Luận án một số kỹ thuật tìm kiếm thực thể dựa trên quan hệ ngữ nghĩa ẩn và gợi ý truy vấn hướng ngữ cảnh

1 MỞ ĐẦU Tính cấp thiết luận án Trong kỷ nguyên big-data, không gian Internet, lượng liệu sinh không ngừng, Search Engine cốt lõi để đáp ứng nhu cầu tìm kiếm thơng tin người sử dụng Đồng thời, nhu cầu tìm kiếm thông tin với yêu cầu cao ngày cấp bách Cơ chế tìm kiếm dựa vào từ khóa có khả suy diễn thơng tin chưa biết Ngồi ra, câu truy vấn người dùng đưa vào thực tế thường ngắn, mơ hồ đa nghĩa [1 – 6] Do đó, cần thiết phải tập trung nghiên cứu cách thức cải tiến để đưa gợi ý truy vấn hiệu hơn, hình thái tìm kiếm tìm tên thực thể dựa ngữ nghĩa ẩn Theo thống kê, xấp xỉ 71% câu tìm kiếm web có chứa tên thực thể [7], [8] Khi xét truy vấn gồm tên thực thể: “Việt Nam”, “Hà Nội”, “Pháp”, trực quan, ta thấy ngữ nghĩa tiềm ẩn sau truy vấn Nói cách khác, tiềm ẩn quan hệ tương tự cặp tên thực thể “Việt Nam”:“Hà Nội” cặp tên thực thể “Pháp”:“?” Nếu xét trực quan, khả “tự nhiên” người - khả suy thông tin/tri thức chưa biết suy diễn tương tự Với truy vấn trên, người có khả đưa đáp án tức thời, máy tìm kiếm Search Engine (SE) tìm tài liệu chứa từ khóa nói trên, SE khơng đưa câu trả lời “Paris” Hình 1.1: Danh sách trả từ Keyword-SE ứng với query=”Việt Nam”, “Hà Nội”, “Pháp” Cũng vậy, giới thực tồn câu hỏi dạng: “nếu Fansipan cao Việt Nam, đâu đỉnh Tây Tạng?”, “biết Elizabeth nữ hồng Anh quốc vương Nhật Bản ai?”, v.v Đối với truy vấn tồn quan hệ tương đồng trên, chế tìm kiếm theo từ khóa khó khăn việc đưa đáp án, người dễ dàng suy luận tương tự Nghiên cứu, mô khả tự nhiên người suy diễn từ miền ngữ nghĩa quen thuộc (“Việt Nam”, “Hà Nội”) sang miền ngữ nghĩa không quen thuộc (“Pháp”, “?”) - mục đích tốn thứ Bài tốn thứ gợi ý truy vấn Trong phiên tìm kiếm, lượng kết trả nhiều phần lớn khơng thích hợp với ý định tìm kiếm người sử dụng Từ đó, có nhiều hướng nghiên cứu đặt nhằm cải thiện kết quả, hỗ trợ người tìm kiếm Các hướng nghiên cứu bao gồm: gợi ý truy vấn (query suggestion), viết lại truy vấn (rewriting query), mở rộng truy vấn (query expansion), cá nhân hóa (personalized recommendations), phân hạng kết (ranking/re-ranking search results), v.v Hướng nghiên cứu gợi ý truy vấn thường áp dụng kỹ thuật truyền thống gom cụm, đo độ tương đồng, v.v truy vấn [9], [10] Tuy nhiên, kỹ thuật truyền thống có ba nhược điểm: Thứ nhất, đưa câu gợi ý tương tự có liên quan với truy vấn vừa nhập - mà chất lượng chưa tốt truy vấn vừa nhập Thứ hai, không đưa xu hướng mà tri thức số đông thường hỏi sau truy vấn hành Thứ ba, cách tiếp cận không xét chuỗi truy vấn cách liền mạch từ người sử dụng để nắm bắt ý định tìm kiếm người dùng Chẳng hạn, Search Engine (SE) thông dụng, gõ truy vấn liên tiếp q1: “Joe Biden ai”, q2: “Ông tuổi”, rõ ràng q1, q2 có liên quan ngữ nghĩa Tuy nhiên kết trả q1, q2 tập kết khác Điều cho thấy nhược điểm chế tìm kiếm theo từ khóa Nắm bắt chuỗi truy vấn liền mạch, nói cách khác, nắm bắt ngữ cảnh tìm kiếm, SE “hiểu” ý định tìm kiếm người sử dụng Hơn nữa, nắm bắt chuỗi truy vấn, SE gợi ý truy vấn theo chuỗi, chuỗi gợi ý tri thức số đông, cộng đồng thường hỏi sau q1, q2 Đây mục đích tốn thứ hai https://static.googleusercontent.com/media/guidelines.raterhub.com/en//searchqualityevaluatorguidelines.pdf Hình 1.2: Danh sách trả từ SE ứng với q1, q2 Mục tiêu luận án Mục tiêu tổng quát luận án tập trung nghiên cứu, xác định thực nghiệm phương pháp, nguyên lý nhằm giải toán nêu Cài đặt thực nghiệm phương pháp áp dụng đề xuất cải thiện kỹ thuật Phân tích, đánh giá kết sau thực nghiệm So sánh với kỹ thuật khác Đóng góp luận án Luận án nghiên cứu giải vấn đề tìm kiếm thực thể dựa quan hệ ngữ nghĩa gợi ý truy vấn hướng ngữ cảnh Đóng góp luận án gồm: 1) Xây dựng kỹ thuật tìm kiếm thực thể dựa quan hệ ngữ nghĩa ẩn sử dụng phương pháp phân cụm nhằm nâng cao hiệu tìm kiếm 2) Đề xuất độ đo tương đồng tổ hợp toán gợi ý truy vấn theo ngữ cảnh nhằm nâng cao chất lượng gợi ý 3) Ứng dụng kỹ thuật hướng ngữ cảnh, xây dựng máy tìm kiếm chuyên sâu áp dụng hướng ngữ cảnh miền sở tri thức riêng (dữ liệu hàng khơng) Đối tượng nghiên cứu Thuộc lớp tốn khai phá liệu, khai phá ngữ nghĩa xử lý ngôn ngữ tự nhiên, đối tượng nghiên cứu luận án gồm: - Phương pháp tìm kiếm thực thể dựa quan hệ ngữ nghĩa ẩn - Phương pháp gợi ý truy vấn hướng ngữ cảnh Phạm vi luận án Với phương pháp tìm kiếm thực thể dựa quan hệ ngữ nghĩa ẩn, liệu thử nghiệm tập data-set trích rút từ Viwiki, Vn-news, liệu ngành hàng không (Vietnam Airlines) Miền ngôn ngữ tiếng Việt Với phương pháp gợi ý truy vấn hướng ngữ cảnh, đặt trọng tâm vào phương pháp hướng ngữ cảnh nên kỹ thuật chỉnh sửa, viết lại truy vấn không đề cập khuôn khổ luận án Phương pháp luận Luận án giải vấn đề nghiên cứu đặt theo cách tiếp cận sau: - Khảo sát kết nghiên cứu số tác giả công bố - Phân tích, đề xuất giải pháp cho vấn đề - Công bố, trao đổi, thảo luận báo cáo buổi seminar, hội thảo, hội nghị khoa học, v.v - Sử dụng phương pháp nghiên cứu lý thuyết, xây dựng kiểm thử mơ hình đề xuất liệu công bố liệu tự thu thập - Kết báo cáo dạng số liệu trực quan hóa để thuận tiện cho việc đánh giá, kiểm chứng Cấu trúc luận án Ngoài phần mở đầu, luận