[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"_public_topic_publications_thu%E1%BA%ADt%20to%C3%A1n%20apriori{\"limit\":5}":3,"_public_topic_byId_thuật toán apriori":32},{"code":4,"data":5,"meta":12},"SUCCESS",{"latest":6,"mostCited":7,"vietnamFeatured":8,"vietnamLatest":31},[],[],[9,22],{"publicationId":10,"title":11,"originalTitle":12,"authorNames":13,"authorCount":15,"journalName":16,"vietnamJournal":17,"publishDate":18,"publishYear":19,"totalCitation":12,"url":20,"doi":12,"summary":21},"0a5d5b89-f577-4b94-b4b2-2612948c051e","Dup-apriori: Thuật toán hiệu quả khai thác tập phổ biến dựa trên giao dịch trùng lặp",null,[14],"Phan Thành Huấn",1,"Tạp chí Khoa học và Công nghệ - Đại học Đà Nẵng",true,"2022-11-30",2022,"https:\u002F\u002Fjst-ud.vn\u002Fjst-ud\u002Farticle\u002Fview\u002F8094","\u003Cp>Nghiên cứu khai phá dữ liệu đề xuất mô hình cải tiến mang tên DUP-Apriori nhằm tối ưu hóa việc trích xuất tập phổ biến từ các cơ sở dữ liệu giao dịch nhị phân có nhiều bản ghi trùng lặp. Giải pháp xử lý gom nhóm giúp khắc phục nhược điểm nút thắt cổ chai về chi phí tính toán và tần suất quét bộ nhớ vốn có của \u003Cb class=\"publication-topic-keywords\">thuật toán Apriori\u003C\u002Fb> kinh điển. Thực nghiệm trên các bộ dữ liệu chuẩn chứng minh năng lực vượt trội của thuật toán mới so với \u003Cb class=\"publication-topic-keywords\">thuật toán Apriori\u003C\u002Fb> truyền thống.\u003C\u002Fp>",{"publicationId":23,"title":24,"originalTitle":12,"authorNames":25,"authorCount":15,"journalName":16,"vietnamJournal":17,"publishDate":27,"publishYear":28,"totalCitation":12,"url":29,"doi":12,"summary":30},"aa8b9a98-a329-47d2-8e0e-1e6371f16a18","Một cách tiếp cận tìm tập phổ biến dựa trên giàn trong khai phá luật kết hợp",[26],"Lương Văn Nghĩa   ; Lê Văn Sơn   ;  Huỳnh Triệu Vỹ  ","2014-01-31",2014,"https:\u002F\u002Fjst-ud.vn\u002Fjst-ud\u002Farticle\u002Fview\u002F44","\u003Cp>Công trình khoa học máy tính giới thiệu một tiếp cận dựa trên cấu trúc giàn với độ phức tạp đa thức nhằm giải bài toán khai phá luật kết hợp trong các tập dữ liệu lớn. Kỹ thuật này tìm kiếm trực tiếp các tập phổ biến mà không cần trải qua bước sinh các tập ứng viên tốn kém như ở \u003Cb class=\"publication-topic-keywords\">thuật toán Apriori\u003C\u002Fb>. Kết quả nghiên cứu cung cấp một hướng đi mới giúp tăng tốc độ xử lý và khắc phục giới hạn tiêu hao bộ nhớ của \u003Cb class=\"publication-topic-keywords\">thuật toán Apriori\u003C\u002Fb> cổ điển.\u003C\u002Fp>",[],{"code":4,"data":33,"meta":12},{"id":34,"title":35,"description":36,"content":37,"term":34,"englishTitle":12,"synonyms":12,"definition":12,"discipline":12,"references":12,"faqs":12,"createUser":38,"publishUser":42,"keywords":46,"keywordCount":53,"enrichTopicLink":54,"status":55,"createTime":56,"updateTime":57,"publishTime":58,"linkEnrichedTime":59,"publicationScanTime":60,"contentErrorMessage":12,"viewCount":61,"relateTopics":62},"thuật toán apriori","Thuật toán apriori là gì? Các nghiên cứu khoa học liên quan","Thuật toán Apriori là phương pháp khai phá luật kết hợp dùng nguyên lý Apriori property để tìm tập mục phổ biến và