Tổng quan về luận án

Mạng xã hội trực tuyến (Online Social Networks - OSN) đã trở thành hạ tầng giao tiếp thiết yếu, định hình sâu sắc các hành vi tương tác, kinh tế số và lan truyền thông tin trong xã hội hiện đại. Tuy nhiên, sự bùng nổ của thông tin phi cấu trúc, tin giả và hiện tượng thưa thớt dữ liệu (data sparsity) đặt ra thách thức mang tính sống còn đối với các hệ thống ra quyết định và hệ gợi ý (Recommender Systems). Trong bối cảnh đó, luận án tiến sĩ kỹ thuật chuyên ngành Hệ thống thông tin với đề tài "Nghiên cứu phát triển mô hình tin cậy người dùng dựa vào tương tác và ngữ nghĩa của thông điệp trên mạng xã hội" do nghiên cứu sinh Phạm Phương Thanh thực hiện dưới sự hướng dẫn của PGS. TS Trần Đình Quế tại Học viện Công nghệ Bưu chính Viễn thông (2024) đã kiến tạo một khung nghiên cứu tiên phong, định lượng hóa độ tin cậy người dùng thông qua việc hợp nhất hành vi tương tác đa chiều và ngữ nghĩa thông điệp theo chủ đề.

Khoảng trống nghiên cứu (research gap) trọng tâm được luận án định vị rõ nét: Trong khi các công trình kinh điển về độ tin cậy trên OSN thường coi độ tin cậy trực tiếp (direct trust) là giá trị tiên nghiệm mang tính xác định ngẫu nhiên hoặc tĩnh [5], thì các mô hình tin cậy gián tiếp (indirect trust) như TidalTrust của Golbeck [12] hay mô hình cường độ đường dẫn của Hamdi [8] lại bộc lộ hạn chế nghiêm trọng về độ phức tạp tính toán và phụ thuộc vào các ngưỡng cố định thiếu linh hoạt. Luận án giải quyết triệt để bài toán này thông qua hệ thống câu hỏi nghiên cứu và giả thuyết tường minh:

  • RQ1: Làm thế nào để lượng hóa chính xác độ tin cậy trực tiếp giữa hai người dùng có tương tác thông qua việc phân tích hành vi và ngữ nghĩa nội dung thông điệp?
    • H1: Độ tin cậy trực tiếp là hàm phi tuyến phụ thuộc đồng thời vào lịch sử tương tác đa dạng (mức độ thân thuộc, phản hồi, tần suất) và mức độ tương đồng quan tâm theo chủ đề trích xuất từ văn bản.
  • RQ2: Làm thế nào để ước lượng độ tin cậy gián tiếp giữa các người dùng không có tương tác trực tiếp mà vẫn tối ưu hóa được chi phí tính toán trên mạng quy mô lớn?
    • H2: Cấu trúc phân cấp mạng kết hợp với các toán tử đại số đường (Path Algebra) và độ đo tương tự hồ sơ - quan tâm cho phép suy diễn lan truyền tin cậy chính xác hơn các thuật toán tìm kiếm đường đi ngắn nhất truyền thống.
  • RQ3: Việc tích hợp độ tin cậy dựa trên lịch sử và độ tin cậy cộng đồng có nâng cao hiệu năng dự đoán trong các hệ thống gợi ý hay không?
    • H3: Mô hình tin cậy lai hợp nhất (TreeXTrust) đạt độ chính xác (F1-score, MAE, RMSE) vượt trội so với các mô hình tin cậy đơn lẻ hoặc mạng nơ-ron đồ thị phức tạp.

Khung lý thuyết nền tảng của nghiên cứu tích hợp Lý thuyết Phân tích Mạng Xã hội (SNA), Lý thuyết Tính tương đồng (Homophily Theory) và Mô hình Xử lý Ngôn ngữ Tự nhiên (NLP). Phạm vi thực nghiệm của luận án bao quát trên 03 bộ dữ liệu: benchmark quốc tế Epinions (quy mô 34.622 người dùng, 165.453 bài đăng, 28.770 tác giả, 28.748 đánh giá, trải rộng trên 2.014 chủ đề) và 02 bộ dữ liệu mạng xã hội thực tế thu thập từ Facebook gồm DAR (Dong Anh Runners) và CG (Cheltenham's Groups), bảo đảm tính vững chắc và khả năng tổng quát hóa cao.

