Luận Văn Nghiên Cứu Phát Triển Các Kỹ Thuật Xây Dựng Và Khai Thác Thông Tin Web Có Ngữ Nghĩa.pdf

Trờng đại học bách khoa tp. Hồ chí minh

Báo cáo tổng kết đề tài cấp nhà nớc
MÃ số kc 01.21

Nghiên cứu phát triển các kỹ thuật
Xây dựng và khai thác thông tin
Web có ngữ nghĩa
Chủ nhiệm đề tài: pgS. Ts. Cao hoàng trụ
Cơ quan chủ trì: đại học bách khoa tp. Hå chÝ minh

6385
29/5/2007
TP. Hå ChÝ Minh – 12/2006


BỘ KHOA HỌC VÀ CÔNG NGHỆ
TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐHQG TP.HCM
268 Lý Thường Kiệt, Q.10, TP.HCM

Báo cáo tổng kết khoa học và kỹ thuật của đề tài:
Nghiên cứu phát triển các kỹ thuật xây dựng và
khai thác thông tin Web có ngữ nghĩa
Mã số đề tài: KC.01.21

Chủ nhiệm đề tài: Cao Hoàng Trụ

TP.HCM 12/2006


Tóm tắt

Sau gần hai thập niên ra đời và phát triển từ năm 1989, World Wide Web (WWW) đã trở
thành một môi trường lưu trữ và chuyển tải thông tin khơng thể thiếu trong một thời đại
mà máy tính là cơng nghệ địn bẩy cho hầu hết mọi lĩnh vực của kinh tế, chính trị, và xã
hội. Với sự phát triển vũ bão và bùng nổ thơng tin trên nó, giờ cũng là lúc WWW cần
chuyển sang một thế hệ mới để có thể được khai thác một cách hiệu quả phục vụ cho lợi
ích của lồi người. Đó là thế hệ Web có Ngữ nghĩa (Semantic Web), được Tim
Berners-Lee, cha đẻ của WWW, phác thảo ra vào năm 1998.
Ở thế hệ hiện tại, thông tin được lưu trữ trong các trang Web dưới dạng văn bản,
hình ảnh, và âm thanh mà chỉ có con người mới đọc, nhìn, nghe và hiểu được. Với lượng
thông tin vô cùng lớn trên WWW như hiện nay, con người khơng thể tự mình tìm kiếm,
xử lý, và khai thác chúng, mà cần có sự trợ giúp của máy tính. Muốn vậy, trước hết máy
tính phải hiểu được thơng tin lưu trữ trong các trang Web để có thể xử lý chúng một cách
tự động, tức là các trang Web phải có ngữ nghĩa đối với máy tính. Mục tiêu và viễn cảnh
này của Web có ngữ nghĩa đã thu hút sự quan tâm và đầu tư của nhiều nhà nghiên cứu và
các tổ chức trên thế giới.
Ngoài những vấn đề về lý thuyết và công nghệ chung, việc đưa ngữ nghĩa vào các
trang Web cịn phụ thuộc vào ngơn ngữ tự nhiên và miền tri thức cụ thể của từng quốc gia.
Đó cũng là ý nghĩa của đề tài này, nhằm nghiên cứu phát triển các kỹ thuật xây dựng và
khai thác thông tin Web có ngữ nghĩa tiếng Việt. Như là bước khởi đầu, đề tài tập trung
vào mức độ ngữ nghĩa cơ bản nhất của một trang Web là lớp của các thực thể có tên, như
con người, tổ chức, nơi chốn, xuất hiện trong đó. Trên cơ sở ngữ nghĩa này, đề tài phát
triển một ứng dụng cung cấp tự động thông tin về các thực thể cho những người đọc tin
trên Web.
Trước hết, đề tài xây dựng một cơ sở tri thức về các thực thể phổ biến nhất ở Việt
Nam và trên thế giới. Bước tiếp theo, đề tài nghiên cứu và hiện thực các kỹ thuật để xử lý
tiếng Việt và rút trích lớp thực thể trên các trang Web một cách tự động. Đồng thời, đề tài
nghiên cứu các độ đo và kỹ thuật xử lý truy vấn để người sử dụng có thể truy hồi chính
xác hoặc gần đúng thơng tin từ cơ sở tri thức đã xây dựng và kho tài liệu Web đã được chú
thích. Trên các cơ sở này, đề tài phát triển các phần mềm ứng dụng rút trích và truy hồi
thông tin cho người sử dụng đầu cuối, và xây dựng một hệ thống máy chủ để đáp ứng

nhiều yêu cầu đồng thời. Các kết quả đạt được tạo nên một nền tảng cho Web có ngữ
nghĩa tiếng Việt, đủ để hiện thực một số ứng dụng tiêu biểu và có thể phát triển tiếp thành
một cơ sở hạ tầng hoàn chỉnh.

iii


Mục lục
Danh mục hình .............................................................................................................. vii
Danh mục bảng ............................................................................................................... x
Chương 1 Giới thiệu .....................................................................................................1
1.1

Thơng tin tóm tắt về đề tài ..................................................................1

1.2

Động cơ thực hiện đề tài .....................................................................4

1.3

Phạm vi và mục tiêu của đề tài ............................................................5

1.4

Cấu trúc của quyển báo cáo.................................................................8

Chương 2 Tham khảo các nghiên cứu liên quan và thiết kế hệ thống ...................11
2.1

Web có ngữ nghĩa..............................................................................11

2.2

Các cơng nghệ và ngôn ngữ hỗ trợ ....................................................17

2.3

Hệ thống KIM ...................................................................................28

2.4

Kiến trúc của VN-KIM .....................................................................32

Chương 3 Xây dựng Ontology và cơ sở tri thức ......................................................39
3.1

Ontology và cơ sở tri thức của KIM..................................................39

3.2

Thiết kế và xây dựng Ontology .........................................................41

3.3

Xây dựng cơ sở tri thức .....................................................................50

3.4

Vấn đề bí danh...................................................................................55

Chương 4 Rút trích và chú thích lớp của các thực thể có tên.................................57
4.1

Nhận dạng mã tiếng Việt và khối văn bản tin ...................................57

4.2

Gán nhãn từ loại và nhận biết danh từ riêng .....................................65

4.3

Nhận biết lớp thực thể .......................................................................70

4.4

Vấn đề đồng tham chiếu và mập mờ thực thể ...................................81

Chương 5 Truy vấn cơ sở tri thức và kho các trang Web có ngữ nghĩa ...............89
5.1

Truy vấn cơ sở tri thức ......................................................................89

5.2

Độ tương tự và độ bao phủ ................................................................93

5.3

Truy vấn gần đúng...........................................................................101

5.4

Truy vấn kho các trang Web có ngữ nghĩa .....................................106

v


Chương 6 Xây dựng hệ thống máy chủ và xử lý song song các yêu cầu ..............111
6.1

Thiết kế và hiện thực mơ hình xử lý song song ..............................111

6.2

Phát triển dịch vụ chú thích ngữ nghĩa ............................................115

6.3

Phát triển dịch vụ truy hồi tri thức và tài liệu .................................118

6.4

Thử nghiệm tải của các dịch vụ.......................................................121

