Kỷ yếu hội nghị khoa học nghiên cứu sinh công nghệ thông tin

Hội nghị Khoa học Nghiên cứu sinh Công nghệ Thông tin, 2012
-----------------------------------------------------------------------------------------------------------


Hội nghị Khoa học Nghiên cứu sinh Công nghệ Thông tin, 2012
-----------------------------------------------------------------------------------------------------------


Các Phương pháp Lập luận và
Tích hợp Ontology Mờ
Trương Hải Bằng
Trường Đại học Công nghệ Thông tin, Đại học quốc gia TP.HCM


Tóm tắt. Ontology có vai trị quan trọng trong việc tổ chức và quản lý tri thức
ở các lĩnh vực nghiên cứu và ứng dụng khác nhau. Tri thức Ontology đã thu hút
sự quan tâm nghiên cứu của các nhà khoa học trên thế giới. Tuy nhiên, khái
niệm ontology truyền thống cịn thiếu khả năng biểu diễn các thơng tin mờ
trong lĩnh vực tri thức không chắc chắn. Mặt khác bài tốn lập luận và tích hợp
các ontology mờ hiện vẫn cịn là vấn đề đang có nhiều trao đổi và nghiên cứu
về cả lý thuyết lẫn ứng dụng. Bài báo đề xuất một mơ hình về ontology mờ
nhằm hướng đến giải quyết bài tốn tích hợp ontology mờ dựa trên lý thuyết
đồng thuận trong quá trình giải quyết mâu thuẫn giữa các ontology mờ và một
số kết quả nghiên cứu gần đây.

1 Giới thiệu
Ontology đóng vai trị thiết yếu trong quá trình trao đổi tri thức giữa các hệ thống
thông tin phân tán. Để thực hiện điều này một cách hiệu quả, các ontology phân tán
cần phải được tích hợp lại. Tuy nhiên tích hợp ontology là quá trình rất phức tạp, vì
tính chất đa dạng về cấu trúc của nó. Do vậy tích hợp ontology là bài toán được nhiều
nhà nghiên cứu quan tâm theo các hướng tiếp cận khác nhau [13]. Với mục tiêu tích

hợp ontology, định nghĩa sau đây được sử dụng. Ontotlogy là một bộ tứ được xác
định bởi các thành phần như sau [19]:
O = (C, I, R, Z), trong đó
 C là tập hợp các khái niệm(concepts);
 I là tập hợp các thực thể (instances);
 R là tập hợp các quan hệ hai ngôi được định nghĩa trên C;
 Z là tập hợp các luật biểu diễn ràng buộc toàn vẹn hoặc các mối quan hệ
giữa các thực thể và các khái niệm không thể hiện được bởi những quan
hệ trong bộ R.
Ontology dựa trên logic mô tả truyền thống, không đủ khả năng để mô tả thông tin
mờ, không thể đại diện đầy đủ và xử lý tri thức không chắc chắn, thơng tin khơng
chính xác trong các miền ứng dụng khác nhau. Năm 2006, Straccia [25] dựa vào nền
tảng của logic mô tả và lý thuyết tập mờ của Zadeh [26] đã đưa ra logic mô tả mờ
(Fuzzy Description Logic) nhằm phục vụ cho việc xử lý tri thức không chắc chắn trên
Web ngữ nghĩa. Từ đó việc nghiên cứu và phát triển logic mô tả mờ như là một cơ sở
cho việc biểu diễn tri thức và lập luận được đặt ra. Trong các nghiên cứu của mình,
Calegari và Ciucci [23], [24] đã đề cập đến các phương pháp tích hợp logic mơ tả mờ
Transactions of the UIT Doctoral Workshop, Vol 1, pp.1-14, 2012.


2

Trương Hải Bằng

vào ontology truyền thống để mở rộng ontology phù hợp hơn cho việc giải quyết các
vấn đề suy luận không chắc chắn và các vấn đề cần thiết để xây dựng một ontology
mờ cho Web ngữ nghĩa.
Sự khác biệt giữa ontology và ontology mờ là cho phép phân biệt ở các mức độ
khác nhau về sự mô tả các khái niệm và quan hệ giữa chúng trong thế giới thực. Các
nghiên cứu về ontology mờ có thể phân thành hai nhóm cơng trình. Nhóm thứ nhất

bao gồm các phương pháp tiếp cận dựa trên logic, cụ thể là logic mơ tả mờ [16], [20].
Nhóm thứ hai sử dụng tiếp cận khơng-logic [14]. Nhóm này đề xuất một mơ hình
ontology mờ trong đó một mơ tả khái niệm được mờ hóa mức độ của giá trị các thuộc
tính bằng cách sử dụng một hàm thành viên mờ [27]-[29]. Trong nhóm này Blanco
[15] đề xuất một mơ hình ontology linh hoạt cho phép lưu trữ thông tin mờ trong cơ
sở dữ liệu. Đề xuất này cho phép người dùng quản lý thơng tin khơng chính xác.
Trong phần tiếp theo, chúng tơi trình bày các nghiên cứu liên quan đến các phương
pháp lập luận và tích hợp tri thức ontology mờ. Trong phần 3 trình bày các vấn đề cơ
bản liên quan phương pháp lập luận và tích hợp ontology mờ. Phần 4 đề xuất phương
pháp sử dụng lý thuyết đồng thuận để tích hợp ontology mờ và một số kết quả đã
được nhóm tác giả cơng bố gần đây [31]-[34]. Cuối cùng là các nghiên cứu trong thời
gian tiếp theo.

2 Các Cơng trình Liên quan
Các cơng trình mới nhất về tích hợp ontology từ năm 2009 đến nay đã được trình
bày[1]-[12]. Các nghiên cứu tập trung đề cập vấn đề tích hợp ontology theo các
phương pháp khác nhau về so khớp, ánh xạ và trộn ontology tùy thuộc vào ứng dụng
cụ thể chủ yếu liên quan đến web ngữ nghĩa, truy vấn thơng tin. Các phương pháp
tiếp cận để tích hợp ontology được trình bày khơng thể hiện các tiêu chí một cách rõ
ràng cho q trình tích hợp, các thuật tốn tích hợp chỉ liên quan đến các nghiên cứu
và ứng dụng thực tế cho một vấn đề cụ thể.
Hiện nay có rất nhiều định nghĩa về tích hợp ontology trong đó định nghĩa được
nhiều nghiên cứu tham khảo [19] được phát biểu như sau: Cho n ontologies O1,..,On ta
cần xác định một ontology O* tốt nhất đại diện cho cho các ontology O1,..,On. Để
thực hiện được điều này tùy thuộc vào ứng dụng và mục tiêu nghiên cứu, cần tiến
hành những kỹ thuật sau:


Các Phương pháp Lập luận và Tích hợp Ontology Mờ

3

So khớp ontology: là tìm sự tương ứng của các khái niệm và quan hệ giữa các
ontology. Quá trình này được sử dụng khi chúng ta cần giao tiếp trao đổi giữa hai hệ
thống hoặc muốn sử dụng thông tin của hệ thống thứ hai này cho người dùng của hệ
thống thứ nhất. Được sử dụng trong nhiều công việc khác như trộn ontology, trả lời
truy vấn, dịch dữ liệu, hoặc duyệt web ngữ nghĩa [1], [3], [4], [8], [10].
Ánh xạ ontology: biểu diễn một sự tương ứng giữa các các khái niệm và quan hệ
hai ontology là quá trình một chiều, chuyển các khái niệm và quan hệ từ một
ontology này sang một ontology khác. Định nghĩa này phù hợp với định nghĩa ánh xạ
trong toán học, là sự tương ứng của các khái niệm và quan hệ của ontology nguồn và
ontology đích [6], [7], [9], [12].
Trộn ontology: là quá trình tạo ra một ontology mới từ các ontology khác. Được
sử dụng khi cần tích hợp một số hệ thống để tạo ra một hệ thống mới [5], [11], [21],
[22].
Xung đột ontology: trong q trình tích hợp ontology thơng thường cần phải giải
quyết sự xung đột (không thống nhất) giữa các thực thể, khái niệm và quan hệ giữa
các ontology [16], [17], [19], [21], [22], [30]-[34].