xây dựng luật kết hợp từ dữ liệu giao dịch. Nó xác định mối liên hệ giữa các mục qua các chỉ số hỗ trợ, tin cậy và lift, ứng dụng rộng rãi trong phân tích giỏ hàng và hệ thống gợi ý. ","\u003Ch2>Khái niệm và định nghĩa thuật toán Apriori\u003C\u002Fh2>\u003Cp>Thuật toán Apriori là một trong những phương pháp khai phá luật kết hợp (association rule mining) nổi tiếng, được Agrawal và Srikant đề xuất năm 1994. Mục tiêu chính của thuật toán là tìm ra các tập mục (itemsets) thường xuyên xuất hiện cùng nhau trong cơ sở dữ liệu giao dịch. Những tập mục này sau đó được sử dụng để xây dựng các luật kết hợp có ý nghĩa thống kê, hỗ trợ ra quyết định trong kinh doanh, thương mại điện tử và nhiều lĩnh vực khác.\u003C\u002Fp>\u003Cp>Cốt lõi của Apriori dựa trên nguyên tắc “Apriori property” — nếu một tập mục là phổ biến (frequent itemset), tất cả các tập con của nó cũng phổ biến. Ngược lại, nếu một tập mục không phổ biến, mọi tập cha của nó sẽ không thể phổ biến. Quy tắc này giúp giảm đáng kể số lượng ứng viên cần kiểm tra, từ đó tiết kiệm thời gian và tài nguyên tính toán.\u003C\u002Fp>\u003Cp>Trong ứng dụng thực tế, Apriori thường được áp dụng để phân tích giỏ hàng (market basket analysis), phát hiện mối liên hệ giữa các sản phẩm được mua cùng nhau. Ví dụ, nếu dữ liệu cho thấy khách hàng mua bánh mì thường mua thêm bơ, hệ thống có thể đưa ra đề xuất hoặc khuyến mãi phù hợp để tăng doanh số.\u003C\u002Fp>\u003Ch2>Nguyên lý Apriori property\u003C\u002Fh2>\u003Cp>Nguyên lý Apriori property là nền tảng hoạt động của thuật toán. Phát biểu chính: \u003Ci>“Nếu một tập mục là phổ biến, mọi tập con của nó cũng phổ biến”\u003C\u002Fi>. Nguyên lý này giúp loại bỏ sớm các tập mục không cần thiết, tránh tính toán thừa.\u003C\u002Fp>\u003Cp>Nguyên lý này cho phép thuật toán bỏ qua toàn bộ các tập mục cha nếu một tập con đã bị loại vì không đạt ngưỡng hỗ trợ tối thiểu (\u003Ci>minsup\u003C\u002Fi>). Điều này đặc biệt hữu ích khi {{topic|%7B%22topic%22%3A%22x%E1%BB%AD%20l%C3%BD%20d%E1%BB%AF%20li%E1%BB%87u%22%7D}} lớn, vì số lượng tập hợp con của một tập hợp là rất lớn (2n với n là số mục).\u003C\u002Fp>\u003Ch2>Các khái niệm cơ bản\u003C\u002Fh2>\u003Cp>Để hiểu rõ cách hoạt động của Apriori, cần nắm vững các khái niệm sau:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Itemset:\u003C\u002Fstrong> Tập hợp các mục (items) xuất hiện trong một giao dịch. Ví dụ: {Bánh mì, Sữa}.\u003C\u002Fli>\u003Cli>\u003Cstrong>Support (độ hỗ trợ):\u003C\u002Fstrong> Tỷ lệ giao dịch chứa một tập mục nhất định:\u003Cscript type=\"math\u002Ftex\">\\mathrm{Support}(X) = \\frac{\\text{số giao dịch chứa } X}{\\text{tổng số giao dịch}}\u003C\u002Fscript>\u003C\u002Fli>\u003Cli>\u003Cstrong>Confidence ({{topic|%7B%22topic%22%3A%22%C4%91%E1%BB%99%20tin%20c%E1%BA%ADy%22%7D}}):\u003C\u002Fstrong> Xác suất một giao dịch chứa Y khi đã chứa X:\u003Cscript type=\"math\u002Ftex\">\\mathrm{Confidence}(X \\Rightarrow Y) = \\frac{\\mathrm{Support}(X \\cup Y)}{\\mathrm{Support}(X)}\u003C\u002Fscript>\u003C\u002Fli>\u003Cli>\u003Cstrong>Lift:\u003C\u002Fstrong> Mức độ tăng xác suất xuất hiện đồng thời của X và