[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_d%E1%BB%B1%20%C4%91o%C3%A1n%20li%C3%AAn%20k%E1%BA%BFt{\"limit\":5}":3,"_public_topic_byId_dự đoán liên kết":40},{"code":4,"data":5,"meta":17},"SUCCESS",{"latest":6,"mostCited":7,"vietnamFeatured":38,"vietnamLatest":39},[],[8,24],{"publicationId":9,"title":10,"originalTitle":11,"authorNames":12,"authorCount":16,"journalName":17,"vietnamJournal":18,"publishDate":19,"publishYear":20,"totalCitation":17,"url":21,"doi":22,"summary":23},"70dca0e3-d9bf-41eb-88a6-a7d61ef75af6","Phân rã ma trận không âm sâu với bộ tạo cạnh để dự đoán liên kết trong các mạng phức tạp","Deep non-negative matrix factorization with edge generator for link prediction in complex networks",[13,14,15],"Yabing Yao","Yangyang He","Zhentian Huang",7,null,false,"2023-12-15",2023,"https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs10489-023-05211-1","10.1007\u002Fs10489-023-05211-1","\u003Cp>Cấu trúc mạng phức tạp quy mô lớn được phân tích qua mô hình phân rã ma trận không âm sâu \u003Ci>DNMF\u003C\u002Fi> kết hợp bộ sinh cạnh nhằm khắc phục ma trận kề thưa. Kỹ thuật \u003Cb class=\"publication-topic-keywords\">dự đoán liên kết\u003C\u002Fb> cấu trúc giúp \u003Cb>tăng chỉ số AUC thêm 4,2%\u003C\u002Fb> và nâng cao độ chính xác nhận diện cạnh tiềm ẩn trên đồ thị chuẩn. Đề xuất mang lại giải pháp khai phá đồ thị hữu hiệu, mặc dù chi phí huấn luyện mô hình sâu trên đồ thị hàng triệu nút còn tương đối cao.\u003C\u002Fp>",{"publicationId":25,"title":26,"originalTitle":27,"authorNames":28,"authorCount":31,"journalName":32,"vietnamJournal":18,"publishDate":33,"publishYear":34,"totalCitation":17,"url":35,"doi":36,"summary":37},"210715d2-22e6-44d3-a0c8-45fc0246d7e2","Phân tích có hệ thống về dự đoán liên kết trong mạng xã hội","A systemic analysis of link prediction in social network",[29,30],"Sogol Haghani","Mohammad Reza Keyvanpour",2,"Artificial Intelligence Review","2017-11-17",2017,"https:\u002F\u002Flink.springer.com\u002Farticle\u002F10.1007\u002Fs10462-017-9590-2","10.1007\u002Fs10462-017-9590-2","\u003Cp>Mạng xã hội trực tuyến \u003Ci>social network\u003C\u002Fi> đặt ra yêu cầu nhận diện các quan hệ mới dựa trên topo và thuộc tính nút mạng. Tổng quan hệ thống về kỹ thuật \u003Cb class=\"publication-topic-keywords\">dự đoán liên kết\u003C\u002Fb> phân loại các tiếp cận từ phương pháp tính điểm tương đồng đến mô hình \u003Ci>đồ thị nơ-ron GNN\u003C\u002Fi> hiện đại, giúp \u003Cb>làm rõ ưu thế của học sâu trong biểu diễn ngữ cảnh mạng\u003C\u002Fb>. Nghiên cứu định hình khung phân tích đồ thị toàn diện, song kịch bản mạng động theo thời gian thực vẫn cần hoàn thiện thêm.