Chiếu ontology là gì? Các bài nghiên cứu khoa học liên quan

Định nghĩa chiếu ontology

Chiếu ontology (ontology mapping) là quá trình xác lập các phép ánh xạ giữa các thực thể tương ứng (lớp, thuộc tính, quan hệ, cá thể) trong hai hay nhiều ontology độc lập. Mục đích của chiếu là tìm ra những điểm tương đồng về mặt ngữ nghĩa giữa các thành phần của các hệ tri thức không đồng nhất, từ đó hỗ trợ khả năng tích hợp dữ liệu, suy diễn qua các miền tri thức khác nhau và tăng khả năng tương tác giữa các hệ thống thông tin.

Quá trình chiếu có thể đơn giản như xác định rằng một lớp “Người” trong ontology A tương ứng với lớp “HumanBeing” trong ontology B, hoặc phức tạp hơn như ánh xạ các mối quan hệ có cấu trúc hoặc ngữ nghĩa khác nhau nhưng biểu diễn cùng một khái niệm trong miền ứng dụng. Kết quả của chiếu thường được biểu diễn dưới dạng một tập hợp các cặp ánh xạ có cấu trúc cụ thể.

Chiếu ontology là một khâu thiết yếu trong kiến trúc Web ngữ nghĩa và hệ thống dữ liệu liên kết (linked data), góp phần thúc đẩy khả năng liên kết tri thức ở quy mô lớn, chẳng hạn như giữa các tập dữ liệu y học, sinh học, thương mại điện tử hoặc hành chính công.

Phân biệt chiếu, liên kết và hợp nhất ontology

Chiếu ontology thường bị nhầm lẫn với các khái niệm liên quan như liên kết ontology (ontology alignment) và hợp nhất ontology (ontology merging), tuy cả ba đều phục vụ cho mục tiêu kết nối và tích hợp tri thức. Sự khác biệt nằm ở mục đích, đầu ra và mức độ can thiệp vào cấu trúc ontology gốc.

Chiếu tập trung vào việc thiết lập các quan hệ giữa các thành phần tương ứng của hai ontology, mà không thay đổi hay trộn lẫn cấu trúc nội tại. Trong khi đó, liên kết (alignment) thường có ngữ nghĩa mạnh hơn, với kỳ vọng rằng các khái niệm được liên kết là hoàn toàn tương đương hoặc có quan hệ phân cấp rõ ràng. Hợp nhất (merging) là quá trình tạo ra một ontology mới bằng cách tích hợp toàn bộ hoặc một phần các ontology đầu vào.

Bảng sau minh họa các điểm khác nhau giữa ba khái niệm:

Tiêu chí	Chiếu (Mapping)	Liên kết (Alignment)	Hợp nhất (Merging)
Mục tiêu	Tìm quan hệ tương ứng	Tạo ánh xạ ngữ nghĩa	Tạo ontology mới
Đầu ra	Tập ánh xạ	Quan hệ OWL/RDF	Ontology tích hợp
Can thiệp cấu trúc	Không	Không hoặc nhẹ	Có

Vai trò của chiếu ontology trong web ngữ nghĩa

Trong kiến trúc Web ngữ nghĩa do W3C đề xuất (Semantic Web standards), chiếu ontology là cơ sở để kết nối các tập dữ liệu phi cấu trúc hoặc dị biệt ngữ nghĩa. Các ontology thường được biểu diễn dưới dạng OWL/RDFS và lưu trữ trong các triple store hoặc graph database như Apache Jena, Stardog hoặc Virtuoso.

Trong bối cảnh đó, chiếu giúp thiết lập các quan hệ như owl:sameAs, rdfs:subClassOf giữa các đối tượng từ các nguồn khác nhau. Nhờ đó, người dùng hoặc máy có thể truy vấn xuyên nguồn thông qua ngôn ngữ SPARQL và tổng hợp thông tin mà không cần chuẩn hóa thủ công.

Một ứng dụng cụ thể là trong hệ thống y tế: dữ liệu bệnh án được mã hóa theo ICD-10, trong khi dữ liệu gen được tổ chức theo SNOMED CT hoặc UMLS. Chiếu ontology cho phép ánh xạ các thực thể y học tương ứng, từ đó hỗ trợ suy diễn tri thức liên ngành phục vụ chẩn đoán và điều trị chính xác.