3 Các Khái niệm Liên quan
3.1 Định nghĩa Ontology Mờ
Cho (A,V) là một thế giới thực, trong đó A là tập hữu hạn các thuộc tính, V miền giá
trị của A,
, Va là miền giá trị của thuộc tính a. Ontology mờ được định
⋃
nghĩa như sau [30], [32], [34]: Fuzzy ontology = (C, R, Z), trong đó
 C là tập hữu hạn các khái niệm. Một khái niệm của ontology mờ được định
nghĩa là một bộ tứ: (c, Ac, Vc, fc), với c là tên duy nhất của khái niệm, Ac 
A là tập các thuộc tính mơ tả khái niệm, Vc  V là miền giá trị của thuộc
tính:

và fc là hàm thành viên mờ: fc: Ac[0,1] biểu diễn mức
⋃
thuộc tính mơ tả khái niệm c. Bộ (Ac, Vc, fc) được gọi là cấu trúc mờ của c.
 R là tập các quan hệ mờ giữa các khái niệm, R = {R1, R2,…, Rm}, Ri  C C
(0,1], i = 1, 2,..,m. Một quan hệ là một tập bao gồm một cặp khái niệm và
giá trị mờ biểu diễn mức độ quan hệ giữa chúng. Mối quan hệ Ri giữa hai
khái niệm trong ontology chỉ được biểu diễn bằng một giá trị mờ duy nhất,
nghĩa là nếu (c, c, v) Ri và (c, c, v) Ri thì v = v.
 Z là tập hợp các tiên đề, có thể được hiểu là ràng buộc toàn vẹn hoặc mối
quan hệ giữa các khái niệm và là tập hợp các hạn chế hay điều kiện (cần và
đủ) để xác định các khái niệm trong C.

3.2 Các Phương pháp Tích hợp Ontology
Trong q trình thực hiện so khớp, ánh xạ, trộn và xung đột ontology cần phải giải
quyết hai hai vấn đề chính sau:
 Các ontology đã cho đồng dạng (Similarity) với nhau đến mức độ nào?


4

Trương Hải Bằng



Những mâu thuẫn thường xuất hiện giữa các ontology như thế nào?

Các phương pháp xác định mức độ đồng dạng giữa các ontology
Các phương pháp xác định mức độ đồng dạng giữa các ontology bao gồm các kỹ
thuật cơ bản như sau:
 Kỹ thuật dựa trên chuỗi;

 Kỹ thuật dựa trên ngôn ngữ;
 Kỹ thuật dựa trên cấu trúc;
 Kỹ thuật dựa trên ngữ nghĩa.
Một cách tiếp cận đơn giản để liên kết hai ontology là mỗi khái niệm thuộc
ontology này phải so khớp với tất cả các khái niệm ở ontology khác nhằm đưa ra
quyết định có hay không một cặp khái niệm đồng dạng với nhau. Thuật tốn này có
độ phức tạp O(n2), trong đó n là số lượng các khái niệm trong mỗi ontology. Để khắc
phục hạn chế này trong phép toán so khớp ontology mờ chúng tơi đề xuất thuật tốn
dựa trên khái niệm những phần chung tiềm năng viết tắt là PCP (potentially common
parts) có độ phức tạp tính tốn O(nlog(n)) [34].
Một số khái niệm:
Khoảng cách PCP. Giả sử P1 = c1, c2, .., cn và P’2 = c’1, c’2, .., c’n là tập các khái
niệm của các PCP thuộc hai ontologies tương ứng O 1 và O2. Khoảng cách nhỏ nhất
cho một cặp khái niệm tương ứng theo tiếp cận PCP sẽ được định nghĩa như sau:
∑
D0(P1,P2) = ∑
(1)
Với K={cjP2|d(ci,cj)threshold, ciP1}, trong đó:
Độ quan trọng của khái niệm : CI(c) = AI(c) + RI(c)+ bias
(2)
Độ quan trọng của thuộc tính : AI(c) = ∑
(3)
Độ quan trọng của quan hệ : RI(c) = ∑
(4)
Phương pháp so khớp:
Nếu D(P1,P2) là nhỏ nhất, suy ra cặp khái niệm (ci, cj) có khả năng tương đương, cần
kiểm tra sự tương đương cho các cặp khái niệm (ci, cj) trong P1 và P2.
Để tìm ra khái niệm có khả năng tương đương, chúng ta sử dụng cơng thức đệ quy
sau:
Dk+1(P1,P2) = Dk(P1,P2) + E(P1,P2)

(5)
trong đó
 Dk+1-D0>threshold (vượt một ngưỡng cho trước)
 E(P1, P2) là trọng số tăng bởi sự so khớp lại P 1 và P2.
Quy tắc tính sự tương đương theo tiếp cận PCP:
Quy tắc 1: Tính sự tương đương của cặp khái niệm có cả 2 đường được đánh dấu
trong bảng. Nếu được so khớp, loại khỏi bảng, tính lại D0và cập nhật Dk+1
Quy tắc 2: Nếu chỉ một trong 2 đường được đánh dấu, chúng ta tính độ tương đương
cho cặp khái niệm theo khoảng cách nhỏ nhất. Nếu được so khớp loại khỏi dịng hoặc
cột tương ứng, cập nhật lại bảng , tính lại D0, Dk+1.
Quy tắc 3: Nếu Dk+1 - D0 > Threshold hoặc tất cả các cặp khái niệm được so khớp.
Ý tưởng thuật toán:
Bắt đầu từ một cặp khái niệm được so khớp duyệt các khái niệm theo mối quan hệ
hoặc các trong kiến trúc ontology theo một mức cụ thể để xác định được phần chung
tiềm năng ban đầu. Quá trình này lan truyền đến cặp khái niệm lân cận và kết quả là
một tập hợp của sự sắp xếp giữa các khái niệm trong tập hợp kết nối ngữ nghĩa của
hai đồ thị gọi là phân đoạn. Để so sánh sự giống nhau giữa các cặp khái niệm của các


Các Phương pháp Lập luận và Tích hợp Ontology Mờ

5

ontology láng giềng quá trình này lặp đi lặp lại cho đến khi thuật toán thỏa mãn "hoặc
là tất cả các khái niệm thu thập được liên kết tìm thấy, hoặc khơng có cặp liên kết
mới ".
Thuật tốn PCP:
input: Hai ontologyO1 và O2, hai Medoids, và một mức DepthLevel
output: Tập các khái niệm so khớp C* = ⋃
, Ci O1 hoặc O2;

For mỗi cặp
Medoidsor hoặc C* do
Nếu
là medoids hoặc Similarity
≥ Threshold * then
RealMatch =
, i=1..n; j=1..m
CommonPart 1 =⋃ ; CommonPart 2 = ⋃ ;
Tính CI CommonPart 1 và CommonPart theo cơng thức (2,3,4);
For với mỗi C1kCommonPart 1, C2hCommonPart 2 do
Table <= Distance (C1k, C2h);
End for
Tính D0;
Dk = D0;
while thỏa quy tắc(3): Dk – D0<= Threshold do
Medoids  Xác định cặp khái niệm so khớp theo quy tắc (1) và (2)
Loại bỏ các khái niệm tương đương ra khỏi Medoids từ C*;
End while
}
End
End for
Return (PossibleMatch)
Các phương pháp giải quyết mâu thuẫn giữa các ontology
Tích hợp ontology là một trường hợp đặc biệt của q trình tích hợp tri thức, q
trình tích hợp cần thỏa mãn các tiêu chí sau:
 Bảo tồn thơng tin: Dữ liệu của Ontology nguồn phải ở trong kết quả tích
hợp.
 Giải quyết mâu thuẫn: Tất cả các xung đột xuất hiện trong các yếu tố thành
phần sau khi được tích hợp phải được giải quyết.
 Bảo tồn cấu trúc: Các kiểu cấu trúc của kết quả tích hợp phải giống cấu

trúc của các yếu tố thành phần ban đầu.
Có ba mức mâu thuẫn ontology:
 Mâu thuẫn ở mức thực thể: cùng thực thể của các ontology khác nhau có mơ
tả mâu thuẫn với nhau.
 Mâu thuẫn ở mức khái niệm: cùng khái niệm giống nhau nhưng có cấu trúc
khác nhau trong các ontology khác nhau.
 Mâu thuẫn ở mức quan hệ: có mâu thuẫn về quan hệ giữa hai khái niệm
trong các ontology khác nhau.