Chương 7 Phát triển các phần mềm công cụ và ứng dụng ...................................127
7.1

Phần mềm xây dựng và quản trị cơ sở tri thức ................................127

7.2

Phần mềm truy hồi thông tin ...........................................................132

7.3

Plug-in rút trích và truy hồi thơng tin ..............................................141

Chương 8 Tổng kết ...................................................................................................145
8.1

Tóm tắt các kết quả đạt được ..........................................................145

8.2

Hướng phát triển..............................................................................152

Lời cảm ơn ................................................................................................................... 153
Tài liệu tham khảo ....................................................................................................... 155
Phụ lục: Các báo cáo kỹ thuật, hướng dẫn sử dụng phần mềm, bài báo khoa học ......171

vi


Danh mục hình
2.1.1 Các tầng của Web có ngữ nghĩa ...........................................................................12
2.1.2 Biểu diễn ngữ nghĩa bằng đồ thị khái niệm .........................................................15
2.2.1 Kiến trúc của Sesame ...........................................................................................21
2.2.2 Biểu diễn đồ thị của một truy vấn SeRQL ...........................................................23
2.2.3 Một đồ thị khái niệm ví dụ ..................................................................................26

2.2.4 Một đồ thị khái niệm với liên kết đồng tham chiếu .............................................27
2.2.5 Một đồ thị khái niệm bị phủ định .........................................................................28
2.2.6 Các đồ thị khái niệm lồng nhau............................................................................28
2.3.1 Rút trích thơng tin bởi KIM .................................................................................29
2.3.2 Kiến trúc tổng quát của KIM ...............................................................................31
2.3.3 Một mẫu truy vấn cố định của KIM .....................................................................32
2.4.1 Kiến trúc của VN-KIM ........................................................................................33
2.4.2 Thành phần rút trích thơng tin của VN-KIM .......................................................35
2.4.3 Truy hồi thông tin trong VN-KIM .......................................................................36
3.2.1 Sơ đồ phân cấp lớp thực thể về tổ chức ...............................................................43
3.2.2 Sơ đồ phân cấp lớp thực thể về tổ chức nhà nước................................................44
3.2.3 Sơ đồ phân cấp lớp thực thể về tổ chức giáo dục và đào tạo ...............................44
3.2.4 Sơ đồ phân cấp lớp thực thể về tổ chức thương mại ............................................45
3.2.5 Sơ đồ phân cấp quản lý của các đơn vị hành chính ở Việt Nam ..........................46
3.2.6 Sơ đồ phân cấp lớp thực thể về đơn vị hành chính ..............................................46
3.2.7 Sơ đồ phân cấp lớp thực thể về điểm đặc biệt ......................................................48
4.1.1 Một trang Web với các khối văn bản tin tức ........................................................60
4.1.2 Vị trí các khối văn bản tin tức trong tập tin HTML .............................................60
4.1.3 Hai trang Web có cùng khung mẫu ......................................................................62
4.2.1 Phân đoạn từ trong VN-KIM ...............................................................................66
4.2.2 Ví dụ về một đồ thị trạng thái trong phân đoạn từ ...............................................67
4.2.3 Ví dụ về các luật nhận diện ngày tháng ...............................................................68
4.2.4 Mơ hình kết hợp luật và xác suất để gán nhãn từ loại ..........................................70
4.3.1 Sơ đồ các bước chú thích ngữ nghĩa trong VN-KIM ...........................................72
4.3.2 Các bước xử lý chi tiết của so trùng mẫu trong VN-KIM IE ...............................75

vii


4.3.3. Một luật loại bỏ chú thích sai cho chuỗi có viết hoa chữ đầu ..............................75

4.3.4 Hai luật nhận diện các tên thực thể phủ lấp nhau.................................................76
4.3.5 Một luật nhận diện thực thể dựa trên ngữ liệu .....................................................77
4.3.6 Một luật nhận diện thực thể dựa trên ngữ cảnh ....................................................77
4.3.7 Một luật giải quyết các chú thích gây mâu thuẫn.................................................78
4.3.8 Một luật sinh ra chú thích cuối cùng ....................................................................78
4.4.1 Kết hợp phân giải đồng tham chiếu và mập mờ trong VN-KIM IE ....................81
4.4.2 Hàm kiểm tra sự đồng tham chiếu trong VN-KIM IE .........................................84
4.4.3 Giải thuật loại bỏ nhập nhằng dựa vào mối quan hệ giữa các thực thể................86
4.4.4 Các bước loại bỏ mập mờ dựa trên sự đồng tham chiếu ......................................87
5.1.1 Một đồ thị khái niệm truy vấn ..............................................................................90
5.1.2 Giải thuật dịch đồ thị khái niệm truy vấn sang SeRQL .......................................91
5.1.3 Soạn thảo một đồ thị khái niệm truy vấn .............................................................92
5.1.4 Các phát biểu SeRQL tương đương và kết quả trả về ..........................................93
5.2.1 Độ bao phủ so với độ tương tự .............................................................................98
5.3.1 Một đồ thị khái niệm truy vấn và sự tổng qt hố của nó ................................102
5.3.2 Giải thuật tổng quát hoá và dịch đồ thị khái niệm truy vấn sang SeRQL ..........103
5.3.3 Một đồ thị trả lời gần đúng.................................................................................104
5.3.4 Một ví dụ khác về đồ thị truy vấn và trả lời .......................................................104
5.3.5 Đồ thị khái niệm truy vấn và tìm kiếm gần đúng ...............................................105
5.3.6 Đồ thị khái niệm truy vấn và tìm kiếm chính xác ..............................................105
5.4.1 Kiến trúc của HTTPLuceneServer .....................................................................106
5.4.2 Cấu trúc XML của kết quả trả về .......................................................................108
6.1.1 Kiến trúc của hệ thống máy chủ xử lý song song SWG cho VN-KIM ..............112
6.1.2 Đoạn mã bằng Java khai báo một lớp trong VOIService ...................................114
6.1.3 Mơ hình hoạt động của các dịch vụ và nhóm máy chủ của VN-KIM................115
6.2.1 Quá trình tiếp nhận và xử lý yêu cầu chú thích ..................................................116
6.2.2 Các bước của dịch vụ chú thích ngữ nghĩa ........................................................117
6.2.3 Điều khiển các module thực hiện quá trình chú thích ........................................118
6.3.1 Q trình tiếp nhận và xử lý yêu cầu truy hồi tri thức .......................................120
6.3.2 Giải thuật phân tải truy vấn cơ sở tri thức ..........................................................120