Y so với khi giả định độc lập:\u003Cscript type=\"math\u002Ftex\">\\mathrm{Lift}(X \\Rightarrow Y) = \\frac{\\mathrm{Support}(X \\cup Y)}{\\mathrm{Support}(X) \\cdot \\mathrm{Support}(Y)}\u003C\u002Fscript>\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Bảng ví dụ minh họa:\u003C\u002Fp>\u003Cfigure class=\"table\">\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>Tập mục\u003C\u002Fth>\u003Cth>Số giao dịch chứa\u003C\u002Fth>\u003Cth>Support (%)\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>{Bánh mì}\u003C\u002Ftd>\u003Ctd>4\u003C\u002Ftd>\u003Ctd>100%\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>{Sữa}\u003C\u002Ftd>\u003Ctd>4\u003C\u002Ftd>\u003Ctd>100%\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>{Bơ}\u003C\u002Ftd>\u003Ctd>3\u003C\u002Ftd>\u003Ctd>75%\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>{Bánh mì, Sữa}\u003C\u002Ftd>\u003Ctd>3\u003C\u002Ftd>\u003Ctd>75%\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Ffigure>\u003Ch2>Các bước thực hiện thuật toán Apriori\u003C\u002Fh2>\u003Cp>Quy trình thực hiện Apriori gồm các bước chính sau:\u003C\u002Fp>\u003Col>\u003Cli>\u003Cstrong>Khởi tạo:\u003C\u002Fstrong> Liệt kê tất cả các tập mục đơn lẻ (1-itemset) và tính độ hỗ trợ của từng tập mục.\u003C\u002Fli>\u003Cli>\u003Cstrong>Lọc:\u003C\u002Fstrong> Loại bỏ các tập mục có độ hỗ trợ nhỏ hơn ngưỡng \u003Ci>minsup\u003C\u002Fi>.\u003C\u002Fli>\u003Cli>\u003Cstrong>Tạo ứng viên:\u003C\u002Fstrong> Dựa vào các tập mục phổ biến kích thước k, tạo tập mục ứng viên kích thước k+1 bằng cách kết hợp các tập mục phổ biến hiện tại.\u003C\u002Fli>\u003Cli>\u003Cstrong>Tính toán:\u003C\u002Fstrong> Xác định độ hỗ trợ của các ứng viên và giữ lại các tập đạt yêu cầu.\u003C\u002Fli>\u003Cli>\u003Cstrong>Lặp lại:\u003C\u002Fstrong> Tiếp tục cho đến khi không còn tập mục phổ biến mới được tìm thấy.\u003C\u002Fli>\u003C\u002Fol>\u003Cp>Sau khi có tập mục phổ biến, thuật toán sẽ sinh các {{topic|%7B%22topic%22%3A%22lu%E1%BA%ADt%20k%E1%BA%BFt%20h%E1%BB%A3p%22%7D}} thỏa mãn đồng thời \u003Ci>minsup\u003C\u002Fi> và \u003Ci>minconf\u003C\u002Fi>. Mỗi luật được đánh giá bằng các chỉ số Support, Confidence, và Lift để đảm bảo tính hữu ích và ý nghĩa thực tiễn.\u003C\u002Fp>\u003Ch2>Ví dụ minh họa\u003C\u002Fh2>\u003Cp>Để hiểu rõ hơn cách hoạt động của thuật toán Apriori, xét một {{topic|%7B%22topic%22%3A%22c%C6%A1%20s%E1%BB%9F%20d%E1%BB%AF%20li%E1%BB%87u%22%7D}} giao dịch nhỏ gồm 5 giao dịch như sau:\u003C\u002Fp>\u003Cfigure class=\"table\">\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>Mã giao dịch\u003C\u002Fth>\u003Cth>Sản phẩm\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>T1\u003C\u002Ftd>\u003Ctd>Bánh mì, Sữa\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>T2\u003C\u002Ftd>\u003Ctd>Bánh mì, Bơ, Sữa\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>T3\u003C\u002Ftd>\u003Ctd>Sữa, Bơ\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>T4\u003C\u002Ftd>\u003Ctd>Bánh mì, Sữa, Bơ\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>T5\u003C\u002Ftd>\u003Ctd>Bánh mì, Nước cam\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Ffigure>\u003Cp>Giả sử ngưỡng hỗ trợ tối thiểu \u003Ci>minsup\u003C\u002Fi> = 60% và ngưỡng độ tin cậy tối thiểu \u003Ci>minconf\u003C\u002Fi> = 80%. Quy trình Apriori sẽ như sau:\u003C\u002Fp>\u003Cul>\u003Cli>Bước 1: Liệt kê tất cả tập mục 1 phần tử, tính support và loại bỏ tập mục có support < 60%.