XÂY DỰNG ĐỒ THỊ TRI THỨC TRÊN NEO4J HỖ TRỢ TRA CỨU KIẾN THỨC MÔN HỌC CƠ SỞ DỮ LIỆU
Từ khóa
DOI:
https://doi.org/10.34238/tnu-jst.15000Tóm tắt
Bài báo đề xuất xây dựng đồ thị tri thức trên nền tảng Neo4j nhằm những khắc phục hạn chế suy luận đa bước của các phương pháp tra cứu truyền thống (F1-score 57%) cho môn học Cơ sở dữ liệu. Các thực thể và mối quan hệ được trích xuất từ giáo trình tiếng Việt bằng cách sử dụng các quy tắc so khớp mẫu dựa trên luật, hình thành một đồ thị gồm 70 nút khái niệm và 150 cạnh quan hệ. Cơ chế tra cứu được thực hiện qua việc chuyển đổi ngôn ngữ tự nhiên thành truy vấn Cypher. Đánh giá thực nghiệm trên một tập hợp 50 câu hỏi chuẩn cho thấy hệ thống đạt điểm F1-score là 92% (tăng 35% so với các phương pháp tra cứu dựa trên từ khóa), thời gian phản hồi trung bình 150 ms và độ chính xác suy luận đa bước đạt 88%. Nghiên cứu đóng góp bộ dữ liệu đồ thị tri thức tiếng Việt chuẩn hóa và một mô hình tra cứu có thể mở rộng cho các lĩnh vực kỹ thuật. Những kết quả này cho thấy việc tích hợp kiến thức miền có cấu trúc với truy xuất dựa trên đồ thị và chuyển đổi truy vấn ngôn ngữ tự nhiên sang Cypher đã cải thiện đáng kể cả độ chính xác và khả năng suy luận của hệ thống truy xuất thông tin học thuật.Lượt tải
Tài liệu tham khảo
X. Zou, H. Lin, J. Wu, C. Zheng, and Q. Guan, “Constructing a knowledge graph for the database course group via deep learning,” in Proc. 2024 IEEE 8th Conf. Energy Internet Energy Syst. Integration (EI²), Changsha, China, Dec. 2024, pp. 1234-1240, doi: 10.1109/ICEIT61397.2024.10540737.
Y. Li, Y. Liang, R. Yang, J. Qiu, C. Zhang, and X. Zhang, “CourseKG: An educational knowledge graph based on course information for precision teaching,” Appl. Sci., vol. 14, no. 7, Apr. 2024, doi: 10.3390/app14072710.
B. Zhao et al., “EDUKG: A heterogeneous sustainable K-12 educational knowledge graph,” arXiv preprint arXiv:2210.12228, Oct. 2022. [Online]. Available: https://arxiv.org/abs/2210.12228. [Accessed Mar. 9, 2026].
K. Qu et al., “A survey of knowledge graph approaches and applications in education,” Electronics, vol. 13, no. 13, Jul. 2024, doi: 10.3390/electronics13132537.
A. Hogan et al., “Knowledge Graphs,” ACM Comput. Surv., vol. 54, no. 4, pp. 1-37, May 2021, doi: 10.1145/3447772.
F. Erxleben, M. Günther, M. Krötzsch, J. Mendez, and D. Vrandečić, “Introducing Wikidata to the Linked Data Web,” in Proc. 13th Int. Semantic Web Conf. (ISWC), Riva del Garda, Italy, 2014, pp. 50-65, doi: 10.1007/978-3-319-11964-9_4.
V. H. Nguyen et al., “Integrating knowledge based on ontology and knowledge graph for chatbot in education query,” HCMUE J. Sci., vol. 21, no. 5, pp. 771-785, May 2024, doi: 10.54607/hcmue.js.21.5.4129(2024).
K. T. Tran and M. H. Dinh, “Leveraging large-scale language models to efficiently transform natural language into Cypher queries,” (In Vietnamese), HUFLIT Journal of Science, vol. 9, no. 1, 2025, doi: 10.71091/2354-113X/248.
S. T. Sukumar, C.-H. Lung, M. Zaman, and R. Panday, “Knowledge Graph Generation and Application for Unstructured Data Using Data Processing Pipeline,” IEEE Access, vol. 12, pp. 136759-136770, Jan. 2024, doi: 10.1109/access.2024.3462635.
D. Diefenbach, V. López, K. Singh, and P. Maret, “Core Techniques of Question Answering Systems over Knowledge Bases: A Survey,” Knowl. Inf. Syst., vol. 55, no. 3, pp. 529-569, Jun. 2018, doi: 10.1007/s10115-017-1100-y.
Y. Zhang, Q. Chen, Z. Yang, H. Lin, and Z. Lu, “BioWordVec: Improving Biomedical Word Embeddings with Subword Information and MeSH,” Sci. Data, vol. 6, May 2019, doi: 10.1038/s41597-019-0055-0.
J. Devlin, M.-W. Chang, K. Lee, and K. Toutanova, “BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding,” in Proc. 2019 Conf. North Amer. Chapter Assoc. Comput. Linguist. (NAACL-HLT), Minneapolis, MN, USA, 2019, pp. 4171-4186, doi: 10.18653/v1/N19-1423.
