Hệ thống tương tác thông minh trong tra cứu, tìm kiếm thông tin bệnh

Công nghệ thông tin & Cơ sở toán học cho tin học<br /> <br /> HỆ THỐNG TƯƠNG TÁC THÔNG MINH TRONG TRA CỨU,<br /> TÌM KIẾM THÔNG TIN BỆNH<br /> Nguyễn Hồng Sơn1*, Dương Trọng Hải2, Hoa Tất Thắng3<br /> Abstract: Hệ thống tương tác thông minh trong tra cứu và tìm kiếm thông tin<br /> bệnh “Smart Doctor” được xây dựng dựa trên phương thức tìm kiếm ngữ nghĩa,<br /> tích hợp giữa hệ chuyên gia và hệ thống khuyến nghị sử dụng công nghệ ngữ nghĩa<br /> Ontology phục vụ tra cứu, tìm kiếm văn bản mẫu bệnh. Đầu tiên, chúng tôi kế thừa<br /> và Việt hóa mạng tri thức về các bệnh tật Disease Ontology là sản phẩm kết hợp<br /> của đại học Northwestern, Trung tâm y học di truyền và Đại học Maryland School<br /> of Medicine, Viện Khoa học Di truyền. Mạng tri thức này là cơ sở cho suy luận,<br /> hướng luồng tìm kiếm và đưa ra các gợi ý thông minh cho người dùng trong quá<br /> trình tìm kiếm. Tiếp đến, thông tin tìm kiếm được phân cụm động (dynamic<br /> clustering) theo các facets và hệ thống phân cấp (categories) dựa trên mạng ngữ<br /> nghĩa và tương tác của người dùng. Dựa trên cơ sở đó, hệ thống tương tác thông<br /> minh trong tra cứu và tìm kiếm thông tin bệnh “Smart Doctor” được xây dựng và<br /> trình bày trong bài báo này như là một minh chứng thực tế cho các khái niệm của<br /> chúng tôi.<br /> Keywords: Big Data, Smart doctor, Dynamic clustering, Facets.<br /> <br /> 1. MỞ ĐẦU<br /> Sự bùng nổ số lượng thông tin bởi người dùng trực tuyến cũng như sự phát triển của dữ<br /> liệu lớn - Big data, cung cấp một cơ hội mới và cũng là một thách thức cho việc tìm ra<br /> đúng thông tin cần thiết. Khi tìm kiếm thông tin, người dùng có nhu cầu muốn biết thật<br /> chính xác hoặc nhiều thông tin liên quan với những từ khóa ngắn nhất. Đôi lúc người dùng<br /> cũng cần hệ thống đề nghị một số từ khóa hay thông tin liên quan để tiếp tục quá trình tìm<br /> kiếm vì họ cũng chưa thực sự hiểu được nội dung đang tìm kiếm là gì. Ví dụ, người bệnh<br /> chỉ biết một số triệu chứng bệnh căn bản và cần biết mình đang mắc bệnh gì; họ cần hệ<br /> thống khuyến nghị một số triệu chứng bệnh liên quan để người dùng chọn và xác nhận [5].<br /> Hiện nay, các trang tìm kiếm thông tin về bệnh tật chủ yếu dừng ở mức độ tra cứu,<br /> thường theo một tuần tự, phải đi từ chỉ mục đến vấn đề/triệu chứng cần tra cứu, tiếp đến<br /> phải đọc rất nhiều để tìm đến thông tin cần tham khảo, như thế mất rất nhiều thời gian,<br /> hiệu quả đem lại không cao và thường kém chính xác. Đây chính là những lý do cơ bản<br /> khiến cho các hệ thống tìm kiếm hiện nay có kết quả trả về không phải lúc nào cũng thỏa<br /> mãn yêu cầu của người sử dụng [5].