6

Trương Hải Bằng

Hình 1. Các mức mâu thuẫn ontology [19]

3.3 Lý thuyết Đồng thuận
Giới thiệu
Phương pháp đồng thuận rất hữu ích trong việc giải quyết các xung đột hay mâu
thuẫn tri thức trong thế giới thực đặc biệt liên quan đến vấn đề tích hợp tri thức
ontology. Phương pháp đồng thuận là một cách tiếp cận hiệu quả trong quá trình giải
quyết xung đột tri thức nói chung và ontology nói riêng.
Xét bài tốn đồng thuận như sau: Cho một tập hợp của các đối tượng trong vũ trụ,
cần phải xác định một đối tượng tốt nhất đại diện cho các đối tượng này. Mục tiêu
của vấn đề giải quyết xung đột là xác định được lời giải thích hợp cho bài tốn đặt ra.
Có hai trường hợp xảy ra trong q trình này:
i. Các giải pháp thích hợp độc lập với ý kiến của các người tham gia xung đột. Ví
dụ cho trường hợp này là việc tính GDP hàng năm của một quốc gia được tạo ra
bởi các chuyên gia tài chính khác nhau. Vấn đề xác định GDP được chính xác
khi kết thúc năm, giá trị này là độc lập của dự báo đã cho. Trường hợp này được

gọi là xung đột độc lập.
ii. Giải pháp phụ thuộc vào ý kiến của những người tham gia cuộc xung đột, gọi là
xung đột phụ thuộc. Ví dụ cho trường hợp này là quá trình bỏ phiếu trong các
cuộc bầu cử.
Các khái niệm cơ bản
Cho U là một tập hợp hữu hạn của các đối tượng đại diện cho ý kiến tiềm năng cho
các đối tượng xung đột
Định nghĩa 1. (Hàm khoảng cách)


Các Phương pháp Lập luận và Tích hợp Ontology Mờ

7

Cho tập U chúng ta định nghĩa hàm khoảng cách d như sau: thỏa
các điều kiện:
Không âm
Phản xạ nếu
Đối xứng
Định nghĩa 2. (Profile) Profile X = {ri ∈TUPLE(Ti): Ti ⊆A for i = 1, 2,.., n}, A là
tập các thuộc tính, TUPLE(T) là t ập hợp các bộ kiểu Ti.
Định nghĩa 3. (xung đột Profile)
U: là tập hữu hạn biểu diễn các đối tượng cho sự xung đột.
: là tất cả cá tập con k-phần tử của U for k là số tự nhiên), Ký
hiệu U) =⋃  ∏
, Π(U) là tập hợp của tất cả các tập con khác rỗng của U,
khi đó mỗi phần tử của (U) được gọi là một xung đột Profile.
Ví dụ: Trong các profile sau, mức độ xung đột (conflict) tăng dần:
X = {Yes, No, Neutral}, X’ = {Yes, Yes, No}, X” = {Yes, Yes, Neutral}.
Định nghĩa 4. (Sự đồng thuận)

Cho U, d được cho trong định nghĩa 1
Cho Ánh xạ C:   Với mỗi conflict profile X P(U), tập C(X) được gọi
là sự đồng thuận của X, và một phần tử của C(X) được gọi là một đồng thuận của
profile X.
Bài tốn tích hợp tri thức phát biểu như sau: cho một tập các profile
X = {ri TUPLE(Ti): Ti ⊆ A for i = 1, 2, . . . , n}, cần xác định một bộ r* là đại
diện tốt nhất cho các bộ r1,.. rn. Bộ r* được gọi là tích hợp của các profile.
Các tiêu chí đề lựa chọn phương pháp đồng thuận
Có nhiều tiêu chuẩn liên quan đến bài tốn xác định sự đồng thuận [19], hai tiêu
chuẩn quan trọng thường được sử dụng trong bài tốn tích hợp tri thức là:
 Tính tối ưu O1: [Kemeny, 1959]:
Nếu và chỉ nếu (x C(X))  (d(x, X) =
d(y,x)),  X P(U).
(tổng khoảng cách từ một đồng thuận đến các phần tử của profile P(U) là nhỏ nhất)
 Tính tối ưu O2:
Nếu và chỉ nếu (xC(X))  (d2(x, X)=
d2(y,X)), X P(U).
(tổng bình phương khoảng cách từ một đồng thuận đến các phần tử của profile P(U)
là nhỏ nhất)
Tóm lại, lược đồ của phương pháp đồng thuận bao gồm các bước như sau:
 Xác định tập các phiên bản tiềm năng của dữ liệu
 Định nghĩa hàm đo khoảng cách giữa các phiên bản
 Chọn tiêu chí lựa chọn phương pháp đồng thuận
 Thực hiện thuật toán để lựa chọn phương pháp đồng thuận


8

Trương Hải Bằng

Một tập các giải pháp đưa ra bởi những
thành viên xung đột (xác định phương pháp
giải quyết phù hợp)

Giải pháp phụ thuộc vào các giải
pháp của thành phần tham gia
xung đột

Sự đồng thuận phải là thể hiện tốt
nhất của các giải pháp đã cho

Chọn tiêu chuẩn O1 cho lựa chọn
đồng thuận

Giải pháp độc lập với các giải
pháp của thành phần tham gia
xung đột

Sự đồng thuận cần phản ánh các
giải pháp được cung cấp và là
một thỏa hiện chấp nhận được
với các thành viên bất đồng

chọn tiêu chuẩn O2 cho lựa chọn
đồng thuận

Hình 2. Sơ đồ sử dụng của các chức năng đồng thuận [19]

4 Một số Kết quả Nghiên cứu: Tích hợp Ontology Mờ Dựa trên
Lý thuyết Đồng thuận

4.1 Tích hợp Ontology Mờ Mức Khái niệm
Cho hai ontology mờ O1 và O2 , khái niệm c thuộc O1 là concepts (c, Ac1,Vc1, f1) và
thuộc O2 là (c, Ac2, Vc2 , f2). Ta nói rằng sự mâu thuẫn khái niệm xảy ra nếu Ac1≠ Ac2
hoặc Vc1≠ Vc2 hoặc f1 ≠f2
Bài toán 1:
Cho tập cấu trúc mờ của các khái niệm X = {(Ai, Vi, f i)| (Ai, Vi, f i) cấu trúc mờ của
khái niệm c trong ontology Oi, i=1,…,n}, Cần xác định bộ ba: c* = (A*, V*, f*) là biểu
diễn tốt nhất thỏa tiêu chuẩn O2 của lý thuyết đồng thuận cho các cấu trúc trên.
Thuật toán 1. Tích hợp mức khái niệm
Input: cho cấu trúc mờ của khái niệm c trong n ontology
X = {(Ai, Vi,fi): (Ai, Vi, fi) là cấu trúc mờ của khái niệm c trong n ontology O i’
i=1,...,n}
Output: Triple c* = (A*, V*, f*) biểu diễn tốt nhất từ X thỏa tiêu chuẩn đồng thuậnO2
Procedure:
BEGIN
Set A* =⋃
;


Các Phương pháp Lập luận và Tích hợp Ontology Mờ

9

Set V* =;⋃
;
For each a  A* do
Begin
xác định Xa= {fi(a): if fi(a) tồn tại, i = 1,...,n};
∑
tính tốn f*(a) =

;
End.
END.
Chứng minh: Theo Định lý 8.1. [19] như sau:
Cho profile X = {x(i) =
chuẩn đồng thuận O2 khi và chỉ khi: xj= ∑

vector x=(x1,x2,..,xm) thỏa tiêu
, j = 1,2,..,m

4.2 Tích hợp Ontology Mờ Mức Quan hệ
Cho hai ontology mờ O1 và O2. cO1, c’  O2. chúng ta nói rằng sự mâu thuẫn mức
quan hệ xảy ra nếu Ri1(c,c’)  Ri2(c,c’), i {1,…,m}.
Xét trường hợp sau: trong bảng 1, cho hai ontology O1 và O2 có các quan hệ R1,
R2, R3 và các khái niệm a,b,c, các mâu thuẫn mức quan hệ xảy ra trong ví dụ này là:
R11 R12, R21 R22, R31 R32

Bảng 1. Mâu thuẫn mức quan hệ
R1

R2

R3

O1

<a, b, 0.5>
<a, c, 0.3>

<a, c, 0.3>

<b, c, 0.8>

<c, a, 0.7>
<b, c, 0.7>

O2

<a, c, 0.3>
<a, b, 0.7>

<a, c, 0.4>
<b, c, 0.8>

<c, a, 0.7>

Bài toán 2:
Cho i  {1,…,m} và tập các quan hệ X = {Rij(c,c):i=1,..m; j = 1,..,n} giữa 2 khái
niệm c và c trong n ontologies, cần xác định Ri(c, c) - quan hệ tốt nhất giữa c và c
trong tập các quan hệ đã cho thỏa tiêu chuẩn đồng thuận O 1.
Thuật tốn 2: Tích hợp mức quan hệ
Input: Cho tập các quan hệ giữa 2 khái niệm c và c’ trong n ontologies X={Rij(c,c’): j
= 1,...,n}
Output: Quan hệ Ri(c,c’) = (c, c’, v) tốt nhất trong tập các quan hệ X thỏa O1 consensus.
Procedure:
BEGIN
Thiết lập thứ tự X= {x1, x2,...,xn};
Thiết lập khoảng
Xác định giá trị v trong khoảng

