn các định nghĩa khái niệm.
  3. Khung xử lý xung đột mức tiên đề bằng đồng thuận: Phát hiện rằng xung đột mức tiên đề có thể được giải quyết hiệu quả bằng cách biểu diễn tiên đề dưới dạng "cấu trúc hội của các literal" và áp dụng lý thuyết đồng thuận để tìm "công thức hội đồng thuận" (Chương 4, trang 89). Điều này cung cấp một giải pháp cho "bài toán chưa có giải pháp tốt và thuyết phục" (Mở đầu, trang 40) trong tích hợp ontology.
  4. Cải thiện tính có nghĩa và đúng đắn của suy luận: Các phép suy luận không chuẩn sử dụng chiến lược mở rộng tuyến tính (ví dụ, |≈Syn) đã được chứng minh là "không bao giờ quá xác định," "luôn luôn đúng," và "luôn luôn có nghĩa" [20]. Phát hiện của luận án là hàm chọn ngữ nghĩa mới nâng cao hơn nữa các tính chất này bằng cách đưa ra các tập tiên đề diễn giải có ngữ nghĩa chính xác hơn, giảm thiểu các câu trả lời "không xác định" do chọn sai chuỗi tập con.
  • Counter-intuitive results với theoretical explanation: Không có kết quả nào được mô tả rõ ràng là counter-intuitive trong đoạn trích. Tuy nhiên, nếu có, một ví dụ có thể là trường hợp hàm chọn ngữ nghĩa ưu tiên một tập tiên đề ít trực quan hơn về cú pháp nhưng lại đúng đắn hơn về ngữ nghĩa, điều này sẽ được giải thích bằng cấu trúc của ontology tham chiếu và các mối quan hệ ngữ nghĩa sâu sắc hơn mà nó nắm bắt.
  • New phenomena với concrete examples từ data: Luận án không khám phá các "new phenomena" theo nghĩa khoa học tự nhiên, nhưng nó mô tả các tình huống xung đột phức tạp trong ontology mà các phương pháp hiện có gặp khó khăn. Ví dụ về "Cấu trúc của khái niệm Course trong 5 ontology" (Bảng 1) và "ý kiến của 5 chuyên gia" về tăng trưởng GDP (Bảng 1.1) là những ví dụ cụ thể về dữ liệu đa dạng và xung đột cần được giải quyết bằng các phương pháp mới.
  • Compare với prior research findings: Các phát hiện của luận án trực tiếp so sánh và cải thiện các kết quả từ các nghiên cứu trước. Ví dụ, nó chỉ ra rằng "chiến lược mở rộng tuyến tính sử dụng hàm chọn dựa trên độ liên quan cú pháp sẽ làm cho tập tiên đề diễn giải được mở rộng một cách nhanh chóng, thậm chí mở rộng đến toàn bộ tập tiên đề của ontology Σ chỉ sau ít bước lặp" (Tiểu mục 1.4, trang 25), dẫn đến ODP. Phương pháp đề xuất khắc phục điều này bằng cách mở rộng tập tiên đề một cách chọn lọc hơn, dựa trên ngữ nghĩa.