<br /> Trong ngữ cảnh đó, chúng tôi tập trung vào việc xây dựng hệ thống Web tìm kiếm ngữ<br /> nghĩa [1] tích hợp giữa hệ chuyên gia và hệ thống khuyến nghị sử dụng công nghệ ngữ<br /> nghĩa Ontology phục vụ tra cứu, tìm kiếm văn bản mẫu bệnh. Trước hết, mạng tri thức về<br /> các bệnh tật Disease Ontology [5] được kế thừa và Việt hóa là cơ sở cho suy luận, hướng<br /> luồng tìm kiếm và đưa ra các gợi ý thông minh cho người dùng trong quá trình tìm kiếm.<br /> Cụ thể là, Web tìm kiếm ngữ nghĩa sử dụng dữ liệu bệnh tật được đặc tả nói trên, có khả<br /> năng tự tạo lập và cập nhật một mạng ngữ nghĩa mô tả thông tin bệnh tật tích hợp với dữ<br /> liệu bệnh được cung cấp bởi chuyên gia và các nguồn đáng tin cậy. Nhờ đó, thông tin tìm<br /> kiếm được phân cụm động theo các facets và hệ thống phân cấp (categories) dựa trên<br /> mạng ngữ nghĩa và tương tác của người dùng. Dựa trên thông tin cung cấp ban đầu và lịch<br /> sử tương tác của người dùng, các facets được tạo ra thích ứng với tương tác người dùng<br /> nhằm điều hướng luồng tìm kiếm và gợi ý thông minh theo ý định của người dùng trong<br /> <br /> <br /> 160 N. H. Sơn, D. T. Hải, H. T. Thắng, “Hệ thống tương tác thông minh … thông tin bệnh.”<br /> Nghiên cứu khoa học công nghệ<br /> <br /> quá trình tìm kiếm. Với sự điều hướng luồng thông tin tìm kiếm giúp người dùng tìm đến<br /> thông tin chủ ý và thông tin liên quan nhanh chóng và chính xác.<br /> Bài báo được trình bày theo cấu trúc như sau: phần 2 sẽ trình bày cấu trúc khung của hệ<br /> thống Smart Doctor, và tóm tắt về Disease Ontology; phần 3 sẽ trình bày chi tiết công cụ<br /> chiết thông tin và phương pháp tạo lập cũng như sử dụng mạng Disease Ontology. Trong<br /> phần này, việc chuyển hóa Disease Ontology sang tiếng Việt cũng được trình bày. Do hạn<br /> chế của giới hạn bài báo, chúng tôi chỉ giới thiệu sơ lược cách sử dụng máy học (machine<br /> learning) trong hướng nghiên cứu này. Kết luận và hướng mở của đề tài sẽ được trình bày<br /> trong phần 4.<br /> 2. HỆ THỐNG TƯƠNG TÁC THÔNG MINH TRONG TRA CỨU/TÌM KIẾM<br /> THÔNG TIN BỆNH - “SMART DOCTOR”<br /> Smart Doctor cung cấp công cụ tìm kiếm bệnh thông minh thông qua những triệu<br /> chứng của người dùng. Mặc khác, ứng dụng cung cấp nhiều thông tin về bệnh, được lấy từ<br /> nhiều nguồn với sự xem xét và đánh giá của những chuyên gia trong lĩnh vực y tế. Mục<br /> tiêu của “Smart Doctor” cố gắng giảm thiểu công sức và thời gian của người dùng trong<br /> quá trình tìm kiếm bệnh, và cung cấp những thông tin cần thiết về bệnh cho người dùng để<br /> họ có thể sớm biết về tình trạng bệnh, và có những biện pháp phù hợp.<br /> 2.1. Cấu trúc khung của Hệ thống<br /> Cấu trúc khung của Hệ thống “Smart Doctor” được mô tả trong hình 1:<br /> <br /> <br /> <br /> <br /> Hình 1. Cấu trúc khung của ứng dụng.<br /> 2.2. Ontology dịch bệnh<br /> Ontology dịch bệnh (Disease Ontology) đã được phát triển như là một bản thể học<br /> chuẩn cho bệnh nhân với mục đích cung cấp cho cộng đồng y sinh thiệu phù hợp, tái sử<br /> dụng và bền vững về bệnh của con người, đặc điểm kiểu hình và khái niệm bệnh từ vựng y<br /> tế có liên quan thông qua các nỗ lực hợp tác của các nhà nghiên cứu tại Đại học<br /> Northwestern, Trung tâm y học di truyền và Đại học Maryland School of Medicine, Viện<br /> Khoa học Di truyền [5].