10

Trương Hải Bằng

END.
Chứng minh: Theo Định lý 8.2. [19]:
Cho profile X = {
vector x=(x1,x2,..,xm) thỏa tiêu chuẩn đồng thuận O1 nếu không tồn tại bất kỳ vector y
nào sao cho: d(y,x)>d(y,x(i)),  i=1,2,..,n
Bài toán 3:
Cho i  {1,…,m} và tập các quan hệ giữa 2 khái niệm c và c’ trong n ontology: X =
{RijCC  (0, 1]: j = 1,…,n}. Cần xác định Ri(c, c) quan hệ RiCC  (0, 1] tốt
nhất thỏa tiêu chuẩn O1 của lý thuyết đồng thuận trong tập các quan hệ X đã cho.
Loại mâu thuẫn quan hệ thứ 2 ở mức độ phức tạp hơn, giải quyết cho trường hợp
quan hệ có tính bắc cầu. (c,c’,v1) của Ri, (c’,c”,v2) của Ri, trong trường hợp này trọng
số v của quan hệ <c,c> trong sẽ là bao nhiêu.
Thuật toán 3:
Input: - Tập quan hệ cùng loại giữa các khái niệm trongtrong n ontologies X =
{RijC × C × (0, 1]: j = 1,...,n}
- Quan hệ có tính bắc cầu.
Output: Quan hệ RiC × C × (0, 1] tốt nhất của X thỏa tiêu chuẩn đồng thuận O1
Procedure:
BEGIN
Set Ri = ;
For each pair (c,c’) C × C do
Begin
Xác định tập X(c,c’) = {v: <c, c’, v>Rij for j = 1,...,n};
Thiết lập thứ tự X(c,c’) tăng dẩn X = {x1, x2, ..., xk};
thiết lập khoảng
i

Lấy một giá trị v trong khoảng trên ;
đặt Ri := Ri {<c, c’, v>}
End;
For each (c, c’, c’’) C × C × C do
Begin
If <c, c’, v1>Ri, <c, c’, v2>Riand <c, c’, v3>Ri then
v3 = min {v1, v2};
If only <c, c’, v1>Ri and <c, c’, v2>Ri then set Ri:= Ri<c, c’, v3>
where v3= min{v1, v2};
End
END.
Chứng minh: Tương tự thuật tốn 2
4.3 Mơ hình Đa Thuộc tính và Đa Giá trị cho Bài tốn Tích hợp Ontology Mờ ở
Mức Thực thể
Cho A là tập các thuộc tính của một ontology. Mỗi thuộc tính a A có miền giá Va,
Va được gọi là tập các giá trị cơ bản (elementary values). Một giá của thuộc tính a là


Các Phương pháp Lập luận và Tích hợp Ontology Mờ

11

một tập con của Va. Tập
được gọi là siêu miền (super domain) của thuộc tính a.
giả sử có tập B là tập con của A: B ⊆ A, lấy Vb = ⋃
và
=⋃
Định nghĩa: Một thực thể mờ của khái niệm c được mơ tả bởi các thuộc tính của tập
Ac có các giá trị thuộc tập

(X = Ac) là một căp (i, v), với i là định danh của thực
thể, v là giá trị của thực thể là một bộ có kiểu Ac được biểu diễn là một hàm như sau
v: A
, v(a)
,a Ac.
Cho hai ontology O1 và O2 , khái niệm c thuộc O1 là khái niệm (c, Ac1,Vc1, f1) và c’
thuộc O2 là (c’, Ac2, Vc2 , f2). Cho (i, v) (O1,c) và (i, v) (O2,c). Ta nói rằng sự
mâu thuẫn thực thể xảy ra nếu v(a)  v(a), aAc Ac.
Bài toán 4:
Cho tập hợp các thực thể X = {(i, v1),…, (i, vn)}, với vi Ai  A, vi: Ai  Vi i =
1,…, n và Vi = ⋃
, cần xác định (i, v) tốt nhất trong tập X thỏa tiêu chuẩn O1
của lý thuyết đồng thuận.
Ví dụ về mâu thuẫn giữa các thực thể của các ontology về thời tiết
Bảng 2. Thông tin thời tiết được thu thập từ sáu trạm khí tượng (tương ứng với sáu ontology)
Thực thể

I1

I2

I3

I4

I5

I6

992–998

Thuộc tính
Áp suất

990–995

990–997

992–999

993–997

Hướng gió

{W, W–N}

{E, E–N} {S, W–S} {S, W–S}

{W–N}

Vận tốc gió

10–12

5–10

20–30

40–50

0–10

Nhiệt độ

15–25

20–24

12–21

12–21

22–24

Mưa

khơng

có

khơng

khơng

khơng

khơng

khơng

Nắng
Tuyết

khơng
có

khơng

có
có



17–20
có
khơng
có

Trong bảng 1 ta thấy các thực thể có thể có các giá trị thuộc tính khác nhau, xảy ra
mâu thuẫn.
Thuật tốn 4:
Input: tập các mơ tả của các thực thể: X = {ri  TUPLE(Ti): Ti  A, i = 1, 2,.., n}
và hàm khoảng cách da cho các thuộc tính a  A,
da là hàm được xác định như sau da:
[0,1]
Output: bộ t* T*  A là đại diện tốt nhật được tích hợp từ các bộ của X .
Procedure:
BEGIN
1. A =⋃
;

2. For each a  A xác định một tập Xa = {tia: ti  X for i = 1, 2,…, n};
3. For each a  A sử dụng hàm khoảng cách da xác định một giá trị va  Va sao cho


12

Trương Hải Bằng

∑



∑

4. khởi tạo bộ t* bao gồm các giá trị va, a  A;
END.

5 Kết luận và Hướng Phát triển
Bài báo trình bày một số khái niệm cơ bản của tích hợp ontology, đề xuất một mơ
hình ontology mờ cho bài tốn tích hợp ontology mờ. Một đóng góp quan trọng của
nghiên cứu là sử dụng cách tiếp cận dựa trên lý thuyết đồng thuận cho các phương
pháp lập luận & tích hợp trên Cơ sở tri thức không chắc chắn Ontology Mờ.
Các công việc trong tương lai liên quan đến thử nghiệm các thuật tốn tích hợp và
thực hiện thử nghiệm trên dữ liệu ontology mờ thời tiết được cài đặt dựa trên các
ontology thời tiết đã có.

Tài liệu tham khảo
1.

Md. Hanif Seddiqui, Masaki Aono,, An efficient and scalable algorithm for segmented

alignment of ontologies of arbitrary size, Web Semantics: Science, Services and Agents
on the World Wide Web, (Elsevier 2009) 344–3567
2. Deryle Lonsdale a, David W. Embley a, Yihong Ding a, Li Xub, Martin Hepp, 2010],
Reusing ontologies and language components for ontology generation, Data &
Knowledge Engineering Journal (2010) 318–330
3. Watson Wei Khong Chua, Jung-jae Kim, BOAT: Automatic alignment of biomedical
ontologies using term informativeness and candidate selection, Journal of Biomedical
Informatics 45 (2012) 337–349
4. Jürgen Bock a, Jan Hettenhausen, Discrete particle swarm optimisation for ontology
alignment, Information Sciences (2012) 152–173
5. Asad Masood Khattak, Zeeshan Pervez, Khalid Latif, Sungyoung, Knowledge
accumulation through automatic merging of ontologies, Knowledge-Based Systems
(2012)
6. Adolfo Guzmán-Arenas, Alma-Delia Cuevas. Time efficient reconciliation of mappings in
dynamic web ontologies, Expert Systems with Applications (2010) 1991–2005
7. Ming Mao, Yefei Peng, Michael Spring, An adaptive ontology mapping approach with
neural network based constraint satisfaction, Web Semantics: Science, Services and
Agents on the World Wide Web (2010) 14–25
8. Hacene Belhadef, A new bidirectional method for ontologies matching, Procedia
Engineering (2011) 558 – 564
9. Mohamed Bakillah, A Fuzzy Logic Semantic Mapping Approach for Fuzzy Geospatial
Ontologies, The Fifth International Conference on Advances in Semantic Processing,
2011
10. Hacene Belhadef, A new bidirectional method for ontologies matching, Procedia
Engineering 23 (2011) 558 – 564
11. Rung-Ching Chen, Cho-Tscan Bau, Chun-Ju Yeh, Merging domain ontologies based on
the WordNet system and Fuzzy Formal Concept Analysis techniques, Applied Soft