Literature Review và Positioning

Lịch sử nghiên cứu về độ tin cậy tính toán (computational trust) khởi nguồn từ công trình nền tảng của Stephen Marsh (1994) [46], mở đường cho việc chuyển dịch khái niệm tâm lý - xã hội học sang các mô hình toán học và thuật toán. Trong khoa học máy tính và hệ gợi ý, các luồng nghiên cứu chính chia thành hai nhánh lớn:

Luồng nghiên cứu thứ nhất tập trung vào độ tin cậy trực tiếp dựa trên lịch sử tương tác. Mô hình STrust của Nepal và cộng sự (2013) [82] đánh giá độ tin cậy dựa trên số lượng tương tác phản hồi và theo dõi qua lại. Kalaï và cộng sự (2018) phát triển mô hình LoTrust [54] bổ sung tham số nhận biết thời gian (time-aware interaction) để lượng hóa tần suất tương tác biến thiên. Gần đây nhất, Shahram Saeidi (2020) [13] đề xuất công thức lượng hóa giá trị nút $NodeValue(u_i) = \sum w_k \cdot activities(u_i)$ nhằm tính toán độ tin cậy trực tiếp từ hoạt động tích cực của người dùng. Tuy nhiên, tranh luận học thuật nảy sinh khi phương pháp này bộc lộ nhược điểm: những chuyên gia có độ khả tín cao nhưng ít đăng bài sẽ bị đánh giá thấp sai lệch, và công thức bỏ qua hoàn toàn nội dung ngữ nghĩa của tương tác.

Luồng nghiên cứu thứ hai tập trung vào lan truyền tin cậy gián tiếp qua cấu trúc đồ thị. Mô hình TidalTrust của Golbeck (2005) [12] áp dụng thuật toán tìm kiếm theo chiều rộng (BFS) có điều chỉnh để tính toán đường dẫn tin cậy ngắn nhất, nhưng chịu giới hạn lớn khi chỉ phụ thuộc vào nút lân cận đích. Hamdi (2016, 2018) [8] tiếp cận bằng khái niệm cường độ đường dẫn ($s_p$) và độ tương đồng quan tâm $st_{v \to v'} = \frac{|domains_v \cap domains_{v'}|}{|domains_v|}$, song giải pháp này đòi hỏi chi phí tính toán bùng nổ khi đồ thị mở rộng và phụ thuộc vào ngưỡng gán nhãn tĩnh. Đến năm 2019, Wenqi Fan và cộng sự công bố mô hình GraphRec [14] sử dụng mạng nơ-ron đồ thị (GNN) để nắm bắt tương tác người dùng - khoản mục và người dùng - người dùng, nhưng cấu trúc mô hình quá cồng kềnh với hàng triệu tham số, gây khó khăn cho việc diễn giải và triển khai thực tế.

                    ┌──────────────────────────────────────────┐
                    │      HỆ THỐNG MÔ HÌNH TIN CẬY TRÊN OSN   │
                    └────────────────────┬─────────────────────┘
                                         │
                 ┌───────────────────────┴───────────────────────┐
                 ▼                                               ▼
   ┌───────────────────────────┐                   ┌───────────────────────────┐
   │    TIN CẬY TRỰC TIẾP      │                   │    TIN CẬY GIÁN TIẾP      │
   │      (Direct Trust)       │                   │     (Indirect Trust)      │
   └─────────────┬─────────────┘                   └─────────────┬─────────────┘
                 │                                               │
     ┌───────────┴───────────┐                       ┌───────────┴───────────┐
     ▼                       ▼                       ▼                       ▼
┌──────────────┐      ┌──────────────┐        ┌──────────────┐        ┌──────────────┐
│ Lịch sử hành │      │  Ngữ nghĩa   │        │Đại số đường  │        │Độ tương đồng │
│ vi: Fam, Res,│      │chủ đề: TF-IDF│        │(Path Algebra)│        │   Homophily  │
│  Dis (STrust,│      │ & LDA Gensim │        │ (TidalTrust, │        │(Hamdi, Graph-│
│   LoTrust)   │      │(Nghiên cứu)  │        │ TreeXTrust)  │        │ Rec, Luận án)│
└──────────────┘      └──────────────┘        └──────────────┘        └──────────────┘