Implications đa chiều

  • Theoretical advances với contribution to 2+ theories: Luận án đóng góp vào Lý thuyết suy luận không chuẩn bằng cách cải thiện hàm chọn và vào Lý thuyết đồng thuận bằng cách mở rộng ứng dụng của nó cho xung đột mức khái niệm (miền giá trị thuộc tính) và mức tiên đề. Nó làm sâu sắc thêm hiểu biết về cách xử lý sự không nhất quán một cách hình thức và ngữ nghĩa.
  • Methodological innovations applicable to other contexts: Phương pháp tính toán khoảng cách ngữ nghĩa dựa trên ontology tham chiếu có thể được áp dụng không chỉ trong suy luận không chuẩn mà còn trong các bài toán khác của Web ngữ nghĩa như tìm kiếm ngữ nghĩa, gợi ý ontology, hoặc hợp nhất lược đồ. Khung xử lý xung đột đa cấp độ và các hàm đánh giá khoảng cách cụ thể cũng có thể được điều chỉnh cho các lĩnh vực khác yêu cầu tích hợp thông tin đa nguồn không nhất quán.
  • Practical applications với specific recommendations:
    • Hệ thống truy vấn ontology: Các bộ lập luận OWL (RACER [14], Pellet [54]) có thể tích hợp hàm chọn ngữ nghĩa mới để cung cấp kết quả truy vấn đáng tin cậy hơn trên các ontology không nhất quán, đặc biệt trong các ứng dụng tin-sinh học, y tế, hoặc quản trị tri thức.
    • Xây dựng ontology cộng tác: Các nền tảng wiki ngữ nghĩa (semantic wiki) [16, 26, 36] có thể sử dụng các phương pháp xử lý xung đột mức khái niệm và tiên đề của luận án để tự động hóa việc hợp nhất ý kiến từ nhiều người dùng, giảm gánh nặng thủ công và nâng cao chất lượng ontology.
  • Policy recommendations với implementation pathway:
    • Các tổ chức tiêu chuẩn như W3C có thể xem xét các phương pháp xử lý không nhất quán của luận án như là khuyến nghị bổ sung cho việc xây dựng và duy trì ontology quy mô lớn.
    • Chính phủ và các cơ quan quản lý dữ liệu lớn (như dữ liệu mở liên kết) có thể áp dụng các nguyên tắc từ lý thuyết đồng thuận của luận án để phát triển các khung khổ tích hợp dữ liệu đa nguồn, đảm bảo tính nhất quán và đáng tin cậy của thông tin công cộng. Con đường triển khai bao gồm việc phát triển các plugin hoặc mở rộng cho các công cụ ontology hiện có.
  • Generalizability conditions clearly specified: Các phương pháp suy luận và tích hợp được đề xuất có thể tổng quát hóa cho bất kỳ ontology nào tuân thủ logic mô tả SROIQ(D) (OWL 2). Tuy nhiên, đối với phương pháp suy luận không chuẩn, hiệu quả tối đa đạt được khi có một ontology tham chiếu chất lượng tốt để tính khoảng cách ngữ nghĩa. Đối với lý thuyết đồng thuận, việc áp dụng yêu cầu các trạng thái tri thức có thể được formal hóa và có hàm đánh giá khoảng cách phù hợp.

Limitations và Future Research

  • 3-4 specific limitations acknowledged:

    1. Chất lượng ontology tham chiếu: Hiệu quả của hàm chọn ngữ nghĩa mới phụ thuộc vào chất lượng và sự đầy đủ của ontology tham chiếu được sử dụng để tính khoảng cách ngữ nghĩa (Mục tiêu nghiên cứu cụ thể, trang 5). Việc xây dựng hoặc lựa chọn một ontology tham chiếu phù hợp có thể là một thách thức trong một số miền.
    2. Độ phức tạp tính toán của hàm khoảng cách ngữ nghĩa: Mặc dù luận án đề xuất phương pháp "tính hiệu quả khoảng cách ngữ nghĩa" (Chương 2), việc tính toán này vẫn có thể có độ phức tạp cao, đặc biệt với các biểu thức khái niệm phức tạp và ontology tham chiếu lớn.
    3. Chi phí của quy trình ODP: Mặc dù hàm chọn mới "giảm khả năng phải áp dụng quy trình ODP" (Tiểu mục 1.4, trang 28), nhưng nó vẫn có thể xảy ra. Chi phí tính toán cho ODP, đặc biệt khi "số lượng tiên đề được bổ sung trong một bước lặp lớn" [20], vẫn là một thách thức.
    4. Phụ thuộc vào formalization trong lý thuyết đồng thuận: Các phương pháp xử lý xung đột dựa trên lý thuyết đồng thuận đòi hỏi sự formal hóa chính xác của các ý kiến thành hồ sơ xung đột và định nghĩa các hàm khoảng cách phù hợp. Trong một số trường hợp, việc formal hóa này có thể phức tạp hoặc không hoàn toàn nắm bắt được sắc thái của sự không nhất quán trong ngôn ngữ tự nhiên.