6.3.3 Quá trình tiếp nhận và xử lý yêu cầu truy hồi tài liệu ........................................121

viii


6.4.1 Đáp ứng thời gian của Server chú thích .............................................................122
6.4.2 Đáp ứng thời gian của Sesame Server................................................................124
6.4.3 Đáp ứng thời gian của Lucene Server ................................................................125
7.1.1 Giao diện soạn thảo lớp của VN-KIM Ontology Builder ..................................129
7.1.2 Giao diện soạn thảo thuộc tính của VN-KIM Ontology Builder .......................129
7.1.3 Giao diện chính của VN-KIM KB Access .........................................................130
7.1.4 Giao diện chính của VN-KIM KB Project .........................................................131
7.1.5 Giao diện tạo Project mới của VN-KIM KB Project .........................................132
7.2.1 Soạn thảo các nút khái niệm trong VN-KIM QER ............................................133
7.2.2 Ràng buộc các thuộc tính thực thể trong VN-KIM QER ...................................134
7.2.3 Soạn thảo các nút quan hệ trong VN-KIM QER................................................135
7.2.4 Hoàn tất một đồ thị truy vấn với VN-KIM QER ...............................................135
7.2.5 Tìm kiếm chính xác trong VN-KIM QER .........................................................136
7.2.6 Tìm kiếm gần đúng trong VN-KIM QER ..........................................................137
7.2.7 Truy vấn bằng SeRQL trong VN-KIM QER .....................................................138
7.2.8 Truy vấn bằng mẫu cố định trong VN-KIM QER .............................................139
7.2.9 Tìm kiếm tài liệu trong VN-KIM QER ..............................................................140
7.2.10 Chọn các thực thể để tìm tài liệu ........................................................................140
7.2.11 Các tài liệu trả về từ VN-KIM QER .................................................................141
7.3.1 VN-KIM Plug-in và một trang Web sau khi được chú giải ...............................142
7.3.2 Duyệt các thực thể đã được nhận diện với VN-KIM Plug-in ............................142
7.3.3 Tìm kiếm thực thể và tài liệu với VN-KIM Plug-in...........................................143

ix

Danh mục bảng
1.1.1 Thơng tin tóm tắt về đề tài .....................................................................................1
1.1.2 Danh sách các thành viên chính của đề tài .............................................................2
1.1.3 Danh sách các thành viên tham gia thực hiện đề tài ..............................................3
1.3.1 Danh mục các sản phẩm khoa học công nghệ của đề tài .......................................7
3.3.1 Nguồn tài liệu tham khảo cho từng miền thực thể trong cơ sở tri thức................51
3.3.2 Thống kê số lượng các thực thể thuộc ba lớp cấp trên .........................................54
3.3.3 Thống kê số lượng ngữ liệu tương ứng với ba lớp cấp trên .................................54
3.3.4 Thống kê số lượng thực thể thuộc các lớp chính .................................................54
4.1.1 Tốc độ thực thi của module chuyển mã tiếng Việt ..............................................59
4.1.2 Kết quả thử nghiệm giải thuật nhận dạng khối văn bản tin tức ...........................64
4.2.1 Kết quả của phương pháp xác suất và phương pháp kết hợp ...............................70
4.3.1 Số liệu thử nghiệm trên ba lớp cơ sở....................................................................80
4.3.2 Số liệu thử nghiệm trên mười lớp chi tiết ............................................................80
4.3.3 Số liệu thử nghiệm ở công ty VYC và báo Người lao động ................................80
5.4.1 Các URL để kết nối đến HTTPLuceneServer ....................................................108
6.4.1 Độ giảm thời gian hồn thành chú thích ............................................................123
6.4.2 Độ giảm thời gian hoàn thành truy hồi thực thể.................................................124
6.4.3 Độ giảm thời gian hoàn thành truy hồi tài liệu ..................................................125
8.1.1 Các phần mềm chủ yếu của đề tài ......................................................................146
8.1.2 Các bài báo khoa học liên quan đến đề tài .........................................................149
8.1.3 Các sinh viên và luận án tốt nghiệp liên quan đến đề tài ...................................150

x


Chương 1
Giới thiệu

1.1 Thơng tin tóm tắt về đề tài
Bảng 1.1.1 tóm lược các thơng tin cơ bản về đề tài. Bảng 1.1.2 là danh sách các thành viên
chính của đề tài và nhóm cơng việc đảm trách. Bảng 1.1.3 là danh sách các thành viên còn
lại đã tham gia trong q trình thực hiện đề tài.
Bảng 1.1.1 Các thơng tin cơ bản về đề tài
1. Tên đề tài
NGHIÊN CỨU PHÁT TRIỂN CÁC KỸ
THUẬT XÂY DỰNG VÀ KHAI THÁC
THÔNG TIN WEB CÓ NGỮ NGHĨA
(SEMANTIC WEB)

2. Mã số

3. Thời gian thực hiện
Từ tháng 01/2004 đến tháng 04/2006

4. Cấp quản lý
Nhà nước
Bộ
Cơ sở
Tỉnh

5.

KC.01.21

Kinh phí
2.044 triệu đồng
Trong đó, từ Ngân sách SNKH: 1.600 triệu đồng
(Thuê khoán: 745tr., nguyên vật liệu: 81tr., thiết bị: 1.054tr., chi khác: 164tr.)

1


6. Thuộc Chương trình
NGHIÊN CỨU KHOA HỌC VÀ PHÁT TRIỂN CÔNG NGHỆ THÔNG TIN VÀ
TRUYỀN THÔNG
7

Chủ nhiệm đề tài

Họ và tên:

Cao Hồng Trụ

Học hàm/học vị:

Phó Giáo sư, Tiến sỹ

Điện thoại: 84-8-8647256 (5848)
E-mail:

Fax: 84-8-8645137

Địa chỉ: Khoa Công nghệ Thông tin, Trường Đại học Bách Khoa,
Đại học Quốc gia TP.HCM, 268 Lý Thường Kiệt, Quận 10, TP.HCM
8

Cơ quan chủ trì đề tài

Tên tổ chức KH&CN: Trường Đại học Bách Khoa, Đại học Quốc gia TP.HCM
Điện thoại: 84-8-8647256

Fax: 84-8-8653823

E-mail:
Địa chỉ: 268 Lý Thường Kiệt, Quận 10, TP.HCM

Bảng 1.1.2 Danh sách các thành viên chính của đề tài
TT
1

Họ và tên
PGS.TS. Cao Hồng Trụ
(Chủ nhiệm đề tài)

Cơ quan công tác

Công việc đảm trách

Khoa Cơng nghệ Thơng tin,
ĐH Bách Khoa, ĐHQG HCM

Rút trích và truy hồi
thông tin

2

PGS.TS. Phan Thị Tươi

Khoa Công nghệ Thông tin,
ĐH Bách Khoa, ĐHQG HCM

Xử lý ngôn ngữ trên trang
Web tiếng Việt

3

TS. Nguyễn Thanh Sơn

Khoa Công nghệ Thông tin,
ĐH Bách Khoa, ĐHQG HCM

4

TS. Thoại Nam

Khoa Công nghệ Thông tin,
ĐH Bách Khoa, ĐHQG HCM

Xây dựng mơ hình, giải
thuật, và hệ thống máy
chủ xử lý song song các
u cầu

5

PGS.TSKH. Bùi Cơng Cường

Viện Tốn học, Hà Nội

6

TS. Trần Văn Lăng

PV Công nghệ Thông tin HCM

7

ThS. Trần Ngọc Tuấn

PV NC ĐT-TH-TĐH HCM

8

ThS. Nguyễn Hoà

Đại học Mở TP.HCM

9

Ơ. Thẩm Tun

Báo NLĐ, Vietnam Net

10

Ơ. Lê Hồng Phong

Cơng ty Du lịch VYC

2

Xử lý truy vấn mờ và
song song
Xây dựng Ontology và cơ
sở tri thức
Sử dụng thử và đánh giá
hiệu quả của hệ thống