án tổ chức thành chương có bố cục sau: Chương giới thiệu tổng quan vấn đề nghiên cứu luận án, trình bày phân tích vấn đề cịn tồn nghiên cứu liên quan để làm rõ câu hỏi nghiên cứu Khắc phục vấn đề tồn nghiên cứu liên quan, chương 2: Tìm kiếm thực thể dựa quan hệ ngữ nghĩa, mục đích giải tốn thứ Chương 3: Gợi ý truy vấn hướng ngữ cảnh tốn tìm kiếm, mục đích giải tốn thứ hai So sánh đánh giá, kết thực nghiệm, kết nghiên cứu luận án nêu cuối chương Chương kết luận, nêu ưu nhược điểm, hướng phát triển luận án tài liệu tham khảo CHƯƠNG 1: TỔNG QUAN 1.1 Bài toán tìm kiếm thực thể dựa quan hệ ngữ nghĩa ẩn Luận án đặt mục tiêu nghiên cứu tìm kiếm thực thể dựa quan hệ ngữ nghĩa ẩn (Implicit Relational Search) mô khả suy thông tin/tri thức chưa biết suy diễn tương tự, khả “tự nhiên” người Xét truy vấn gồm thực thể: “Kinh Qur’an”:“Đạo Hồi”, “sách Phúc Âm”:”?”, người có khả suy diễn tức thời cho dấu “?”, máy tìm kiếm đưa kết tài liệu có chứa từ khóa trên, khơng đưa câu trả lời “Kitơ giáo” Do tìm thực thể, kỹ thuật mở rộng truy vấn viết lại truy vấn không áp dụng với dạng quan hệ có ngữ nghĩa ẩn cặp thực thể Từ đó, hình thái tìm kiếm nghiên cứu, motive câu truy vấn tìm kiếm có dạng: {(A, B), (C, ?)}, (A, B) cặp thực thể nguồn, (C, ?) cặp thực thể đích Đồng thời, hai cặp (A, B), (C, ?) có quan hệ tương đồng ngữ nghĩa Cụ thể, người sử dụng nhập vào truy vấn gồm thực thể {(A, B), (C, ?)}, máy tìm kiếm có nhiệm vụ liệt kê, tìm kiếm danh sách ứng viên thực thể D (thực thể dấu ?), thực thể D thỏa điều kiện có quan hệ ngữ nghĩa với C, đồng thời cặp (C, D) có quan hệ tương đồng với cặp (A, B) Quan hệ ngữ nghĩa - theo nghĩa hẹp góc nhìn từ vựng - biểu diễn ngữ cảnh gồm từ/cụm từ (terms/patterns/context) xung quanh (trước, sau) cặp thực thể biết Vì quan hệ ngữ nghĩa, quan hệ tương đồng không nêu tường minh truy vấn (câu truy vấn gồm thực thể: A, B, C), nên hình thái tìm kiếm theo motive gọi mơ hình tìm kiếm thực thể dựa ngữ nghĩa ẩn (Implicit Relational Entity Search hay Implicit Relational Search, ngắn gọn: IRS) Hình 1.3: Truy vấn: ”Cuba”, “José Marti”, “Ấn Độ” (ngữ nghĩa ẩn: “anh hùng dân tộc”) Tương tự, xét truy vấn gồm thực thể query q = “Truyện Kiều”:“Nguyễn Du”, “?”:“Victor Hugo”, truy vấn q không mô tả quan hệ ngữ nghĩa (“là kiệt tác”, “tác phẩm tiếng”, “sáng tác bởi” hay “di sản văn hóa”, v.v.) Mơ hình tìm kiếm thực thể dựa ngữ nghĩa có nhiệm vụ tìm thực thể “?”, thỏa điều kiện có quan hệ ngữ nghĩa với thực thể “Victor Hugo”, đồng thời cặp “?”:“Victor Hugo” tương đồng với cặp “Truyện Kiều”:“Nguyễn Du” Truyện Kiều kiệt tác Nguyễn Du Text Corpus (Nguyễn Du, Truyện Kiều) input (Victor Hugo, ?) Implicit Relational Search Engine (IRS) output ? = Notre-Dame de Paris Notre-Dame de Paris tác phẩm tiếng Victor Hugo Hình 1.4: Tìm kiếm dựa quan hệ ngữ nghĩa ẩn với truy vấn đầu vào gồm thực thể Tìm/tính tốn độ tương đồng quan hệ cặp thực thể tốn khó, khó vì: Thứ nhất, độ tương đồng quan hệ biến đổi theo thời gian, xét cặp thực thể (Joe Biden, tổng thống Mỹ) (Elizabeth, nữ hoàng Anh), độ tương đồng quan hệ biến đổi theo nhiệm kỳ Thứ hai, yếu tố thời gian, cặp thực thể khơng chia sẻ chia sẻ ngữ cảnh xung quanh cặp thực thể, như: Apple:iPod (vào 2010s) Sony:Walkman (vào 1980s), dẫn đến kết cặp thực thể không tương đồng Thứ ba, cặp thực thể, có nhiều quan hệ ngữ nghĩa khác nhau, như: “Ổ dịch Corona khởi phát từ Vũ Hán”; “Corona cô lập thành phố Vũ Hán”; “Số ca lây nhiễm Corona giảm dần Vũ Hán”; v.v Thứ tư, cặp thực thể có quan hệ ngữ nghĩa có cách biểu đạt: “X was acquired by Y” “X buys Y” Thứ năm, khó nội thực thể có tên (tên cá nhân, tổ chức, địa danh, ) vốn từ thơng dụng có từ điển Và cuối cùng, khó thực thể D chưa biết, thực thể D tiến trình tìm kiếm Một trường hợp khác, câu truy vấn theo motive: q = {(A, B), (C, ?)}, thực tế quan hệ cặp thực thể (A, B) khơng đơn nghĩa mà đa nghĩa, lúc có nhiều quan hệ ngữ nghĩa khác cặp thực thể Ví dụ cặp thực thể (Notre Dame:Paris) có quan hệ ngữ nghĩa “vụ cháy”, “biểu tượng”, “tác phẩm văn học”, “chuyện tình thằng gù”, “vương miện gai”, v.v Mơ hình IRS có nhiệm vụ giải tốn tìm kiếm Mơ hình IRS mơ hình sử dụng quan hệ tương đồng từ miền ngữ nghĩa quen thuộc, từ suy luận, tìm kiếm thơng tin/tri thức miền ngữ nghĩa không quen thuộc 1.2 Các nghiên cứu liên quan đến tìm kiếm thực thể dựa ngữ nghĩa ẩn Motive tìm kiếm câu truy vấn có dạng: q = {(A, B), (C, ?)}, (A, B) cặp thực thể nguồn, (C, ?) cặp thực thể đích, câu truy vấn gồm thực thể: A, B, C Quan hệ ngữ nghĩa, quan hệ tương đồng không nêu tường minh truy vấn Mơ hình tìm kiếm thực thể dựa ngữ nghĩa ẩn IRS có nhiệm vụ tìm kiếm thực thể D (thực thể dấu hỏi chấm) chưa biết Xác định mối quan hệ tương đồng cặp thực thể (A, B), (C, ?) điều kiện cần để xác định thực thể cần tìm Thuộc lớp tốn xử lý ngôn ngữ tự nhiên, độ tương đồng quan hệ tác vụ quan trọng tìm kiếm dựa ngữ nghĩa Do đó, luận án liệt kê hướng nghiên cứu độ tương đồng quan hệ 1.2.1 Lý thuyết ánh xạ cấu trúc (Structure Mapping Theory – SMT) Nghiên cứu [11] viết: AI Khoa học nhận thức (Cognitive scientists) cho tương tự cốt lõi nhận thức Nguyên lý có ảnh hưởng đến mơ hình tính tốn lập luận tương tự Lý thuyết ánh