<br /> Ví dụ thông tin bệnh trong Disease Ontology (xem hình 2, 3).<br /> <br /> <br /> <br /> Tạp chí Nghiên cứu KH&CN quân sự, Số 53, 02 - 2018 161<br />  Công nghệ thông tin & Cơ sở toán học cho tin học<br /> <br /> 3. XÂY DỰNG HỆ THỐNG TƯƠNG TÁC THÔNG MINH TRONG TRA<br /> CỨU/TÌM KIẾM THÔNG TIN BỆNH - “SMART DOCTOR”<br /> 3.1. Công cụ trích xuất dữ liệu<br /> Dựa vào cấu trúc thông tin với định dạng XML của bệnh trong “Disease Ontology”,<br /> công cụ “Extraction data tool” mô hình hóa cấu trúc dữ liệu của “Disease Ontology” thành<br /> những lớp trong ngôn ngữ lập trình, và trích xuất dữ liệu đưa vào cơ sở dữ liệu bệnh<br /> (Disease schema) theo những phương pháp sau:<br /> a. Phương pháp rút thông tin bệnh<br /> <br /> <br /> <br /> <br /> Hình 2. Mẫu ví dụ về một bệnh trong Disease Ontology.<br /> <br /> <br /> <br /> <br /> Hình 3. Mẫu dữ liệu bệnh trong Disease Ontology.<br /> Mã số bệnh:<br /> - Dữ liệu được chứa vào cột [DiseaseId] của bảng [Disease]<br /> - Dữ liệu được rút từ tag<br /> “”, <br /> => [DiseaseId] = “DOID:0050004”<br /> Tên bệnh:<br /> <br /> <br /> 162 N. H. Sơn, D. T. Hải, H. T. Thắng, “Hệ thống tương tác thông minh … thông tin bệnh.”<br /> Nghiên cứu khoa học công nghệ<br /> <br /> - Dữ liệu được chứa vào cột [LabelEn] của bảng [Disease]<br /> - Dữ liệu được rút từ tag “”, ví dụ từ mẫu trong Hình 4.5:<br /> seminal<br /> vesicle acute gonorrhea<br /> => [LabelEn] = “seminal vesicle acute gonorrhea”<br /> Mã số bệnh cha:<br /> - Dữ liệu được chứa vào cột [ParentDiseaseId] của bảng [Disease]<br /> - Dữ liệu được rút từ tag “”, ví dụ từ mẫu trong hình 7:<br /> <br /> => [LabelEn] = “DOID:10400”<br /> b. Phương pháp rút loại thuộc tính bệnh<br /> <br /> <br /> <br /> <br /> Hình 4. Mẫu dữ liệu loại thuộc tính bệnh trong Disease Ontology.<br /> Tên loại thuộc tính bệnh bệnh:<br /> - Dữ liệu được chứa vào cột [LabelEn] của bảng [DiseasePropertyCategory]<br /> - Dữ liệu được rút từ tag “” như sau:<br /> has_symptom<br /> ”<br /> => Rút được [LabelEn] = “has_symptom”<br /> c. Phương pháp rút dữ liệu tính chất bệnh<br /> <br /> <br /> <br /> <br /> Hình 5. Mẫu dữ liệu chứa tính chất bệnh trong Disease Ontology.<br /> Tên tính của tính chất bệnh:<br /> - Dữ liệu được chứa vào cột [LabelEn] của bảng [DiseaseProperty]<br /> <br /> <br /> <br /> Tạp chí Nghiên cứu KH&CN quân sự, Số 53, 02 - 2018 163<br />  Công nghệ thông tin & Cơ sở toán học cho tin học<br /> <br /> - Rút dữ liệu tính chất bệnh trong tag “” và<br /> “”. Dữ liệu trong những tags này chứa nhiều tính chất<br /> bệnh, như:<br /> “A viral infectious disease that results_in infection located_in joint,<br /> has_material_basis_in Chikungunya virus, which is transmitted_by Aedes mosquito bite.