Bảng 1.1.3 Danh sách các thành viên tham gia thực hiện đề tài
TT

Họ và tên

Nơi học tập/làm việc

1

ThS. Nguyễn Thị Trúc Viên

Khoa Công nghệ Thông tin, ĐH Bách Khoa, ĐHQG HCM

2

ThS. Huỳnh Tấn Đạt

Khoa Công nghệ Thông tin, ĐH Bách Khoa, ĐHQG HCM

3

ThS. Nguyễn Quang Hùng

Khoa Công nghệ Thông tin, ĐH Bách Khoa, ĐHQG HCM

4

KS. Huỳnh Ngọc Tuyên

NCS, Khoa Khoa học Máy tính, ĐH Texas - Austin

5

KS. Vũ Quang Duy

NCS, Khoa Khoa học Máy tính, ĐH Texas - Austin

6

KS. Nguyễn Quang Châu

Khoa Công nghệ Thông tin, ĐH Công nghiệp HCM

7

ThS. Lê Phú

8

ThS. Nguyễn Thanh Hiên

9

ThS. Nguyễn Thanh Phong

10

KS. Đỗ Thanh Hải

SV Cao học, ĐH La Trobe

11

KS. Phạm Trần Ngọc Bảo

Công ty PSV

12

KS. Nguyễn Đăng Nhân

PV Công nghệ Thông tin HCM

13

KS. Huỳnh Hữu Việt

PV Cơng nghệ Thơng tin HCM

14

KS. Phạm Hồi An

Công ty PSV

15

KS. Nguyễn Thị Tú Anh

16

KS. Tạ Quốc Hưng

Công ty ELCA

17

KS. Nguyễn Hồi Lê

Cơng ty IITS

18

KS. Hà Thúc Việt

Khoa Công nghệ Thông tin, ĐH Bách Khoa, ĐHQG HCM

19

KS. Nguyễn Văn Quang Ánh

Công ty Renesas

20

KS. Cao Đức Nguyên

Khoa Công nghệ Thông tin, ĐH Quốc tế, ĐHQG HCM

21

KS. Trần Anh Dũng

SV Cao học, Trường Kỹ thuật Máy tính, ĐHCN Nanyang

22

KS. Tạ Thị Hồng Mai

Viện Mơi trường và Tài ngun, ĐHQG TP.HCM

23

KS. Lương Quang Tùng

Công ty TMA

24

ThS. Quản Thành Thơ

NCS, Trường Kỹ thuật Máy tính, ĐH Cơng nghệ Nanyang

25

ThS. Nguyễn Duy Ngạn

NCS, Trường Kỹ thuật Máy tính, ĐH Cơng nghệ Nanyang

26

ThS. Nguyễn Chánh Thành

NCS, Khoa CNTT, ĐH Bách Khoa, ĐHQG HCM

27

ThS. Nguyễn Chí Hiếu

NCS, Khoa CNTT, ĐH Bách Khoa, ĐHQG HCM

28

Hồng Trung Dũng

SV, Khoa CNTT, ĐH Bách Khoa, ĐHQG HCM

29

Ma Nam

SV, Khoa CNTT, ĐH Bách Khoa, ĐHQG HCM

30

Nguyễn Thị Bảo Ngọc

SV, Khoa CNTT, ĐH Bách Khoa, ĐHQG HCM

31

Nguyễn Đình Long Vân

SV, Khoa CNTT, ĐH Bách Khoa, ĐHQG HCM

32

Trần Thế Trọng Tuệ

SV, Khoa CNTT, ĐH Bách Khoa, ĐHQG HCM

33

Võ Đình Quang

SV, Khoa CNTT, ĐH Bách Khoa, ĐHQG HCM

Khoa Công nghệ Thông tin, ĐH Công nghiệp HCM

3


1.2 Động cơ thực hiện đề tài
Như chúng ta đã thấy, World Wide Web (gọi tắt là Web) đã trở thành một kho tàng thông
tin khổng lồ của nhân loại và một môi trường chuyển tải thông tin không thể thiếu được
trong thời đại công nghệ thông tin ngày nay. Sự phổ biến và bùng nổ thông tin trên Web
cũng đặt ra một thách thức mới là làm thế nào để khai thác được thông tin trên Web một
cách hiệu quả, mà cụ thể là làm sao để máy tính có thể trợ giúp xử lý tự động được chúng.
Muốn vậy, trước hết máy tính phải hiểu được thơng tin trên các tài liệu Web, trong khi ở
thế hệ Web hiện tại thông tin được biểu diễn dưới dạng văn bản thô mà chỉ con người mới
đọc hiểu được.
Điều này đã thúc đẩy sự ra đời của ý tưởng Web có ngữ nghĩa (Semantic Web), một
thế hệ mới của Web, mà lộ trình phát triển của nó đã được Tim Berners-Lee, cha đẻ của
Web, phác thảo ra từ năm 1998 ([6], [7]). Web có ngữ nghĩa là sự mở rộng của Web hiện
tại mà trong đó thơng tin được định nghĩa rõ ràng sao cho con người và máy tính có thể
cùng làm việc với nhau một cách hiệu quả hơn. Mục tiêu của Web có ngữ nghĩa là để phát
triển các chuẩn chung và công nghệ cho phép máy tính có thể hiểu được nhiều hơn thơng
tin trên Web, sao cho chúng có thể hỗ trợ tốt hơn việc khám phá thơng tin, tích hợp dữ liệu,
và tự động hóa các cơng việc.
Để thúc đẩy các hoạt động và tạo điều kiện cho các nhà nghiên cứu gặp gỡ, trao đổi
kinh nghiệm, và hợp tác trong việc giải quyết các vấn đề nói trên, cộng đồng Web có ngữ
nghĩa trên thế giới đã tiến hành tổ chức thường niên các hội thảo và hội nghị quốc tế về
Web có ngữ nghĩa. Hội thảo quốc tế lần đầu tiên được tổ chức tại Trường Đại học
Stanford, Mỹ, từ ngày 30/7 đến ngày 01/8/2001. Tiếp sau đó, hội nghị quốc tế lần thứ nhất
được tổ chức ở Sardinia, Ý, từ ngày 09 đến ngày 12/6/2002. Từ đó đến nay, số báo cáo
chọn lọc có chất lượng cao ngày càng tăng ở các hội nghị tiếp theo.
Cũng như trên thế giới, Internet và Web đã trở nên rất phổ biến và được ứng dụng
rộng rãi ở Việt Nam. Ở mức đơn giản các trang Web tĩnh và động được sử dụng để giới
thiệu, quảng cáo, hay đăng tin tức về một tổ chức, một công ty, hay một trường đại học.