xạ cấu trúc (SMT) SMT [12] coi độ tương đồng ánh xạ “tri thức” (mapping of knowledge) từ miền nguồn vào miền đích, theo luật ánh xạ: Loại bỏ thuộc tính đối tượng trì ánh xạ quan hệ đối tượng từ miền nguồn vào miền đích  Luật ánh xạ (Mapping rules): M: si  ti; (trong s: source, t: target)  Loại bỏ thuộc tính: HOT(si) ↛HOT(ti); MASSIVE(si) ↛MASSIVE(ti);  Duy trì ánh xạ quan hệ: Revolves(Planet, Sun)  Revolves(Electron, Nucleus) Hình 1.5: Ánh xạ cấu trúc SMT Hình 1.5 cho thấy cấu trúc s (subject), o (object), nên SMT xét cặp: (Planet, Sun) (Electron, Nucleus) tương đồng quan hệ, dù cặp đối tượng nguồn đích - Sun Nucleus, Planet Electron khác thuộc tính, HOT, MASSIVE, … Phân tích: Tham chiếu với mục tiêu nghiên cứu, câu truy vấn là: ((Planet, Sun), (Electron, ?)), SMT kết xuất câu trả lời xác: “Nucleus” Tuy nhiên, SMT không khả thi với cấu trúc bậc thấp (thiếu quan hệ) Vì vậy, SMT khơng khả thi với tốn tìm kiếm thực thể dựa vào quan hệ ngữ nghĩa ẩn 1.2.2 Mơ hình khơng gian vector (Vector Space Model - VSM) Áp dụng mơ hình không gian vector, Turney [13] đưa khái niệm vector mẫu – tần suất, vector tạo thành mẫu (pattern) chứa cặp thực thể (A, B) tần suất xuất mẫu Mơ hình khơng gian vector thực phép đo độ tương đồng quan hệ sau: Các mẫu tạo thủ công, query đến Search Engine (SE), số kết trả từ SE tần suất xuất mẫu Từ đó, độ tương đồng quan hệ cặp thực thể tính Cosine vector Ví dụ, xét cặp (traffic, street) cặp (water, riverbed), cặp nhiều khả xuất câu, như: “traffic in the street” “water in the riverbed” Độ đo Cosine vector (traffic, street) (water, riverbed) định vector có tương đồng hay khơng 1.2.3 Phân tích quan hệ tiềm ẩn (Latent Relational Analysis - LRA) Mở rộng VSM, Turney lai ghép VSM với LRA để xác định mức tương đồng quan hệ [14], [15], [16] Như VSM, LRA sử dụng vector tạo thành mẫu (pattern/context) chứa cặp thực thể (A, B) tần suất mẫu, mẫu xét theo ngrams Nói cách khác, phương pháp LRA xác định n-grams thường xuyên để gắn mẫu với cặp thực thể (A, B) Đồng thời, LRA áp dụng thêm từ điển đồng nghĩa để mở rộng biến thể như: A bought B, A acquired B; X headquarters in Y, X offices in Y, Sau đó, LRA xây dựng ma trận mẫu - cặp thực thể, với phần tử ma trận biểu diễn tần suất xuất cặp (A, B) thuộc mẫu Tiến trình LRA thực tương tự với cặp (C, D) Nhằm giảm chiều ma trận, LRA áp dụng SVD (Singular Value Decomposition) để giảm số cột Cuối cùng, LRA áp dụng phép đo Cosine dòng ma trận (row vectors) chứa cặp (A, B) (C, D) để tính độ tương đồng quan hệ cặp thực thể Phân tích: Tuy cách tiếp cận hiệu để xác định độ tương đồng quan hệ, LRA địi hỏi thời gian tính toán, xử lý dài, tham khảo [17] cho biết với 374 SAT analogy questions (các câu hỏi loại suy kỳ thi đánh giá lực SAT – Scholastic Aptitude Test), kỹ thuật LRA cần ngày để thực Điều không khả thi với hệ tìm kiếm đáp ứng thời gian thực 1.2.4 Ánh xạ quan hệ tiềm ẩn (Latent Relation Mapping Engine – LRME) Để cải thiện việc dựng luật ánh xạ, cấu trúc s (subject), o (object) cách thủ công SMT, Turney áp dụng phép ánh xạ quan hệ tiềm ẩn LRME [11], cách kết hợp SMT LRA Mục đích: Tìm mối quan hệ terms A, B (xét terms thực thể) Với đầu vào (bảng 1.1) danh sách terms từ miền (nguồn đích), đầu (bảng 1.2) kết ánh xạ danh sách: Bảng 1.1: Tìm tương quan thuật ngữ (terms) danh sách Miền nguồn Miền đích planet revolves attracts atom revolves attracts 10 sun electromagnetism gravity neucleus solar system charge mass electron Bảng 1.2: Kết tương quan terms danh sách Miền nguồn Ánh xạ M Miền đích solar system → atom sun → neucleus planet → electron mass → charge attracts → attracts revolves → revolves gravity → electromagnetism Từ tập liệu (corpus), đầu vào LRME danh sách terms rút trích từ corpus, sau xây dựng ánh xạ (song ánh) tập terms: A B, terms có thứ tự tùy ý Các terms ai, bj thuộc danh sách (A, B) từ đơn (planet), cụm từ (solar system) Do tính chất song ánh, A B có số term: A = {a1, a2, …, am}; B = {b1, b2, …, bm}; Đầu (O) LRME song ánh M từ A đến B: O = {M: A → B} (1.1) M(ai) ϵ B  M(A) = {M(a1), M(a2), …, M(am)} = B (1.2) Do danh sách B có m phần tử  m! hốn vị  m! song ánh từ AB; Ký hiệu P(A, B) tập m! song ánh (A, B) Kết hợp độ đo tương đồng (simr) LRA, đầu LRME hàm mục tiêu: 𝑚 𝑀 = argmax ∑𝑚 𝑖=1 ∑𝑗=𝑖+1 sim𝑟 (𝑎𝑖 : 𝑎𝑗 , 𝑀 (𝑎𝑖 ): 𝑀(𝑎𝑗 )) 𝑀∈𝑃(𝐴,𝐵) (1.3) 92 Các máy tìm kiếm tổng qt nói thu thập liệu từ không gian Internet nơi kho liệu khổng lồ, đa ngôn ngữ, nhiều lĩnh vực, đa cấu trúc, định dạng, v.v Kỹ thuật phân loại kết sau tìm kiếm kỹ thuật online Vì yếu tố thời gian phải trả kết tức thời cho người sử dụng - nên gần không khả thi thực phân loại tài liệu Máy tìm kiếm tổng quát Một trở ngại khác, đáng kể mà toán phân loại online phải vượt qua, gán nhãn (đặt tiêu đề cho chủ đề tương ứng) Tiêu đề phải mô tả đủ ngữ nghĩa dễ hiểu để người dùng lựa chọn Máy tìm kiếm luận án thực tìm kiếm chuyên sâu, miền liệu cụ thể (dữ liệu tác nghiệp Hàng không, "vắng mặt" Internet), lượng tài liệu biết trước, áp dụng giải thuật dựng dàn thực off-line, kết hợp với việc duyệt lại tập nhãn cách thủ cơng (thêm yếu tố xử lý người), thích hợp cho kỹ thuật phân loại kết trước tìm kiếm 3.4 Kết chương Dưới góc nhìn lý