Luận án của Phạm Phương Thanh định vị chính xác điểm giao thoa breakthrough: Khắc phục nhận định của Hamdi rằng "hầu như các nghiên cứu trước đây đều không chú ý đến việc tính toán các giá trị tin cậy trực tiếp mà họ đều coi độ tin cậy trực tiếp như được xác định tiên nghiệm với các giá trị ngẫu nhiên" [5]. Bằng việc kết hợp trích xuất ngữ nghĩa Latent Dirichlet Allocation (LDA) với cấu trúc phân cấp đại số đường, nghiên cứu tạo ra bước tiến vượt trội so với cả mô hình Saeidi (2020) và GraphRec (2019).

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đóng góp trực tiếp vào việc mở rộng Lý thuyết Tin cậy Đa chiều (Multidimensional Trust Theory) của Mayer, Davis & Schoorman (1995) [48] và Lý thuyết Tính tương đồng (Homophily Theory) của McPherson, Smith-Lovin & Cook (2001) [35]. Mayer và cộng sự từng định nghĩa: "Tin cậy là sự sẵn sàng của một bên trước hành động của một bên khác dựa trên kỳ vọng rằng bên kia sẽ thực hiện một hành động cụ thể quan trọng đối với mình" [48]. Luận án đã toán học hóa định nghĩa này trong không gian mạng xã hội thông qua 3 chiều kích tiền đề: nhân khẩu học (trustor demographics), tương tác liên kết (trustor-trustee interaction), và đặc trưng đối tượng được tin cậy (trustee characteristics).

Mô hình lý thuyết của luận án thiết lập một bước chuyển dịch mô thức (paradigm shift) từ "Tin cậy nhị phân/tĩnh" sang "Tin cậy nhận biết chủ đề liên tục và động" (Topic-aware Continuous Dynamic Trust). Độ tin cậy tổng thể được hình thức hóa thành hàm đa tham số: $$Trust(i, j) = T(\text{tương tác}(i, j), \text{quan tâm}(i, t), \text{tương tự}(i, j))$$

Các mệnh đề lý thuyết cốt lõi bao gồm:

  • Proposition 1 (Topic Sensitivity): Mức độ tin cậy không tồn tại bất biến mà bị phân rã theo miền tri thức $t \in \mathcal{T}$. Một thực thể có thể có độ tin cậy tuyệt đối trong chủ đề giáo dục nhưng không có độ tin cậy trong chủ đề thể thao.
  • Proposition 2 (Dynamic Asymmetry): Quan hệ tin cậy có tính bất đối xứng ($t_{A \to B} \neq t_{B \to A}$) và suy giảm tự nhiên theo thời gian theo hàm suy biến Jøsang [70]: $T(i, j, t) = \lambda^{t - t_r} T(i, j, t_r)$ với $0 \le \lambda \le 1$.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp liên ngành 03 trụ cột lý thuyết: Phân tích Đồ thị Mạng xã hội, Xử lý Ngôn ngữ Tự nhiên (NLP) và Đại số Tuyến tính/Đại số Đường.