\u003C\u002Fli>\u003Cli>Bước 2: Từ các tập mục phổ biến 1 phần tử, tạo tập mục ứng viên 2 phần tử, tính support và lọc theo minsup.\u003C\u002Fli>\u003Cli>Bước 3: Tiếp tục tạo tập mục ứng viên 3 phần tử từ các {{topic|%7B%22topic%22%3A%22t%E1%BA%ADp%20ph%E1%BB%95%20bi%E1%BA%BFn%22%7D}} 2 phần tử.\u003C\u002Fli>\u003Cli>Bước 4: Sinh luật kết hợp từ các tập phổ biến, giữ lại các luật có confidence ≥ 80%.\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Kết quả có thể bao gồm luật: {Bánh mì} ⇒ {Sữa} với support = 60%, confidence = 100%, lift > 1 cho thấy mối liên hệ tích cực.\u003C\u002Fp>\u003Ch2>Ưu điểm và hạn chế\u003C\u002Fh2>\u003Cp>Ưu điểm của Apriori:\u003C\u002Fp>\u003Cul>\u003Cli>Nguyên lý rõ ràng, dễ triển khai trong hầu hết các ngôn ngữ lập trình.\u003C\u002Fli>\u003Cli>Áp dụng linh hoạt cho nhiều loại dữ liệu giao dịch khác nhau.\u003C\u002Fli>\u003Cli>Dễ giải thích kết quả, đặc biệt trong phân tích kinh doanh.\u003C\u002Fli>\u003C\u002Ful>\u003Cp> \u003C\u002Fp>\u003Cp>Hạn chế:\u003C\u002Fp>\u003Cul>\u003Cli>Hiệu suất giảm mạnh khi dữ liệu lớn hoặc khi minsup thấp, do số lượng tập ứng viên tăng nhanh.\u003C\u002Fli>\u003Cli>Yêu cầu nhiều lần quét cơ sở dữ liệu, tốn thời gian I\u002FO.\u003C\u002Fli>\u003Cli>Không phù hợp với dữ liệu có độ dày đặc cao (dense datasets).\u003C\u002Fli>\u003C\u002Ful>\u003Cp> \u003C\u002Fp>\u003Ch2>Cải tiến và biến thể\u003C\u002Fh2>\u003Cp>Để khắc phục hạn chế, nhiều biến thể và cải tiến của Apriori đã được đề xuất:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>FP-Growth:\u003C\u002Fstrong> Sử dụng cấu trúc FP-tree để lưu trữ thông tin, giảm số lần quét dữ liệu và không cần tạo tập ứng viên.\u003C\u002Fli>\u003Cli>\u003Cstrong>ECLAT:\u003C\u002Fstrong> Sử dụng giao danh sách giao dịch (tid-list intersection) để tính support nhanh hơn.\u003C\u002Fli>\u003Cli>\u003Cstrong>AprioriTid & AprioriHybrid:\u003C\u002Fstrong> Giảm số lần truy cập cơ sở dữ liệu bằng cách tính toán support từ dữ liệu đã xử lý.\u003C\u002Fli>\u003Cli>\u003Cstrong>Hash-based Apriori:\u003C\u002Fstrong> Sử dụng bảng băm để giảm số lượng ứng viên cần kiểm tra.\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Các thuật toán này đều giữ nguyên nguyên tắc cơ bản của Apriori nhưng cải thiện đáng kể hiệu suất cho các bộ dữ liệu lớn.\u003C\u002Fp>\u003Ch2>Ứng dụng thực tế\u003C\u002Fh2>\u003Cp>Thuật toán Apriori và các biến thể được ứng dụng rộng rãi trong nhiều lĩnh vực:\u003C\u002Fp>\u003Cul>\u003Cli>\u003Cstrong>Phân tích giỏ hàng (Market Basket Analysis):\u003C\u002Fstrong> Xác định sản phẩm thường mua cùng nhau để tối ưu trưng bày, gợi ý mua hàng và khuyến mãi.\u003C\u002Fli>\u003Cli>\u003Cstrong>Hệ thống gợi ý:\u003C\u002Fstrong> Dự đoán sản phẩm hoặc nội dung người dùng quan tâm dựa trên lịch sử giao dịch hoặc hành vi.