Tổng quan về luận án

Xử lý ngôn ngữ tự nhiên (Natural Language Processing - NLP) hiện đại đã chứng kiến sự chuyển dịch mang tính bước ngoặt từ các hệ thống dựa trên luật biểu tượng (Symbolic Approaches) sang các kiến trúc học sâu (Deep Learning) nhiều tầng. Tuy nhiên, các mô hình học sâu hiện đại vẫn đối mặt với những rào cản nội tại nghiêm trọng: hiệu năng suy giảm khi đối mặt với ngữ liệu tài nguyên thấp (low-resource settings), dữ liệu chứa nhiều nhiễu, cùng sự bất lực trong việc biểu diễn các cấu trúc ngữ nghĩa tinh vi như hiện tượng đa nghĩa, ẩn dụ và hoán dụ. Nhằm giải quyết triệt để vấn đề nền tảng này, luận án tiến sĩ chuyên ngành Khoa học máy tính (Mã số: 9480101.01) của nghiên cứu sinh Bùi Văn Tân, dưới sự hướng dẫn khoa học của PGS. Nguyễn Phương Thái tại Trường Đại học Công nghệ – Đại học Quốc gia Hà Nội (2022), với đề tài "Tự động xác định quan hệ ngữ nghĩa của từ dựa trên học máy thống kê", đã tiên phong giải quyết bài toán cốt lõi: Tự động xác định quan hệ ngữ nghĩa của từ vựng (Lexical Semantic Relation Determination - LSRD).

Khoảng trống nghiên cứu (Research Gap) lớn nhất trong xử lý tiếng Việt tính toán là sự thiếu vắng các khung mô hình ngữ nghĩa phân phối có khả năng mô hình hóa đặc trưng đơn lập, phi hình thái học của tiếng Việt. Phần lớn các công trình trước đây chỉ khai thác thông tin ngữ nghĩa đơn lẻ của từng từ ứng viên độc lập, dẫn đến sự bất lực trong việc phân biệt các quan hệ ngữ nghĩa tinh vi như bao thuộc (Hypernymy), đồng nghĩa (Synonymy), trái nghĩa (Antonymy) và tương tự ngữ nghĩa (Semantic Similarity). Để lấp đầy khoảng trống này, luận án xây dựng hệ thống 4 giả thuyết và câu hỏi nghiên cứu tường minh:

  • Câu hỏi 1 (Q1): Làm thế nào để mã hóa các ràng buộc ngữ nghĩa bất đối xứng nhằm tối ưu hóa việc xác định quan hệ bao thuộc (Hypernymy Recognition - HR)? Giả thuyết 1 (H1): Tích hợp cơ chế trọng số chú ý động kết hợp đặc trưng hình thái mức dưới từ (Subword Semantic Feature - SSF) sẽ khắc phục hạn chế hòa trộn đặc trưng của các vector nhúng từ truyền thống.
  • Câu hỏi 2 (Q2): Làm sao để phân tách hiệu quả hai thái cực đối lập đồng nghĩa và trái nghĩa (Antonymy-Synonymy Classification - ASC) khi chúng có cùng phân phối ngữ cảnh? Giả thuyết 2 (H2): Kết hợp ngữ cảnh đồng xuất hiện thông qua mạng hồi quy với thông tin tương hỗ từ điển (LMI/PMI) và cấu trúc từ nội tại sẽ nâng cao tính phân tách nhị phân.
  • Câu hỏi 3 (Q3): Phương thức nào đo lường độ tương tự ngữ nghĩa (Word Similarity Measurement - WSM) chính xác trên đồ thị từ vựng tiếng Việt và song ngữ? Giả thuyết 3 (H3): Tận dụng khoảng cách cấu trúc ngắn nhất trên đồ thị phân cấp kết hợp độ tương đồng định nghĩa từ vựng mở rộng (ExtLeskSim) sẽ lượng hóa chính xác khoảng cách ngữ nghĩa.
  • Giả thuyết cốt lõi (H4 - Semantic Relation Set Hypothesis): Tác giả khẳng định: "Quan hệ ngữ nghĩa giữa hai từ có thể được định vị thông qua mối quan hệ giữa các từ có quan hệ với chúng".

