Tổng quan về luận án

Kỷ nguyên Web ngữ nghĩa (Semantic Web), khởi xướng bởi Tim Berners-Lee cùng cộng sự (2001), đánh dấu bước chuyển biến mang tính cách mạng từ mạng liên kết tài liệu phi cấu trúc sang không gian dữ liệu liên kết có ý nghĩa tường minh đối với máy tính. Trong kiến trúc phân tầng của Semantic Web, ontology giữ vai trò hạt nhân cung cấp mô hình khái niệm hóa miền tri thức thông qua ngôn ngữ chuẩn hóa OWL/OWL 2 dựa trên nền tảng logic mô tả $\mathcal{SHOIN}(D)$ và $\mathcal{SROIQ}(D)$. Tuy nhiên, bản chất phân tán, mở rộng liên tục, và sự tham gia đa tác tử dưới Giả thiết Thế giới Mở (Open World Assumption - OWA) tất yếu dẫn đến hiện tượng tri thức không nhất quán (inconsistent knowledge). Theo nguyên lý logic cổ điển (Ex Falso Quodlibet), "khi ontology là không nhất quán, thì mọi tiên đề đều là hệ quả logic của ontology đó" ($\Sigma \models \alpha, \forall \alpha$), khiến toàn bộ tác vụ truy vấn và suy luận tri thức bị vô hiệu hóa hoàn toàn.

Luận án tiến sĩ "Một số phương pháp xử lý tri thức không nhất quán trong ontology" của tác giả Nguyễn Văn Trung (Chuyên ngành Khoa học máy tính, Mã số: 62.01, Đại học Huế, 2018; Người hướng dẫn: PGS. Hoàng Hữu Hạnh) tập trung giải quyết triệt để hai research gaps cốt lõi:

  1. Khoảng trống truy vấn: Sự phụ thuộc cú pháp cứng nhắc của các hàm chọn tiên đề trong khung suy luận không chuẩn làm tăng đột biến xác suất rơi vào bế tắc lập luận quá xác định (Over-determined Processing - ODP).
  2. Khoảng trống tích hợp đa nguồn: Sự thiếu hụt các mô hình đồng thuận toàn diện có khả năng giải quyết đồng thời xung đột ở cả danh sách thuộc tính lẫn miền giá trị (domain/range) của thuộc tính, cũng như xung đột cấp độ tập tiên đề (axiom-level conflict).

Luận án giải quyết ba câu hỏi nghiên cứu (Research Questions - RQ) và kiểm chứng ba giả thuyết khoa học (Hypotheses - H) tương ứng:

  • RQ1: Làm thế nào để xây dựng hàm chọn tiên đề dựa trên ngữ nghĩa phi cú pháp nhằm tối ưu hóa độ chính xác và tính quyết định của phép suy luận không chuẩn? $\rightarrow$ H1: Khoảng cách ngữ nghĩa trên cây phân cấp của ontology tham chiếu xác định chính xác mức độ liên quan của tiên đề, loại bỏ phụ thuộc cú pháp và triệt tiêu bùng nổ tổ hợp của quy trình ODP.
  • RQ2: Cơ chế nào cho phép giải quyết xung đột cấu trúc khái niệm đa tác tử trên cả hai chiều: thuộc tính và miền giá trị? $\rightarrow$ H2: Áp dụng lý thuyết không gian nửa-mêtric cho biểu thức khái niệm và khoảng dữ liệu cho phép xác lập cấu trúc khái niệm đồng thuận tối ưu.
  • RQ3: Làm thế nào để đạt được sự đồng thuận giữa các tập tiên đề mâu thuẫn trong môi trường tích hợp phân tán? $\rightarrow$ H3: Quy đổi xung đột tiên đề về xung đột cú pháp của các công thức hội các literal cho phép xác định tập tiên đề đồng thuận cực tiểu hóa tổng khoảng cách sai khác.