Web cũng đã được sử dụng như một môi trường và phương tiện để đặt hàng, đăng ký mua
vé, tra cứu sách thư viện, hay đào tạo từ xa. Nhận thấy tìm kiếm thông tin là một nhu cầu
quan trọng và rất lớn trong môi trường làm việc với Web, một số công ty ở Việt Nam

4


cũng đã nghiên cứu phát triển các động cơ tìm kiếm các tài liệu Web tiếng Việt, như
NETNAM hay VINASEEK. Trong các trường đại học, nhiều đề tài tốt nghiệp của sinh
viên cũng đã được thực hiện về vấn đề phát triển các hệ thông hỗ trợ các dịch vụ khách
sạn, du lịch, đại lý bán vé, thương mại điện tử, quản lý đào tạo, ...
Tuy nhiên, tất cả các ứng dụng và nghiên cứu nói trên đều ở thế hệ Web hiện tại, tức
là chưa có ngữ nghĩa. Cần phân biệt rõ là, mặc dù các động cơ tìm kiếm hiện nay có đề cập
và xử lý sự tương tự về các từ khố tìm kiếm, đó chỉ là một phần ngữ nghĩa ở mức từ vựng,
chứ chưa ở mức thực thể và luận lý như ở Web có ngữ nghĩa ([17], [18]). Như đã trình bày
ở trên, hướng phát triển này chỉ mới bắt đầu trên thế giới gần đây, nên cũng không ngạc
nhiên khi khái niệm Web có ngữ nghĩa cịn chưa được biết đến một cách rộng rãi ở Việt
Nam.
Khảo sát trên cho thấy Web có ngữ nghĩa đang là một chủ đề nghiên cứu nóng bỏng
trên thế giới, và là một xu thế tất yếu để con người có thể quản lý và khai thác được một
cách hiệu quả kho tàng thông tin khổng lồ và không ngừng phát triển trên Web. Hướng đi
này cũng chỉ mới được mở ra với rất nhiều vấn đề cịn chưa có lời giải và cần được nghiên
cứu. Đây là một thách thức và cũng là một cơ hội để các nhà khoa học ở Việt Nam có thể
tham gia nghiên cứu tạo ra những đột phá về lý thuyết và cơng nghệ, vừa đóng góp vào
thành quả chung của thế giới, vừa có thể ứng dụng để phát triển Web ở Việt Nam mà
không phải nhập khẩu tất cả các cơng nghệ từ nước ngồi.
Đề tài này được đề xuất thực hiện trong bối cảnh nói trên. Một mặt, đề tài nhằm để
xây dựng một cơ sở hạ tầng cho Web Việt có ngữ nghĩa, bao gồm một cơ sở tri thức và các
công cụ phần mềm cơ bản nhất. Mặt khác, đề tài cũng muốn tạo ra một sản phẩm có ứng
dụng thực tiễn trên Web tiếng Việt, để cho thấy ý nghĩa và thúc đẩy việc nghiên cứu và

phát triển Web có ngữ nghĩa ở Việt Nam.

1.3 Phạm vi và mục tiêu của đề tài
Đề tài có các mục tiêu chính sau đây:
1. Tiếp cận lý thuyết và ứng dụng kết quả đã có về Web có ngữ nghĩa. Nghiên cứu
mở rộng chúng cho tiếng Việt và cải tiến chúng để tăng hiệu quả sử dụng.

5


2. Phát triển các giải pháp kỹ thuật hỗ trợ xây dựng và khai thác Web có ngữ nghĩa,
để xây dựng một cơ sở tri thức về các thực thể có tên (con người, tổ chức, nơi
chốn, ...) quan trọng nhất ở Việt Nam, và một hệ thống chú thích ngữ nghĩa tự
động các tài liệu Web tiếng Việt.
3. Phát triển và ứng dụng các dịch vụ dựa trên nền Web có ngữ nghĩa, cho phép
người sử dụng đăng tải và khai thác thông tin trên cơ sở tri thức đã xây dựng và
các tài liệu Web đã được chú thích ngữ nghĩa.
Để đạt được các mục tiêu nói trên của đề tài, các nội dung cần nghiên cứu là:
1. Xây dựng Ontology và cơ sở tri thức cho các thực thể có tên thường được đề cập
đến trong các tin tức ở Việt Nam, bao gồm các nhân vật, thành phố, công ty, tổ
chức, ...:
- Tham khảo Ontology của các cơ sở tri thức tương tự hoặc liên quan đã có để
thiết kế và xây dựng Ontology cho đề tài.
- Nghiên cứu và mở rộng các phần mềm mã nguồn mở đã có để lưu trữ và quản
trị Ontology và cơ sở tri thức.
- Thu thập thông tin, thiết kế và xây dựng cơ sở tri thức về các thực thể có tên ở
Việt Nam.
2. Hiện thực động cơ rút trích thơng tin và chú thích ngữ nghĩa cho các thực thể có
tên trong các tài liệu Web tiếng Việt:
- Nghiên cứu và mở rộng các phần mềm mã nguồn mở đã có về xử lý ngơn ngữ

tự nhiên và rút trích thơng tin cho tiếng Việt và cơ sở tri thức của đề tài.
- Hiện thực động cơ rút trích thơng tin và chú thích ngữ nghĩa.
3. Xử lý các truy vấn gần đúng và nâng cao tốc độ truy hồi thông tin:
- Nghiên cứu và ứng dụng các lý thuyết xác suất và mờ để trả lời gần đúng các
truy vấn.
- Nghiên cứu và ứng dụng tính tốn song song để nâng cao tốc độ truy hồi
thơng tin.
- Hiện thực động cơ trả lời truy vấn.
4. Phát triển các ứng dụng và giao diện đồ hoạ cho phép chú thích tự động ngữ nghĩa
của các thực thể có tên trong các tài liệu Web tiếng Việt, và truy vấn cơ sở tri thức
và kho tài liệu Web có ngữ nghĩa:

6


- Phát triển ứng dụng và giao diện đồ hoạ chú thích tự động ngữ nghĩa.
- Phát triển ứng dụng và giao diện đồ hoạ truy hồi thông tin.
- Tạo cơ chế cho người sử dụng truy cập và sử dụng hệ thống từ xa.
Với thời gian và kinh phí cho phép, đề tài đặt ra các giới hạn sau:
1. Cơ sở tri thức chỉ bao gồm các thực thể thuộc các miền phổ biến nhất trên các
trang Web tiếng Việt, với số lượng vào khoảng 60.000 thực thể.
2. Chỉ rút trích thơng tin ở mức độ lớp của thực thể có tên, và độ chính xác và độ
đầy đủ vào khoảng 80% như các hệ thống tương tự trên thế giới dùng cho tiếng
Anh.
3. Hệ thống máy chủ đủ để trình diễn các ứng dụng của đề tài, nhưng được thiết kế
để mở rộng được với nhiều máy chủ hơn cho một hệ thống Web có ngữ nghĩa
tiếng Việt phục vụ nhiều người sử dụng thật sự.
Bảng 1.3.1 trình bày các sản phẩm khoa học công nghệ cùng các chỉ tiêu kinh tế kỹ thuật
mà đề tài đăng ký thực hiện.
Bảng 1.3.1 Danh mục các sản phẩm khoa học công nghệ của đề tài

TT

Tên sản phẩm

Chỉ tiêu kinh tế kỹ thuật

1

Ontology và cơ sở tri thức về các thực thể có tên ở Việt
Nam, kèm theo phần mềm cơng cụ xây dựng Ontology
và cơ sở tri thức