Về mặt phạm vi, nghiên cứu triển khai thực nghiệm trên kho ngữ liệu quy mô lớn của cả tiếng Anh và tiếng Việt, xây dựng và chuẩn hóa 4 bộ dữ liệu thực nghiệm gồm VLE-999, ViAS-1000, VSimLex-999 và VESim-1000. Đóng góp đột phá của luận án được định lượng rõ rệt: mô hình DVASNet nâng cao F1-score từ 14% đến 17% so với các baseline SOTA trên tập dữ liệu tiếng Việt; độ đo Recall tăng vượt bậc từ 33% đến 66% trên tập ViAS-1000; mô hình LERC và GraphSim thiết lập đỉnh cao hiệu năng mới trên cả bộ dữ liệu chuẩn quốc tế và tiếng Việt.

Literature Review và Positioning

Lịch sử biểu diễn ngữ nghĩa từ vựng trải qua ba dòng tiếp cận chính: ngữ nghĩa học hình thức (Formal Semantics), mô hình ngữ nghĩa phân phối (Distributional Semantic Models - DSMs), và biểu diễn phân phối dựa trên mạng nơ-ron (Distributed Representations/Word Embeddings). DSMs bắt nguồn từ Giả thuyết phân phối của Zellig Harris (1954) và John Rupert Firth (1957) với luận điểm bất hủ: "Nghĩa của một từ có thể được suy ra từ cách sử dụng của nó hay nói cách khác là phân phối của nó trong kho ngữ liệu". Dòng nghiên cứu này phát triển qua các mô hình ma trận kinh điển như Không gian bộ nhớ ngữ nghĩa HAL (Lund & Burgess, 1996), Phân tích ngữ nghĩa tiềm ẩn LSA (Landauer & Dumais, 1997), trước khi bước vào kỷ nguyên biểu diễn vector liên tục với Word2Vec (Mikolov et al., 2013), GloVe (Pennington et al., 2014), và fastText (Bojanowski et al., 2017).

Trong y văn tồn tại hai cuộc tranh luận lý thuyết sâu sắc:

  1. Tiếp cận mẫu từ vựng - cú pháp (Hearst, 1992) đối lập tiếp cận phân phối thuần túy (Baroni et al., 2012): Tiếp cận mẫu dựa trên đường dẫn phụ thuộc cú pháp ngắn nhất (Shortest Dependency Paths - SDP) đạt độ chính xác (Precision) cao nhưng độ bao phủ (Recall) cực thấp do hiện tượng thưa thớt dữ liệu (Data Sparsity). Ngược lại, tiếp cận phân phối vector bao quát tốt toàn bộ từ vựng nhưng gặp "điểm mù" nghiêm trọng khi không phân biệt được các từ đồng xuất hiện trong ngữ cảnh tương tự nhưng có ý nghĩa hoàn toàn đối lập (đồng nghĩa vs. trái nghĩa).
  2. Mô hình nhúng từ độc lập ngữ cảnh tĩnh vs. Nhúng từ theo ngữ cảnh động (Contextualized Embeddings): Mặc dù các mô hình như ELMo (Peters et al., 2018), BERT (Devlin et al., 2019), RoBERTa (Liu et al., 2019) giải quyết tốt tính đa nghĩa theo ngữ cảnh cụ thể, nghiên cứu của Soler (2019) chỉ ra rằng chúng không cung cấp biểu diễn bản thể học tiên nghiệm tường minh cho cấu trúc từ vựng tĩnh trong cơ sở tri thức (Ontology/WordNet).

Luận án định vị nghiên cứu vào điểm giao cắt giữa học máy có giám sát, mạng nơ-ron học biểu diễn chuyên biệt hóa và đặc trưng cấu trúc ngôn ngữ đơn lập tiếng Việt. Nghiên cứu đối chiếu trực tiếp với hai công trình quốc tế tiêu biểu:

  • So sánh với mô hình DWN của Luu et al. (2016): Luu et al. sử dụng mạng nơ-ron trọng số động để phát hiện quan hệ bao thuộc nhưng chỉ áp dụng cho vector từ đơn trong tiếng Anh, hoàn toàn bỏ qua cấu trúc ngữ nghĩa nội tại của từ ghép. Luận án đã mở rộng thành mô hình EDWN và LERC, tích hợp cơ chế chú ý 5 lược đồ và vector đặc trưng mức dưới từ (SSF), vượt trội mô hình của Luu et al. trên các bộ dữ liệu chuẩn BLESS, WBLESS và BiBLESS.
  • So sánh với mô hình ATTRACT-REPEL của Mrkšić et al. (2017) và dLCE của Nguyen et al. (2016): Trong khi các tác giả quốc tế chỉ "tiêm" ràng buộc từ điển vào không gian vector sẵn có thông qua tối ưu hóa khoảng cách, mô hình DVASNet của luận án kết hợp đồng thời biểu diễn ngữ cảnh phân phối, thông tin tương hỗ từ điển học (LMI/PMI) và bộ trích xuất mẫu hình thái tiếng Việt, vượt qua giới hạn của các phương pháp hậu xử lý (Retrofitting).

Đóng góp lý thuyết và khung phân tích

Đóng góp cho lý thuyết

Luận án đã mở rộng và phát triển một loạt các giả thuyết ngữ nghĩa học nền tảng, tạo nên bước chuyển dịch mô thức (Paradigm Shift) trong ngữ nghĩa học tính toán tiếng Việt:

  • Kế thừa và mở rộng Giả thuyết bao thuộc phân phối (Geffet & Dagan, 2005) cùng Giả thuyết thông tin phân phối (Santus et al., 2014): Luận án chứng minh rằng trong ngôn ngữ không biến hình như tiếng Việt, quan hệ bao thuộc không chỉ thể hiện qua tính bao hàm ngữ cảnh (Context Inclusion) mà còn in đậm trong cấu trúc phái sinh từ vựng của các hình vị cấu thành.
  • Khái quát hóa Giả thuyết phân phối mở rộng (Lin & Pantel, 2001) và Giả thuyết quan hệ tiềm ẩn (Turney & Littman, 2005): Đưa ra đề xuất lý thuyết về sự tồn tại của các Mẫu cấu trúc từ (Word-Structure Patterns - WSP) và Mẫu ngữ nghĩa mức dưới từ (Subword Semantic Patterns - SSP).
  • Thiết lập Giả thuyết tập quan hệ ngữ nghĩa (Semantic Relation Set Hypothesis): Luận án luận giải rằng cấu trúc không gian hình học của một từ không thể xem xét cô lập, mà phải được định vị thông qua tô-pô mạng lưới các mối quan hệ ngữ nghĩa giao thoa (đồng nghĩa, trái nghĩa, bao thuộc, tương đồng). Đây là nền tảng lý thuyết để chuyển đổi bài toán phân lớp vector độc lập sang tối ưu hóa cấu trúc đồ thị ngữ nghĩa.

Khung phân tích độc đáo

Khung phân tích của luận án tích hợp đa tầng ba trường phái lý thuyết: Ngữ nghĩa phân phối vector (Vector Space Semantics), Ngữ pháp hình thái học cấu trúc từ tiếng Việt (Vietnamese Structural Morphology), và Lý thuyết đồ thị toán học (Graph Theory). Khung phân tích bao gồm các thành phần cốt lõi:

  1. Kiến trúc mạng EDWN (Extend Dynamic Weighting Neural Network): Tích hợp 5 lược đồ tính trọng số chú ý động ($Attention\ Schemas$), cho phép tự động điều chỉnh mức độ đóng góp của ngữ cảnh đồng xuất hiện dựa trên độ tương quan giữa các bộ ba (từ bao, từ thuộc, ngữ cảnh).
  2. Khung trích chọn đặc trưng mức dưới từ (Algorithm FeatEX1): Mã hóa vị trí và mối quan hệ ngữ nghĩa tương hỗ giữa các tiếng trong từ phức tiếng Việt, chuyển đổi tri thức hình thái học thành vector thực nghiệm nhiều chiều.
  3. Mô hình học sâu DVASNet: Kết hợp mạng hồi quy hai chiều BiLSTM để mã hóa chuỗi ngữ cảnh đồng xuất hiện với vector đặc trưng tĩnh (Static Features) bao gồm giá trị PMI, LMI và các mẫu đối lập ngữ nghĩa.
  4. Lược đồ đồ thị ngữ nghĩa GraphSim: Vận hành thuật toán Floyd-Warshall trên đồ thị tri thức từ vựng để tìm đường đi ngắn nhất giữa các nút khái niệm, khắc phục triệt để hiện tượng sai lệch khoảng cách trong không gian Euclidean thuần túy.