\u003C\u002Fp>",[],[],{"code":4,"data":41,"meta":17},{"id":42,"title":43,"description":44,"content":45,"term":46,"englishTitle":47,"synonyms":48,"definition":52,"discipline":53,"references":54,"faqs":75,"createUser":85,"publishUser":89,"keywords":93,"keywordCount":104,"enrichTopicLink":105,"status":106,"createTime":107,"updateTime":108,"publishTime":109,"linkEnrichedTime":110,"publicationScanTime":111,"contentErrorMessage":17,"viewCount":112,"relateTopics":113},"dự đoán liên kết","Dự đoán liên kết là gì? Ý nghĩa và ứng dụng chuyên sâu","Tìm hiểu Dự đoán liên kết (link prediction): định nghĩa khoa học chuẩn mực, cơ chế vận hành, các thông số thực nghiệm và ứng dụng chuyên sâu.","\u003Cp>\u003Cstrong>Dự đoán liên kết\u003C\u002Fstrong> (\u003Cem>link prediction\u003C\u002Fem>) là một bài toán nền tảng trong phân tích mạng lưới và học máy nhằm ước tính xác suất xuất hiện một kết nối mới hoặc nhận diện các liên kết bị thiếu giữa các nút trong đồ thị.\u003C\u002Fp>\n\u003Ch2>Giới thiệu\u003C\u002Fh2>\u003Cp>Dự đoán liên kết (link prediction) là nghiên cứu xác suất xuất hiện hoặc tồn tại một cạnh giữa hai nút trong đồ thị dựa trên cấu trúc hiện có và thông tin phụ trợ. Bài toán này có ý nghĩa then chốt trong nhiều lĩnh vực như hệ gợi ý (recommendation systems), phân tích mạng xã hội, sinh học tính toán và {{topic|%7B%22topic%22%3A%22an%20ninh%20m%E1%BA%A1ng%22%7D}}.\u003C\u002Fp>\u003Cp>Các ứng dụng điển hình bao gồm gợi ý bạn bè trên {{topic|%7B%22topic%22%3A%22m%E1%BA%A1ng%20x%C3%A3%20h%E1%BB%99i%22%7D}}, đề xuất sản phẩm mua sắm, dự đoán tương tác protein–protein và phát hiện lỗ hổng kết nối trong {{topic|%7B%22topic%22%3A%22m%E1%BA%A1ng%20m%C3%A1y%20t%C3%ADnh%22%7D}}. Hiệu quả dự đoán có thể tối ưu hóa trải nghiệm người dùng, nâng cao khả năng phát hiện mối quan hệ sinh học mới hoặc đảm bảo an toàn hạ tầng mạng.\u003C\u002Fp>\u003Cp>Phát triển link prediction xuất phát từ lý thuyết đồ thị cổ điển, trải qua giai đoạn heuristic truyền thống và đến gần đây bùng nổ với các phương pháp học máy trên đồ thị (graph machine learning). Đồ án, bài toán và bộ dữ liệu tiêu chuẩn như Cora, Citeseer và Facebook Social Graph đã đóng vai trò quan trọng trong việc đánh giá và so sánh các giải pháp dự đoán liên kết.\u003C\u002Fp>\u003Cul>\u003Cli>Ứng dụng Recommendation: gợi ý bạn bè, nội dung, sản phẩm (ACM RecSys).\u003C\u002Fli>\u003Cli>Phân tích mạng xã hội: phát hiện mối quan hệ ẩn và cộng đồng.\u003C\u002Fli>\u003Cli>Sinh học phân tử: dự đoán tương tác protein–protein và gene.\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>Định nghĩa và khái niệm cơ bản\u003C\u002Fh2>\u003Cp>Cho một đồ thị $G = (V, E)$, với tập đỉnh $V$ và tập cạnh $E$, mục tiêu của dự đoán liên kết là tính toán một hàm điểm $s: V \\times V \\to \\mathbb{R}$ sao cho với cặp nút $(u, v)\\notin E$, giá trị $s(u,v)$ biểu thị xác suất hoặc độ tin cậy của việc cạnh $(u,v)$ sẽ có trong tương lai hoặc là cạnh bị ẩn.\u003C\u002Fp>\u003Cp>Bài toán có thể được chia làm hai nhóm chính:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Link Prediction:\u003C\u002Fstrong> dự đoán các cạnh mới xuất hiện theo thời gian.