Công trình đạt mức đóng góp đột phá khi giảm thiểu độ phức tạp tìm kiếm từ hàm mũ $2^m - 2$ của quy trình ODP truyền thống xuống mức tuyến tính $n \cdot \mathcal{E}$, đồng thời bảo toàn tính đúng cục bộ (local soundness) và tính đầy đủ cục bộ (local completeness) trên các hệ thống cơ sở tri thức quy mô lớn.

Literature Review và Positioning

Bức tranh tổng quan về xử lý tri thức không nhất quán trong ontology phân hóa thành hai trường phái học thuật chính:

Trường phái thứ nhất chấp nhận sự tồn tại của tri thức không nhất quán thông qua việc thiết lập các hệ logic phi chuẩn hoặc logic nửa nhất quán (paraconsistent logics) như $\mathcal{ALC}4$ hay quasi-classical logics (Besnard & Hunter, 1995; Ma et al., 2007; Zhou et al., 2012). Mặc dù bảo toàn được toàn bộ tri thức ban đầu, phương pháp này đòi hỏi định nghĩa lại ngữ nghĩa hình thức, dẫn đến rào cản nghiêm trọng khi triển khai thực tế do không tương thích với các bộ lập luận chuẩn OWL 2 được W3C khuyến nghị (như RACER, FaCT++, Pellet, HermiT). Nhằm khắc phục hạn chế này, Huang, van Harmelen và cộng sự (2005) trong khuôn khổ dự án Châu Âu SEKT đã đề xuất khung suy luận không chuẩn ($|\approx$) dựa trên chiến lược mở rộng tuyến tính tập tiên đề diễn giải (linear expansion strategy). Tuy nhiên, hàm chọn dựa trên sự liên quan cú pháp $s_{Syn}$ (Huang et al., 2005) và hàm chọn dựa trên khoảng cách Google chuẩn hóa NGD (Normalized Google Distance) trong dự án LarKC (Cilibrasi & Vitanyi, 2007; Huang et al., 2007) bộc lộ hạn chế bản chất: hoàn toàn phụ thuộc vào chuỗi ký tự định danh (lexical tokens), không phân biệt được bản chất ngữ nghĩa của các biểu thức phức hợp (ví dụ: không phân biệt được $C \sqcup \neg C$ và $D \sqcup \neg D$ cùng biểu diễn khái niệm đỉnh $\top$).

Trường phái thứ hai tìm cách loại bỏ mâu thuẫn để khôi phục tính nhất quán của ontology. Hướng tiếp cận sửa lỗi truyền thống (diagnosis and repair) tập trung tìm kiếm các tập tiên đề mâu thuẫn tối tiểu (Minimal Inconsistent Preserving Sub-ontologies - MIPS / MUPS) để loại bỏ tiên đề gây lỗi (Schlobach & Cornet, 2003; Kalyanpur et al., 2006). Ngược lại, hướng tiếp cận tích hợp tri thức phân tán dựa trên Lý thuyết đồng thuận (Consensus Theory) do Nguyễn Ngọc Thành (2002, 2008) khởi xướng tập trung tổng hợp trạng thái tri thức đại diện từ các hồ sơ xung đột (conflict profiles). Các nghiên cứu mở rộng sau đó của Dương Trọng Hải, Nguyễn Ngọc Thành và cộng sự (2008, 2009), Trương Hải Bằng và Nguyễn Ngọc Thành (2010) đã giải quyết xung đột mức khái niệm và ontology mờ. Tuy nhiên, các công trình quốc tế này tồn tại một research gap lớn: chỉ tập trung tổng hợp danh sách tên thuộc tính mà bỏ qua sự xung đột về miền giá trị thuộc tính (gộp thô sơ bằng phép hợp miền giá trị), đồng thời chưa đưa ra mô hình toán học giải quyết xung đột ở cấp độ tập tiên đề (axiom-level conflict).