Điều kiện biên (Boundary Conditions) của khung phân tích được xác lập chặt chẽ: áp dụng tối ưu cho các từ đơn, từ phức, thuật ngữ khoa học có cấu trúc ghép chính phụ/đẳng lập; yêu cầu kho ngữ liệu huấn luyện đạt ngưỡng tối thiểu về độ bao phủ tần suất đồng xuất hiện.

Phương pháp nghiên cứu tiên tiến

Thiết kế nghiên cứu

Nghiên cứu tuân thủ chặt chẽ thế giới quan thực chứng luận hậu kỳ (Post-positivism / Computational Empiricism), kết hợp giữa tiếp cận suy diễn lý thuyết ngôn ngữ và quy nạp thống kê dựa trên dữ liệu lớn (Big Data Corpus). Thiết kế nghiên cứu đa tầng (Multi-level Design) bao gồm:

  • Tầng 1 (Subword/Character Level): Phân tích hình thái vị trí của các hình vị cấu thành từ đơn lập.
  • Tầng 2 (Lexical Vector Level): Học không gian vector nhúng chuyên biệt hóa độc lập ngữ cảnh.
  • Tầng 3 (Sentential Context Level): Mô hình hóa chuỗi ngữ cảnh đồng xuất hiện thông qua kiến trúc mạng BiLSTM.
  • Tầng 4 (Relational Graph Level): Lượng hóa cấu trúc tô-pô mạng từ vựng WordNet.

Tiêu chí lựa chọn mẫu ngữ liệu được kiểm soát nghiêm ngặt: Ngữ liệu tiếng Việt đơn ngữ được trích xuất từ tập VCorpus quy mô hàng tỷ từ tố, được lọc bỏ nhiễu, chuẩn hóa chính tả và tách từ tự động; Ngữ liệu tiếng Anh trích xuất từ Wikipedia Dump và tập tin văn bản chuẩn quốc tế.

Quy trình nghiên cứu rigorous

Quy trình thu thập và tinh chỉnh dữ liệu tuân thủ giao thức tam giác hóa (Triangulation):

  • Tam giác hóa dữ liệu và phương pháp: Đối soát chéo giữa các kho ngữ liệu thô (Raw Corpora), từ điển điện tử VCL (Vietnamese Computational Lexicon), và cơ sở tri thức WordNet/BabelNet.
  • Giao thức gán nhãn chuyên gia: Các bộ dữ liệu đánh giá VLE-999, ViAS-1000, VSimLex-999 được gán nhãn độc lập bởi ít nhất 3 chuyên gia ngôn ngữ học. Chỉ số nhất trí liên đánh giá viên (Inter-annotator Agreement) được đo lường bằng hệ số tương quan Spearman ($\rho$) và Pearson ($r$), cùng chỉ số Kappa ($\kappa$) vượt ngưỡng tin cậy 0.82.
  • Kiểm soát độ giá trị (Validity): Giá trị khái niệm (Construct Validity) được đảm bảo thông qua việc chuẩn hóa định nghĩa toán học của 4 lớp quan hệ ngữ nghĩa; Giá trị nội tại (Internal Validity) được kiểm soát qua việc phân chia tập huấn luyện (Train), phát triển (Dev), kiểm thử (Test) ngặt nghèo theo tỷ lệ 8:1:1, ngăn chặn rò rỉ dữ liệu (Data Leakage).

Data và phân tích

Nghiên cứu ứng dụng các thuật toán và công cụ phân tích tiên tiến bậc nhất:

  • Học máy và Mạng nơ-ron: Support Vector Machine (SVM) với kernel RBF tối ưu hóa siêu tham số; Mạng nơ-ron hồi quy Long Short-Term Memory hai chiều (BiLSTM); Mạng perceptron đa tầng (MLP); Thuật toán tối ưu Gradient Descent ngẫu nhiên với hàm mất mát Cross-Entropy và Margin Ranking Loss.
  • Độ đo thống kê liên kết từ vựng: Tính toán Pointwise Mutual Information (PMI) và Lexicographer's Mutual Information (LMI) thông qua công thức toán học chuẩn xác: $$\text{PMI}(w, c) = \log_2 \frac{P(w, c)}{P(w)P(c)}$$ $$\text{PPMI}(w, c) = \max(\text{PMI}(w, c), 0)$$ $$\text{LMI}(w, c) = C(w, c) \times \log_2 \frac{P(w, c)}{P(w)P(c)}$$
  • Kiểm tra độ vững chắc (Robustness Checks): Kiểm định độ nhạy qua 30 lần chạy lặp ngẫu nhiên (30-fold cross validation / seed permutations), ghi nhận khoảng tin cậy (Confidence Interval) 95% và phân tích phương sai sai số thống kê đối với siêu tham số $\beta$ và ngưỡng chú ý $\delta$.

Phát hiện đột phá và implications

Những phát hiện then chốt

  1. Hiệu năng vượt trội của mô hình LERC và EDWN trong bài toán xác định quan hệ bao thuộc: Mô hình LERC tích hợp đặc trưng SSF và vector nhúng chuyên biệt đã phá vỡ thế độc tôn của các phương pháp tiếp cận nhúng từ truyền thống (Word2Vec, GloVe, fastText). Trên các bộ dữ liệu tiếng Việt (DtVLE-999, DrVLE-999, DetVLE-999), mô hình đạt độ chính xác (Accuracy) vượt trội từ 8.5% đến 12.3% so với baseline. Trên các tập dữ liệu tiếng Anh chuẩn (BLESS, WBLESS, BiBLESS), mô hình EDWN với 5 sơ đồ trọng số chú ý thiết lập kỷ lục chính xác mới ở cả ba nhiệm vụ: phát hiện quan hệ, xác định chiều quan hệ, và phát hiện đồng thời xác định chiều bao thuộc.
  2. Sự bứt phá ngoạn mục của mô hình DVASNet trong phân tách đồng nghĩa - trái nghĩa: DVASNet chứng minh năng lực phân giải vượt trội đối với bài toán kinh điển ASC vốn gây bế tắc cho các mô hình không gian phân phối truyền thống. Minh chứng số liệu thực nghiệm khẳng định:

    "Hiệu năng của mô hình DVASNet cao hơn các mô hình cơ sở từ 22% đến 32% trên bộ dữ liệu ViCon và từ 33% đến 66% trên bộ dữ liệu ViAS-1000; theo độ đo F1, hiệu năng của mô hình DVASNet vượt trội các mô hình cơ sở từ 8% đến 15% trên bộ dữ liệu ViCon và từ 29% đến 33% trên bộ dữ liệu ViAS-1000."

  3. Phát hiện nghịch trực giác về vai trò của cấu trúc hình thái dưới từ tiếng Việt: Trái ngược với giả định truyền thống cho rằng tiếng Việt là ngôn ngữ phi hình thái không thể khai thác đặc trưng dưới từ, luận án chỉ ra rằng tỷ lệ xuất hiện các Mẫu ngữ nghĩa mức dưới từ (SSP) trong các cặp từ bao thuộc và trái nghĩa đạt mức áp đảo (trên 65% các cặp từ có quy luật tương hỗ hình vị), chứng minh hình vị tiếng Việt mang tải lượng thông tin phân loại cực kỳ chuẩn xác.
  4. Đột phá định lượng trong đo lường độ tương tự ngữ nghĩa với GraphSim và ExtLeskSim: Kỹ thuật ExtLeskSim nâng hệ số tương quan Pearson ($r$) trong bài toán WSM lên mức cao vượt bậc trên tập VSimLex-999. Lược đồ GraphSim áp dụng thuật toán Floyd-Warshall triệt tiêu hoàn toàn hiện tượng các cặp từ có độ tương tự bằng 0 hoặc khoảng cách sai lệch cực đại trong thuật toán Wu & Palmer gốc.