thuyết, Chương trình bày cách tường minh phương pháp hướng ngữ cảnh: tư tưởng, nguyên lý, mô hình, cơng thức thuật tốn, v.v nêu lên đề xuất cải thiện kỹ thuật Dưới góc nhìn thực nghiệm, việc cài đặt (các biến, cấu trúc liệu, thuật toán, đáp ứng tức thời gợi ý truy vấn, ) trở nên hoàn toàn khả thi Kết thực nghiệm đưa dạng gợi ý: Gợi ý truy vấn, gợi ý tài liệu gợi ý chủ đề Đóng góp chương bao gồm: 1) Ứng dụng kỹ thuật hướng ngữ cảnh, xây dựng máy tìm kiếm chuyên sâu áp dụng hướng ngữ cảnh miền sở tri thức riêng (dữ liệu hàng không) 2) Đề xuất độ đo tương đồng tổ hợp toán gợi ý truy vấn theo ngữ cảnh nhằm nâng cao chất lượng gợi ý Ngồi ra, chương có đóng góp bổ sung thực nghiệm: i) Tích hợp nhận dạng tổng hợp tiếng nói tiếng Việt tùy chọn vào máy tìm kiếm để tạo thành hệ tìm kiếm có tương tác tiếng nói ii) Áp dụng cấu trúc dàn khái niệm để phân lớp tập kết trả Phương pháp gợi ý truy vấn hướng ngữ cảnh nhánh tốn máy tìm kiếm, nhiên vấn đề thiết thực, thu hút quan tâm nghiên cứu 93 rõ ràng tốn khó Nắm vững ngun lý, cài đặt hiệu phương pháp hướng ngữ cảnh, giải pháp tốt hỗ trợ người sử dụng q trình tìm kiếm thơng tin Máy tìm kiếm tiếng Việt áp dụng phương pháp hướng ngữ cảnh hứa hẹn đem đến kết đột biến, thú vị hiệu lĩnh vực gợi ý truy vấn Việc phát tri thức tiếp tục đặt nhiều vấn đề nội Query Logs cịn chứa nhiều tri thức tiềm ẩn, ví dụ liệu {IP, query}: phản ánh lịch sử người dùng (user’s history) khai phá để tìm kiếm cá nhân hóa (personalized search) hay gợi ý truy vấn cá nhân hóa (personalized query suggestion); Hay khai phá liệu cặp {URL, title} để tìm kết liên quan Hoặc khai phá đồ thị phía để tìm mối quan hệ tài liệu – truy vấn dù tập tài liệu (tập đỉnh U), tập truy vấn (tập đỉnh Q) khơng có terms chung: Nếu tập tài liệu D’ thường xuyên click đọc tập queries Q’, terms Q’ liên quan mạnh đến terms D’ Cũng vậy, gợi ý truy vấn phân loại tập kết thực chất tiến trình riêng biệt, cần nghiên cứu áp dụng tính tốn song song 94 CHƯƠNG 4: KẾT LUẬN VÀ KIẾN NGHỊ Trong phần kết luận, tác giả tóm lược lại kết đóng góp luận án Ngồi ra, tác giả trình bày số hạn chế luận án thảo luận hướng phát triển nghiên cứu tương lai Kết luận 4.1 Áp dụng phân tích khái niệm hình thức (FCA – Formal Concept Analysis) cấu trúc dàn khái niệm để khai phá tìm kiếm liệu văn Dàn cấu trúc đẹp mặt toán học, thích hợp với khai phá, phân tích gom cụm liệu, dàn khơng hồn tồn thích hợp lĩnh vực tìm kiếm Do đó, luận án chun sâu hai hướng nghiên cứu chính: i) Tìm kiếm thực thể dựa quan hệ ngữ nghĩa, nhằm mô khả suy thông tin/tri thức chưa biết suy diễn tương tự, khả “tự nhiên” người; ii) Gợi ý truy vấn hướng ngữ cảnh - xét chuỗi truy vấn liền mạch nhằm nắm bắt ý định tìm kiếm, sau đưa xu hướng mà tri thức số đông thường hỏi sau truy vấn hành Đóng góp luận án gồm: Với phương pháp Tìm kiếm thực thể dựa quan hệ ngữ nghĩa ẩn, nhằm giải toán thứ nhất: - Luận án nghiên cứu, xây dựng kỹ thuật tìm kiếm thực thể dựa quan hệ ngữ nghĩa ẩn sử dụng phương pháp phân cụm nhằm nâng cao hiệu tìm kiếm Với phương pháp Gợi ý truy vấn Hướng ngữ cảnh, mục đích giải tốn thứ hai: - Ứng dụng kỹ thuật hướng ngữ cảnh, xây dựng máy tìm kiếm chuyên sâu áp dụng hướng ngữ cảnh miền sở tri thức riêng (dữ liệu hàng không) 95 - Đề xuất độ đo tương đồng tổ hợp toán gợi ý truy vấn theo ngữ cảnh nhằm nâng cao chất lượng gợi ý 4.2 Kiến nghị Với hướng nghiên cứu Tìm kiếm thực thể dựa quan hệ ngữ nghĩa ẩn, nhận thấy mơ hình tìm kiếm bị cứng hóa thực thể đầu vào, nhược điểm Để khắc phục nhược điểm, mặt - xét thêm loại ánh xạ quan hệ, thêm yếu tố thời gian để kết tìm kiếm cập nhật xác Mặt khác, mở rộng tìm kiếm thực thể với truy vấn đầu vào gồm thực thể, ví dụ: “Sơng dài Trung Quốc?”, mơ hình tìm kiếm thực thể dựa ngữ nghĩa ẩn đưa câu trả lời xác: “Trường Giang”, dù Corpus có câu gốc “Trường Giang sông lớn Trung Quốc” Với hướng nghiên cứu Gợi ý truy vấn dựa kỹ thuật hướng ngữ cảnh, mặt, nghiên cứu vài thiếu sót chí khuyết điểm, lọc nhiễu âm đầu vào để cải thiện chất lượng nhận dạng, áp dụng học máy để tối ưu tham số α, β, γ cách tính độ tương đồng tổ hợp phương pháp tìm kiếm hướng ngữ cảnh Mặt khác, nghiên cứu biến thể tương đồng quan hệ RelSim (Relational Similarity) [100], nghiên cứu phương pháp kết hợp Word2Vec, Doc2Vec, Word embeddings [101] … cho máy tìm kiếm Hướng phát triển, luận án tập trung vào nghiên cứu áp dụng thuật toán thích nghi, mơ hình thống kê, thành phần cốt lõi hệ thống xử lý ngôn ngữ tự nhiên 96 DANH MỤC CÔNG TRÌNH CỦA TÁC GIẢ Trần Lâm Quân - Vũ Tất Thắng “Tìm kiếm thực thể dựa quan hệ ngữ nghĩa ẩn” Hội thảo Quốc gia lần thứ XXI: Một số vấn đề chọn lọc Công nghệ Thông tin Truyền thông (27-28/07.2018) Trần Lâm Quân - Vũ Tất Thắng “Search for entities based on the Implicit Semantic Relations” Tạp chí Tin học Điều khiển 2019 (Volume 35, Number 2019) Trần Lâm Quân - Đỗ Quốc Trường - Phan Đăng Hưng - Đinh Anh Tuấn - Phi Tùng Lâm - Vũ Tất Thắng - Lương Chi Mai “A study of applying Vietnamese voice interaction for a context-based Aviation search engine” The IEEE RIVF 2013 International Conference on Computing and Communication Technologies 10-13.11.2013 Trần Lâm Quân – Vũ Tất Thắng “Context-aware and voice