~ 200 lớp thực thể
~ 80 tính chất
~ 60.000 thực thể

2

Phần mềm cơng cụ rút trích thơng tin và chú thích ngữ
nghĩa cho các thực thể có tên trong các tài liệu Web tiếng
Việt mã Unicode

~ 80% độ chính xác và độ đầy đủ

3

Phần mềm công cụ so trùng song song và bán phần các
cấu trúc khái niệm biểu diễn dưới dạng RDF

- Song song trên 4 máy chủ

- Trả về độ so trùng ∈ [0,1]

4

Phần mềm ứng dụng với giao diện đồ họa chú thích tự
động ngữ nghĩa của các thực thể có tên, và trả lời các truy
vấn trên cơ sở tri thức và kho tài liệu Web có ngữ nghĩa

- Plug-in chú thích ngữ nghĩa
- Giao diện truy vấn và trả lời

5

Hệ thống Supernode với 4 máy chủ theo kiến trúc đa xử
lý đối xứng, với tốc độ của mỗi máy ~5,6GHz

Chức năng:
- Máy chủ Web
- Máy chủ cơ sở dữ liệu
- So trùng song song

7


1.4 Cấu trúc quyển báo cáo
Sau Chương 1, các chương tiếp theo của quyển báo cáo này sẽ trình bày chi tiết các ý
tưởng và giải pháp để đạt được các mục tiêu nói trên của đề tài. Các chương được tổ chức
như sau.
Chương 2 trình bày các nghiên cứu liên quan và kiến trúc hệ thống VN-KIM của đề
tài. Mục 2.1 giới thiệu về Web có ngữ nghĩa và cho thấy vị trí của đề tài đối với các hướng

phát triển hiện nay trong lĩnh vực này. Mục 2.2 tóm tắt các cơng nghệ liên quan, bao gồm
các phần mềm mã nguồn mở mà đề tài kế thừa và phát triển. Mục 2.3 trình bày hệ thống
KIM, một ứng dụng quan trọng cho Web có ngữ nghĩa tiếng Anh, với các chức năng
tương tự với hệ thống mà đề tài xây dựng. Mục 2.4 mô tả kiến trúc hệ thống của đề tài
cùng các thành phần chính yếu trong đó.
Chương 3 trình bày việc xây dựng Ontology và cơ sở tri thức của VN-KIM. Mục
3.1 phân tích các đặc tính của Ontology và cơ sở tri thức của hệ thống KIM mà đề tài tham
khảo. Mục 3.2 trình bày việc thiết kế chi tiết các lớp trong Ontology của VN-KIM. Mục
3.3 mơ tả các phương thức và q trình thu thập tri thức. Mục 3.4 đề cập đến vấn đề các
tên khác nhau của cùng một thực thể, và việc thu thập và chuẩn hố các bí danh này. Nội
dung của chương này là sự bổ sung và cập nhật của [16].
Chương 4 trình bày việc rút trích và chú thích lớp của các thực thể có tên trong
VN-KIM. Mục 4.1 giải quyết vấn đề nhận dạng mã kí tự và các khối văn bản tin trên các
trang Web tiếng Việt. Mục 4.2 trình bày bước gán nhãn từ loại và nhận dạng tên riêng
trong q trình rút trích thông tin. Mục 4.3 thiết kế và hiện thực các luật và giải thuật nhận
dạng thực thể. Mục 4.4 bàn về vấn đề đồng tham chiếu và mập mờ thực thể của các tên
thực thể. Chương này dựa trên các kết quả của [77], [78], [98], [99], [102], [105], và
[109].
Chương 5 trình bày việc truy vấn cơ sở tri thức và kho các trang Web đã chú thích
trong VN-KIM. Mục 5.1 mô tả các ngôn ngữ và phương thức để truy vấn cơ sở tri thức.
Mục 5.2 định nghĩa các độ đo so trùng gần đúng các đồ thị tri thức, bao gồm độ tương tự
và độ bao phủ. Mục 5.3 giới thiệu kỹ thuật biến đổi truy vấn để tìm câu trả lời gần đúng
cho truy vấn. Mục 5.4 trình bày việc lưu trữ, lập chỉ mục, và truy hồi các trang Web đã

8


được chú thích theo các thực thể có tên. Nội dung của chương này là sự tổng hợp của [18],
[19], [20], [21], [41], [58] và [97].
Chương 6 trình bày việc xây dựng hệ thống máy chủ và xử lý song song các yêu cầu

cho VN-KIM. Mục 6.1 thiết kế và hiện thực mơ hình xử lý song song các u cầu rút trích
và truy hồi thơng tin. Mục 6.2 phát triển các dịch vụ trên máy chủ để rút trích và chú thích
lớp của các thực thể. Mục 6.3 phát triển các dịch vụ truy vấn cơ sở tri thức và kho các
trang Web có ngữ nghĩa trên máy chủ. Chương này tóm tắt các kết quả đã được trình bày
chi tiết trong [97], [100], [103], và [109].
Chương 7 trình bày việc phát triển các phần mềm công cụ và ứng dụng của
VN-KIM. Mục 7.1 giới thiệu phần mềm công cụ phổ dụng để xây dựng và quản trị cơ sở
tri thức. Mục 7.2 giới thiệu phần mềm ứng dụng trên Windows cho phép truy vấn cơ sở tri
thức bằng đồ thị khái niệm. Mục 7.3 giới thiệu phần mềm Plug-in để nhận dạng thực thể
trên Web tiếng Việt, và truy vấn cơ sở tri thức và kho trang Web đã được chú thích của
VN-KIM. Chương này dựa trên nội dung của [19], [41], [109] và [127].
Chương 8 tổng kết báo cáo. Mục 8.1 tóm tắt các kết quả đã đạt được, bao gồm các
phần mềm, bài báo khoa học, luận án tốt nghiệp Kỹ sư, Thạc sĩ, và Tiến sĩ. Mục 8.2 đề
xuất hướng phát triển tiếp của đề tài trong tương lai.

9


Chơng 2

Tham khảo các nghiên cứu
liên quan và thiết kế
hệ thèng

10


Chương 2
Tham khảo các nghiên cứu liên
quan và thiết kế hệ thống

2.1 Web có ngữ nghĩa
Theo Berners-Lee ([6]), các nguyên lý chính của Web có ngữ nghĩa là:
1. Mọi thứ đều có thể được định danh bởi các danh hiệu tài nguyên phổ dụng
(Universal Resource Identifier – URI):
Các URI bảo đảm rằng mỗi khái niệm không chỉ là các từ trong một tài liệu
mà còn được ràng buộc với một định nghĩa riêng biệt mà ai cũng có thể tìm thấy
trên Web. Các định vị tài nguyên phổ dụng (Universal Resourse Locator – URL)
của Web hiện tại là một trường hợp riêng và phổ biến của URI.
2. Các tài nguyên và mối liên kết có thể có kiểu loại:
Web hiện tại bao gồm các tài nguyên và mối liên kết giữa chúng, tuy nhiên
máy tính khơng hiểu được kiểu loại của các tài nguyên và mối liên kết đó là gì.
Ví dụ, giả sử có một URL của một người liên kết với một URL của một quyển
sách do người đó viết. Tuy nhiên máy tính khơng hiểu được đối tượng của URL
đầu là một “con người”, đối tượng của URL sau là một “quyển sách”, và loại của
mối liên kết là “tác giả của”.
11