\u003C\u002Fli>\u003Cli>\u003Cstrong>Phân tích y tế:\u003C\u002Fstrong> Xác định mối liên hệ giữa triệu chứng và bệnh lý hoặc giữa các loại thuốc thường kê chung.\u003C\u002Fli>\u003Cli>\u003Cstrong>Phát hiện gian lận:\u003C\u002Fstrong> Tìm các mẫu giao dịch bất thường có liên quan đến hoạt động gian lận.\u003C\u002Fli>\u003Cli>\u003Cstrong>Khai thác dữ liệu sinh học:\u003C\u002Fstrong> Tìm mối liên hệ giữa gen, protein hoặc các {{topic|%7B%22topic%22%3A%22ch%E1%BB%89%20s%E1%BB%91%20sinh%20h%E1%BB%8Dc%22%7D}}.\u003C\u002Fli>\u003C\u002Ful>\u003Ch2>So sánh với các phương pháp khác\u003C\u002Fh2>\u003Cp>Bảng so sánh giữa Apriori và FP-Growth:\u003C\u002Fp>\u003Cfigure class=\"table\">\u003Ctable>\u003Cthead>\u003Ctr>\u003Cth>Tiêu chí\u003C\u002Fth>\u003Cth>Apriori\u003C\u002Fth>\u003Cth>FP-Growth\u003C\u002Fth>\u003C\u002Ftr>\u003C\u002Fthead>\u003Ctbody>\u003Ctr>\u003Ctd>Chiến lược\u003C\u002Ftd>\u003Ctd>Tạo ứng viên và lọc\u003C\u002Ftd>\u003Ctd>Xây dựng cây FP-tree\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Số lần quét dữ liệu\u003C\u002Ftd>\u003Ctd>Nhiều\u003C\u002Ftd>\u003Ctd>Ít hơn\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Bộ nhớ\u003C\u002Ftd>\u003Ctd>Ít khi dữ liệu nhỏ\u003C\u002Ftd>\u003Ctd>Nhiều hơn cho cây FP\u003C\u002Ftd>\u003C\u002Ftr>\u003Ctr>\u003Ctd>Hiệu suất dữ liệu lớn\u003C\u002Ftd>\u003Ctd>Thấp\u003C\u002Ftd>\u003Ctd>Cao\u003C\u002Ftd>\u003C\u002Ftr>\u003C\u002Ftbody>\u003C\u002Ftable>\u003C\u002Ffigure>\u003Ch2>Hướng nghiên cứu tương lai\u003C\u002Fh2>\u003Cp>Các hướng nghiên cứu phát triển thuật toán Apriori tập trung vào:\u003C\u002Fp>\u003Cul>\u003Cli>Kết hợp Apriori với học máy để cải thiện khả năng dự đoán.\u003C\u002Fli>\u003Cli>Song song hóa và phân tán hóa Apriori cho xử lý dữ liệu Big Data.\u003C\u002Fli>\u003Cli>Áp dụng Apriori cho dữ liệu phi cấu trúc như văn bản, log truy cập web.\u003C\u002Fli>\u003Cli>Khai thác luật kết hợp mờ (fuzzy association rules) để xử lý dữ liệu không chắc chắn.\u003C\u002Fli>\u003C\u002Ful>\u003Cp>Sự kết hợp này mở rộng khả năng ứng dụng của Apriori sang các lĩnh vực mới như AI, IoT và phân tích mạng xã hội.\u003C\u002Fp>\u003Cp> \u003C\u002Fp>\u003Ch2>Tài liệu tham khảo\u003C\u002Fh2>\u003Cul>\u003Cli>Agrawal R, Srikant R. \"Fast algorithms for mining association rules.\" Proc. 20th VLDB Conf., 1994. (\u003Ca href=\"https:\u002F\u002Frakesh.agrawal-family.com\u002Fpapers\u002Fvldb94apriori.pdf\">PDF\u003C\u002Fa>).\u003C\u002Fli>\u003Cli>Han J, Kamber M, Pei J. \u003Ci>Data Mining: Concepts and Techniques\u003C\u002Fi>. 4th ed. Morgan Kaufmann; 2022.\u003C\u002Fli>\u003Cli>Borgelt C. \"Frequent Item Set Mining.\" (\u003Ca href=\"https:\u002F\u002Fborgelt.net\u002Fapriori.html\">link\u003C\u002Fa>).\u003C\u002Fli>\u003Cli>Tan PN, Steinbach M, Kumar V. \u003Ci>Introduction to Data Mining\u003C\u002Fi>. Pearson; 2019.\u003C\u002Fli>\u003Cli>ScienceDirect. \"Apriori Algorithm Overview.\" (\u003Ca href=\"https:\u002F\u002Fwww.sciencedirect.com\u002Ftopics\u002Fcomputer-science\u002Fapriori-algorithm\">link\u003C\u002Fa>).