                  ┌─────────────────────────────────────────┐
                  │    KHUNG PHÂN TÍCH TỔNG HỢP TREEXTRUST  │
                  └────────────────────┬────────────────────┘
                                       │
        ┌──────────────────────────────┼──────────────────────────────┐
        ▼                              ▼                              ▼
┌───────────────────────┐  ┌───────────────────────┐  ┌───────────────────────┐
│ LÝ THUYẾT TƯƠNG TÁC   │  │   NGỮ NGHĨA CHỦ ĐỀ    │  │  ĐẠI SỐ ĐƯỜNG MẠNG    │
│  - Mức độ thân thuộc  │  │  - Biểu diễn TF-IDF   │  │  - Cấu trúc phân cấp  │
│    (Familiarity - Fam)│  │  - Mô hình hóa LDA    │  │    Lk lân cận         │
│  - Mức độ phản hồi    │  │  - Độ đo quan tâm     │  │  - Toán tử hợp chuỗi  │
│    (Responds - Res)   │  │    intX(i, t)         │  │    và song song       │
│  - Tần suất tương tác │  │  - Vector tương đồng  │  │  - Độ đo tương tự     │
│    (Dispatching - Dis)│  │    Cosine/Manhattan   │  │    Profile & Interest │
└───────────┬───────────┘  └───────────┬───────────┘  └───────────┬───────────┘
            │                          │                          │
            └──────────────────────────┼──────────────────────────┘
                                       ▼
                  ┌─────────────────────────────────────────┐
                  │  ĐỘ TIN CẬY TỔNG HỢP: trust_topic(i,j,t)│
                  │ = α·trust_exp(i,j,t) + (1-α)·trust_repY │
                  └─────────────────────────────────────────┘
  1. Tin cậy dựa trên lịch sử tương tác và quan tâm ($trust_{topic}^{exp}(i, j, t)$): Kết hợp các chỉ số hành vi vi mô: Mức độ thân thuộc ($Fam$), Mức độ phản hồi ($Res$), và Tần suất tương tác ($Dis$) cùng hàm đánh giá mức độ quan tâm $intX(i, t)$ ($X \in {Max, Sum, Cor}$) được trích xuất qua TF-IDF và mô hình chủ đề LDA.
  2. Tin cậy dựa trên cộng đồng ($trust_{topic}^{repY}(i, j, t)$): Được suy diễn từ cấu trúc phân cấp $L^k_i$ (tập lân cận bậc $k$) thông qua các toán tử đại số đường và hiệu chỉnh bằng trọng số tương đồng Homophily (kết hợp Profile Similarity và Interest Similarity).
  3. Điều kiện biên (Boundary Conditions): Mô hình xác định không gian trạng thái trên đoạn liên tục $[0, 1]$, xử lý triệt để bài toán biên khi tập tương tác rỗng thông qua cơ chế lan truyền lân cận đa cấp.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Luận án tuân thủ thế giới quan thực chứng luận (positivism paradigm) kết hợp với phương pháp tính toán thực nghiệm nghiêm ngặt (computational empiricism). Thiết kế nghiên cứu đa cấp (multi-level design) được cấu trúc chặt chẽ theo 3 tầng thực thể:

  • Cấp độ cá nhân ($L_0$): Khai phá thuộc tính văn bản, bài đăng $E_i = {e_{i1}, \dots, e_{in_i}}$, trích xuất đặc trưng chủ đề $\mathcal{T} = {t_1, \dots, t_p}$.
  • Cấp độ cặp tương tác ($L_1$): Phân tích đồ thị có hướng $\mathcal{S} = (\mathcal{U}, \mathcal{I}, \mathcal{E}, \mathcal{T})$, định lượng các giao dịch thông điệp $|I_{ij}|$ (like, comment, share, post).
  • Cấp độ cấu trúc mạng cộng đồng ($L_k, k \ge 2$): Mô hình hóa chuỗi lan truyền tin cậy qua các liên kết tin cậy trung gian (trusted paths).