Các loại ánh xạ ngữ nghĩa

Chiếu ontology có thể bao gồm nhiều loại ánh xạ khác nhau, tùy vào mức độ tương đồng và ngữ nghĩa giữa các thực thể. Các loại ánh xạ phổ biến:

• Tương đương (equivalence): hai thực thể mô tả cùng một khái niệm — ví dụ: Person ≡ HumanBeing
• Quan hệ phân cấp (subsumption): một thực thể là lớp con của thực thể kia — Professor ⊆ Person
• Tương đồng một phần (partial match): hai thực thể có ngữ nghĩa giao nhau nhưng không hoàn toàn trùng lặp

Về mặt hình thức, các ánh xạ có thể được biểu diễn trong các tập hợp ba phần tử dưới dạng:

$(e_1,\ e_2,\ r)$

Trong đó $e_1 \in O_1$, $e_2 \in O_2$, và $r$ là loại ánh xạ (tương đương, phân cấp, tương đồng...). Mỗi ánh xạ được xử lý như một tiên đề (axiom) trong hệ thống logic mô tả DL (Description Logic) và có thể sử dụng trong các công cụ suy luận như Pellet hoặc HermiT.

Kỹ thuật chiếu ontology

Có nhiều phương pháp để thực hiện chiếu ontology, từ các thuật toán dựa trên đối sánh từ vựng (lexical matching) đến các kỹ thuật ngữ nghĩa và học máy tiên tiến. Việc lựa chọn kỹ thuật phụ thuộc vào đặc điểm của ontology, yêu cầu độ chính xác và khối lượng dữ liệu.

Các nhóm kỹ thuật chính bao gồm:

• Chiếu dựa trên từ vựng: So sánh nhãn (label), mô tả (comment), hoặc URI của thực thể bằng các thuật toán đo độ tương đồng như Levenshtein, Jaccard, Cosine, hoặc TF-IDF. Thường hiệu quả khi các ontology sử dụng ngôn ngữ giống nhau hoặc quy ước đặt tên tương tự.
• Chiếu dựa trên cấu trúc: Phân tích vị trí của thực thể trong đồ thị ontology, bao gồm các quan hệ kế thừa (subclass), thành phần (part-of), hoặc liên kết ngữ nghĩa khác để đánh giá mức độ tương đồng.
• Chiếu logic: Sử dụng các tiên đề OWL hoặc mô hình logic mô tả (Description Logic) để suy ra mối quan hệ giữa các thực thể. Đây là kỹ thuật chính xác nhưng yêu cầu khả năng biểu diễn hình thức mạnh.
• Chiếu học máy: Huấn luyện mô hình từ dữ liệu ánh xạ có nhãn (supervised learning), hoặc sử dụng embedding để biểu diễn khái niệm rồi đo khoảng cách trong không gian vector.

Một số công cụ tiêu biểu được sử dụng trong chiếu ontology:

Tên công cụ	Phương pháp chính	Nền tảng
MappAlign	Chiếu dựa trên từ vựng và DL	Web
AML	Kết hợp từ vựng và cấu trúc	Java
OntoBuilder	Đối sánh semi-automatic	Desktop
LogMap	Logic reasoning + repair	OWL API

Mô hình toán học của chiếu ontology

Chiếu ontology có thể được mô hình hóa hình thức bằng ánh xạ giữa các tập thực thể. Cho hai ontology $O_1$ và $O_2$, ánh xạ chiếu là một tập các bộ ba:

$M = \{ (e_1, e_2, r) \mid e_1 \in O_1,\, e_2 \in O_2,\, r \in R \}$

Trong đó $e_1$, $e_2$ là các thực thể (entity) trong hai ontology, và $r$ là loại ánh xạ (equivalent, subClassOf, relatedTo,...). Tập ánh xạ $M$ có thể được lưu trữ dưới dạng các RDF triple, hoặc biểu diễn trong OWL dưới dạng axioms. Ví dụ:

$Person_{O_1} \equiv HumanBeing_{O_2}$

Trong các hệ thống lớn, các ánh xạ được biểu diễn dưới dạng ma trận tương đồng hoặc đồ thị liên kết, từ đó áp dụng các thuật toán tìm ánh xạ tối ưu hoặc kiểm tra tính nhất quán (mapping consistency).