Implications đa chiều

  • Về mặt lý thuyết: Luận án chứng minh tính khả thi của việc tích hợp tri thức ngôn ngữ học cấu trúc vào các mô hình học máy thống kê, cung cấp bằng chứng thực nghiệm củng cố lý thuyết ngữ nghĩa hình thức và ngữ nghĩa phân phối kết hợp.
  • Về mặt phương pháp luận: Cung cấp framework chuẩn mực cho việc xử lý các ngôn ngữ đơn lập, nghèo tài nguyên; thiết lập quy trình trích xuất đặc trưng hình vị áp dụng được cho các hệ ngôn ngữ tương tự khu vực Đông Nam Á (như tiếng Thái, tiếng Lào, tiếng Khmer) và tiếng Hán.
  • Về mặt ứng dụng thực tiễn: Nâng cấp trực tiếp các công cụ xử lý ngôn ngữ trọng yếu:
    • Hệ thống Dịch máy (Machine Translation): Giải quyết bài toán chọn từ đồng nghĩa chính xác theo ngữ cảnh.
    • Hệ thống Hỏi đáp tự động (Q&A) và Suy luận kế thừa văn bản (RTE): Nhận dạng chính xác quan hệ bao thuộc để thực hiện suy luận logic đa bước.
    • Công cụ tìm kiếm thông tin ngữ nghĩa (Semantic Search Engines): Mở rộng truy vấn thông minh dựa trên mạng lưới từ đồng nghĩa và bao thuộc.
  • Về mặt chính sách và giáo dục: Cung cấp tài nguyên mã nguồn mở và bộ ngữ liệu chuẩn phục vụ chiến lược chuyển đổi số quốc gia trong phát triển công nghệ trí tuệ nhân tạo ngôn ngữ tiếng Việt.

Limitations và Future Research

Luận án thừa nhận 4 hạn chế khoa học mang tính bản chất:

  1. Chi phí tính toán của thuật toán đồ thị: Thuật toán Floyd-Warshall trong mô hình GraphSim có độ phức tạp thời gian $O(|V|^3)$, gây tắc nghẽn tài nguyên tính toán khi quy mô đồ thị từ vựng mở rộng lên hàng triệu nút khái niệm.
  2. Sự phụ thuộc vào chất lượng cơ sở tri thức từ vựng nền tảng: Độ chính xác của ExtLeskSim và bộ nhúng từ chuyên biệt phụ thuộc một phần vào độ bao phủ và tính hoàn thiện của từ điển VCL và WordNet tiếng Việt – vốn vẫn còn khiêm tốn so với Princeton WordNet của tiếng Anh.
  3. Giới hạn phạm vi quan hệ ngữ nghĩa: Nghiên cứu chỉ tập trung chuyên sâu vào 4 quan hệ chính (bao thuộc, đồng nghĩa, trái nghĩa, tương tự), chưa bao quát toàn diện các quan hệ ngữ nghĩa phức tạp khác như quan hệ tổng - phân thể (Meronymy/Holonymy), quan hệ nguyên nhân - kết quả (Causality).
  4. Chưa tích hợp toàn diện kiến trúc Transformer sinh (Generative LLMs): Tại thời điểm thực hiện (2022), luận án chủ yếu khai thác các kiến trúc BiLSTM, SVM và Transformer mã hóa (BERT/RoBERTa), chưa mở rộng trên các mô hình ngôn ngữ lớn hàng chục tỷ tham số.

Chương trình nghiên cứu tương lai (Future Research Agenda) vạch ra 5 hướng tiếp cận đột phá:

  1. Nghiên cứu cơ chế nén đồ thị và thuật toán xấp xỉ đường đi ngắn nhất để giảm độ phức tạp của GraphSim xuống $O(|V| \log |V|)$.
  2. Mở rộng tự động hóa xây dựng Đại từ điển Bản thể học tiếng Việt (Vietnamese Universal Ontology) bằng cách tự động sinh quan hệ ngữ nghĩa đa tầng.
  3. Tích hợp các kỹ thuật học tăng cường (Reinforcement Learning) và Prompt Tuning trên nền tảng Large Language Models (LLMs) để phát hiện quan hệ ngữ nghĩa Zero-shot / Few-shot.
  4. Mở rộng bài toán LSRD sang các miền tri thức chuyên sâu đặc thù như Y sinh (Biomedical), Pháp lý (Legal Tech) và Tài chính (Fintech).
  5. Ứng dụng mô hình vào xử lý các thủ pháp nghệ thuật nâng cao như phát hiện ẩn dụ, hoán dụ, châm biếm trong văn học và truyền thông xã hội.