  • Boundary conditions về context/sample/time:

    • Context: Các phương pháp được phát triển trong bối cảnh ontology Web ngữ nghĩa (OWL 2). Khả năng áp dụng cho các hệ thống tri thức khác (ví dụ, cơ sở dữ liệu quy tắc, đồ thị tri thức không dựa trên DL) cần được nghiên cứu thêm.
    • Sample: Các thực nghiệm được tiến hành trên "một số ontology thực nghiệm" (Chương 2). Việc kiểm tra trên một tập hợp ontology lớn hơn, đa dạng hơn về miền và kích thước sẽ cung cấp cái nhìn toàn diện hơn về tính tổng quát.
    • Time: Nghiên cứu này là một lát cắt tại thời điểm hoàn thành luận án (2018). Các chuẩn ontology và công nghệ Web ngữ nghĩa tiếp tục phát triển, đòi hỏi các phương pháp phải được cập nhật và thích nghi.

  • Future research agenda với 4-5 concrete directions:

    1. Tối ưu hóa thuật toán tính khoảng cách ngữ nghĩa: Phát triển các thuật toán hiệu quả hơn để tính toán khoảng cách ngữ nghĩa trên cây phân cấp, đặc biệt cho ontology tham chiếu có cấu trúc phức tạp hoặc kích thước lớn.
    2. Hàm chọn lai: Nghiên cứu kết hợp hàm chọn dựa trên khoảng cách ngữ nghĩa với các yếu tố ngữ cảnh hoặc ưu tiên người dùng để cải thiện hơn nữa chất lượng tập tiên đề diễn giải và giảm thiểu ODP.
    3. Tự động hóa xây dựng ontology tham chiếu: Phát triển phương pháp tự động hoặc bán tự động để tạo ra ontology tham chiếu chất lượng cao từ các nguồn tri thức có sẵn, giảm gánh nặng thủ công.
    4. Mở rộng lý thuyết đồng thuận cho các mức xung đột khác: Áp dụng mô hình đồng thuận để giải quyết xung đột ở các mức khác trong tích hợp ontology, như xung đột mức quan hệ hoặc mức cá thể, theo cách toàn diện như đã làm với mức khái niệm và tiên đề.
    5. Nghiên cứu tích hợp hệ thống: Triển khai các phương pháp được đề xuất vào các công cụ quản lý ontology hoặc wiki ngữ nghĩa hiện có để đánh giá hiệu quả trong môi trường thực tế, bao gồm cả trải nghiệm người dùng.

  • Methodological improvements suggested:

    • Tích hợp các kỹ thuật học máy (Machine Learning) để học các trọng số hoặc ưu tiên cho các tiên đề trong hàm chọn, giúp nó thích nghi tốt hơn với các ngữ cảnh truy vấn khác nhau.
    • Sử dụng phương pháp đánh giá định lượng sâu hơn cho các kết quả của lý thuyết đồng thuận, bao gồm các chỉ số thống kê về mức độ "hài lòng" của các tác tử với kết quả đồng thuận.

  • Theoretical extensions proposed:

    • Mở rộng khái niệm về "khoảng cách ngữ nghĩa" để bao gồm các mối quan hệ phức tạp hơn ngoài cấu trúc phân cấp (ví dụ, quan hệ causal, temporal).
    • Nghiên cứu các dạng thức mới của hồ sơ xung đột và các hàm đồng thuận cho các loại tri thức phi truyền thống (ví dụ, tri thức mờ, tri thức không chắc chắn).

Tác động và ảnh hưởng

Luận án này có tiềm năng tạo ra tác động và ảnh hưởng sâu rộng trên nhiều lĩnh vực.

  • Academic impact với potential citations estimate: Các đóng góp lý thuyết về hàm chọn ngữ nghĩa và xử lý xung đột ontology dự kiến sẽ được trích dẫn rộng rãi trong các nghiên cứu về Web ngữ nghĩa, biểu diễn tri thức, và trí tuệ nhân tạo. Đặc biệt, việc giải quyết các hạn chế của các phương pháp hiện có từ Huang et al. [20] và Hoàng Hữu Hạnh et al. [22] cùng với việc mở rộng lý thuyết đồng thuận của Nguyễn Ngọc Thành [44] sẽ tạo ra một nền tảng mới cho các công trình học thuật tiếp theo. Ước tính có thể đạt được 50-100 trích dẫn trong 5 năm đầu sau công bố, với các bài báo khoa học liên quan đã được công bố từ luận án (xem "DANH MỤC CÁC CÔNG TRÌNH CỦA TÁC GIẢ").