interactive search” (the SoCPaR 2013 special issue) Journal of Network and Innovative Computing ISSN 2160-2174 Volume 2, pages 233-239, 2014 Trần Lâm Quân - Phan Đăng Hưng - Vũ Tất Thắng “Tìm kiếm giọng nói với kĩ thuật hướng ngữ cảnh” Tạp chí Khoa học Cơng nghệ - Viện Hàn lâm Khoa học Công nghệ Việt Nam ISSN: 0886 768X Số 52 (1B), 29.06.2014 Trần Lâm Quân - Lê Đức Hiếu - Lê Ngọc Thế - Vũ Tất Thắng “Một cách tiếp cận sử dụng cấu trúc dàn khái niệm để khai phá tìm kiếm liệu văn bản” Hội thảo Quốc gia lần thứ XVII: Một số vấn đề chọn lọc Công nghệ Thông tin Truyền thông 30-31.10.2014 97 TÀI LIỆU THAM KHẢO [1] Christoph Kofler, Martha Larson, Alan Hanjalic, User Intent in Multimedia Search: A Survey of the State of the Art and Future Challenges ACM Journals Computing Surveys, Vol 49, No 2, August 2016 [2] R Song, Z Luo, J.-Y Nie, Y Yu and H.-W Hon, Identification of ambiguous queries in web search Information Processing & Management, 45(2), pages 216– 229, 2009 [3] W Song, Y Liu, L Liu et al., Semantic composition of distributed representations for query subtopic mining Frontiers Inf Technol Electronic Eng 19, 2018 [4] J Xu, F Ye, Query Recommendation Using Hybrid Query Relevance Future Internet, 2018 [5] S Gaou, A Bekkari, The Optimization of Search Engines to Improve the Ranking to Detect User’s Intent In Advanced Information Technology, Services and Systems (AIT2S) 2017 [6] Dirk Lewandowski, Jessica Drechsler, Sonja von Mach, Deriving query intents from web search engine queries Journal of the American Society for Information Science and Technology, September 2012 [7] Imrattanatrai, Wiradee & Kato, Makoto & Tanaka, Katsumi & Yoshikawa, Masatoshi, Entity Ranking for Queries with Modifiers Based on Knowledge Bases and Web Search Results In IEICE Transactions on Information and Systems, 2018 [8] Li, Jing & Sun, Aixin & Han, Ray & Li, Chenliang, A Survey on Deep Learning for Named Entity Recognition In IEEE Transactions on Knowledge and Data Engineering, 2020 [9] H Cao, D Jiang, J Pei, Q He, Z Liao, E Chen and H Li, Towards contextaware search by learning a very large variable length hidden markov model from search logs In Proceedings of the 18th international conference on World wide web, pages 191–200, April 2009 [10] H Cao, D Jiang, J Pei, Q He, Z Liao, E Chen, E and H Li, Context-aware query suggestion by mining click-through and session data In Proceedings of KDD, pages 875-883, 2008 98 [11] Peter D Turney, The latent relation mapping engine: Algorithm and experiments Journal of Artificial Intelligence Research (JAIR), 33, pages 615-655, 2008 [12] Dedre Gentner, Structure-mapping: A Theoretical Framework for Analogy Elsevier Cognitive Science, Volume 7, Issue 2, pages 155-170, April–June 1983 [13] Peter D Turney, M.L Littman, Corpus-based Learning of Analogies and Semantic Relations Machine Learning, 60(1–3), pages 251–278, 2005 [14] Peter D Turney, Distributional semantics beyond words: Supervised learning of analogy and paraphrase Transactions of the Association for Computational Linguistics (TACL), 1, pages 353-366, 2013 [15] Peter D Turney and P Pantel, From frequency to meaning: Vector space models of semantics Journal of Artificial Intelligence Research (JAIR), 37, pages 141-188, 2010 [16] Peter D Turney, Similarity of semantic relations Computational Linguistics, 32(3), 2006 [17] Bollegala, Danushka & Matsuo, Yutaka & Ishizuka, Mitsuru, Measuring the Similarity between Implicit Semantic Relations from the Web Proceedings of WWW, pages 651-660, 2009 [18] Duc, N., Bollegala et al., Cross-Language Latent Relational Search: Mapping Knowledge across Languages In Association for the Advancement of AI, 2011 [19] Kato et al., Query by analogical example: relational search using web search engine indices In Proceedings of the 18th ACM conference on Information and knowledge management ACM, 2009 [20] Y.J Cao et al., Relational Similarity Measure: An Approach Combining Wikipedia and WordNet Journal of Applied Mechanics and Materials, 2011 [21] E Agirre, E Alfonseca, K Hall, J Kravalova, M Pasca and A Soroa, A study on similarity and relatedness using distributional and wordnet-based approaches In NAACL ’09 Proceedings of Human Language Technologies: The 2009 Annual Conference of the North American Chapter of the Association for Computational Linguistics, pages 19–27, 2009 [22] Mikolov et al., Distributed Representations of Words and Phrases and their Compositionality In Advances in Neural Information Processing Systems 26 (NIPS), 99 2013 [23] Piotr Bojanowski, Edouard Grave, Armand Joulin, and Tomas Mikolov, Enriching Word Vectors with Subword Information Transactions of the Association for Computational Linguistics, Vol 5, pages 135-146, 2017 [24] Edouard Grave, Piotr Bojanowski, Prakhar Gupta, Armand Joulin, Tomas Mikolov Learning Word Vectors for 157 Languages In LREC (Language Resources and Evaluation) Feb 19, 2018 [25] Tomas Mikolov et al., Efficient Estimation of Word Representations in Vector Space In ICLR (Workshop Poster), 2013 [26] Kata Gábor, Haïfa Zargayouna, Isabelle Tellier, Davide Buscaldi, Thierry Charnois, Exploring