Ngày 17/10, Trường Đại học Khoa học tự nhiên, ĐHQG-HCM đã tổ chức buổi bảo vệ luận án tiến sĩ cấp Trường cho nghiên cứu sinh (NCS.) Nguyễn Ngọc Trung, chuyên ngành Khoa học máy tính, với đề tài “Dự đoán sự kiện trên đồ thị tri thức thời gian”. Luận án được thực hiện dưới sự hướng dẫn khoa học của GS.TS. Bùi Xuân Hải (hướng dẫn chính) và TS. Bùi Xuân Bình Minh (hướng dẫn phụ). Hội đồng đánh giá luận án gồm PGS.TS. Võ Thị Ngọc Châu (phản biện 1), TS. Nguyễn Tiến Huy (phản biện 2) và PGS.TS. Phạm Duy Khánh (phản biện 3).
Đồ thị tri thức thời gian (Temporal Knowledge Graph – TKG) là phương pháp biểu diễn tri thức bằng cách gắn thông tin thời gian vào các quan hệ và sự kiện, qua đó mô hình hóa sự biến đổi của tri thức theo thời gian. Luận án tập trung nghiên cứu bài toán dự đoán sự kiện trên đồ thị tri thức thời gian, bao gồm hai hướng chính: nội suy, nhằm hoàn thiện các sự kiện hoặc liên kết còn thiếu trong khoảng thời gian đã quan sát; và ngoại suy, nhằm dự báo các sự kiện có thể xảy ra trong tương lai.
Để giải quyết bài toán này, NCS. Nguyễn Ngọc Trung đề xuất ba mô hình học biểu diễn và suy luận, hướng đến nâng cao hiệu quả khai thác thông tin thời gian và dự đoán sự kiện từ dữ liệu lịch sử.
Mô hình TBicomR được xây dựng trên không gian số phức kép, sử dụng cơ chế quay để biểu diễn đồng thời thực thể, quan hệ và thời gian trong đồ thị tri thức. Bằng cách kết hợp phép quay tròn và phép quay hyperbol, mô hình có khả năng biểu diễn nhiều dạng quan hệ, bao gồm đối xứng, phản đối xứng, nghịch đảo và các quan hệ có tính chu kỳ theo thời gian. Mô hình đạt độ phức tạp thời gian tuyến tính (O(d)), với (d) là số chiều nhúng, và được đánh giá trên các bộ dữ liệu chuẩn ICEWS14, ICEWS05-15, GDELT, YAGO11k và Wikidata12k.
Mô hình FTPComplEx phát triển phương pháp nhúng đồ thị tri thức thời gian dựa trên phân rã tensor, bổ sung cơ chế trọng số thời gian linh hoạt thông qua hai tham số điều khiển. Cơ chế này cho phép điều chỉnh mức độ ảnh hưởng của thông tin thời gian theo đặc điểm của từng bộ dữ liệu, trong khi duy trì độ phức tạp tương đương mô hình nền TPComplEx. Trên bộ dữ liệu YAGO15k, FTPComplEx cải thiện chỉ số MRR khoảng 9% và Hits@1 khoảng 11% so với mô hình nền trong cùng thiết lập đánh giá.
Mô hình HGCT (History Graph Convolution Transformer) được đề xuất cho bài toán ngoại suy, kết hợp kiến trúc Transformer và tích chập đồ thị để khai thác thông tin từ các sự kiện lịch sử phục vụ dự báo tương lai. Mô hình tích hợp Fact Graph Transformer để khai thác cấu trúc đồ thị lịch sử, Temporal Convolution Transformer để mã hóa thông tin thời gian và nắm bắt các mối phụ thuộc ngắn hạn, dài hạn, cùng bộ giải mã Query-ConvTransE để dự đoán sự kiện. Trên sáu bộ dữ liệu chuẩn gồm ICEWS14, ICEWS18, ICEWS05-15, GDELT, YAGO và WIKI, HGCT cải thiện các chỉ số Hits@k khoảng 4,33% và MRR khoảng 3,84% so với phương pháp tiên tiến được sử dụng để đối sánh, theo thiết lập đánh giá có lọc nhận biết thời gian.
Các mô hình được đánh giá thông qua những độ đo phổ biến trong lĩnh vực học máy và khai thác đồ thị tri thức, gồm Mean Reciprocal Rank (MRR), Hits@k và Mean Absolute Error (MAE). Kết quả nghiên cứu góp phần phát triển các phương pháp biểu diễn và dự đoán sự kiện trên đồ thị tri thức thời gian, đồng thời mở ra khả năng ứng dụng trong những lĩnh vực có dữ liệu biến động theo thời gian như tài chính, y tế, mạng xã hội, thương mại điện tử và an ninh mạng.
Bên cạnh các kết quả đạt được, luận án cũng xác định những hướng nghiên cứu tiếp theo, bao gồm xử lý dữ liệu quy mô lớn, dữ liệu nhiễu hoặc thiếu; phát triển phương pháp học biểu diễn trong môi trường thời gian liên tục; nâng cao khả năng giải thích của mô hình; tối ưu chi phí tính toán; và kết hợp dữ liệu đa phương thức với mô hình ngôn ngữ lớn.
Kết quả nghiên cứu của luận án đã được công bố trong ba bài báo trên các tạp chí quốc tế thuộc nhóm Q1, gồm Knowledge-Based Systems và Engineering Applications of Artificial Intelligence, cùng một báo cáo tại hội nghị quốc tế ESANN 2024.
Hội đồng chấm luận án đánh giá cao tính khoa học, sự sáng tạo và giá trị ứng dụng thực tiễn của đề tài, đồng thời nhất trí công nhận kết quả bảo vệ của NCS. Nguyễn Ngọc Trung.
Toàn văn luận án hiện được lưu trữ và phục vụ tra cứu tại Thư viện Trường Đại học Khoa học tự nhiên, ĐHQG-HCM, Thư viện Đại học Quốc gia TP.HCM và Thư viện Khoa học Tổng hợp TP.HCM.