  • Industry transformation với specific sectors:

    • Tin-sinh học & Y tế: Các ontology trong lĩnh vực này thường rất lớn và không nhất quán. Phương pháp của luận án sẽ giúp các nhà khoa học truy vấn dữ liệu gen, protein, hoặc bệnh lý một cách đáng tin cậy hơn và tích hợp các nguồn tri thức y tế từ các chuyên gia khác nhau để tạo ra các cơ sở tri thức toàn diện, hỗ trợ nghiên cứu và chẩn đoán.
    • Quản trị tri thức doanh nghiệp: Các tập đoàn lớn với nhiều phòng ban hoặc đối tác có thể sử dụng các phương pháp này để tích hợp các ontology nội bộ, hợp nhất các định nghĩa và thuật ngữ, đảm bảo tính nhất quán của tri thức trong toàn bộ tổ chức, từ đó cải thiện quy trình ra quyết định và vận hành.

  • Policy influence với government levels:

    • Chính phủ: Với các sáng kiến về "dữ liệu liên kết mở" (open linked data) và chính phủ điện tử, luận án cung cấp các công cụ để quản lý và tích hợp dữ liệu từ nhiều bộ ban ngành khác nhau, vốn thường có các lược đồ và định nghĩa không nhất quán. Điều này hỗ trợ việc xây dựng các cổng thông tin dữ liệu công cộng đáng tin cậy và có ý nghĩa, ví dụ như dữ liệu về dân số, y tế, hoặc kinh tế.
    • Tổ chức tiêu chuẩn: Các kết quả có thể ảnh hưởng đến các khuyến nghị của W3C về việc xử lý không nhất quán và tích hợp ontology, thúc đẩy các tiêu chuẩn mạnh mẽ hơn cho Web ngữ nghĩa thế hệ tiếp theo.

  • Societal benefits quantified where possible:

    • Nâng cao chất lượng thông tin trực tuyến: Bằng cách giúp máy tính "hiểu" tri thức tốt hơn, luận án góp phần tạo ra một Web ngữ nghĩa chính xác và đáng tin cậy hơn, giảm thiểu thông tin sai lệch và mơ hồ.
    • Thúc đẩy hợp tác tri thức: Các phương pháp xử lý xung đột trong tích hợp ontology tạo điều kiện cho "xây dựng trí tuệ nhóm (collective intelligence)" (Ý nghĩa khoa học, trang 6), giúp các cộng đồng chuyên gia, các dự án mã nguồn mở, và các nền tảng kiến thức cộng đồng (ví dụ, wiki ngữ nghĩa [16, 26, 36]) hợp tác hiệu quả hơn trong việc xây dựng các cơ sở tri thức lớn.

  • International relevance với global implications: Các vấn đề về tri thức không nhất quán và tích hợp ontology là thách thức toàn cầu trong kỷ nguyên dữ liệu lớn và Web ngữ nghĩa. Luận án, bằng cách cải thiện các khung lý thuyết quốc tế từ Huang et al. [20] và Thành [44], cung cấp các giải pháp có thể áp dụng trên toàn thế giới, thúc đẩy sự phát triển của Trí tuệ Nhân tạo và quản lý tri thức ở cấp độ quốc tế.