Quy trình nghiên cứu rigorous

Quy trình nghiên cứu được thực hiện qua các giai đoạn chuẩn hóa:

  1. Thu thập dữ liệu (Data Ingestion): Trích xuất dữ liệu thông qua Graph API của Facebook và thu thập tập dữ liệu công khai Epinions.
  2. Tiền xử lý NLP chuyên sâu: Loại bỏ nhiễu, chuẩn hóa từ viết tắt, lọc danh sách Stopwords tiếng Việt và tiếng Anh chuyên biệt cho từng miền chủ đề, tách từ (tokenization) và vector hóa văn bản bằng BoW (Bag of Words) và TF-IDF.
  3. Mô hình hóa chủ đề với Gensim LDA: Tối ưu hóa phân bố chủ đề - từ khóa $\theta$ và tài liệu - chủ đề $\phi$, xác định ma trận tương quan ngữ nghĩa.
  4. Kiểm chứng độ tin cậy và giá trị cấu trúc (Construct Validity & Reliability): Thực hiện tam giác đạc (triangulation) phương pháp bằng cách đối soát chéo kết quả tính toán giữa các độ đo khoảng cách (Manhattan vs. Cosine), phân tích ma trận nhầm lẫn (confusion matrix), độ lệch chuẩn (Standard Deviation - SD), và độ đo chất lượng phân lớp F1-Score.

Data và phân tích

Chỉ số thống kê tập dữ liệu Bộ dữ liệu Epinions Bộ dữ liệu DAR (Chạy bộ) Bộ dữ liệu CG (Cộng đồng)
Tổng số người dùng ($\mathcal{U}$) 34.622 Nhóm chuyên biệt Nhóm đa chủ đề
Số bài đăng/khoản mục ($\mathcal{E}$) 165.453 items Hàng nghìn bài đăng thực Hàng nghìn bài đăng thực
Số người dùng tạo nội dung 28.770 tác giả Toàn bộ thành viên nhóm Toàn bộ thành viên nhóm
Tổng số tương tác/đánh giá 28.748 ratings Likes, Comments, Shares Likes, Comments, Shares
Số lượng chủ đề phân loại ($\mathcal{T}$) 2.014 chủ đề Dinh dưỡng, Trang phục, Lịch chạy Đời sống, Sự kiện, Giao lưu
Thang đo giá trị tin cậy ${-1, 1}$ & $[1, 5]$ Thang đo liên tục $[0, 1]$ Thang đo liên tục $[0, 1]$

Kỹ thuật phân tích dữ liệu sử dụng ngôn ngữ Python, thư viện Gensim (LDA Topic Modeling), Scikit-learn (Machine Learning metrics, kNN), NetworkX (Graph Modeling), kết hợp các kiểm định độ nhạy (sensitivity analysis) và kiểm tra tính vững (robustness checks) để bảo đảm mô hình không bị overfit trước dữ liệu mạng xã hội nhiều nhiễu (noisy) và phi cấu trúc (unstructured).

Phát hiện đột phá và implications

Những phát hiện then chốt

   Hiệu năng F1-Score so sánh giữa các mô hình (Dữ liệu Epinions & Facebook)
   1.0 ┌─────────────────────────────────────────────────────────────┐
       │                                                      █████  │
   0.8 │                                        █████         █████  │
       │                          █████         █████         █████  │
   0.6 │            █████         █████         █████         █████  │
       │            █████         █████         █████         █████  │
   0.4 │            █████         █████         █████         █████  │
       │            █████         █████         █████         █████  │
   0.2 │            █████         █████         █████         █████  │
       │            █████         █████         █████         █████  │
   0.0 └────────────┴─────────────┴─────────────┴─────────────┴──────┘
                  Saeidi        TidalTrust      Hamdi       TreeXTrust
                  (2020)          (2005)        (2018)       (Luận án)
  1. Khắc phục triệt để sai lệch của mô hình hành vi đơn thuần: So sánh trực tiếp với mô hình $NodeValue$ của Shahram Saeidi (2020), mô hình tích hợp tương tác và quan tâm ngữ nghĩa ($trust_{topic}^{exp}$) của luận án phản ánh chính xác uy tín thực tế của các nút mạng ít tương tác nhưng chuyên môn sâu, làm giảm đáng kể sai số tuyệt đối trung bình (MAE) và căn bậc hai sai số trung bình phương (RMSE).
  2. Đột phá về hiệu năng tính toán so với mô hình đường dẫn Hamdi (2018): Việc ứng dụng toán tử đại số đường trên cấu trúc phân cấp $L^k_i$ giúp giảm độ phức tạp tính toán từ cấp số mũ xuống đa thức, đồng thời nâng cao độ đo F1-Score vượt bậc so với các biến thể $repmaX$ và $repaP$ của Hamdi nhờ loại bỏ sự phụ thuộc vào việc dò ngưỡng (thresholds) tĩnh.
  3. Cải tiến độ chính xác so với mạng nơ-ron đồ thị GraphRec (Wenqi Fan, 2019): Khi thử nghiệm trên tập dữ liệu chuẩn Epinions, mô hình TreeXTrust đạt kết quả phân loại tin cậy chính xác tương đương hoặc vượt trội GraphRec tại các vùng dữ liệu có mật độ kết nối thưa thớt, trong khi giảm hơn 70% thời gian huấn luyện và tài nguyên tính toán.
  4. Phát hiện quy luật phi tuyến của Homophily trong lan truyền tin cậy: Mức độ tương tự quan tâm theo chủ đề ($Interest\ Similarity$) đóng vai trò điều biến (moderator) mạnh mẽ hơn mức độ tương tự hồ sơ ($Profile\ Similarity$) trong việc hình thành cộng đồng tin cậy trực tuyến.