Vector Spaces for Semantic Relations In Proceedings of the 2017 Conference on Empirical Methods in Natural Language Processing, pages 1814–1823, 2017 [27] Hugo Caselles-Dupré, Florian Lesaint, Jimena Royo-Letelier, Word2vec applied to recommendation: hyperparameters matter In Proceedings of the 12th ACM Conference on Recommender Systems, pages 352–356, September 2018 [28] S Yilmaz, S Toklu, A deep learning analysis on question classification task using Word2vec representations Neural Comput & Applic 32, pages 2909–2928, 2020 [29] Prajakta Shinde, Pranjali Joshi, Survey of various query suggestion system, International Journal of Engineering And Computer Science ISSN:2319-7242; Volume Issue 12, pages 9576-9580, December 2014 [30] Susan Dumais, Personalized search: potential and pitfalls, In Proceedings of the 25th ACM International on Conference on Information and Knowledge Management, October 2016 [31] Jinyoung Kim, Jaime Teevan, Nick Craswell, Explicit In Situ User Feedback for Web Search Results SIGIR '16: Proceedings of the 39th International ACM SIGIR conference on Research and Development in Information Retrieval, pages 829–832, July 2016 [32] Sørig, Esben; Collignon, Fiebrink and Kando, Evaluation of Rich and Explicit Feedback for Exploratory Search In Second Workshop on Evaluation of Personalisation in Information Retrieval (WEPIR), March, 2019 100 [33] Thorsten Joachims et al., Accurately Interpreting Clickthrough Data as Implicit Feedback SIGIR, Volume 51, Issue 1, June 2017 [34] Edward Rolando Núñez-Valdéz et al., Implicit feedback techniques on recommender systems applied to electronic books Computers in Human Behavior Volume 28, Issue 4, ScienceDirect, 2012 [35] Gai Li and Qiang Che, Exploiting Explicit and Implicit Feedback for Personalized Ranking Hindawi Publishing Corporation - Mathematical Problems in Engineering, Article ID 2535329, 11 pages, 2016 [36] Keping Bi, Choon Hui Teo, Yesh Dattatreya, Vijai Mohan, W Bruce Croft Leverage Implicit Feedback for Context-aware Product Search In SIGIR 2019 eCom, Paris, France, July 2019 [37] W Chen, F Cai, H Chen, M De Rijke, Personalized query suggestion diversification In Proceedings of the 40th International ACM SIGIR Conference on Research and Development in Information Retrieval, pages 817–820, 2017 [38] W Chen, F Cai, H Chen et al., Personalized query suggestion diversification in information retrieval Springer Link, Front Comput Sci 14, 143602, 19 December 2019 [39] C Bouhini, M Géry and C Largeron, Personalized information retrieval models integrating the user's profile IEEE Tenth International Conference on Research Challenges in Information Science (RCIS), Grenoble, pages 1-9, 2016 [40] Hiteshwar Kumar Azad, Akshay Deepak, A new approach for query expansion using Wikipedia and WordNet Elsevier, Information Sciences Volume 492, pages 147-163, August 2019 [41] Hiteshwar Kumar Azad, Akshay Deepak Query expansion techniques for information retrieval: A survey Elsevier Information Processing & Management Volume 56, Issue 5, pages 1698-1735, September 2019 [42] Claveau, Vincent, Kijak, Ewa, Distributional thesauri for information retrieval and vice versa In Language and Resource Conference, LREC, 2016 [43] Q Chen, L Yao and J Yang, Short text classification based on LDA topic model International Conference on Audio, Language and Image Processing (ICALIP), Shanghai, pages 749-753, 2016 [44] J Xu, F Ye, Query Recommendation Using Hybrid Query Relevance Future 101 Internet Journals Volume 10, Issue 11, 2018 [45] Wanyu Chen, Fei Cai, Honghui Chen, Maarten de Rijke, Personalized Query Suggestion Diversification In Proceedings of the 40th International ACM SIGIR Conference on Research and Development in Information Retrieval, pages 817–820, August 2017 [46] Choudhary, Durga & Chandra, Subhash, Adaptive Query Recommendation Techniques for Log Files Mining to Analysis User’s Session Pattern In International Journal of Computer Applications, 2016 [47] J Guo, X Zhu, Y Lan et al., Modeling users’ search sessions for high utility query recommendation Information Retrieval Journal 20, 2017 [48] Lingling Meng, A Survey on Query Suggestion International Journal of Hybrid Information Technology Vol 7, No 6, 2014 [49] Bai, Lu, Jiafeng Guo, Xueqi Cheng, Xiubo Geng and Pan Du, Exploring the Query-Flow Graph with a Mixture Model for Query Recommendation SIGIR Workshop on Query Representation and Understanding, July 2011 [50] P Boldi, F Bonchi, C Castillo, D Donato, A Gionis and S Vigna, The queryflow graph: model and applications In Proceeding of the 17th ACM conference on Information and knowledge management (CIKM’08), pages 609–618, 2008 [51] P Boldi, F Bonchi, C Castillo, D Donato, A Gionis and S Vigna, Query Suggestions Using Query-Flow Graphs In Proceedings of the 2009 workshop on Web Search Click Data (WSCD ’09), pages 56–63, Feb 9, 2009 [52] Xinbao Shao, Qingshan Li, Yishuai Lin, Boyu Zhou, A meta-search group recommendation mechanism based on user intent identification In Proceedings of the 6th International Conference on Software and Computer Applications (ICSCA '17), pages 