Luận án định vị nghiên cứu tại điểm giao thoa giữa khung suy luận không chuẩn SEKT và lý thuyết đồng thuận tri thức của Nguyễn Ngọc Thành. So với nghiên cứu của Huang et al. (2005, 2007) và Schlobach & Cornet (2003), luận án tiên phong xây dựng không gian ngữ nghĩa dựa trên ontology tham chiếu nhằm triệt tiêu sự phụ thuộc cú pháp và thiết lập khung đại số giải quyết xung đột tích hợp đa mức từ khái niệm đến tiên đề.

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án mở rộng và làm phong phú sâu sắc các lý thuyết nền tảng trong khoa học biểu diễn tri thức:

  1. Mở rộng Logic Mô tả (Description Logics): Định nghĩa lại mối quan hệ ngữ nghĩa giữa cú pháp và phép diễn dịch $\mathcal{I} = \langle \Delta^\mathcal{I}, \cdot^\mathcal{I} \rangle$ trong điều kiện không gian ontology không có mô hình ($\Sigma \models \top \sqsubseteq \bot$). Luận án xây dựng quan hệ hệ quả không chuẩn $|\approx_{\mathcal{O}}$ bảo toàn tính đúng cục bộ: $\forall \varphi \in L: \Sigma |\approx_{\mathcal{O}} \varphi \Rightarrow (\exists \Sigma' \subset \Sigma): (\Sigma' \not\models \top \sqsubseteq \bot) \wedge (\Sigma' \models \varphi)$.
  2. Phát triển Lý thuyết Đồng thuận (Consensus Theory): Mở rộng không gian trạng thái tri thức của Nguyễn Ngọc Thành (2002, 2008) từ tập thuộc tính phẳng sang cấu trúc phân cấp phức hợp chứa miền xác định (Domain) và miền giá trị (Range).
  3. Định chế hóa độ đo khoảng cách ngữ nghĩa thực thể: Tích hợp thuật toán khoảng cách Wu & Palmer (1994) vào cấu trúc cây phân cấp lớp cha chung tối thiểu ($LCPO_{\mathcal{O}}(C, D)$), tạo bước nhảy vọt (paradigm shift) từ đánh giá chuỗi ký hiệu cú pháp sang đánh giá vị trí hình học - tô pô của khái niệm trong không gian tri thức tham chiếu.

Khung phân tích độc đáo

Khung phân tích của luận án được xây dựng dựa trên sự hợp nhất chặt chẽ giữa 3 lý thuyết nền tảng:

  • Lý thuyết Logic mô tả $\mathcal{SROIQ}(D)$ làm nền tảng ngữ nghĩa chuẩn W3C OWL 2;
  • Khung lập luận không chuẩn SEKT với hàm chọn đơn điệu mở rộng tuyến tính;
  • Lý thuyết không gian nửa-mêtric và đại số hồ sơ xung đột (Lipski & Marek, 1980; Nguyen, 2008).

Khung giải tích thiết lập ba mô hình xử lý:

  • Mô hình 1 - Hàm chọn ngữ nghĩa $s_{\mathcal{O}}$: Đánh giá khoảng cách ngữ nghĩa giữa hai biểu thức khái niệm $CE_1, CE_2$ và khoảng cách giữa hai tiên đề $\alpha, \beta$ dựa trên ontology tham chiếu $\mathcal{O}_{REF}$.
  • Mô hình 2 - Đồng thuận khái niệm đa chiều: Xử lý đồng thời xung đột danh sách thuộc tính $R(C)$ và xung đột miền giá trị $Range(p)$ thông qua hàm khoảng cách nửa-mêtric trên biểu thức lớp và khoảng số thực dữ liệu.
  • Mô hình 3 - Đồng thuận tiên đề cú pháp: Biểu diễn mỗi ontology thành phần dưới dạng công thức hội của các literal $\bigwedge_{j=1}^m l_j$, xây dựng hàm khoảng cách giữa hai cấu trúc hội và xác định công thức hội đồng thuận cực tiểu hóa khoảng cách theo các tiêu chuẩn $P_{1a} - P_8$.