Các Phương pháp Lập luận và Tích hợp Ontology Mờ

13

Computing 11 (2011) 1908–1923
12. Rujuan Wang, Lei Wang1 and Lei Liu, Gang Chen and Qiushuang Wang, Combination of
the Improved Method for Ontology Mapping, Physics Procedia 25 ( 2012 ) 2167 – 2172
13. Chitra Ramesh and Aghila Gnanasekaran, Methodology based survey on ontology
management, International Journal of Computer Science & Engineering Survey (IJCSES,
2010)
14. Abulaish, M., Dey, A.: A Fuzzy Ontology Generation Framework for Handling
Uncertainties and Non-uniformity in Domain Knowledge Description. In: Proceedings of
the International Conference on Computing: Theory and Applications, pp. 287–293.
IEEE (2007)
15. Blanco, I.J., Vila, M.A., Martinez-Cruz, C.: The Use of Ontologies for Representing
Database Schemas of Fuzzy Information. International Journal of Intelligent Systems
23(4), 419–445 (2008)
16. Duong, T.H., Nguyen, N.T., Jo, G.S.: A Method for Integrating Multiple
Ontologies.Cybernetics and Systems 40(2), 123–145 (2009)
17. Fernadez-Breis, J.T., Martinez-Bejar, R.: A Cooperative Framework for Integrating
Ontologies. Int. J. Human-Computer Studies 56, 665–720 (2002)
18. Lu, J., Li, Y., Zhou, B., Kang, D., Zhang, Y.: Distributed Reasoning with Fuzzy
Description
19. Nguyen, N.T.: Advanced methods for inconsistent knowledge management. Springer,
London (2008)
20. Nguyen, N.T.: Inconsistency of Knowledge and Collective Intelligence. Cybernetics and
Systems 39(6), 542–562 (2008)
21. Noy, N.F., Musen, M.A.: SMART: Automated Support for Ontology Merging and
Alignment.In: Proc. of the 12th Workshop on Knowledge Acquisition, Modelling and
Management (KAW 1999), Banff, Canada, pp. 1–20 (1999)
22. Pinto, H.S., Martins, J.P.: A Methodology for Ontology Integration. In: Proceedings of the

First International Conference on Knowledge Capture, pp. 131–138. ACM Press (2001)
23. Calegari, S., Ciucci, D.: Fuzzy Ontology, Fuzzy Description Logics and Fuzzy-OWL. In:
Proceedings of WILF 2007. Volume 4578 of LNCS. (2007) In printing.
24. Calegari, S., Ciucci, D.: Fuzzy Ontology and Fuzzy-OWL in the KAON Project. In:
FUZZIEEE 2007. IEEE International Conference on Fuzzy Systems (2007).
25. Straccia U., A Fuzzy Description Logic for the semantic Web, Proc. in Capturing
Intelligence: Fuzzy logic and the semantic Web, Elie Sanchez ed., Elsevier, 2006.
26. Zadeh, L. A. Fuzzy sets. Information and control, Elsevier, 1965, pp. 338-358.
27. Thanh Tho Quan, Siu Cheung Hui and Tru Hoang Cao.: Automatic fuzzy ontology
generation for semantic Web, Knowledge and Data Engineering Journals IEEE,
Volume: 18, Issue: 6, pp: 842 - 856 , Product Type: Journals & Magazines, 2006.
28. Silvia, Calegari and Elie Sanchez.:
A Fuzzy Ontology-Approach to improve
Semantic Information Retrieval. Proceedings of the Third ISWCWorkshop on
Uncertainty Reasoning for the Semantic Web - URSW'07, 2007.
29. Hua Mao Gu.: Educational Game for Middle & Primary School Students- EGMPSS.
Proceedings of the 18th Conference of International Maritime Lecturers’ Association,
2008.
30. Hai Bang Truong, Ngoc Thanh Nguyen: A Multi-attribute and Multi-valued Model for
Fuzzy Ontology Integrationon Instance Level. ACIIDS The 4nd Asian Conference on
Intelligent Information and Database Systems, Springer Verlag in a volume LNAI, 2012:
187-197
31. Trong Hai Duong, Hai Bang Truong, Ngoc Thanh Nguyen: Local Neighbor Enrichment
for Ontology Integration. ACIIDS The 4nd Asian Conference on Intelligent Information
and Database Systems, Springer Verlag in a volume LNAI, 2012: 156-166


14

Trương Hải Bằng

32. Hai Bang Truong, Ngoc Thanh Nguyen, Phi Khu Nguyen: Fuzzy Ontology Building and
Integration for Fuzzy Inference Systems in Weather Forecast Domain. ACIIDS-2011 The
3nd Asian Conference on Intelligent Information and Database Systems, Springer Verlag
in a volume LNAI, in Daegu city, Korea: 517-527
33. Hai Bang Truong, Ngoc Thanh Nguyen: A framework of an effective fuzzy ontology
alignment technique. International Conference on Systems, Man and Cybernetics,
Anchorage, Alaska, USA, IEEE 2011, ISBN 978-1-4577-0652-3: 931-935
34. Ngoc Thanh Nguyen, Hai Bang Truong: A Consensus-Based Method for Fuzzy Ontology
Integration. The Second International Conference on Computational Collective
Intelligenc, Springer Verlag in a volume LNAI, ICCCI10, Kaohsiung city, Taiwan: 480489.


Hệ thống Trợ giúp Học tập Thích nghi
Dựa trên Bản thể học
Đặng Kiên Cường
Trường Đại học Nơng Lâm TpHCM


Tóm tắt. Trong Khoa học Máy tính và Trí tuệ Nhân tạo, Bản thể học được vận dụng
trong việc chia sẻ và nỗ lực tái sử dụng Kiến thức, cho kỹ thuật hiệu quả (phân phối,
hợp tác) của các hệ thống dựa trên tri thức. Bản thể học đã sớm bước vào lĩnh vực
quản lý tri thức (Knowledge Management-KM): Chia sẻ và tái sử dụng tri thức của cá
nhân, nhóm, và tri thức tổ chức là một trong các mục tiêu trung tâm trong nhiều dự án
quản lý tri thức. Bài viết tập hợp các nghiên cứu trong hai lĩnh vực: mô hình người
dùng trong các hệ thống quản lý tri thức và khai thác bản thể học cho các mục đích
ngữ nghĩa tri thức đại diện. Chúng tôi đưa ra một cái nhìn tổng quan về mơ hình
người dùng để từ đó xây dựng mơ hình hệ thống trợ giúp học tập thích nghi dựa trên
bản thể học.
Từ khố: Bản thể học, quản lý tri thức, hệ thống hỗ trợ, hệ thống thích nghi, hệ thống

thơng minh.

1 Giới thiệu
Năm 2004 Lee và cộng sự [1] đã công bố nghiên cứu mang tính thống kê trên 385 bài báo
thuộc các tạp chí khoa học nhằm giới thiệu sự phân bố của các chủ đề nghiên cứu, các
phương pháp nghiên cứu, các tác giả được trích dẫn nhiều nhất, danh mục sách và giáo
trình được tham khảo nhiều nhất. Kết quả nghiên cứu cho thấy đa số các cơng trình nghiên
cứu triển khai xoay quanh hai chủ đề chính: xây dựng bài giảng và cung cấp các tiện ích hỗ
trợ như khai thác tài nguyên, đánh giá kết quả học tập, tính cộng tác của người học, vv.
Tiện ích cung cấp trong các hệ thống đào tạo thông minh hay các hệ thống đa truyền thơng
thích nghi (Adaptive Hypermedia Systems –AHS) được xây dựng dựa trên các mơ hình đặc
trưng của người dùng (user profile) để hỗ trợ khai thác thông tin cùng với tài nguyên học
tập phù hợp với từng cá nhân người học. Nhìn chung các nghiên cứu hiện nay chủ yếu
nhắm vào các chức năng hỗ trợ xây dựng bài giảng, diễn đàn thảo luận giữa người học
mang tính tự phát và thiếu tính tổ chức.
Trên thế giới hiện nay, đào tạo điện tử đã trở nên thông dụng và hầu hết các tổ chức đào
tạo đều có sự trợ giúp của đào tạo điện tử [2]. Phạm vi ảnh hưởng của đào tạo điện tử đã lan
rộng ra rất nhiều lĩnh vực. Trong học tập theo xu hướng Xây dựng khóa học theo nhu cầu
người học [4,5] thể hiện rõ ràng khi chúng được gọi là các thiết kế "hướng tới học viên"
hay "tập trung vào sinh viên". Điều này không chỉ là tập trung vào nhiều phong cách học
tập khác nhau của học viên mà là chính học viên có thể quyết định và quản lý được q
trình học tập của mình. Trong một số quy trình hướng dẫn sử dụng bằng tay hoặc bán tự

Transactions of the UIT Doctoral Workshop, Vol 1, pp. 15-24, 2012.