\u003C\u002Fli>\u003Cli>\u003Cstrong>Missing Link Inference:\u003C\u002Fstrong> ước lượng các cạnh đã tồn tại nhưng bị ẩn do {{topic|%7B%22topic%22%3A%22d%E1%BB%AF%20li%E1%BB%87u%20thi%E1%BA%BFu%22%7D}} hoặc lỗi thu thập.\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Các phương pháp thường sử dụng điểm tương đồng (similarity score) dựa trên cấu trúc đồ thị hoặc embedding để xếp hạng các cặp nút. Việc so sánh và đánh giá được thực hiện thông qua các chỉ số như AUC-ROC, Precision@K hoặc Recall@K.\u003C\u002Fp>\u003Ch2>Mô hình đồ thị và đặc trưng\u003C\u002Fh2>\u003Cp>Đồ thị nghiên cứu có thể đa dạng về hướng và trọng số:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Đồ thị vô hướng (undirected):\u003C\u002Fstrong> cạnh không phân biệt chiều, ví dụ bạn bè trên mạng xã hội.\u003C\u002Fli>\u003Cli>\u003Cstrong>Đồ thị có hướng (directed):\u003C\u002Fstrong> cạnh có thứ tự, ví dụ theo dõi (follow) trên Twitter.\u003C\u002Fli>\u003Cli>\u003Cstrong>Đồ thị trọng số (weighted):\u003C\u002Fstrong> cạnh mang trọng số biểu thị mức độ liên kết.\u003C\u002Fli>\u003Cli>\u003Cstrong>Đồ thị đa lớp (heterogeneous):\u003C\u002Fstrong> nhiều loại nút và cạnh, ví dụ mạng kiến thức (knowledge graph).\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Các đặc trưng phổ biến chia làm hai nhóm:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Cục bộ (local):\u003C\u002Fstrong> chỉ số tập trung quanh nút, tính đơn giản và chi phí thấp.\u003C\u002Fli>\u003Cli>\u003Cstrong>Toàn cục (global):\u003C\u002Fstrong> sử dụng thông tin toàn đồ thị, độ chính xác cao nhưng tốn kém tính toán.\u003C\u002Fli>\u003C\u002Ful>\u003Cfigure>\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>Chỉ số\u003C\u002Fth>\u003Cth>Loại\u003C\u002Fth>\u003Cth>Mô tả\u003C\u002Fth>\u003Cth>Chi phí\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>Common Neighbors\u003C\u002Ftd>\u003Ctd>Cục bộ\u003C\u002Ftd>\u003Ctd>Số láng giềng chung giữa $u$ và $v$\u003C\u002Ftd>\u003Ctd>Thấp\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Katz Index\u003C\u002Ftd>\u003Ctd>Toàn cục\u003C\u002Ftd>\u003Ctd>Tính tổng các đường đi, giảm trọng số đường dài\u003C\u002Ftd>\u003Ctd>Cao\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>PageRank Sim\u003C\u002Ftd>\u003Ctd>Toàn cục\u003C\u002Ftd>\u003Ctd>Sử dụng điểm PageRank để tính gần gũi\u003C\u002Ftd>\u003Ctd>Trung bình\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Ffigure>\u003Ch2>Các phương pháp dự đoán liên kết\u003C\u002Fh2>\u003Cp>Phương pháp dự đoán liên kết phát triển qua ba thế hệ chính:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Heuristic-based:\u003C\u002Fstrong> sử dụng các chỉ số cục bộ hoặc toàn cục như Common Neighbors, Jaccard, Adamic–Adar, Katz (Stanford CS224W).\u003C\u002Fli>\u003Cli>\u003Cstrong>Embedding đồ thị:\u003C\u002Fstrong> DeepWalk, node2vec, LINE ánh xạ nút thành vector và tính cosine similarity hoặc dot product.\u003C\u002Fli>\u003Cli>\u003Cstrong>Graph Neural Networks:\u003C\u002Fstrong> GCN, GraphSAGE, GAT kết hợp học biểu diễn và phân lớp cạnh, cho hiệu suất cao trên mạng phức tạp.