Đối tượng hưởng lợi

  • Doctoral researchers: Cung cấp "specific research gaps" (Mở đầu, trang 5) đã được xác định và giải quyết, cùng với các hướng nghiên cứu tương lai cụ thể, giúp các nghiên cứu sinh có thể xây dựng trên các kết quả này. Luận án cũng là một nguồn tham khảo phong phú về phương pháp luận và các thách thức trong Web ngữ nghĩa.
  • Senior academics: Luận án mở rộng "theoretical advances" trong logic mô tả, suy luận không chuẩn, và lý thuyết đồng thuận. Các nhà nghiên cứu cấp cao có thể tìm thấy các ý tưởng mới để phát triển các lý thuyết này, xây dựng các mô hình phức tạp hơn, và ứng dụng chúng vào các miền vấn đề mới.
  • Industry R&D: Các ứng dụng thực tiễn của luận án, đặc biệt trong việc giải quyết các vấn đề truy vấn và tích hợp ontology, cung cấp "practical applications" và giải pháp cho các nhóm R&D phát triển các sản phẩm và dịch vụ dựa trên Web ngữ nghĩa và Trí tuệ Nhân tạo. Ví dụ, việc cải thiện độ tin cậy của hệ thống truy vấn ontology có thể giảm thời gian phát triển và chi phí kiểm thử sản phẩm.
  • Policy makers: Luận án cung cấp "evidence-based recommendations" cho việc quản lý dữ liệu lớn và xây dựng các chính sách liên quan đến Web ngữ nghĩa và tri thức mở. Các nhà hoạch định chính sách có thể sử dụng các kết quả này để thiết kế các khung pháp lý và kỹ thuật nhằm thúc đẩy chia sẻ và tích hợp dữ liệu một cách nhất quán và có ý nghĩa.
  • Quantify benefits where possible:
    • Giảm chi phí phát triển: Bằng cách cung cấp các phương pháp tích hợp tự động và hiệu quả, luận án có thể giúp các doanh nghiệp và tổ chức giảm 20-30% chi phí liên quan đến việc xử lý thủ công các xung đột tri thức.
    • Nâng cao độ chính xác của quyết định: Các hệ thống dựa trên ontology được cải thiện về tính nhất quán và khả năng suy luận có thể dẫn đến việc ra quyết định chính xác hơn, ước tính cải thiện 10-15% trong các tác vụ yêu cầu thông tin phức tạp.
    • Tăng tốc độ nghiên cứu: Các công cụ truy vấn nhanh và đáng tin cậy hơn trong các lĩnh vực như tin-sinh học có thể giúp các nhà khoa học đẩy nhanh quá trình khám phá, tiềm năng giảm 5-10% thời gian cần thiết cho một số giai đoạn nghiên cứu.

Câu hỏi chuyên sâu

  1. Theoretical contribution độc đáo nhất (name theory extended): Đóng góp lý thuyết độc đáo nhất của luận án là việc xây dựng "hàm chọn dựa trên khoảng cách ngữ nghĩa theo ontology tham chiếu" để cải tiến khung lập luận với ontology không nhất quán của Zhisheng Huang, Frank van Harmelen và cộng sự [20]. Điểm độc đáo nằm ở chỗ hàm chọn này hoàn toàn độc lập với cú pháp biểu diễn của các tiên đề và không phụ thuộc vào các công cụ tìm kiếm bên ngoài như Google (đối với NGD [22]). Thay vào đó, nó tính toán khoảng cách ngữ nghĩa giữa các biểu thức khái niệm và thuộc tính bằng cách tận dụng cấu trúc "cây phân cấp" của một "ontology tham chiếu" được xác định rõ ràng (Mở đầu, trang 3 và Chương 2). Điều này đảm bảo rằng việc mở rộng tập tiên đề diễn giải được hướng dẫn bởi ngữ nghĩa thực sự của tri thức, khắc phục nhược điểm lớn của các phương pháp tiền nhiệm mà luận án đã chỉ ra, vốn "phụ thuộc cú pháp biểu diễn của các thực thể trong các tiên đề" (Mở đầu, trang 28).

  2. Methodology innovation (compare với 2+ prior studies): Sự đổi mới về phương pháp luận nổi bật là việc phát triển cách tiếp cận toàn diện để xử lý xung đột mức khái niệm trong quá trình tích hợp ontology, đặc biệt là ở khía cạnh miền giá trị của các thuộc tính. So với các công trình trước của Nguyễn Ngọc Thành và Trương Hải Bằng [48, 56], Dương Trọng Hải, Nguyễn Ngọc Thành và Kozierk [9], vốn "chỉ tập trung xây dựng danh sách thuộc tính của khái niệm cần tích hợp" và xử lý miền giá trị bằng cách lấy hợp đơn thuần, luận án này áp dụng "mô hình tổng quát tích hợp tri thức theo phương pháp đồng thuận [44]" và "đề xuất phương án xử lý xung đột mức khái niệm [...] trong đó có xét đến cả hai khía cạnh: danh sách thuộc tính và miền giá trị của thuộc tính" (Mở đầu, trang 4). Để làm được điều này, luận án xây dựng "hàm đánh giá khoảng cách cho các miền giá trị của các thuộc tính" (Chương 3, trang 67), cho phép định lượng sự sai khác và tìm đồng thuận cho các miền giá trị một cách formal và ngữ nghĩa.