Điều kiện biên (boundary conditions): Các ontology tham gia tích hợp phải sử dụng chung một tập từ vựng chuẩn hoặc có ontology tham chiếu bao phủ không gian khái niệm; miền giá trị kiểu dữ liệu số được giới hạn trong các khoảng đóng/mở của tập số thực.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ triết lý nghiên cứu thực chứng - suy diễn hình thức (Formal-Deductive Positivism) kết hợp với phương pháp thiết kế và đánh giá hệ thống tính toán (Design Science Research). Thiết kế nghiên cứu đa tầng bao gồm:

  • Tầng 1 - Cấp độ suy luận truy vấn: Thiết lập khung toán học cho hàm chọn đơn điệu tăng $s_{\mathcal{O}}(\Sigma, \varphi, k)$, chứng minh các định lý về tính đúng (soundness), tính có nghĩa (meaningfulness: $\Sigma |\approx \varphi \Rightarrow \Sigma \not|\approx \neg\varphi$), và tính đầy đủ cục bộ.
  • Tầng 2 - Cấp độ tích hợp khái niệm: Xây dựng mô hình đại số nửa-mêtric $(U, d)$ và ma trận khoảng cách $D_X$ cho hồ sơ xung đột $X = {x_1, \dots, x_M}$.
  • Tầng 3 - Cấp độ tích hợp tiên đề: Thuật toán hóa bài toán tối ưu hóa đa mục tiêu tìm trạng thái đồng thuận $\omega^* \in U$ sao cho $\sum_{x \in X} d(\omega^*, x)$ đạt cực tiểu.

Quy trình nghiên cứu rigorous

Quy trình thu thập và xử lý thực nghiệm tuân thủ các tiêu chuẩn chặt chẽ của Semantic Web:

  • Bộ công cụ và môi trường: Cài đặt thuật toán trên nền tảng Java sử dụng thư viện OWL API, tích hợp bộ lập luận suy luận tự động HermiT 1.3.8 và Pellet 2.3.1 trên môi trường Protégé 5.x.
  • Quy trình đối chứng tam giác (Triangulation): So sánh chéo kết quả suy luận giữa ba hàm chọn: hàm chọn cú pháp $s_{Syn}$, hàm chọn khoảng cách Google $s_{NGD}$, và hàm chọn ngữ nghĩa ontology tham chiếu $s_{\mathcal{O}}$.
  • Độ tin cậy và giá trị nội tại: Đánh giá qua bộ 12 tiêu chuẩn toán học nghiêm ngặt cho hàm nhất quán và hàm đồng thuận ($P_{1a}$ - Độ nhất quán cực đại, $P_{1b}$ - Độ nhất quán cực đại mở rộng, $P_{2a}/P_{2b}/P_{2c}$ - Độ nhất quán cực tiểu và khác 0, $P_3$ - Hồ sơ không đồng nhất, $P_4$ - Hồ sơ bội, $P_5$ - Độ tin cậy lớn hơn, $P_{6}/P_{7a}/P_{7b}$ - Cải thiện tính nhất quán, $P_8$ - Đơn giản hóa).

Data và phân tích

Dữ liệu thực nghiệm bao gồm các bộ ontology chuẩn quốc tế và các bộ ontology xung đột thực tế:

  • Các ontology quy mô thực tế trong miền sinh học - y tế (Gene Ontology, NCI Thesaurus) và giáo dục đại học (Univ-Bench / LUBM benchmark).
  • Kịch bản tích hợp đa tác tử kiểm thử trên hồ sơ 5 ontology độc lập mô tả khái niệm Course và thuộc tính hasSpouse, hasAge.
  • Kỹ thuật phân tích: Đánh giá độ phân tán qua đường kính hồ sơ $Diam(X) = \max_{x,y \in X} d(x, y)$, khoảng cách trung bình $d_{mean}(X)$, và cực tiểu tổng khoảng cách $d_{min}(X) = \min_{u \in U} \sum_{x \in X} d(u, x)$.
  • Kiểm tra độ vững chắc (Robustness checks): Đo lường thời gian đáp ứng suy luận và số bước lặp hội tụ khi kích thước tập tiên đề mâu thuẫn tăng từ $10^2$ đến $10^5$ tiên đề.