\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Mỗi nhóm phương pháp có ưu nhược khác nhau về độ chính xác, {{topic|%7B%22topic%22%3A%22kh%E1%BA%A3%20n%C4%83ng%20m%E1%BB%9F%20r%E1%BB%99ng%22%7D}} và yêu cầu tài nguyên tính toán. Việc lựa chọn cần cân bằng giữa chính xác và hiệu quả thực thi cho từng ứng dụng cụ thể.\u003C\u002Fp>\u003Ch2>Đánh giá chất lượng\u003C\u002Fh2>\u003Cp>Quy trình đánh giá phương pháp dự đoán liên kết thường bắt đầu bằng phân chia dữ liệu đồ thị thành hai tập: Etrain (tập huấn luyện) và Etest (tập kiểm thử), đồng thời thêm tập cạnh âm (negative edges) để cân bằng bài toán phân loại nhị phân. Kỹ thuật cross-validation theo thời gian (temporal split) được áp dụng khi dữ liệu có tính động, đảm bảo không rò rỉ thông tin trong tập huấn luyện.\u003C\u002Fp>\u003Cp>Các chỉ số đo lường phổ biến bao gồm AUC-ROC và Precision@K. AUC-ROC tính {{topic|%7B%22topic%22%3A%22di%E1%BB%87n%20t%C3%ADch%20d%C6%B0%E1%BB%9Bi%20%C4%91%C6%B0%E1%BB%9Dng%20cong%22%7D}} (ROC), thể hiện khả năng phân biệt cạnh có và không có bất kỳ ngưỡng nào:\u003C\u002Fp>\u003Cp>\u003Cscript type=\"math\u002Ftex\">\\mathrm{AUC} = \\int_0^1 \\mathrm{TPR}(FPR^{-1}(t))\\,dt\u003C\u002Fscript>\u003C\u002Fp>\u003Cp>Precision@K đánh giá tỷ lệ cạnh dự đoán đúng trong top K kết quả có điểm số cao nhất. Ngoài ra, Recall@K, F1-score và Mean Average Precision (MAP) cũng được sử dụng để đánh giá toàn diện {{topic|%7B%22topic%22%3A%22hi%E1%BB%87u%20su%E1%BA%A5t%20m%C3%B4%20h%C3%ACnh%22%7D}} trên các mức ngưỡng khác nhau.\u003C\u002Fp>\u003Cfigure>\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>Metric\u003C\u002Fth>\u003Cth>Mô tả\u003C\u002Fth>\u003Cth>Ưu điểm\u003C\u002Fth>\u003Cth>Hạn chế\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>AUC-ROC\u003C\u002Ftd>\u003Ctd>Diện tích dưới ROC curve\u003C\u002Ftd>\u003Ctd>Không phụ thuộc ngưỡng\u003C\u002Ftd>\u003Ctd>Không tập trung vào top K\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Precision@K\u003C\u002Ftd>\u003Ctd>Tỷ lệ cạnh đúng trong top K\u003C\u002Ftd>\u003Ctd>Phù hợp ứng dụng gợi ý\u003C\u002Ftd>\u003Ctd>Cần chọn K hợp lý\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>MAP\u003C\u002Ftd>\u003Ctd>Trung bình của AP ở từng nút\u003C\u002Ftd>\u003Ctd>Đánh giá toàn diện\u003C\u002Ftd>\u003Ctd>Tính toán phức tạp\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Ffigure>\u003Ch2>Ứng dụng thực tiễn\u003C\u002Fh2>\u003Cp>Trong hệ gợi ý (recommendation systems), dự đoán liên kết giúp đề xuất bạn bè, sản phẩm hoặc nội dung phù hợp cho người dùng. Ví dụ, Amazon sử dụng kết hợp embedding đồ thị và GNN để dự đoán quan hệ mua hàng tiếp theo, cải thiện doanh thu và {{topic|%7B%22topic%22%3A%22tr%E1%BA%A3i%20nghi%E1%BB%87m%20ng%C6%B0%E1%BB%9Di%20d%C3%B9ng%22%7D}} (ACM RecSys).