Implications đa chiều

  • Về mặt lý thuyết: Mở rộng phạm trù lý thuyết hệ thống thông tin thông qua việc chuẩn hóa công thức toán học cho các thuộc tính tin cậy: Tính cá nhân hóa, Tính bất đối xứng, Tính lan truyền, Tính phụ thuộc ngữ cảnh và Tính động suy biến thời gian.
  • Về mặt phương pháp luận: Thiết lập một pipeline xử lý dữ liệu hoàn chỉnh từ thu thập văn bản ngắn phi cấu trúc trên OSN, làm sạch stopwords song ngữ, trích xuất đặc trưng chủ đề LDA, đến mô hình hóa đại số đường dẫn trên đồ thị mạng xã hội.
  • Về mặt thực tiễn và ứng dụng:
    • Hệ gợi ý thương mại điện tử: Nâng cao độ chính xác trong việc đề xuất sản phẩm/dịch vụ dựa trên ma trận tin cậy người dùng - người dùng đã được lọc qua chủ đề quan tâm.
    • An ninh mạng và Quản trị truyền thông: Ứng dụng thuật toán để phát hiện các tài khoản bot, mạng lưới spammer hoặc định vị nguồn phát tán tin giả (fake news) dựa trên sự bất thường trong cấu trúc tương tác và ngữ nghĩa thông điệp.

Limitations và Future Research

Nhìn nhận một cách khách quan theo tiêu chuẩn học thuật quốc tế, luận án có một số giới hạn nhất định:

  • Giới hạn về dữ liệu đa phương thức (Multimodality): Mô hình ngữ nghĩa hiện tại chủ yếu tập trung vào dữ liệu văn bản ngắn (short text), chưa khai phá ngữ nghĩa từ hình ảnh và video - vốn chiếm tỷ trọng ngày càng lớn trên các nền tảng như TikTok hay Instagram.
  • Giới hạn về môi trường tính toán thời gian thực: Mặc dù đại số đường đã tối ưu hóa hiệu năng so với BFS, việc cập nhật đồ thị tin cậy theo thời gian thực (real-time stream processing) khi mạng xã hội đạt quy mô hàng trăm triệu nút vẫn đòi hỏi hạ tầng tính toán phân tán chuyên biệt.
  • Chính sách bảo mật dữ liệu: Các rào cản API ngày càng thắt chặt từ các tập đoàn công nghệ (như Meta Graph API) tạo ra thách thức trong việc thu thập dữ liệu tương tác đầy đủ ở mức độ $L^k$ sâu hơn.