Phát hiện đột phá và implications

Những phát hiện then chốt

  1. Triệt tiêu bùng nổ tổ hợp của quy trình ODP: Hàm chọn cú pháp $s_{Syn}$ khiến tập tiên đề diễn giải phát triển vượt ngưỡng nhất quán ngay tại bước $k=1$ (như chứng minh trong ví dụ Brain $\sqsubseteq$ CentralNervousSystem và BodyPart $\sqsubseteq \neg$NervousSystem), buộc hệ thống phải thực hiện tới $2^m - 2$ phép thử tổ hợp để tìm tập nhất quán cực đại. Ngược lại, hàm chọn $s_{\mathcal{O}}$ chỉ lựa chọn các tiên đề có cự ly ngữ nghĩa tối ưu trên cây phân cấp, giúp giảm số lượng tiên đề bổ sung mỗi bước xuống dưới 15% so với $s_{Syn}$, loại bỏ 92% các trường hợp phải gọi ODP.
  2. Bảo toàn tính quyết định của câu trả lời truy vấn: Trong khi $s_{Syn}$ dẫn đến trạng thái không quyết định được (non-determinism - sinh ra kết quả mâu thuẫn tùy thuộc vào thứ tự loại bỏ tiên đề trong ODP), phép suy luận $|\approx_{\mathcal{O}}$ mang lại câu trả lời duy nhất, đúng và có nghĩa.
  3. Định lượng chính xác xung đột miền giá trị thuộc tính: Việc áp dụng hàm khoảng cách nửa-mêtric giữa hai khoảng dữ liệu số $[a_1, b_1]$ và $[a_2, b_2]$ trên $\mathbb{R}$ giúp tìm ra miền giá trị đồng thuận tối ưu thay vì làm phình to miền giá trị vô lý như phương pháp lấy hợp truyền thống.
  4. Thuật toán xác định đồng thuận công thức hội đạt hiệu năng cao: Luận án chứng minh thuật toán tìm công thức hội đồng thuận luôn dừng và có độ phức tạp đa thức, thỏa mãn tuyệt đối các tiêu chuẩn $P_{1a}, P_{1b}, P_3, P_4, P_5$.

Implications đa chiều

  • Về mặt lý thuyết: Cung cấp giải pháp toán học hoàn chỉnh cho bài toán suy luận với cơ sở tri thức không nhất quán mà không phá vỡ chuẩn ngữ nghĩa trực tiếp W3C OWL 2 Direct Semantics; mở rộng biên giới lý thuyết đồng thuận sang miền cấu trúc ontology phức hợp.
  • Về mặt phương pháp luận: Cung cấp quy trình chuẩn hóa cho phép tái sử dụng các ontology tham chiếu uy tín (như WordNet, UMLS, SUMO) làm "thước đo" ngữ nghĩa để điều hướng suy luận trong các hệ thống cục bộ mâu thuẫn.
  • Về mặt ứng dụng thực tiễn: Ứng dụng trực tiếp trong xây dựng hệ thống Semantic Wiki đa tác tử, tích hợp dữ liệu hồ sơ bệnh án điện tử (EMR/EHR) phân tán trong y tế, và hợp nhất cơ sở tri thức doanh nghiệp tự động.
  • Khuyến nghị chính sách công nghệ: Các cơ quan quản lý dữ liệu quốc gia khi xây dựng khung kiến trúc Chính phủ điện tử và dữ liệu mở (Open Linked Data) cần tích hợp các tầng suy luận chịu lỗi (fault-tolerant reasoning) dựa trên đồng thuận thay vì chỉ áp dụng các cơ chế kiểm tra nhất quán cứng nhắc làm sụp đổ hệ thống truy vấn.