\u003C\u002Fp>\u003Cp>Trong sinh học tính toán, link prediction được áp dụng để suy đoán tương tác protein–protein (PPI) hoặc gene–disease, hỗ trợ phát hiện cơ chế bệnh lý mới. Nghiên cứu trên mạng PPI của con người cho thấy node2vec và GCN giúp cải thiện độ nhạy phát hiện liên kết ẩn lên hơn 15% so với heuristic cổ điển (Elsevier).\u003C\u002Fp>\u003Cp>An ninh mạng tận dụng phương pháp này để phát hiện kết nối đáng ngờ giữa các thiết bị hoặc luồng dữ liệu, hỗ trợ phát hiện tấn công hoặc lỗ hổng cấu trúc. Ứng dụng trong mạng lưới blockchain cũng sử dụng graph embedding để dự đoán giao dịch gian lận hoặc rửa tiền.\u003C\u002Fp>\u003Ch2>Thách thức và hạn chế\u003C\u002Fh2>\u003Cp>Độ lớn và tính động của các mạng thực tế gây áp lực lớn về tính toán và lưu trữ. Với đồ thị chứa hàng chục triệu nút và hàng trăm triệu cạnh, thuật toán toàn cục như Katz không thể áp dụng trực tiếp, trong khi embedding và GNN đòi hỏi GPU mạnh và tối ưu hoá memory.\u003C\u002Fp>\u003Cp>Bias dữ liệu là thách thức khác: các nút có độ lớn cao (hubs) thường dễ được dự đoán liên kết mới hơn, tạo ra sự ưu tiên không công bằng và làm giảm tính đa dạng của kết quả. Giải pháp bao gồm sampling cạnh âm thông minh và điều chỉnh loss function để cân bằng đóng góp của các nút độ thấp (ArXiv).\u003C\u002Fp>\u003Cp>Cuối cùng, mạng đa dạng loại nút và cạnh (heterogeneous networks) đòi hỏi mô hình có khả năng {{topic|%7B%22topic%22%3A%22x%E1%BB%AD%20l%C3%BD%20th%C3%B4ng%20tin%22%7D}} thuộc tính (node attributes) và ngữ cảnh thời gian (temporal dynamics), làm tăng độ phức tạp trong {{topic|%7B%22topic%22%3A%22thi%E1%BA%BFt%20k%E1%BA%BF%20ki%E1%BA%BFn%20tr%C3%BAc%22%7D}} và huấn luyện.\u003C\u002Fp>\u003Ch2>Xu hướng nghiên cứu tương lai\u003C\u002Fh2>\u003Cp>Sự bùng nổ của Graph Transformer và cơ chế attention trên đồ thị hứa hẹn nâng cao khả năng học biểu diễn phức hợp và xử lý mạng có tính đa lớp (heterogeneous). Các nghiên cứu mới như Graphormer đã chứng minh hiệu suất vượt trội trên benchmark link prediction (ArXiv).\u003C\u002Fp>\u003Cp>Sử dụng siêu đồ thị (hypergraph) và thông tin phụ trợ (node attributes, edge features, temporal data) để xây dựng mô hình đa ngã đường con đường tín hiệu, giúp capture tương tác đa chiều và dự đoán chính xác liên kết trong mạng phức tạp.\u003C\u002Fp>\u003Cp>Xu hướng AutoML trên đồ thị (AutoGraph) nhằm tự động tìm kiến trúc GNN và embedding thích hợp, giảm thiểu tác vụ điều chỉnh siêu tham số và nâng cao tính khả dụng cho người dùng phi chuyên gia (ACM).\u003C\u002Fp>","Dự đoán liên kết","link prediction",[47,49,50,51],"dự đoán cạnh đồ thị","link prediction graph","phân tích mạng lưới phức tạp","Dự đoán liên kết là một bài toán nền tảng trong phân tích mạng lưới và học máy nhằm ước tính xác suất xuất hiện một kết nối mới hoặc nhận diện các liên kết bị thiếu giữa các nút trong đồ thị.","ENGINEERING_TECHNOLOGY",[55,62,69],{"citationText":56,"title":57,"authors":58,"source":59,"year":60,"doi":61,"url":17},"Bhuvaneswari (2025). Graph Neural Networks