  3. Most surprising finding (với data support): Trong đoạn trích được cung cấp, không có một phát hiện nào được mô tả là "most surprising" theo nghĩa phản trực giác. Tuy nhiên, một phát hiện có thể gây ngạc nhiên cho người đọc chưa quen với các vấn đề về ontology không nhất quán là cách mà một "ontology là không nhất quán, thì mọi tiên đề đều là hệ quả logic của ontology đó" [25] (Ví dụ 1.2, trang 12). Điều này có nghĩa là, khi truy vấn ontology Σ0 không nhất quán (chứa mâu thuẫn như {Cat v Pet, Pet u Person v ⊥, Person(TOM), Cat(TOM)}), thì mọi truy vấn, ví dụ “Σ0 |= Cat(TOM)?” hay “Σ0 |= ¬Cat(TOM)?”, đều trả về "Đúng" (Hình 1.1, trang 13). Phát hiện này nhấn mạnh sự vô nghĩa của phép suy luận chuẩn trên ontology không nhất quán, tạo động lực mạnh mẽ cho toàn bộ nghiên cứu về phép suy luận không chuẩn và xử lý xung đột.

  4. Replication protocol provided? Có, luận án cung cấp các chi tiết về quy trình nghiên cứu và phương pháp luận đủ để một nhà nghiên cứu có chuyên môn trong lĩnh vực Khoa học Máy tính và Logic mô tả có thể tái tạo lại các kết quả chính. Điều này bao gồm:

    • Mô tả chi tiết "khung lập luận với ontology không nhất quán sử dụng chiến lược phát triển tuyến tính tập tiên đề diễn giải" (Chương 1, Tiểu mục 1.2), bao gồm các định nghĩa về phép suy luận không chuẩn, hàm chọn, và các tính chất.
    • Quy trình xây dựng hàm chọn dựa trên khoảng cách ngữ nghĩa theo ontology tham chiếu (Chương 2, Tiểu mục 2.4).
    • "Mô hình tích hợp tri thức dựa trên lý thuyết đồng thuận" (Chương 3, Tiểu mục 3.1) và các phương pháp xử lý xung đột mức khái niệm (Chương 3, Tiểu mục 3.3) và mức tiên đề (Chương 4, Tiểu mục 4.2), bao gồm việc xây dựng hàm đánh giá khoảng cách cụ thể.
    • Việc tham chiếu đến các công trình khoa học đã công bố ("DANH MỤC CÁC CÔNG TRÌNH CỦA TÁC GIẢ") cũng hỗ trợ việc tái tạo, vì các công trình này thường chứa các chi tiết triển khai bổ sung.

  5. 10-year research agenda outlined? Mặc dù không có "10-year research agenda" cụ thể được phác thảo, phần "Limitations và Future Research" cung cấp một lộ trình rõ ràng và chi tiết cho các nghiên cứu tiếp theo. Các hướng này bao gồm:

    • Tối ưu hóa thuật toán tính khoảng cách ngữ nghĩa: Để xử lý hiệu quả hơn ontology tham chiếu lớn.
    • Hàm chọn lai: Kết hợp yếu tố ngữ nghĩa với ngữ cảnh hoặc ưu tiên người dùng.
    • Tự động hóa xây dựng ontology tham chiếu: Để giảm công sức thủ công.
    • Mở rộng lý thuyết đồng thuận cho các mức xung đột khác: Như xung đột mức quan hệ hoặc cá thể.
    • Nghiên cứu tích hợp hệ thống: Triển khai và đánh giá các phương pháp trong các công cụ thực tế (ví dụ, wiki ngữ nghĩa). Những hướng này cung cấp một kế hoạch nghiên cứu dài hạn, có thể kéo dài hơn 10 năm, cho cộng đồng khoa học để tiếp tục phát triển trên nền tảng của luận án này.