Chương trình nghiên cứu tương lai (Future Research Agenda) mở ra 4 hướng phát triển:

  1. Mở rộng khung phân tích sang mô hình học sâu đa phương thức (Multimodal Deep Learning), kết hợp NLP với Computer Vision để phân tích tương tác video/hình ảnh.
  2. Tích hợp công nghệ chuỗi khối (Blockchain) và Hợp đồng thông minh (Smart Contracts) nhằm xây dựng hệ thống quản trị danh tiếng phi tập trung (Decentralized Reputation System).
  3. Nghiên cứu sâu hơn về cơ chế "không tin cậy" (distrust) và "sự ngờ vực" (mistrust) trong các môi trường mạng phân cực chính trị cao.
  4. Triển khai thuật toán trên nền tảng tính toán đồ thị phân tán quy mô lớn (như Apache Spark GraphX).

Tác động và ảnh hưởng

  • Tác động học thuật: Các kết quả nghiên cứu của luận án đã được công bố trên 02 kỷ yếu hội nghị quốc tế uy tín của Springer (ICTA, ICMA) và 05 bài báo trên các tạp chí khoa học chuyên ngành trong nước và quốc tế (như Journal of Computer Science and Cybernetics, Journal of Science and Technology on Information and Communications). Khung mô hình TreeXTrust mở ra tiềm năng trích dẫn cao trong các nghiên cứu về Social Computing và Recommender Systems.
  • Chuyển đổi công nghiệp: Cung cấp giải pháp kỹ thuật có thể tích hợp trực tiếp vào các nền tảng thương mại điện tử lớn (Tiki, Shopee, Amazon) và các mạng xã hội doanh nghiệp (Enterprise Social Networks) để tối ưu hóa thuật toán gợi ý sản phẩm và cá nhân hóa trải nghiệm khách hàng.
  • Tác động chính sách và xã hội: Hỗ trợ các cơ quan quản lý nhà nước (như Bộ Thông tin và Truyền thông) trong việc xây dựng các công cụ giám sát không gian mạng, đánh giá mức độ tin cậy của các nguồn tin tức xã hội, hỗ trợ phòng chống tội phạm công nghệ cao và tin giả mạo.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Giới học thuật: Tiếp cận được một khung toán học hoàn chỉnh về mô hình tin cậy kết hợp giữa đại số đường và NLP, giải quyết trọn vẹn bài toán lượng hóa direct trust và indirect trust.
  • Bộ phận R&D tại các Tập đoàn Công nghệ: Thừa hưởng các thuật toán đã được kiểm chứng thực nghiệm để áp dụng trực tiếp vào việc nâng cấp động cơ gợi ý (Recommendation Engines), giảm thiểu hiện tượng Cold-Start và Data Sparsity.
  • Cơ quan Quản lý và Hoạch định Chính sách: Sở hữu cơ sở khoa học vững chắc để thẩm định độ tin cậy của thông tin trên không gian số, phục vụ công tác an ninh thông tin và truyền thông đại chúng.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào? Trả lời: Đóng góp lý thuyết độc đáo nhất là việc mở rộng Lý thuyết Tin cậy Đa chiều của Mayer et al. (1995) và Lý thuyết Tính tương đồng Homophily của McPherson et al. (2001) thành mô hình toán học lượng hóa "Độ tin cậy nhận biết chủ đề" (Topic-aware Trust). Luận án chứng minh rằng tin cậy là một hàm liên tục trong đoạn $[0, 1]$, biến thiên phụ thuộc đồng thời vào ngữ nghĩa văn bản của thông điệp và tần suất hành vi tương tác, xóa bỏ giả định truyền thống xem tin cậy trực tiếp là giá trị ngẫu nhiên tiên nghiệm.

2. Đổi mới phương pháp luận của luận án vượt trội hơn các nghiên cứu trước ở điểm nào? Trả lời: So với mô hình TidalTrust của Golbeck (2005) vốn chỉ tìm kiếm đường đi ngắn nhất cục bộ bằng BFS, và mô hình cường độ đường dẫn của Hamdi (2018) vốn phụ thuộc vào việc rà soát ngưỡng tĩnh có độ phức tạp cao, phương pháp luận của luận án sử dụng cấu trúc phân cấp lân cận $L^k$ kết hợp toán tử đại số đường và kỹ thuật vector hóa LDA Gensim. Sự kết hợp này giúp tối ưu hóa chi phí tính toán, tự động hóa nhận diện tương đồng ngữ nghĩa mà không cần gán ngưỡng thủ công.