for Security Analysis of Complex Network Architectures. Machine Learning and Deep Learning Techniques for Cybersecurity Risk Prediction and Anomaly Detection.","Graph Neural Networks for Security Analysis of Complex Network Architectures","Bhuvaneswari, Ranjitha, Meenakshi","Machine Learning and Deep Learning Techniques for Cybersecurity Risk Prediction and Anomaly Detection",2025,"10.71443\u002F9789349552043-15",{"citationText":63,"title":64,"authors":65,"source":66,"year":67,"doi":68,"url":17},"Ayoub (2022). Link prediction using betweenness centrality and graph neural networks. Social Network Analysis and Mining.","Link prediction using betweenness centrality and graph neural networks","Ayoub, Lotfi, Hammouch","Social Network Analysis and Mining",2022,"10.1007\u002Fs13278-022-00999-1",{"citationText":70,"title":71,"authors":72,"source":73,"year":67,"doi":74,"url":17},"Zhang (2022). Graph Neural Networks: Link Prediction. Graph Neural Networks: Foundations, Frontiers, and Applications.","Graph Neural Networks: Link Prediction","Zhang","Graph Neural Networks: Foundations, Frontiers, and Applications","10.1007\u002F978-981-16-6054-2_10",[76,79,82],{"question":77,"answer":78},"Các chỉ số tương đồng dựa trên láng giềng chung (như Common Neighbors, Adamic-Adar) dự đoán liên kết dựa trên giả thuyết gì?","Giả thuyết rằng hai nút càng có nhiều nút láng giềng chung (đặc biệt là các láng giềng có bậc kết nối thấp) thì khả năng cao sẽ hình thành một liên kết trực tiếp giữa chúng.",{"question":80,"answer":81},"Mạng nơ-ron đồ thị (Graph Neural Networks - GNN) nâng cao độ chính xác dự đoán liên kết như thế nào?","Học biểu diễn nhúng vector nút (node embeddings) bằng cách lan truyền thông điệp qua các tầng đồ thị, kết hợp đồng thời cấu trúc topo mạng và đặc trưng thuộc tính phong phú của các nút.",{"question":83,"answer":84},"Ứng dụng thực tiễn của bài toán dự đoán liên kết ngoài mạng xã hội là gì?","Ứng dụng dự đoán tương tác thuốc - protein trong dược học, xây dựng đồ thị tri thức (knowledge graphs), hệ thống gợi ý sản phẩm thương mại điện tử và truy vết tội phạm mạng.",{"id":86,"researcherId":17,"name":87,"imageUrl":88},2633,"Hoài Đặng","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLVXVafUxrnnC_H60UeQdpLE3UgeKGCSesypz_6Vi59B-n9C41A=s96-c",{"id":90,"researcherId":17,"name":91,"imageUrl":92},2681,"Cuong Ta","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocKFuWh0ZD601Hp0_V_2xAK3kIOs20Kyv3V5ZLBo6fwfjyymJYzE=s96-c",[94,95,96,97,98,99,100,101,102,103],"an ninh mạng","mạng xã hội","mạng máy tính","dữ liệu thiếu","khả năng mở rộng","diện tích dưới đường cong","hiệu suất mô hình","trải nghiệm người dùng","xử lý thông tin","thiết kế kiến trúc",10,true,"PUBLISHED","2025-06-19T08:17:09.186+00:00","2026-09-07T12:11:22.363+00:00","2025-06-24T02:05:52.546+00:00","2026-09-07T12:11:22.022+00:00","2026-09-06T10:13:26.486+00:00",375,[114,117,127,130,133,136,139,143,146,149],{"id":115,"title":116,"term":115,"englishTitle":17,"definition":17,"discipline":17,"disciplineCode":17,"disciplineLabel":17,"disciplineColor":17,"disciplineIcon":17},"bibliometrics","Bibliometrics