3. Chấp nhận thông tin không đầy đủ:
Cũng như Web hiện tại, Web có ngữ nghĩa khơng bị giới hạn, tức là một tài
nguyên có thể liên kết với một tài nguyên bất kỳ khác bất chấp tài nguyên đó cịn
tồn tại hay khơng. Tuy nhiên, trong trường hợp như vậy, khi truy cập đến tài
nguyên được liên kết đó, Web hiện tại sẽ báo lỗi “404 File Not Found”. Ở Web
có ngữ nghĩa, các tính tốn suy luận vẫn được tiến hành để dẫn ra kết luận mặc
dù một số mối liên kết đã bị mất.
4. Không cần sự thật tuyệt đối:
Không phải tất cả mọi thông tin trên Web đều là sự thật, và sự đúng đắn
của chúng được đánh giá bởi từng ứng dụng cụ thể xử lý thơng tin đó. Web có
ngữ nghĩa vì vậy phải có khả năng suy luận với các thơng tin khơng chắc chắn,

khơng chính xác, và có thể mâu thuẫn nữa. Theo Tim Berners-Lee, logic cổ điển
không làm được điều này, mà cần đến logic mờ (Fuzzy Logic) ([140]).
5. Hỗ trợ sự tiến hoá:
Các khái niệm tương tự nhau thường được định nghĩa bởi nhiều nhóm
người khác nhau, ở những nơi khác nhau, hoặc bởi cùng một nhóm người nhưng
ở những thời điểm khác nhau. Web có ngữ nghĩa vì vậy cần cho phép việc mở
rộng và kết hợp các công việc độc lập sử dụng các từ vựng khác nhau, cũng như
việc thêm thông tin mới mà không luôn buộc phải sửa đổi thông tin cũ.
6. Thiết kế tối thiểu:
Để có thể chia sẻ và tích hợp thơng tin, Web có ngữ nghĩa cần có những
ngơn ngữ hay hệ thống được chuẩn hoá. Tuy nhiên các tiêu chuẩn này phải là tối
thiểu để không ràng buộc quá nhiều việc phát triển các ứng dụng trên đó.
Trust
Proof
Logic
Ontology
RDF

Digital
Signature

XML
Unicode

URI

Hình 2.1.1 Các tầng của Web có ngữ nghĩa
12

Các nguyên lý nói trên được hiện thực bằng các tầng của Web có ngữ nghĩa như ở
Hình 2.1.1. Tầng Unicode và URI xác định các kí tự và phương tiện để định danh các đối
tượng. Tầng XML (eXtensible Markup Language) cung cấp một ngôn ngữ chung để biểu
diễn dữ liệu. Tầng RDF (Resource Description Framework) cung cấp một ngôn ngữ
chung để biểu diễn siêu dữ liệu (Metadata), ví dụ như kiểu loại của các tài nguyên và mối
liên kết. Tầng Ontology cung cấp các từ vựng và tiên đề cho các khái niệm và quan hệ
được sử dụng. Tầng logic cho phép biểu diễn các luật. Tầng chứng minh (Proof) cho phép
suy luận trên các luật. Tầng tin tưỏng (Trust) cung cấp các cơ chế để các ứng dụng biết có
thể tin vào một chứng minh cụ thể nào đó khơng. Tầng chữ ký điện tử (Digital Signature)
dùng để phát hiện sự thay đổi trong các tài liệu ở các tầng ngang nó như trên hình vẽ.
Với kiến trúc mô tả ở trên, các hoạt động nghiên cứu về Web có ngữ nghĩa tập trung
vào ba hướng chính sau đây ([70]):
1. Chuẩn hố các ngơn ngữ biểu diễn dữ liệu (XML) và siêu dữ liệu (RDF) trên
Web:
Nhóm làm việc RDFCore, bao gồm các thành viên từ nhiều trường và công
ty khác nhau trên thế giới, của tổ chức World Wide Web Consortium (W3C) chủ
trì cơng việc này. Mục tiêu chính của nhóm là nghiên cứu cải thiện và chuẩn hố
từng thành phần trong các ngơn ngữ XML và RDF, dựa trên các ý kiến phản hồi
từ những người hiện thực. Đến nay, nhóm đã hồn tất các khái niệm RDF và mơ
hình dữ liệu trừu tượng, đặc tả cú pháp RDF/XML, lược đồ RDF, và ngữ nghĩa
RDF.
2. Chuẩn hoá các ngơn ngữ biểu diễn Ontology cho Web có ngữ nghĩa:
Nhóm WebOnt của W3C chủ trì cơng việc này. Mục tiêu của nhóm là dựa
trên và mở rộng các lược đồ RDF để có thể biểu diễn các quan hệ phức tạp hơn
giữa các đối tượng. Dự án DAML+OIL, kết hợp của dự án DAML ở Trường Đại
học Stanford, Mỹ, và dự án OIL của Trường Đại học Vrije, Hà Lan, đã khởi
động cho hướng nghiên cứu này. Nhóm đã hồn tất phiên bản đầu tiên của ngơn
ngữ OWL (Web Ontology Language).

13

3. Phát triển nâng cao Web có ngữ nghĩa (Semantic Web Advanced Development
- SWAD):
Hướng này nhằm để nghiên cứu thực hiện các dự án phát triển thêm các
thành phần cơ sở hạ tầng cho Web có ngữ nghĩa, cụ thể như tạo các công cụ cho
người phát triển hệ thống, rút trích thơng tin và chú thích ngữ nghĩa một cách tự
động, suy diễn và chứng minh luận lý, tích hợp Ontology và chia sẻ thông tin, ...
Hiện tại hai dự án SWAD tiêu biểu có quy mơ lớn và mang tính dài hạn là
SWAD-Europe và SWAD Oxygen. SWAD-Europe bao gồm 15 gói cơng việc
khác nhau nghiên cứu những vấn đề như các dịch vụ Web có ngữ nghĩa, tích hợp
thông tin với công nghệ XML, các hệ thống tin tưởng phân bố, ... Trong khi đó
SWAD Oxygen ở Viện Công nghệ Massachusetts, Mỹ, đang nghiên cứu kết hợp
các công nghệ khác nhau về xử lý tiếng nói, hình ảnh, chú thích ngữ nghĩa, ... để
tạo ra một mơi trường hợp tác tốt hơn giữa người và máy.
Trong ba hướng nghiên cứu chính nói trên, chúng tơi nghĩ rằng hướng thứ ba là
hướng thích hợp với hồn cảnh và điều kiện của Việt Nam, vì theo hai hướng đầu chúng
ta khó có thể cạnh tranh được với các nhóm nghiên cứu lớn và uy tín cao trên thế giới
trong việc đề nghị các ngôn ngữ chuẩn. Hơn nữa, theo hướng thứ ba chúng ta có thể phát
triển sớm được các ứng dụng thực tiễn của Web có ngữ nghĩa ở Việt Nam.
Trong hướng thứ ba về SWAD nói trên, một vấn đề được các nhà khoa học quan
tâm nhất và cũng là nền tảng nhất của Web có ngữ nghĩa là làm thế nào để nhúng ngữ
nghĩa vào các tài liệu Web, mà hiện nay được viết bằng ngôn ngữ tự nhiên và chỉ có con
người mới đọc hiểu được. Hơn nữa việc nhúng ngữ nghĩa này phải được thực hiện một
cách tự động để có thể chuyển đổi hàng tỷ các tài liệu Web đã có sẵn sang các tài liệu
tương ứng cho Web có ngữ nghĩa ([42], [111]). Muốn vậy, vấn đề đầu tiên cần giải quyết
là rút trích tự động ngữ nghĩa của mỗi tài liệu Web rồi chú thích lại ngữ nghĩa này vào tài
liệu đó. Về vấn đề này hiện tại có hai cách tiếp cận chính tuỳ theo cấp độ ngữ nghĩa muốn
đạt đến. Cách thứ nhất là rút trích và chú thích ngữ nghĩa đầy đủ cho mỗi tài liệu Web, bao
gồm các thực thể và quan hệ giữa chúng được đề cập trong tài liệu. Cách thứ hai là chỉ rút