16

Đặng Kiên Cường

động hiện có, người và máy khơng thể hiểu nhau. Công nghệ Bản thể học hoặc công nghệ
Web ngữ nghĩa là một giải pháp tốt. [8,9]
Xuất phát từ quan điểm của cố vấn học tập, những người thường xuyên tư vấn, giải đáp
hoặc giới thiệu cho sinh viên những vấn đề thắc mắc liên quan đến học tập và nghiên cứu.
Nếu trợ giảng hoặc người hướng dẫn hiểu rõ về năng lực của sinh viên, hiểu rõ về điểm yếu
và điểm mạnh của từng sinh viên (thông qua hồ sơ sinh viên – student profile) thì việc gợi ý
cho sinh viên có thể chính xác hơn. Điều này thật sự khó khăn trong mơi trường giáo dục,
khi một cố vấn học tập có quá nhiều sinh viên (đặc biệt ở Việt Nam), cơ hội để mỗi sinh
viên gặp gỡ riêng với cố vấn học tập là không nhiều, khơng tính đến trở ngại trong việc
giao tiếp giữa Thầy và Trị (sinh viên khó diễn đạt, hoặc khó tiếp cận với cố vấn học tập)
[6]. Hơn nữa, mỗi cố vấn học tập cũng có những giới hạn, khó khăn trong việc tư vấn sinh
viên với những câu hỏi ngoài phạm vi mà họ hiểu.
Với sự xuất hiện mạnh mẽ của Web ngữ nghĩa, Bản thể học (Ontology) ngày càng được
đề cập, sử dụng nhiều, không chỉ trong lĩnh vực Web ngữ nghĩa mà còn trong nhiều lĩnh
vực khác cần có nguồn thơng tin giàu ngữ nghĩa do Ontology đem lại, phục vụ cho nhu cầu
thực hiện các suy diễn và các thuật toán một cách tốt hơn. Bản thể học được sử dụng để:
Người và máy có thể hiểu, chia sẻ thơng tin và làm việc với nhau; Kích hoạt tính năng tái
sử dụng kiến thức miền. Các lĩnh vực ứng dụng của Bản thể học: Xử lý ngôn ngữ tự nhiên;
Hệ thống thông tin thông minh; Open Data Semantic Web-Liên Kết; Semantic Web Semantic Search, vv.
Bài báo được tổ chức như sau, Phần 2 giới thiệu một vài nghiên cứu có liên quan đến hệ
thống hỗ trợ người học và các nghiên cứu về Ontology liên quan đến người học. Phần 3
giới thiệu một số khái niệm, và cách tiếp cận hệ thống hỗ trợ. Phần 4 đưa ra một số kết quả
dự kiến đạt được cũng như triển vọng trong tương lai.

2 Cơng trình Liên quan
Hiện nay đã có rất nhiều nghiên cứu liên quan đến các hệ thống hỗ trợ, hệ thống tư vấn, hệ
thống học thích nghi, hệ thống phục vụ đào tạo trực tuyến, vv. Phân tích xu thế phát triển,
tập trung ở hai khía cạnh: phát triển các hệ thống quản trị nội dung học và phát triển các hệ
thống quản trị học, đào tạo liên quan đến điện tử sẽ theo ba xu hướng [5,25]:
i) Xây dựng khóa học điện tử hồn chỉnh: Phát triển về mặt hệ thống, xây dựng LMS

(Learning Management System - Hệ thống quản trị học tập) để phát triển mơ hình đào
tạo dựa trên cơng nghệ web tồn diện, từ đó tạo ra các khóa học trực tuyến hoàn chỉnh,
độc lập để tăng thêm hiệu quả cho những LMS này, nội dung các bài giảng phải dễ
hiểu, dễ truyền đạt, sử dụng đa phương tiện để tăng chất lượng đào tạo.
ii) Xây dựng khóa học theo chuẩn: Phát triển về mặt nội dung, nâng cấp các chuẩn
nội dung, hướng tới một chuẩn phù hợp với yêu cầu chung của đào tạo điện tử thế giới
và mang đầy đủ các đặc tính thỏa mãn yêu cầu của thời đại đó là khả năng sử dụng lại,
tính tương thích, tính khả chuyển, tính thích nghi, vv. Một chuẩn nội dung đầy đủ các
hiệu quả sẽ là động lực phát triển đào tạo điện tử theo bề rộng bằng cách phân phối nội
dung học trên toàn thế giới qua mạng Internet. Đây cũng là tiền đề để tạo ra trung tâm
phân phối tri thức chung cho tất cả LMS, LCMS (Learning Content Management System - Hệ thống quản trị nội dung học). Đến lúc đó chi phí con người phải trả cho giáo
dục và đào tạo sẽ giảm tối đa mà chất lượng, hiệu quả lại tăng rõ rệt.


Hệ thống Trợ giúp Học tập Thích nghi Dựa trên Bản thể học

17

iii) Xây dựng khóa học theo nhu cầu người học: Phát triển về nội dung, cộng đồng
đào tạo điện tử thế giới đang xây dựng một mơ hình chuẩn để sắp xếp và điều hướng
nội dung học hiệu quả, tạo khóa học động phù hợp với đặc trưng của từng học viên.
Trong quá trình phát triển các chuẩn nội dung, các tổ chức cũng đề xuất ra mô hình
điều hướng và sắp xếp. Trong tương lai, khi các chuẩn nội dung phát triển đến giai
đoạn ổn định và thích nghi, mơ hình sắp xếp và điều hướng nội dung sẽ được chuẩn
hóa và tích hợp vào chuẩn nội dung. Hiện nay, chuẩn SCORM (Shareable Content Object Reference Model- Chuẩn mơ tả đối tượng nội dung có thể chia sẻ được) cũng đang
chỉnh sửa và nâng cấp để đáp ứng yêu cầu này, nhưng khả năng điều hướng trong
SCORM vẫn chưa linh hoạt và chưa thực sự hiệu quả.
Ở Việt Nam, các nghiên cứu trong 10 năm gần đây, tập trung vào việc phát triển nội
dung học tập trên nền tảng đào tạo điện tử.
Nhìn chung, sự phát triển đào tạo điện tử tại Việt Nam đang trong giai đoạn khởi đầu.

Các vấn đề lớn gặp phải ở đây là việc xây dựng các qui chuẩn trong đào tạo điện tử, xây
dựng cơ sở hạ tầng công nghệ thông tin, các chính sách áp dụng đào tạo điện tử trong hoạt
động giáo dục đào tạo.
Đại học Quốc gia Hà Nội cũng đã và đang nghiên cứu và triển khai dự án "Đầu tư xây
dựng hạ tầng kỹ thuật CNTT, phát triển công nghệ phần mềm, đổi mới phương pháp giảng
dạy và học tập, xây dựng mơ hình đại học điện tử".
Trung tâm Tin học thuộc Bộ Giáo dục và Đào tạo, với sự hợp tác của Công ty HewlettPackard VN, đã xây dựng cổng đào tạo trực tuyến đầu tiên và chính thức hoạt động tại địa
chỉ vào sáng 1/1/2005. Cổng đào tạo trực tuyến này cung cấp các hiểu
biết cơ bản về đào tạo điện tử, cùng các lời khuyên có giá trị về việc nghiên cứu và triển
khai đào tạo điện tử.
Cho đến nay, nhiều trường đại học trong cả nước đã triển khai phần mềm đào tạo điện tử
sử dụng công nghệ mã nguồn mở. Theo thống kê trên trang web chính thức của Moodle tại
địa chỉ , hiện có 154 đơn vị đã sử dụng hệ thống này.
Trường Đại học Công nghệ, Đại học quốc gia Hà Nội đã phát triển hệ thống đào tạo điện
tử để trợ giúp cho việc dạy và học. Sinh viên có thể truy cập website mơn học để lấy thông
tin học tập theo tài khoản cá nhân. Hệ thống đào tạo điện tử này cho đến nay đã trợ giúp
đắc lực cho thầy và trò Trường Đại học Công nghệ, nhưng vẫn chưa thực sự linh hoạt cũng
như chưa tận dụng hết các khả năng của đào tạo điện tử.
ĐH Tự nhiên, ĐH Quốc gia TPHCM đã triển khai Dự án sản xuất thử nghiệm cấp trọng
điểm, năm 2008 “Mơ hình đặc trưng người dùng phục vụ đào tạo trực tuyến” (User Profile
E-learning).
Cao Tuấn Dũng và cộng sự đã tìm hiểu việc “Xây dựng một cổng thơng tin y tế cộng
đồng dựa trên Ontology” [10]
Theo nghiên cứu về hướng phát triển và sử dụng Internet và Web (Hình 1-2), Web được
phát triển theo bốn giai đoạn chính: (1) Web 1.0 thực hiện kết nối thông tin, (2) Web 2.0
kết nối người và người, (3) Web 3.0 kết nối tri thức, và (4) Web 4.0 kết nối mang tính
thơng minh; trong tương lai gần và xa hơn (đến năm 2030), nhu cầu chính của việc sử dụng
Internet và Web liên quan đến các dịch vụ theo hướng tích hợp và có sự trợ giúp thơng
minh.
Phần tiếp theo của bài báo, chúng tơi trình bày một cái nhìn tổng quan của các mơ hình

người sử dụng, mơ hình thích nghi và Hệ thống hỗ trợ thông minh.