Ứng dụng thực tiễn

Chiếu ontology có vai trò thiết yếu trong nhiều lĩnh vực yêu cầu tích hợp tri thức và liên kết dữ liệu không đồng nhất. Một số ứng dụng tiêu biểu:

• Y học: Kết nối hệ mã ICD, SNOMED CT, LOINC qua các ontology y tế trung gian như UMLS (UMLS Metathesaurus).
• Sinh học: Tích hợp dữ liệu gen, biểu hiện protein và chức năng sinh học giữa Gene Ontology, UniProt, BioPortal.
• Thư viện số: Liên kết hệ thống phân loại DDC, LCSH và các từ điển chủ đề.
• Hành chính công: Hợp nhất dữ liệu thống kê, dân cư, y tế giữa các cơ quan chính phủ sử dụng ontology chuyên biệt.

Ngoài ra, chiếu ontology còn là nền tảng trong phát triển hệ tri thức mở (open knowledge graph), hệ thống khuyến nghị, trợ lý ảo và truy vấn liên miền trong các hệ thống big data.

Thách thức trong chiếu ontology

Chiếu ontology vẫn còn nhiều thách thức kỹ thuật và lý thuyết chưa được giải quyết hoàn toàn. Các vấn đề chính bao gồm:

• Không đồng nhất ngôn ngữ: Ontology được mô tả bằng các ngôn ngữ, ký hiệu, và chuẩn khác nhau khiến việc so sánh khó khăn.
• Độ mơ hồ ngữ nghĩa: Cùng một từ có thể có ý nghĩa khác nhau ở các miền ứng dụng khác nhau, gây ra ánh xạ sai.
• Quy mô lớn: Khi số lượng thực thể lên đến hàng triệu, việc chiếu toàn bộ trở nên tốn kém về thời gian và bộ nhớ.
• Tính nhất quán: Nhiều ánh xạ khi kết hợp có thể tạo ra mâu thuẫn logic, cần các cơ chế kiểm tra consistency và repair.

Việc đánh giá chất lượng ánh xạ cũng là một vấn đề mở. Bộ đo thường dùng gồm độ chính xác (precision), độ phủ (recall) và F1-score, nhưng đôi khi thiếu bộ ánh xạ chuẩn (gold standard) để tham chiếu.

Hướng phát triển tương lai

Nghiên cứu hiện nay hướng đến việc cải thiện tự động hóa và mở rộng khả năng chiếu trong môi trường tri thức phức tạp. Một số hướng đi nổi bật:

• Embedding ngữ nghĩa: Biểu diễn ontology bằng vector trong không gian tiềm ẩn để so khớp hiệu quả hơn.
• Chiếu đa ngôn ngữ: Tăng cường NLP để chiếu ontology mô tả bằng các ngôn ngữ khác nhau như Anh – Pháp – Trung.
• Học sâu và GNN: Áp dụng Graph Neural Networks để khai thác cấu trúc ontology như một đồ thị ngữ nghĩa học được.
• Chiếu thời gian thực: Phục vụ các hệ thống AI phản ứng nhanh như chatbot, trợ lý ảo, dịch vụ dữ liệu.

Một số nguồn dữ liệu lớn đang được dùng để thử nghiệm và đánh giá thuật toán chiếu như OpenKG, Ontology Lookup Service (OLS), và BioPortal.

Tài liệu tham khảo

1. Euzenat, J., & Shvaiko, P. (2013). Ontology Matching. Springer.
2. de Bruijn, J., et al. (2006). Ontology Mediation, Merging and Aligning. In Handbook on Ontologies. Springer.
3. W3C Semantic Web Standards
4. Unified Medical Language System (UMLS)
5. MappAlign: Ontology Alignment Framework
6. Open Knowledge Graph Alliance
7. Ontology Lookup Service (EBI)
8. BioPortal: Ontology Repository