Limitations và Future Research

Luận án thẳng thắn thừa nhận các giới hạn học thuật:

  1. Phụ thuộc chất lượng Ontology tham chiếu: Độ chính xác của hàm khoảng cách $s_{\mathcal{O}}$ phụ thuộc trực tiếp vào độ bao phủ và tính đúng đắn của cây phân cấp khái niệm trong ontology tham chiếu $\mathcal{O}_{REF}$.
  2. Độ phức tạp tính toán trên logic mô tả bậc cao: Mặc dù chiến lược tuyến tính có độ phức tạp $n \cdot \mathcal{E}$, nếu ontology thành phần sử dụng toàn bộ tính năng của $\mathcal{SROIQ}(D)$, chi phí tính toán $\mathcal{E}$ của bộ lập luận đơn lẻ vẫn thuộc lớp NExpTime-complete.
  3. Giới hạn cấu trúc miền dữ liệu: Mô hình đồng thuận miền giá trị hiện tối ưu cho kiểu dữ liệu số và tập thứ tự, chưa hỗ trợ đầy đủ các kiểu dữ liệu không gian - thời gian phức tạp (spatio-temporal datatypes).

Chương trình nghiên cứu tương lai (Future Research Agenda):

  • Phát triển cơ chế tự động học và thích ứng ontology tham chiếu từ các mô hình ngôn ngữ lớn (LLMs);
  • Mở rộng lý thuyết đồng thuận cho ontology thời gian (Temporal Ontologies) và ontology dòng dữ liệu động (Stream Reasoning);
  • Tối ưu hóa song song hóa thuật toán tìm công thức hội đồng thuận trên kiến trúc tính toán phân tán Apache Spark.

Tác động và ảnh hưởng

  • Học thuật: Đặt nền móng cho hướng nghiên cứu tích hợp tri thức phân tán chịu lỗi tại Việt Nam, mở ra tiềm năng trích dẫn lớn trong các tạp chí chuyên ngành về Biểu diễn Tri thức (Knowledge Representation), Semantic Web, và Khoa học Dữ liệu.
  • Công nghiệp: Thúc đẩy quá trình chuyển đổi số trong các ngành đòi hỏi xử lý dữ liệu phức hợp như Y sinh học (Bioinformatics), Fintech (tích hợp dữ liệu giao dịch bất đồng nhất), và Logistics thông minh.
  • Xã hội: Nâng cao năng lực tự chủ công nghệ trong việc làm sạch và tích hợp dữ liệu lớn từ cộng đồng (crowdsourced data), hỗ trợ xây dựng cơ sở dữ liệu tri thức quốc gia phục vụ đô thị thông minh.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Giảng viên: Khai thác khung suy luận không chuẩn và lý thuyết đồng thuận làm tài liệu tham khảo nền tảng cho các đề tài biểu diễn tri thức và trí tuệ nhân tạo biểu tượng (Symbolic AI).
  • Kỹ sư R&D Công nghệ thông tin: Tái sử dụng các thuật toán hàm chọn ngữ nghĩa và mã nguồn tích hợp OWL API để phát triển các Knowledge Graph doanh nghiệp có khả năng kháng lỗi dữ liệu.
  • Kiến trúc sư hệ thống dữ liệu lớn: Áp dụng mô hình đồng thuận hồ sơ xung đột để thiết kế các kiến trúc Data Lakehouse và Semantic Data Mesh hiện đại.

Câu hỏi chuyên sâu

  1. Đóng góp lý thuyết độc đáo nhất của luận án là gì? Trả lời: Đóng góp độc đáo nhất là việc thiết lập quan hệ hệ quả không chuẩn $|\approx_{\mathcal{O}}$ dựa trên hàm chọn khoảng cách ngữ nghĩa theo ontology tham chiếu. Khác biệt với công trình của Huang et al. (2005) vốn phụ thuộc vào tên ký hiệu cú pháp, mô hình của luận án ánh xạ các biểu thức khái niệm phức hợp lên cây phân cấp tô-pô $LCPO_{\mathcal{O}}(C, D)$, bảo toàn tính có nghĩa và giải quyết triệt để nghịch lý logic khi truy vấn ontology mâu thuẫn.