18

Đặng Kiên Cường

Hình. 1. Xu hướng sử dụng Web (Nguồn: Nova Spivack and Radar Networks)[4].

Hình. 2. Trạng thái nghiên cứu sử dụng của Web ngữ nghĩa (Nguồn: Courtesy of Mills Davis, Project10X; source: Nova Spivack, Radar Networks and John Breslin, DERI)[4].

3 Cách Tiếp cận
3.1 Mơ hình Người Sử dụng, Mơ hình Thích nghi, Hệ thống Hỗ trợ Thơng minh
Sergey Sosnovsky [8] đã tổng kết lịch sử phát triển của mô hình người sử dụng với bốn giai
đoạn cùng với đặc trưng chính của mỗi giai đoạn, trong đó những năm 2000 sẽ theo xu
hướng mới với hai sáng kiến chính trong phát triển Web – Mạng Xã hội (Web 2.0) [11] và
Web Ngữ nghĩa ảnh hưởng đến sự phát triển của cơng nghệ mơ hình người sử dụng trên
Web đồng thời bị ảnh hưởng do sự phát triển của các thiết bị điện thoại di động và công
nghệ không.
Học tập là một trong những lĩnh vực quan trọng nhất trên thế giới để thúc đẩy sáng tạo ý
tưởng về giáo dục và nghiên cứu. Trong đó, việc xây dựng kế hoạch học tập thật sự là vấn
đề quan trọng. Đặc biệt, hoạt động dạy và học trên mạng ngày càng trở nên phổ biến do
ứng dụng rộng rãi những thành tựu của cơng nghệ thơng tin, đặc biệt khi có sự phát triển
của công nghệ Internet. Gần đây, việc tự học, chuẩn bị kiến thức qua mạng đã trở thành


Hệ thống Trợ giúp Học tập Thích nghi Dựa trên Bản thể học

19

một nhu cầu của người học nhằm tiếp thu kiến thức hiệu quả, rút ngắn thời gian, không
gian học tập cũng như để đạt được kiến thức mong muốn phù hợp với bản thân.
Để đáp ứng nhu cầu đó, các hệ thống đào tạo điện tử (E-learning) được phát triển và
triển khai ứng dụng rộng rãi. Sự phát triển của E-learning làm nảy sinh nhiều vấn đề cần
được nghiên cứu và giải quyết. Trong đó, vấn đề làm thế nào để tạo được những khóa học
E-learning hiệu quả, xây dựng được những chương trình học phù hợp đáp ứng được nhu
cầu của người học đang được nhiều nhà khoa học quan tâm nghiên cứu.

Hình. 3. Mơ hình phủ kiến thức cho sinh viên [6]

Mơ hình phủ [6] (Hình 3) được sử dụng phổ biến trong việc thể hiện các miền kiến thức
thành các môđun theo chủ đề hay khái niệm cụ thể, để có thể định lượng mức độ hiểu biết
các khái niệm của người học một cách độc lập.
Theo Stuart E. Middleton [12], Hồ sơ người học thường dựa trên tri thức hoặc hành vi
[24]. Mơ hình hồ sơ người học là một hướng nghiên cứu được quan tâm nhiều trong thời
gian gần đây. Chúng tôi sử dụng hướng tiếp cận Bản thể học để biểu diễn mơ hình hồ sơ
người học. Hướng tiếp cận này thay vì sử dụng các phương pháp biểu diễn tri thức khác
như: Sử dụng bộ ba giá trị (Đối tượng - Thuộc tính - Giá trị), Khung, Logic mờ, Mạng ngữ
nghĩa bởi ngoài việc cung cấp bộ từ vựng chung về miền tri thức, bản thể học còn cung cấp
mối quan hệ giữa mô tả ràng buộc giữa các từ vựng, kết hợp được các phương pháp biểu
diễn tri thức khác nhau để biểu diễn đối tượng, ràng buộc, quan trọng hơn Bản thể học là
một công nghệ mô tả tri thức ngữ nghĩa một cách hình thức, có thể chia sẻ trên Web, máy
có thể hiểu và xử lý tự động. Các vấn đề cần xác định đề biểu diễn mơ hình nội dung dựa
trên bản thể học gồm có: Xác định các lớp và các đối tượng, các thuộc tính và mối quan hệ
giữa chúng. Các yếu tố này được trình bày trong phần kiến trúc của mơ hình hình hồ sơ
người học trong Hình 4.
Trong Hình 4, hình elíp thể hiện các khái niệm, hình chữ nhật thể hiện nhiệm vụ, mũi tên
liền nét biểu diễn mối quan hệ tiên quyết, mũi tên đứt nét biểu diễn mối quan hệ thành
phần. Thông qua quan hệ giữa các khái niệm, nhiệm vụ, trên cơ sở đánh giá khái niệm Ci
hệ thống đưa ra mức độ của khái niệm C; đề hồn thành một chủ đề T thì phải hồn thành

các nhiệm vụ Tj1, Tj2, …Tjm (ví dụ trong học tập, để hồn thành một mơn học thì phải có các
môn tiên quyết, các môn học tự chọn).
Một hệ thống hỗ trợ cố vấn học tập thơng minh có quan hệ mật thiết với sự thích nghi
của người học (Hình 5) tham gia trong hệ thống học tập. Những thông tin hay kiến thức về
một khái niệm nào đó trong một môn học sẽ được phân chia thành nhiều phần và mỗi phần
sẽ được liên kết với một điều kiện cụ thể về trình độ của người học. Sau đó, tùy theo trình
độ được thể hiện trong hồ sơ của từng cá nhân mà hệ thống sẽ áp dụng những luật thích


20

Đặng Kiên Cường

nghi tương ứng nhằm cung cấp những phần nội dung thông tin hay kiến thức về khái niệm
cùng với cách trình bày một cách phù hợp nhất [13,14].
T
T1
T11
C1

T2
T12

C2

C6
C5

C3

T3

C4

C7
C10

C9
C8

Hình. 4. Mơ hình hồ sơ người học [21]

Hình. 5. Mơ hình thích nghi [13]

Hệ thống trợ giảng thơng minh - Intelligent Tutoring System (ITS) là một hệ thống cung
cấp hướng dẫn sửa đổi hoặc trả lời trực tiếp cho sinh viên [19]. Khi thực hiện một tác vụ,
ITS trả lời sinh viên mà không cần sự can thiệp của con người. ITS có thể đóng vai trị
quan trọng trong nhiều lĩnh vực khác nhau. Đặc biệt là hệ thống chuyên gia xây dựng để tái
tạo các đặc điểm của một người giáo viên. ITS bao gồm bốn hệ thống (module) con. Chẳng
hạn như: các module giao diện, các module chuyên gia, module sinh viên, và module trợ
giảng như thể hiện trong Hình 6.
Các module giao diện hỗ trợ sinh viên tương tác với hệ thống, thường thông qua một
giao diện người dùng đồ họa. Các module chuyên gia minh họa kiến thức trong các chủ đề
trọng tâm được ITS giảng dạy. Module còn chỉ định một đại diện chuyên gia kiểm soát một
loại kiến thức của đối tượng. Các module sinh viên điều khiển mô tả sự hiểu biết hoặc các
hoạt động của sinh viên, đồng thời cũng lưu giữ những đặc điểm “quan niệm sai lầm” và
những “khoảng trống” trong kiến thức sinh viên. Các module trợ giảng nắm giữ những kiến
thức sinh viên yêu cầu. Module này có hành động “chữa bệnh”, ví dụ như đưa ra phản hồi
hoặc khắc phục giảng dạy. Để đạt được điều này, nó địi hỏi kiến thức về những gì một
người giáo viên sẽ làm trong những điều kiện như thế.