Tác động và ảnh hưởng

Luận án tạo ra những tác động lan tỏa sâu rộng trên nhiều bình diện:

  • Tác động học thuật (Academic Impact): Dự kiến thu hút hàng trăm trích dẫn khoa học trong cộng đồng NLP tiếng Việt và quốc tế. Bốn bộ dữ liệu công bố (VLE-999, ViAS-1000, VSimLex-999, VESim-1000) trở thành benchmark tiêu chuẩn cho các nghiên cứu tiếp nối về Lexical Semantics tại Việt Nam.
  • Chuyển đổi công nghiệp (Industry Transformation): Cung cấp giải pháp công nghệ lõi cho các tập đoàn công nghệ lớn (Viettel, FPT, VNPT, VinAI) trong việc xây dựng Knowledge Graph doanh nghiệp, tối ưu hóa trợ lý ảo AI (Virtual Assistants) và hệ thống phân tích quan điểm khách hàng (Sentiment Analysis).
  • Ý nghĩa quốc tế (Global Relevance): Đóng góp giải pháp phương pháp luận giải quyết vấn đề của các ngôn ngữ đơn lập không gian cách thể trên diễn đàn khoa học máy tính thế giới.

Đối tượng hưởng lợi

  • Nghiên cứu sinh và Giới nghiên cứu NLP (Doctoral Researchers): Tiếp cận bộ phương pháp luận mẫu mực, hệ thống giả thuyết ngữ nghĩa toán học hóa và 4 bộ dữ liệu benchmark chuẩn quốc tế để phát triển các đề tài chuyên sâu.
  • Giảng viên và Nhà nghiên cứu cao cấp (Senior Academics): Nền tảng lý thuyết vững chắc để tích hợp liên ngành giữa Ngôn ngữ học tính toán và Khoa học máy tính hiện đại.
  • Kỹ sư R&D công nghiệp AI (Industry R&D): Ứng dụng trực tiếp các kiến trúc mã nguồn mở EDWN, DVASNet, GraphSim vào sản phẩm thương mại nhằm tối ưu hóa độ chính xác của chatbot và công cụ tìm kiếm ngữ nghĩa.
  • Cơ quan Hoạch định Chính sách & Viện Ngôn ngữ học (Policy Makers & Lexicographers): Cơ sở dữ liệu và công cụ tự động hóa đắc lực phục vụ công tác biên soạn từ điển số, chuẩn hóa và bảo tồn ngôn ngữ tiếng Việt trong kỷ nguyên số.

Câu hỏi chuyên sâu

1. Đóng góp lý thuyết độc đáo nhất của luận án là gì và đã mở rộng lý thuyết nào?

Đóng góp lý thuyết độc đáo nhất là việc đề xuất và chứng minh thành công Giả thuyết tập quan hệ ngữ nghĩa (Semantic Relation Set Hypothesis): định vị quan hệ ngữ nghĩa giữa hai từ thông qua mạng lưới cấu trúc các từ liên đới. Luận án đã mở rộng Giả thuyết phân phối của Harris & Firth và Giả thuyết bao thuộc phân phối của Geffet & Dagan, phá vỡ giới hạn biểu diễn vector đơn lẻ bằng cách tích hợp đồng thời tri thức không gian phân phối với đặc trưng hình thái mức dưới từ (SSF) của ngôn ngữ đơn lập.

2. Đột phá phương pháp luận của luận án khi so sánh với ít nhất 2 công trình quốc tế trước đây?

So với mô hình DWN của Luu et al. (2016) vốn chỉ áp dụng cơ chế trọng số động đơn giản trên tiếng Anh, luận án cải tiến thành EDWN với 5 sơ đồ chú ý đa dạng kết hợp thuật toán FeatEX1 trích xuất đặc trưng dưới từ, gia tăng đáng kể độ chính xác. So với phương pháp ATTRACT-REPEL của Mrkšić et al. (2017) chỉ hậu xử lý đẩy/kéo vector tĩnh, mô hình DVASNet tích hợp mạng hồi quy BiLSTM để học biểu diễn ngữ cảnh đồng xuất hiện động kết hợp chỉ số LMI/PMI, nâng F1-score lên 14%-17% vượt trội.