là gì? Các nghiên cứu khoa học về Bibliometrics",{"id":118,"title":119,"term":118,"englishTitle":120,"definition":121,"discipline":122,"disciplineCode":123,"disciplineLabel":124,"disciplineColor":125,"disciplineIcon":126},"chuẩn chủ quan","Chuẩn chủ quan là gì? Cấu trúc và ứng dụng","subjective norm","Chuẩn chủ quan (subjective norm) là nhận thức của một cá nhân về áp lực và kỳ vọng xã hội từ những người hoặc nhóm tham chiếu quan trọng đối với việc họ nên hay không nên thực hiện một hành vi cụ thể.","SOCIAL_SCIENCES","social-sciences","Khoa học xã hội","#E08600","users",{"id":128,"title":129,"term":128,"englishTitle":17,"definition":17,"discipline":17,"disciplineCode":17,"disciplineLabel":17,"disciplineColor":17,"disciplineIcon":17},"random forest","Random forest là gì? Các công bố khoa học về Random forest",{"id":131,"title":132,"term":131,"englishTitle":17,"definition":17,"discipline":17,"disciplineCode":17,"disciplineLabel":17,"disciplineColor":17,"disciplineIcon":17},"hành vi xã hội","Hành vi xã hội là gì? Các nghiên cứu về Hành vi xã hội",{"id":134,"title":135,"term":134,"englishTitle":17,"definition":17,"discipline":17,"disciplineCode":17,"disciplineLabel":17,"disciplineColor":17,"disciplineIcon":17},"thu thập thông tin","Thu thập thông tin là gì? Các nghiên cứu khoa học liên quan",{"id":137,"title":138,"term":137,"englishTitle":17,"definition":17,"discipline":17,"disciplineCode":17,"disciplineLabel":17,"disciplineColor":17,"disciplineIcon":17},"integration","Integration là gì? Các nghiên cứu khoa học về Integration",{"id":140,"title":141,"term":140,"englishTitle":140,"definition":142,"discipline":122,"disciplineCode":123,"disciplineLabel":124,"disciplineColor":125,"disciplineIcon":126},"context","Context là gì? Các công bố khoa học về Context","Context (ngữ cảnh\u002Fbối cảnh) là tập hợp toàn bộ các điều kiện, hoàn cảnh, dữ kiện xung quanh và trạng thái môi trường có liên quan trực tiếp đến việc định hình ý nghĩa, nhận thức và hành vi của một đối tượng hoặc hệ thống.",{"id":144,"title":145,"term":144,"englishTitle":17,"definition":17,"discipline":17,"disciplineCode":17,"disciplineLabel":17,"disciplineColor":17,"disciplineIcon":17},"nhu cầu thông tin","Nhu cầu thông tin là gì? Các nghiên cứu khoa học liên quan",{"id":147,"title":148,"term":147,"englishTitle":17,"definition":17,"discipline":17,"disciplineCode":17,"disciplineLabel":17,"disciplineColor":17,"disciplineIcon":17},"nhiễu","Nhiễu là gì? Các nghiên cứu khoa học liên quan về Nhiễu",{"id":150,"title":151,"term":150,"englishTitle":17,"definition":17,"discipline":17,"disciplineCode":17,"disciplineLabel":17,"disciplineColor":17,"disciplineIcon":17},"nghiên cứu in vivo","Nghiên cứu in vivo là gì? Các nghiên cứu khoa học "]