<br /> The infection has_symptom fever”<br /> => Trích xuất được thông tin của tính chất loại: “results_in”, “has_material_basis_in” ,<br /> “transmitted_by”, và “has_symptom”.<br /> Vì vậy, công cụ này sẽ dùng trích xuất dữ liệu bằng kỷ thuật “regular expression”, theo<br /> từng bước như sau:<br /> Bước 1: chia nhỏ từng phần của đoạn dữ liệu lớn thành từng phần nhỏ, và đảm bảo một<br /> phần chỉ chứa duy nhất một tính chất của bệnh, như ví dụ trên thì có thể chia thành những<br /> phần sau:<br /> “A viral infectious disease that”<br /> “results_in infection”<br /> “located_in joint,”<br /> “has_material_basis_in Chikungunya virus, which is”<br /> “transmitted_by Aedes mosquito bite. The infection”<br /> “has_symptom fever”<br /> Bước 2: sử dụng mẫu (pattern) của “regular expression” theo từng loại thuộc tính bệnh<br /> để rút chính thông tin, như ví dụ trên thì:<br /> “has_symptom fever”: dùng mẫu của loại “has_symptom” là “has_symptom (.*)”,<br /> và có thể rút ra được dữ liệu “fever”.<br /> d. Phương pháp dịch dữ liệu sang tiếng Việt<br /> Hệ thống hỗ trợ phương thức dịch từ ngữ từ tiếng Anh sang tiếng Việt, thông qua<br /> “Translation website” của Google:<br /> <br /> <br /> <br /> <br /> Hình 6. Phương thức dịch ngôn ngữ.<br /> Dữ liệu sau khi được dịch sẽ được lưu vào cột “LabelVn” của những bảng như:<br /> “Disease”, “DiseaseProperty”, “DiseasePropertyCategory”.<br /> e. Kết quả trích xuất dữ liệu từ Disease Ontology<br /> <br /> <br /> 164 N. H. Sơn, D. T. Hải, H. T. Thắng, “Hệ thống tương tác thông minh … thông tin bệnh.”<br /> Nghiên cứu khoa học công nghệ<br /> <br /> * Bệnh: có 8796 bệnh trong bảng “Disease”<br /> <br /> <br /> <br /> <br /> Hình 7. Mẫu dữ liệu trong bảng “Disease”.<br /> * Loại thuộc tính bệnh: các loại tính chất bệnh trong “DiseasePropertyCategories”:<br /> <br /> <br /> <br /> <br /> Hình 8. Mẫu dữ liệu trong bảng “DiseasePropertyCategories”.<br /> * Thuộc tính bệnh: có 2444 thuộc tính bệnh trong bảng “DiseaseProperty”<br /> <br /> <br /> <br /> <br /> Hình 9. Mẫu dữ liệu trong bảng "DiseaseProperty".<br /> 3.2. Công cụ Machine learning<br /> Dựa vào dữ liệu từ trích xuất từ “Disease Ontology”, thì những tính chất của bệnh có<br /> mỗi quan hệ với nhau, ví dụ:<br /> <br /> <br /> <br /> <br /> Hình 10. Mẫu dữ liệu bệnh trong CSDL.<br /> Trong 2 bệnh nêu trên có những tính chất bệnh cùng xuất hiện ở hai bệnh như: sốt<br /> (fever), đau đầu (headache), …<br /> Vì vậy, có thể sử dụng một số thuật toán của “machine learning”, cụ thể là Word2Vec<br /> [9] để khám phá ra mối quan hệ của những tính chất bệnh.<br /> <br /> <br /> <br /> Tạp chí Nghiên cứu KH&CN quân sự, Số 53, 02 - 2018 165<br />  Công nghệ thông tin & Cơ sở toán học cho tin học<br /> <br /> <br /> <br /> <br /> Hình 11. Khám phá 1.355.834 luật liên kết của tính chất bệnh.<br /> <br /> <br /> <br /> <br /> Hình 12. Mẫu dữ liệu về một luật liên kết.