102–106, February 2017 [53] E Sadikov, J Madhavan, L.Wang and A Halevy, Clustering query refinements by user intent In Proceedings of the International World Wide Web Conference (WWW’10), pages 841–850, 2010 [54] Saxena et al., A Review of Clustering Techniques and Developments Article in Neurocomputing, July 2017 [55] T Sajana, C M Sheela Rani and K V Narayana, A Survey on Clustering Techniques for Big Data Mining Indian Journal of Science and Technology, Vol 102 9(3), January 2016 [56] Parth Ritin Saraiya et al., Study of Clustering Techniques in the Data Mining Domain In International Journal of Computer Science and Mobile Computing, Vol.7 Issue.11, pages 31-37, November 2018 [57] K Sathiyakumari, G Manimekalai, V Preamsudha and M P Scholar, A survey on various approaches in document clustering Int J Comput Technol, pages 1534– 1539, 2011 [58] Manpreet Kaur, Usvir Kaur, A Survey on Clustering Principles with K-means Clustering Algorithm Using Different Methods in Detail IJCSMC, Vol 2, Issue 5, pages 327 – 331, May 2013 [59] Gursharan Saini, Harpreet Kaur, K-Mean Clustering and PSO: A Review International Journal of Engineering and Advanced Technology (IJEAT) ISSN: 2249 – 8958, Volume-3, Issue-5, June 2014 [60] Hamada M Zahera, Gamal F El Hady, F Waiel, Abd El-Wahed, Query Recommendation for Improving Search Engine Results In Proceedings of the World Congress on Engineering and Computer Science (WCECS), October 20-22, 2010 [61] Naeem, Arshia; Rehman, Mariam; Anjum, Maria; Asif, Muhammad, Development of an efficient hierarchical clustering analysis using an agglomerative clustering algorithm Current Science (00113891), Vol 117 Issue 6, pages 10451053, 9/25/2019 [62] Dhiliphanrajkumar Thambidurai, Suruliandi Aandavar and Selvaperumal Prakasam Query Recommendation by Coupling Personalization with Clustering for Search Engine I.J Information Technology and Computer Science, pages 82-91, 11/2016 [63] W Wu, H Li, and J Xu, Learning query and document similarities from clickthrough bipartite graph with metadata In Proceedings of the Sixth ACM International Conference on Web Search and Data Mining, 2013 [64] L Noce, I Gallo and Zamberletti, A Query and Product Suggestion for Price Comparison Search Engines based on Query-product Click-through Bipartite Graphs In Proceedings of the 12th International Conference on Web Information Systems and Technologies (WEBIST 2016) - Volume 1, pages 17-24, 2016 103 [65] Sébastien Harispe, Sylvie Ranwez, Stefan Janaqi, and Jacky Montmain, Semantic Similarity from Natural Language and Ontology Analysis Synthesis Lectures on Human Language Technologies, Vol 8, No (Arxiv, 167 pages), May 2015 [66] Slimani, Thabet, Description and Evaluation of Semantic Similarity Measures Approaches International Journal of Computer Applications Vol 80 25-33 10.5120/13897-1851, 2013 [67] Christoph Lofi, Measuring Semantic Similarity and Relatedness with Distributional and Knowledge-based Approaches Information and Media Technologies, Volume 10, Issue Online ISSN 1881-0896, pages 493-501, September 15, 2015 [68] N Craswell, Mean Reciprocal Rank In Encyclopedia of Database Systems Springer, Boston, MA, 2009 [69] Yao, Yuan et al., DocRED: A Large-Scale Document-Level Relation Extraction Dataset ACL (Association for Computational Linguistics), 2019 [70] Michele Banko and Oren Etzioni, The Tradeoffs Between Open and Traditional Relation Extraction In Proceedings of the 46th Annual Meeting of the Association for Computational Linguistics, ACL 2008, Columbus, Ohio, USA, pages 28-36, 2008 [71] Yun Liu, Mingxin Li, Hui Liu, Junjun Cheng, Yanping Fu, Research of Unsupervised Entity Relation Extraction Journal of Computers Vol 30 No 1, pages 31-41, 2019 [72] Bollegala et al., Relational Duality: Unsupervised Extraction of Semantic Relations between Entities on the Web In Proceedings of the 19th International Conference on World Wide Web, WWW 2010, pages 151-160, Raleigh, North Carolina, USA, 2010 [73] Parapar, Javier & Losada, David & Presedo-Quindimil, Manuel & Barreiro, Alvaro Using score distributions to compare statistical significance tests for information retrieval evaluation Journal of the Association for Information Science and Technology 71 (10.1002/asi.24203), 2019 [74] Christopher D Manning, Prabhakar Raghavan, and Hinrich Schutze, Introduction to Information Retrieval Cambridge University Press, 2008 104 [75] W Chen, F Cai, H Chen et al., Personalized query suggestion diversification in information retrieval Front Comput Sci 14, 143602, 2020 [76] Trần Lâm Quân, Vũ Tất Thắng, Kỹ thuật gợi ý truy vấn hướng ngữ cảnh tốn tìm kiếm Hội thảo Quốc gia lần thứ XV: Một số vấn đề chọn lọc Công nghệ Thông tin Truyền thông, 03-04.12.2012 [77] Z Liao, D Jiang, E Chen, P Pei, H Cao, H Li, Mining Concept Sequences from Large-Scale Search Logs for Context-Aware Query Suggestion ACM Trans Intell Syst Technol 9, 4, Article 87, 40 pages, 2011 [78] T Ruotsalo, G Jacucci & S Kaski, Interactive faceted query suggestion for exploratory search: Whole-session effectiveness and interaction engagement Journal of the Association for Information Science