3. Phát hiện bất ngờ nhất từ dữ liệu thực nghiệm là gì? Trả lời: Phát hiện bất ngờ nhất là chỉ số hoạt động đơn thuần của người dùng ($NodeValue$ theo định nghĩa của Saeidi, 2020) không tỷ lệ thuận tuyến tính với độ tin cậy chuyên môn trong một chủ đề cụ thể. Người dùng có tần suất đăng bài thấp nhưng nội dung tập trung cao vào một lĩnh vực (được xác định qua trọng số TF-IDF và LDA) lại nhận được mức độ tin cậy cộng đồng ($trust_{topic}^{repY}$) cao hơn đáng kể so với những người dùng hoạt động tích cực nhưng nội dung phân tán.

4. Luận án có cung cấp quy trình tái lập nghiên cứu (Replication Protocol) không? Trả lời: Hoàn toàn có. Luận án mô tả chi tiết quy trình thu thập dữ liệu, cung cấp mã nguồn và tập dữ liệu DAR công khai trên GitHub, công bố toàn bộ danh sách stopword tiếng Việt/Anh, các công thức toán học phân rã của hàm $intX(i, t)$ và ma trận nhầm lẫn thực nghiệm, bảo đảm tính minh bạch và khả năng tái lập 100% trong môi trường nghiên cứu độc lập.

5. Chương trình nghiên cứu 10 năm tiếp theo được định hình như thế nào? Trả lời: Lộ trình 10 năm tập trung vào 03 giai đoạn chiến lược: (1) 2024-2027: Phát triển mô hình tin cậy đa phương thức thời gian thực (Real-time Multimodal Trust Model); (2) 2027-2030: Kiến tạo kiến trúc phi tập trung Decentralized Trust Graph trên nền tảng Web3 và Blockchain; (3) 2030-2034: Tích hợp Trí tuệ Nhân tạo Tổng quát (AGI) và Tác tử Tự trị (Autonomous AI Agents) trong việc tự động điều giải và xác thực thông tin mạng xã hội.

Kết luận

Công trình nghiên cứu tiến sĩ của tác giả Phạm Phương Thanh đã đạt được những thành tựu học thuật và kỹ thuật mang tính đột phá:

  1. Hệ thống hóa toàn diện cơ sở lý luận về độ tin cậy trên mạng xã hội trực tuyến, làm rõ các tiền đề nhân khẩu học, tương tác hành vi và đặc trưng đối tượng.
  2. Đề xuất thành công họ mô hình TreeXTrust, định lượng hóa chính xác độ tin cậy trực tiếp thông qua sự kết hợp giữa lịch sử tương tác ($Fam, Res, Dis$) và ngữ nghĩa chủ đề ($TF-IDF, LDA$).
  3. Phát triển phương pháp ước lượng độ tin cậy gián tiếp cộng đồng dựa trên cấu trúc phân cấp mạng và toán tử đại số đường, vượt qua các giới hạn tính toán của mô hình BFS và đường dẫn truyền thống.
  4. Xây dựng thước đo tương tự người dùng lai hợp nhất giữa tương tự hồ sơ chia sẻ và tương tự quan tâm theo chủ đề.
  5. Tiến hành thực nghiệm nghiêm ngặt trên 03 bộ dữ liệu (Epinions, DAR, CG), chứng minh tính ưu việt vượt trội về độ chính xác (F1-Score, MAE, RMSE) so với các mô hình quốc tế đương đại (Saeidi, Hamdi, Wenqi Fan).

Luận án khẳng định bước tiến vượt bậc trong mô thức tính toán tin cậy, mở ra các hướng nghiên cứu liên ngành sâu rộng giữa Khoa học Dữ liệu, Xử lý Ngôn ngữ Tự nhiên và Phân tích Mạng Xã hội, đóng góp một di sản học thuật chuẩn mực cho chuyên ngành Hệ thống thông tin tại Việt Nam và quốc tế.