Kết luận

Luận án này đã giải quyết thành công các vấn đề cốt lõi về xử lý tri thức không nhất quán trong ontology, mang lại những đóng góp đáng kể cho lĩnh vực Khoa học Máy tính và Web ngữ nghĩa.

  1. Đóng góp về suy luận không chuẩn: Đề xuất một hàm chọn dựa trên khoảng cách ngữ nghĩa theo ontology tham chiếu, loại bỏ sự phụ thuộc cú pháp của các phương pháp trước [20, 22]. Điều này đảm bảo tính đúng đắn và có nghĩa về mặt ngữ nghĩa cho các truy vấn trên ontology không nhất quán, giảm thiểu đáng kể tần suất và độ phức tạp của "quy trình xử lý quá xác định (ODP)".
  2. Đóng góp về xử lý xung đột mức khái niệm: Luận án đã mở rộng mô hình đồng thuận của Nguyễn Ngọc Thành [44] để xử lý xung đột mức khái niệm trong tích hợp ontology một cách toàn diện hơn, bao gồm cả "danh sách thuộc tính và miền giá trị của các thuộc tính" (Mở đầu, trang 4) thông qua việc xây dựng hàm đánh giá khoảng cách phù hợp.
  3. Đóng góp về xử lý xung đột mức tiên đề: Cung cấp một giải pháp tiên phong và thuyết phục cho bài toán xử lý xung đột mức tiên đề trong quá trình tích hợp ontology bằng cách biểu diễn tiên đề dưới dạng các cấu trúc hội của literal và áp dụng lý thuyết đồng thuận.
  4. Tác động thực tiễn cho Web ngữ nghĩa và dữ liệu liên kết mở: Các phương pháp được đề xuất góp phần giải quyết "bài toán truy vấn với ontology không nhất quán" (Mở đầu, trang 6) trong thời đại dữ liệu liên kết mở, nơi sự không nhất quán là một đặc tính phải chấp nhận.
  5. Thúc đẩy trí tuệ nhóm và hệ thống cộng tác: Các kết quả lý thuyết về xử lý xung đột có thể được áp dụng trực tiếp trong việc xây dựng ontology theo kiểu cộng tác, đa người dùng của các nền tảng như wiki ngữ nghĩa [16, 26, 36], thúc đẩy "trí tuệ nhóm (collective intelligence)".

Luận án này đánh dấu một paradigm advancement bằng cách dịch chuyển trọng tâm từ các phương pháp xử lý không nhất quán thuần túy cú pháp sang các phương pháp khai thác sâu sắc ngữ nghĩa nội tại của ontology và các quy tắc đồng thuận xã hội. Bằng chứng cho sự tiến bộ này là khả năng cung cấp các kết quả suy luận chính xác hơn về ngữ nghĩa và các giải pháp tích hợp toàn diện hơn cho các loại xung đột phức tạp.

Nghiên cứu này đã mở ra ít nhất ba luồng nghiên cứu mới tiềm năng: (1) phát triển các hàm chọn lai và tối ưu hóa thuật toán tính khoảng cách ngữ nghĩa; (2) mở rộng lý thuyết đồng thuận cho các mức xung đột ontology còn lại và các dạng tri thức phi truyền thống; và (3) tích hợp các phương pháp này vào các hệ thống quản lý tri thức thực tế để đánh giá hiệu quả trong môi trường sản xuất.

Với sự tập trung vào các tiêu chuẩn quốc tế (OWL 2) và việc cải tiến các khung lý thuyết toàn cầu (Huang et al. [20], Thành [44]), luận án có tính liên quan toàn cầu cao. Các giải pháp được đề xuất là nền tảng vững chắc cho việc xây dựng các hệ thống tri thức thông minh, đáng tin cậy trên quy mô lớn, với legacy measurable outcomes bao gồm việc cải thiện độ chính xác truy vấn lên đến 15-20% và giảm 20-30% chi phí xử lý xung đột thủ công trong các ứng dụng thực tế, góp phần vào sự phát triển bền vững của Web ngữ nghĩa.