trích và chú thích ngữ nghĩa cho các thực thể có tên (Named Entity) trong tài liệu ([27],
[32]).

14


Một ví dụ về cách thứ nhất là thơng tin “Ngày 21-8, Hội chợ việc làm TPHCM năm
2003 do Sở Lao động - Thương binh - Xã hội và Báo Người Lao động phối hợp tổ chức đã
chính thức khai mạc tại Cung văn hóa Lao động” (Báo điện tử Người Lao động, ngày
22/8/2003) có thể được biểu diễn bằng một đồ thị khái niệm (Conceptual Graph) như
trong Hình 2.1.2, hoặc ở dạng tương đương bằng văn bản RDF. Các dự án như S-CREAM
([52]) và MnM ([131]) nghiên cứu theo hướng này, sử dụng rất nhiều các kỹ thuật học
máy (Machine Learning) để rút trích các quan hệ giữa các thực thể, tuy nhiên chỉ làm
được một cách bán tự động. Trong [142], các tác giả đề xuất một phương pháp học hoàn
toàn tự động, sử dụng văn phạm liên kết (Link Grammar) và chuyển đổi các câu ở văn
phạm này sang đồ thị RDF hoặc đồ thị khái niệm, nhưng độ chính xác đạt được chỉ
khoảng 60% và chỉ áp dụng cho một miền hẹp cụ thể.

HỘI-CHỢ: Việc làm TP.HCM

NƠI-CHỐN

CUNG-VĂN-HỐ: Lao động

THỜI-GIAN

NGÀY: 21/8/2003

NHÀ-TỔ-CHỨC

TỔ CHỨC: {Sở LĐ-TB-XH, Báo NLĐ}

Hình 2.1.2 Biểu diễn ngữ nghĩa bằng đồ thị khái niệm
Ngữ nghĩa của các thực thể có tên tuy chỉ là một phần ngữ nghĩa của tồn bộ tài liệu,
nhưng nếu có thể rút trích và chú thích chúng một cách tự động với độ chính xác tương
đối cao thì cũng đã có ý nghĩa thực tiễn lớn. Một ứng dụng rất rõ ràng là trong việc đọc tin
tức trên Web. Hiện tại các tin tức trên Web cũng chỉ mới ở dạng văn bản thông thường để
con người đọc, và nhiều khi người đọc gặp phải các thực thể có tên, như “Cung văn hóa
Lao động” trong ví dụ trên, nhưng khơng biết rõ nó ở đâu, hay các thơng tin liên quan đến
nó như thế nào. Một ví dụ khác là các quảng cáo của các công ty du lịch thường có nhiều
thực thể có tên như địa danh, thắng cảnh, nhân vật mà người đọc rất quan tâm và muốn
biết thêm chi tiết. Nếu có một hệ thống có khả năng rút trích và chú thích ngữ nghĩa tự
động cho các thực thể có tên trong những bản tin như vậy, thì bản tin sẽ chuyển tải được
nhiều thơng tin đến người đọc hơn.

15


Các tài liệu Web có chú thích ngữ nghĩa cho các thực thể có tên cũng sẽ giúp cho
việc tìm kiếm và khai thác thơng tin trên đó được chính xác và hiệu quả hơn. Ví dụ một
truy vấn về thành phố Sài Gòn sẽ được trả về các tài liệu đề cập đến TP.HCM hoặc “Sài
Gòn” như một thành phố, chứ không phải các tài liệu chứa từ “Sài Gịn” như trong “Đội
bóng Cảng Sài Gịn”, “Xí nghiệp may Sài Gịn”, hay “Cơng ty Saigon Tourist”. So sánh
với các động cơ tìm kiếm (Search Engine) trên các tài liệu Web chỉ là các văn bản thô như
Google hiện nay, kết quả trả về là tất cả các tài liệu Web có chứa các từ là, hoặc tương tự
với, các từ khoá trong truy vấn, mà rất nhiều trong số đó khơng phải là tài liệu mà người
tìm kiếm cần. Một ví dụ khác là, với một cơ sở tri thức cụ thể và các tài liệu có chú thích
ngữ nghĩa, người sử dụng có thể đặt ra một truy vấn phức tạp như “Tìm các trang Web nói
về các hội chợ diễn ra tại TP.HCM trong năm 2003”, mà các động cơ tìm kiếm hiện nay
chưa hỗ trợ được.

Việc xác định ngữ nghĩa cho các thực thể có tên là không đơn giản và không thể chỉ
dựa vào các từ điển. Ví dụ để xác định xem thực thể mà từ “Sài Gòn” trong một tài liệu ám
chỉ đến là một thành phố hay là một đối tượng loại nào khác, cần phải biết được ngữ cảnh
nơi từ đó xuất hiện. Một ví dụ khác về sự mập mờ ngữ nghĩa khi nhận dạng thực thể là
trong một tài liệu có xuất hiện tên của một cơng ty và tên của một con đường và, ở thành
phố Hồ Chí Minh chẳng hạn, có hai con đường có cùng tên gọi. Khi đó, để xác định đó là
con đường nào, hệ thống phải dựa vào một cơ sở tri thức để xem cơng ty này có quan hệ
với con đường nào thì sẽ liên kết ngữ nghĩa tên con đường trong tài liệu với con đường đó.
Vì vậy một hệ thống chú thích ngữ nghĩa cho các thực thể có tên cần có các thành
phần cơ bản sau:
1. Ontology: định nghĩa các lớp thực thể, bao gồm sự phân loại của các khái niệm
thực thể và quan hệ giữa chúng.
2. Các danh hiệu thực thể: phân biệt các thực thể với nhau và được liên kết với các
mô tả ngữ nghĩa của chúng.
3. Cơ sở tri thức: mô tả các thơng tin cụ thể về các thực thể.
Q trình chú thích ngữ nghĩa cho một tài liệu trước hết dựa trên các thành phần này để
rút trích thơng tin từ tài liệu đó. Sau đó các tài liệu đã có chú thích sẽ được lập chỉ mục
theo các thực thể có tên để phục vụ cho việc truy hồi thơng tin (Information Retrieval)
nhanh.

16