<br /> Theo hình trên, thì ta có thông tin luật với mã số (ID) = 2 là:<br /> - Độ hỗ trợ (Support) = 0.2581<br /> - Độ tin cậy (Confidence) = 60<br /> - Mối quan hệ:{fever, vomiting, water contaminated with feces, muschle spasams}<br /> =>{direct contract with the oral secretions, ingestion of food, human poliovirus 3}<br /> 3.3. Ghi lại quá trình tìm kiếm của người dùng<br /> Trong tìm kiếm của người sử dụng, hệ thống lưu lại các truy vấn của người dùng như<br /> các từ khóa tìm kiếm, bối cảnh của người sử dụng (thời gian, địa điểm); và cũng là tham<br /> khảo kết quả của người sử dụng như: kết quả mà bệnh được nhập, bao lâu dừng sử dụng<br /> để đọc thông tin dịch bệnh, những nhận xét của người dùng về mỗi kết quả tìm kiếm của<br /> bệnh, và sự đánh giá của người dùng trên mỗi kết quả tìm kiếm của bệnh. Hệ thống sẽ lưu<br /> lại lịch sử tìm kiếm để khám phá các hành vi của người sử dụng, và điều chỉnh cơ sở dữ<br /> liệu bệnh trên đánh giá của người sử dụng.<br /> 3.4. Các thành phần khác<br /> Ngoài các thành phần cấu thành hệ thống như đã nêu ở trên, Hệ thống Smart Doctor<br /> còn bao gồm một số thành phần sau:<br /> - Mô hình thực thể trong cơ sở dữ liệu.<br /> - Lớp truy xuất dữ liệu: cung cấp các phương thức truy xuất cơ sở dữ liệu.<br /> - Lớp Repository: chứa những câu truy vấn phức tạp sử dụng “Lambda expression”<br /> - Lớp nghiệp vụ của hệ thống: dùng để hiện thực các nghiệp vụ của hệ thống.<br /> - Các hàm truy vấn dữ liệu - REST APIs: cung cấp những phương thức truy vấn dữ<br /> liệu của hệ thống thông qua URI cho những hệ thống khách.<br /> - Ứng dụng Single page (SPA): Sử dụng công nghệ web như: HTML5, CSS3,<br /> Typescripts, và Angular.js để làm ứng dụng website trên một trang với mục tiêu<br /> đưa trải nghiệm người dùng trên web như ứng dụng trên máy tính.<br /> 3.5. Kết quả giao diện người sử dụng<br /> <br /> <br /> <br /> <br /> Hình 13. Autocomplete trong khung tìm kiếm.<br /> <br /> <br /> 166 N. H. Sơn, D. T. Hải, H. T. Thắng, “Hệ thống tương tác thông minh … thông tin bệnh.”<br /> Nghiên cứu khoa học công nghệ<br /> <br /> Hệ thống này cung cấp tính năng gợi ý đề nghị để tăng tính tương tác giữa người sử<br /> dụng và hệ thống, trong một số tình huống dưới đây:<br /> Khi người sử dụng chỉ cần nhập một số ký tự vào hộp tìm kiếm, hệ thống sẽ đề nghị<br /> truy vấn với các gợi ý bắt đầu với những ký tự này. Nó giúp người sử dụng điền các truy<br /> vấn nhanh hơn bằng cách lựa chọn câu hỏi từ gợi ý và sử dụng các tiêu chí tìm kiếm chính<br /> xác hơn bằng cách đưa ra gợi ý chính tả.<br /> Trong trường hợp, người sử dụng chỉ nhớ một từ khóa của các truy vấn, và họ có thể<br /> nhập các từ khóa vào ô tìm kiếm, hệ thống sẽ đề xuất các truy vấn, có chứa các từ khóa<br /> này. Nó giúp người sử dụng lựa chọn các truy vấn phù hợp với ý định của họ mà không<br /> cần nhớ toàn bộ truy vấn.