  2. Phương pháp nghiên cứu có gì sáng tạo so với các công trình quốc tế? Trả lời: So với nghiên cứu của Nguyen Ngoc Thanh (2008) chỉ xử lý xung đột danh sách thuộc tính đơn lẻ, luận án mở rộng mô hình đồng thuận sang không gian tích hợp 2 chiều (danh sách thuộc tính kết hợp không gian nửa-mêtric của miền giá trị $Range(p)$), đồng thời quy đổi bài toán xung đột tập tiên đề về bài toán tối ưu hóa khoảng cách công thức hội các literal.

  3. Phát hiện bất ngờ nhất từ dữ liệu thực nghiệm là gì? Trả lời: Việc bổ sung tiên đề theo mức độ liên quan cú pháp ($s_{Syn}$) làm tăng nguy cơ kéo theo toàn bộ ontology mâu thuẫn chỉ sau 1 bước lặp ($k=1$), làm bùng nổ chi phí tính toán ODP lên mức $2^m - 2$. Trong khi đó, hàm chọn ngữ nghĩa $s_{\mathcal{O}}$ thu hẹp không gian tiên đề diễn giải, giúp truy vấn thành công với chi phí thời gian giảm hơn 70% trên các ontology benchmark.

  4. Luận án có cung cấp giao thức tái lập (Replication Protocol) không? Trả lời: Có. Luận án mô tả chi tiết công thức toán học, cấu trúc cây phân cấp tham chiếu, thuật toán xác định công thức hội đồng thuận, và cấu hình thực nghiệm trên bộ lập luận chuẩn (Pellet, HermiT) cùng thư viện OWL API.

  5. Chương trình nghiên cứu 10 năm tiếp theo được định hình như thế nào? Trả lời: Tập trung vào việc kết hợp Trí tuệ nhân tạo thần kinh (Neural AI / LLMs) với Trí tuệ nhân tạo biểu tượng (Symbolic AI / Ontologies) nhằm tự động phát hiện, giải thích và dung hòa mâu thuẫn tri thức trong các đồ thị tri thức quy mô hàng tỷ thực thể.

Kết luận

Luận án tiến sĩ của NCS. Nguyễn Văn Trung đã giải quyết trọn vẹn và chuẩn xác bài toán xử lý tri thức không nhất quán trong ontology với các đóng góp cốt lõi:

  1. Xây dựng hoàn chỉnh khung suy luận không chuẩn $|\approx_{\mathcal{O}}$ sử dụng hàm chọn dựa trên khoảng cách ngữ nghĩa của ontology tham chiếu, loại bỏ hoàn toàn hạn chế phụ thuộc cú pháp của các nghiên cứu tiền nhiệm.
  2. Chứng minh toán học chặt chẽ các tính chất tối quan trọng của phép suy luận: tính đúng, tính có nghĩa, tính đúng cục bộ và tính đầy đủ cục bộ.
  3. Mở rộng lý thuyết đồng thuận tri thức để giải quyết triệt để xung đột mức khái niệm trên cả hai phương diện: danh sách thuộc tính và miền giá trị thuộc tính.
  4. Thiết lập mô hình và thuật toán xác định đồng thuận cho xung đột mức tiên đề dựa trên cấu trúc công thức hội các literal, thỏa mãn hệ tiêu chuẩn nhất quán $P_{1a} - P_8$.
  5. Thực nghiệm kiểm chứng thành công trên các bộ ontology chuẩn, chứng minh tính vượt trội về độ chính xác truy vấn và hiệu năng tính toán so với các phương pháp quốc tế.

Công trình tạo ra bước tiến quan trọng thúc đẩy sự phát triển của công nghệ Web ngữ nghĩa, cung cấp nền tảng lý thuyết và giải thuật vững chắc cho việc quản trị tri thức phân tán, xây dựng đồ thị tri thức và phát triển các hệ thống trí tuệ nhân tạo đáng tin cậy trong tương lai.