and Technology, 2019 [79] Souvick Ghosh, Chirag Shah, Session-based Search Behavior in Naturalistic Settings for Learning-related Tasks In CIKM '19: Proceedings of the 28th ACM International Conference on Information and Knowledge Management, pages 2449– 2452, November 2019 [80] Sowmya Yalamanchili (IBM), Log mining in Query recommendation International Journal of Information Technology & Systems, Vol 4; No 1: ISSN: 2277-9825, 2015 [81] X Fei, S Zheng, L Yan and C Fan, A improved sequential pattern mining algorithm based on PrefixSpan World Automation Congress (WAC), Rio Grande, 2016 [82] Zhengshen Jiang, Hongzhi Liu, Bin Fu, Zhonghai Wu, Tao Zhang, Recommendation in Heterogeneous Information Networks based on Generalized Random Walk Model and Bayesian Personalized Ranking In Proceedings of the Eleventh ACM International Conference on Web Search and Data Mining (WSDM '18), pages 288–296, February 2018 [83] Gao, J., et al., Smoothing clickthrough data for web search ranking SIGIR'09, pages 355-362, 2009 [84] C Rasell and M Szummer, Random walks on the click graph In Proceedings of the 30th annual international ACM SIGIR conference on Research and development in information retrieval(SIGIR’07), pages 239-246, 2007 [85] M Shajalal, M Z Ullah, A N Chy and M Aono, Query subtopic 105 diversification based on cluster ranking and semantic features International Conference On Advanced Informatics: Concepts, Theory And Application (ICAICTA), George Town, pages 1-6, 2016 [86] Xiaofei, Zhu., et al., A unified framework for recommending diverse and relevant queries In Proceedings of the 20th international conference on World wide web (WWW '11), pages 37–46, March 2011 [87] Wanyu Chen, Fei Cai, Honghui Chen, Maarten de Rijke, Personalized Query Suggestion Diversification In Proceedings of the 40th International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR '17), pages 817–820, August 2017 [88] Claudio Carpineto, Sergei O Kuznetsov, Amedeo Napoli, Formal Concept Analysis Meets Information Retrieval Workshop co-located with the 35th European Conference on Information Retrieval (ECIR), 2013 [89] Frano Škopljanac-Mačina, Bruno Blašković, Formal Concept Analysis – Overview and Applications, ScienceDirect, 24th DAAAM International Symposium on Intelligent Manufacturing and Automation, 2013 [90] Larry González, Aidan Hogan, Modelling Dynamics in Semantic Web Knowledge Graphs with Formal Concept Analysis In Proceedings of the 2018 World Wide Web Conference (WWW '18), pages 1175–1184, April 2018 [91] A Abid, M Rouached & N Messai, Semantic web service composition using semantic similarity measures and formal concept analysis Multimed Tools Appl 79, 6569–6597, Dec 2019 [92] Claudio Carpineto and Giovanni Romano, Using Concept Lattices for Text Retrieval and Mining In Formal Concept Analysis, pages 161-179, 2005 [93] Singh, Prem & Cherukuri, Aswani Kumar, Concept lattice reduction using different subset of attributes as information granules In Granular Computing Springer International Publishing Switzerland 2016 [94] Bernhard Ganter, Sebastian Rudolph, Gerd Stumme, Explaining Data with Formal Concept Analysis, Springer International Publishing, 2019 [95] Nizar Messai, Marie-Dominique Devignes, Amedeo Napoli, and Malika SmailTabbone, BR-Explorer: An FCA-based algorithm for Information Retrieval Fourth International Conference, CLA, 2006 106 [96] Ganter, Wille, Formal Concept Analysis: Mathematical Foundations SpringerVerlag, Berlin Heidelberg New York, 1999 [97] D.G Kourie, S Obiedkov, B.W Watson, D Van der Merwe, An incremental algorithm to construct a lattice of set intersections Sci Comput Programm 74, pages 128–142, 2009 [98] Trần Lâm Quân, Tìm kiếm hệ mới: Tìm kiếm thơng minh lai Chun san ngành Hàng khơng Việt Nam, 2011 [99] Trần Lâm Quân, Vũ Tất Thắng, An Approach Using Concept Lattice Structure for Data Mining and Information Retrieval Journal of Science and Technology: Issue on Information and Communication Technology, Vol 1, No.1, August 2015 http://ict.jst.udn.vn/index.php/jst/article/view/4 [100] Wang, Chenguang et al., RelSim: Relation Similarity Search in Schema-Rich Heterogeneous Information Networks In Proceedings of the 2016 SIAM International Conference on Data Mining (SDM), 2016 [101] Kata Gábor, Haïfa Zargayouna, Isabelle Tellier, Davide Buscaldi, Thierry Charnois, Exploring Vector Spaces for Semantic Relations In Proceedings of the 2017 Conference on Empirical Methods in Natural Language Processing, pages 1814–1823, September 7–11, 2017 ... tích, đánh giá kết sau thực nghiệm So sánh với kỹ thuật khác Đóng góp luận án Luận án nghiên cứu giải vấn đề tìm kiếm thực thể dựa quan hệ ngữ nghĩa gợi ý truy vấn hướng ngữ cảnh Đóng góp luận án. .. thực thể dựa quan hệ ngữ nghĩa, miền ngôn ngữ tiếng Việt 1.4 Bài toán gợi ý truy vấn hướng ngữ cảnh Trong toán, động lực nghiên cứu kỹ thuật gợi ý truy vấn dựa hướng ngữ cảnh Đối với chế tìm kiếm. .. Text Corpus Hình 2.1: Tìm kiếm dựa quan hệ ngữ nghĩa với đầu vào gồm thực thể 28 Hình thái tìm kiếm thực thể dựa quan hệ ngữ nghĩa ẩn phải xác định quan hệ ngữ nghĩa thực thể, đồng thời tính tốn