3. Phát hiện bất ngờ nhất được hỗ trợ bởi số liệu thực nghiệm là gì?

Phát hiện bất ngờ nhất là sức mạnh phân loại vượt trội của các Mẫu ngữ nghĩa mức dưới từ (SSP) trong tiếng Việt. Mặc dù tiếng Việt là ngôn ngữ đơn lập không biến đổi hình thái, thực nghiệm chỉ ra hơn 65% các cặp từ có quan hệ ngữ nghĩa phản chiếu quy luật đối xứng hoặc bao hàm giữa các tiếng cấu thành. Việc tích hợp vector SSF giúp mô hình LERC tăng vọt hiệu năng phân loại mà không cần mở rộng kích thước kho ngữ liệu huấn luyện.

4. Luận án có cung cấp quy trình tái lập thực nghiệm (Replication Protocol) không?

Có. Luận án cung cấp chi tiết toàn bộ tham số mạng nơ-ron (kích thước vector nhúng 300 chiều, learning rate, dropout 0.5, batch size), giải thuật chi tiết của thuật toán FeatEX1 và GraphSim, đồng thời công khai toàn bộ 4 bộ dữ liệu đánh giá chuẩn (VLE-999, ViAS-1000, VSimLex-999, VESim-1000) cùng các phân đoạn huấn luyện/kiểm thử rõ ràng, đảm bảo khả năng tái lập thực nghiệm 100%.

5. Lộ trình nghiên cứu 10 năm được vạch ra như thế nào?

Lộ trình 10 năm tập trung vào 3 giai đoạn: (1) Tự động hóa xây dựng Đồ thị Tri thức tiếng Việt quy mô lớn dựa trên tích hợp LSRD và WordNet; (2) Tích hợp cơ chế xác định quan hệ ngữ nghĩa vào các kiến trúc Large Language Models thế hệ mới nhằm giảm thiểu hiện tượng ảo giác (Hallucination); (3) Mở rộng biểu diễn ngữ nghĩa liên ngôn ngữ đa phương thức (Multimodal Cross-lingual Semantics) kết hợp văn bản, tiếng nói và hình ảnh.

Kết luận

Luận án tiến sĩ của tác giả Bùi Văn Tân là một công trình khoa học công phu, nghiêm cẩn và mang tính tiên phong đột phá trong lĩnh vực Xử lý ngôn ngữ tự nhiên tiếng Việt, đọng lại qua 6 đóng góp then chốt:

  1. Đề xuất thành công Giả thuyết tập quan hệ ngữ nghĩa, định hình khung lý thuyết mới cho ngữ nghĩa học tính toán tiếng Việt.
  2. Sáng tạo kiến trúc mạng nơ-ron EDWN và mô hình LERC kết hợp đặc trưng hình thái mức dưới từ (SSF), giải quyết trọn vẹn bài toán xác định quan hệ bao thuộc (HR) trên cả dữ liệu tiếng Anh và tiếng Việt.
  3. Phát triển mô hình mạng sâu DVASNet, tạo bước nhảy vọt hiệu năng phân tách đồng nghĩa - trái nghĩa (ASC) với F1-score vượt từ 14% đến 17% so với các baseline quốc tế.
  4. Thiết kế các lược đồ đo lường độ tương tự ngữ nghĩa GraphSim (dựa trên thuật toán Floyd-Warshall) và ExtLeskSim, chuẩn hóa phép đo WSM đơn ngữ và song ngữ Việt - Anh.
  5. Xây dựng và đóng góp cho cộng đồng khoa học quốc tế 4 bộ dữ liệu benchmark kinh điển: VLE-999, ViAS-1000, VSimLex-999, và VESim-1000.
  6. Mở ra 3 dòng nghiên cứu khoa học mới: Khai phá ngữ nghĩa dưới từ cho ngôn ngữ đơn lập, Tích hợp ràng buộc bản thể học vào không gian vector sâu, và Tự động hóa xây dựng Đồ thị Tri thức ngôn ngữ lớn.

Công trình không chỉ xác lập một chuẩn mực học thuật mới trong nghiên cứu Khoa học máy tính tại Việt Nam mà còn là di sản nghiên cứu nền tảng, thúc đẩy sự phát triển bền vững của các công nghệ trí tuệ nhân tạo thuần Việt trong tương lai.