\u003C\u002Fli>\u003C\u002Ful>",{"id":39,"researcherId":12,"name":40,"imageUrl":41},2633,"Hoài Đặng","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocLVXVafUxrnnC_H60UeQdpLE3UgeKGCSesypz_6Vi59B-n9C41A=s96-c",{"id":43,"researcherId":12,"name":44,"imageUrl":45},2681,"Cuong Ta","https:\u002F\u002Flh3.googleusercontent.com\u002Fa\u002FACg8ocKFuWh0ZD601Hp0_V_2xAK3kIOs20Kyv3V5ZLBo6fwfjyymJYzE=s96-c",[47,48,49,50,51,52],"xử lý dữ liệu","độ tin cậy","luật kết hợp","cơ sở dữ liệu","tập phổ biến","chỉ số sinh học",6,false,"PUBLISHED","2025-08-05T09:17:12.568+00:00","2026-09-04T06:10:07.684+00:00","2025-08-06T04:24:50.819+00:00","2026-09-04T06:10:06.923+00:00","2026-09-04T05:18:07.737+00:00",463,[63,66,69,72,75,78,81,84,87,90],{"id":64,"title":65,"term":64,"englishTitle":12,"definition":12,"discipline":12,"disciplineCode":12,"disciplineLabel":12,"disciplineColor":12,"disciplineIcon":12},"thang điểm morisky 8","Thang điểm morisky 8 là gì? Các công bố khoa học về Thang điểm morisky 8",{"id":67,"title":68,"term":67,"englishTitle":12,"definition":12,"discipline":12,"disciplineCode":12,"disciplineLabel":12,"disciplineColor":12,"disciplineIcon":12},"học thuật","Học thuật là gì? Các nghiên cứu khoa học về Học thuật",{"id":70,"title":71,"term":70,"englishTitle":12,"definition":12,"discipline":12,"disciplineCode":12,"disciplineLabel":12,"disciplineColor":12,"disciplineIcon":12},"chất lượng thông tin","Chất lượng thông tin là gì? Nghiên cứu khoa học liên quan",{"id":73,"title":74,"term":73,"englishTitle":12,"definition":12,"discipline":12,"disciplineCode":12,"disciplineLabel":12,"disciplineColor":12,"disciplineIcon":12},"nghiên cứu hồi cứu","Nghiên cứu hồi cứu là gì? Các nghiên cứu khoa học về Nghiên cứu hồi cứu",{"id":76,"title":77,"term":76,"englishTitle":12,"definition":12,"discipline":12,"disciplineCode":12,"disciplineLabel":12,"disciplineColor":12,"disciplineIcon":12},"scopus","Scopus là gì? Các bài báo nghiên cứu khoa học về Scopus",{"id":79,"title":80,"term":79,"englishTitle":12,"definition":12,"discipline":12,"disciplineCode":12,"disciplineLabel":12,"disciplineColor":12,"disciplineIcon":12},"arima","Arima là gì? Các công bố khoa học về Arima",{"id":82,"title":83,"term":82,"englishTitle":12,"definition":12,"discipline":12,"disciplineCode":12,"disciplineLabel":12,"disciplineColor":12,"disciplineIcon":12},"năng lực số","Năng lực số là gì? Các công bố nghiên cứu khoa học liên quan",{"id":85,"title":86,"term":85,"englishTitle":12,"definition":12,"discipline":12,"disciplineCode":12,"disciplineLabel":12,"disciplineColor":12,"disciplineIcon":12},"thân nhiệt","Thân nhiệt là gì? Các nghiên cứu khoa học về Thân nhiệt",{"id":88,"title":89,"term":88,"englishTitle":12,"definition":12,"discipline":12,"disciplineCode":12,"disciplineLabel":12,"disciplineColor":12,"disciplineIcon":12},"nghiên cứu tổng quan","Nghiên cứu tổng quan là gì? Các bài báo nghiên cứu khoa học",{"id":91,"title":92,"term":91,"englishTitle":12,"definition":12,"discipline":12,"disciplineCode":12,"disciplineLabel":12,"disciplineColor":12,"disciplineIcon":12},"chỉ thị phân tử","Chỉ thị phân tử là gì? Các nghiên cứu khoa học về Chỉ thị phân tử"]