Hệ thống Trợ giúp Học tập Thích nghi Dựa trên Bản thể học

21

Hình. 6. Kiến trúc chung của hệ thống ITS [15]

3.2 Cơ sở Tri thức Sử dụng Bản thể học
Trong bối cảnh về hướng phát triển và sử dụng Internet và Web, cũng như sự phát triển các
mơ hình người sử dụng, và đặc biệt là hiện nay các trường ĐH ở Việt Nam đã chuẩn bị để
chuyển sang hồn tồn theo học chế tín chỉ, nghiên cứu có thể giải quyết hai vấn đề: (1)
Lưu trữ hồ sơ của người học, phân loại người học để tăng hiệu quả việc lựa chọn nội dung
học tập cho từng người học và (2) Cung cấp các mảng kiến thức theo nhiều lĩnh vực khác
nhau (giống như các hệ chuyên gia). Hệ thống đề xuất có thể đóng vai trị của giáo viên trợ
giảng để có thể cung cấp cho người học nhiều gợi ý chính xác hơn dựa trên luồng hồ sơ
người học mà hệ thống cung cấp. Hơn thế nữa, sinh viên có thể giao tiếp với hệ thống “trợ
giảng” này bất cứ khi nào và ở đâu mà họ muốn vì đây là hệ thống sử dụng trên Internet.
Hệ thống này cịn là một cơng cụ giúp cho cố vấn học tập giám sát sinh viên cũng như giảm
bớt gánh nặng cho cố vấn học tập trong việc trả lời các câu hỏi của sinh viên [21].
Khi đã có các miền tri thức của người học, phân loại người học, chương trình học, cần
phải tích hợp các tri thức thành một miền tri thức tích hợp để sử dụng (Hình 6) [22,24].
Kiến trúc mơ hình người sử dụng dựa trên bản thể học dựa trên một định nghĩa rõ ràng
cung cấp bởi người dùng thơng qua trình soạn thảo hồ sơ người dùng và một phần duy trì
bởi các dịch vụ thơng minh (Hình 7). Các dịch vụ thơng minh có hai vai trị chính trong hệ
thống: (1) Cập nhật và duy trì các mơ hình người sử dụng trên cơ sở dữ liệu sử dụng thông
qua việc áp dụng một số chẩn đoán, (2) Cung cấp các dịch vụ cá nhân dựa trên các đặc tính
của người sử dụng (ví dụ như quan điểm cá nhân được tạo ra và trình bày cho người sử
dụng).
Kiến trúc của hệ thống mơ hình người sử dụng dựa trên bản thể học tích hợp ba bản thể

học khác nhau:
 User Ontology cấu trúc đặc điểm khác nhau của người sử dụng và mối quan hệ
người dùng.
 Domain Ontology định nghĩa miền, các khái niệm ứng dụng cụ thể và mối
quan hệ giữa chúng.
 Log Ontology định nghĩa ngữ nghĩa của người dùng tương tác với hệ thống.
Kỹ thuật Ontology cho mơ hình người sử dụng, theo Sergey Sosnovsky [5], thể hiện mối
quan hệ giữa các công nghệ tương ứng từ các lĩnh vực của người sử dụng mơ hình hóa và


22

Đặng Kiên Cường

Web-bản thể học. Mơ hình đã nghiên cứu về việc ánh xạ các loại dữ liệu phân biệt, tuy
nhiên chưa giải quyết được vấn đề sắp xếp trong các hệ thống khác nhau.

Hình. 7. Lược đồ tổng quan của tích hợp tri thức [4]

Hình. 8. Hệ thống mơ hình người sử dụng dựa trên Ontology [17]

4 Kết luận
Chúng tơi đã giới thiệu một vài nghiên cứu có liên quan đến các hệ thống hỗ trợ người học
và các nghiên cứu về Ontology liên quan đến người học, đồng thời giới thiệu một số khái
niệm, và cách tiếp cận. Để từ đó xác định hướng nghiên cứu và kết quả dự kiến đạt được
trong tương lai.
Nghiên cứu được thực hiện liên quan tới các lĩnh vực: Lý thuyết đồ thị, Mạng xác suất
Bayes, Lọc Kalman, Máy học, Trí tuệ nhân tạo, và Ontology để biểu diễn mơ hình đặc

Hệ thống Trợ giúp Học tập Thích nghi Dựa trên Bản thể học

23

trưng người học, mơ hình nội dung khóa học, mơ hình hỗ trợ và cơ chế thích nghi tạo các
chương trình học theo nhu cầu người học. Các nghiên cứu về qui trình phân tích, thiết kế,
xây dựng hệ thống phần mềm hướng đối tượng sẽ được sử dụng trong hệ thống hỗ trợ học
tập thích nghi. Các công cụ, kỹ thuật trong triển khai ứng dụng trên nền Web trong xây
dựng mơ hình hệ thống và triển khai thử nghiệm.
Chúng tôi dự kiến sẽ đạt được một số kết quả về mặt lý thuyết (nghiên cứu, xây dựng
mơ hình) và cơng nghệ (mơ hình, qui trình) dựa trên việc khảo nghiệm đánh giá trên 300
sinh viên theo học chuyên ngành liên quan đến công nghệ thông tin, một chương trình học
tập trong lĩnh vực cơng nghệ thơng tin và 10 cố vấn học tập.

Tài liệu Tham khảo
1. Lee Y., Driscoll M.P, Nelson D.W: The Past, Present and Future of Research in Distance Education: Result of a Content Analysis. In: The American Journal of Distance Education, Vol. 18(4)
(2004).
2. Brooks C., Greer J.: Combining ITS and eLearning Technologies: Opportunities and Challenges.
In: The 8th International Conference on Intelligent Tutoring Systems, TAIWAN (2006).
3. Beck, J., Stern, M., & Haugsjaa, E.: Applications of AI in education. ACM Crossroads,3 (1), 1115 (1996).
4. Ngoc Thanh Nguyen: Advanced Methods for Inconsistent Knowledge Management. e-ISBN 9781-84628-889-0, Springer-Verlag London Limited (2008).
5. Anh NV: Một mơ hình tạo khóa học thích nghi trong đào tạo điện tử. Ph.D thesis, DH Công nghệ
Hà Nội (2010)
6. Brusilovsky, P.: Methods and Techniques of Adaptive Hypermedia. User Modeling and User
Adapted Interaction. 6, 87–129. [cited at p. vii, 2, 12, 13, 14, 73, 99] (1996).
7. Trong Hai Duong, Geun Sik Jo, Jason J. Jung, Ngoc Thanh Nguyen: Complexity Analysis of
Ontology Integration Methodologies: a Comparative Study. In: Journal of Universal Computer
Science, vol. 15, no. 4,877-897(2009).
8. Sergey Sosnovsky: Ontological Technologies for User Modeling. Ph. D thesis, School of Information Sciences, University of Pittsburgh, US.
9. Ngoc Thanh Nguyen, Jason J. Jung, Trong Hai Duong: Complexity Analysis of Ontology Integration Methodologies:a Comparative Study. In: Journal of Universal Computer Science, vol. 15,

no. 4, 877-897, (2009).
10. Cao Tuấn Dũng, Lê Tấn Hùng, Tạ Tuấn Anh, Đăng Văn Chuyết, Nguyễn Hồng Phương: Xây
dựng một cổng thơng tin y tế cộng đồng dựa trên Ontology. Hội nghị ứng dụng công nghệ thông
tin ngành y tế lần thứ 5 (2009).
11. Duong Trong Hai, Nguyen Ngoc Thanh, Jo Geun Sik: A HYBRID METHOD FOR
INTEGRATING MULTIPLE ONTOLOGIES. Cybernetics and Systems, 40: 2, 123 — 145,
(2009).
12. Stuart E. Middleton, David De Roure, and Nigel R. Shadbolt: Ontology-Based Recommender
Systems. IT Innovation Centre, University of Southampton, Southampton SO16 7NP, UK.
13. Alfred Kobsa: Generic User Modeling Systems. The Adaptive Web, LNCS 4321, pp. 136 – 154,
2007. Springer-Verlag Berlin Heidelberg (2007).
14. Safdar Ali Soomro, Abdul Ghafoor Memon, Safeeullah Soomro: Pre-Generation of Student
Module in Intelligent Tutoring System. In: Journal of Information & Communication Technology
Vol. 5, No. 1, 12-21(Spring 2011).
15. C.J.Butz, S.Hua, R.B.Maguire, Bits: a Bayesian Intelligent Tutoring System For Computer Programming. Department of Computer Science, University of Regina, SK, Canada.