<br /> Ngoài ra, đề nghị gợi ý không chỉ giúp người dùng lựa chọn các truy vấn chính xác cho<br /> ý định của họ, mà còn giúp họ có các truy vấn thuộc vào từ điển của hệ thống. Điều này sẽ<br /> giúp sự tự tin của các truy vấn cao hơn và các kết quả tìm kiếm chính xác hơn.<br /> <br /> <br /> <br /> <br /> Hình 14. Gợi ý từ khóa liên quan trong khung tìm kiếm.<br /> Hệ thống này cũng cung cấp tính năng đề<br /> xuất để giới thiệu các triệu chứng có liên<br /> quan hoặc thuộc bệnh khác, ví dụ như khi<br /> người sử dụng lựa chọn một số từ khóa tìm<br /> kiếm là "sốt" (fever), "đau đầu" (headache),<br /> và họ dừng lại để nghĩ cho tìm kiếm các từ<br /> khóa tiếp theo; lúc này hệ thống sẽ giới thiệu<br /> các triệu chứng liên quan với các triệu chứng<br /> bình chọn là "co giật" (convulsions). Các<br /> triệu chứng liên quan được khám phá từ các<br /> quy tắc quan hệ của các triệu chứng, và các<br /> triệu chứng liên quan được đặt hàng (trên<br /> xuống dưới) bởi sự tự tin của quy tắc của các<br /> triệu chứng liên quan.<br /> Khi người dùng thực hiện tìm kiếm thì hệ<br /> thống sẽ tìm bệnh tương ứng với những thuộc<br /> tính bệnh mà người dùng đã gõ vào, với<br /> những lựa chọn kết quả tìm kiếm như sau:<br /> - Dữ liệu hệ thống chọn ra bệnh có thuộc<br /> tính đang tìm kiếm, bệnh được sắp xếp theo<br /> số lượng đã xem và đánh giá đó, và nội dung<br /> của những bệnh này được cung cấp bởi<br /> những tài liệu trong hệ thống.<br /> - Dữ liệu bên ngoài, ứng với mỗi bệnh từ Hình 15. Hiển thị kết quả tìm kiếm bệnh.<br /> <br /> <br /> <br /> Tạp chí Nghiên cứu KH&CN quân sự, Số 53, 02 - 2018 167<br />  Công nghệ thông tin & Cơ sở toán học cho tin học<br /> <br /> dữ liệu hệ thống thì hệ thống sẽ tìm kiếm trên Google với từ khóa là tên bệnh, và lấy<br /> những kết quả (top 3) được đánh giá cao để gợi ý người dùng.<br /> Kết quả hiển thị từng khối cho mỗi bệnh, và được sắp xếp từ trái sang phải, từ trên<br /> xuống dưới. Mỗi khối bệnh được hiển thị như sau (hình 15):<br /> - Phần trên hiển thị ảnh đại diện của bệnh.<br /> - Phần giữa hiển thị tên bệnh, và số lượng người xem bệnh này.<br /> - Phần cuối hiển thị đánh giá của người dùng về nội dung bệnh.<br /> 4. KẾT LUẬN VÀ HƯỚNG MỞ<br /> Trong bài báo này, chúng tối đã giới thiệu việc xây dựng hệ thống Web tìm kiếm ngữ<br /> nghĩa tích hợp giữa hệ chuyên gia và hệ thống khuyến nghị sử dụng công nghệ ngữ nghĩa<br /> Ontology phục vụ tra cứu, tìm kiếm văn bản mẫu bệnh. Trước hết, chúng tôi kế thừa và<br /> Việt hóa mạng tri thức về các bệnh tật Disease Ontology [5], đây là cơ sở cho việc hướng<br /> luồng tìm kiếm và đưa ra các gợi ý thông minh cho người dùng trong quá trình tìm kiếm.<br /> Từ đó, công cụ Web tìm kiếm ngữ nghĩa được xây dựng có khả năng tự tạo lập và cập nhật<br /> một mạng ngữ nghĩa mô tả thông tin bệnh tật tích hợp với dữ liệu bệnh được cung cấp bởi<br /> chuyên gia và các nguồn đáng tin cậy khác. Từ đây, các facets và hệ thống phân cấp<br /> (categories) được đặc tả và sử dụng trong việc tương tác với người dùng nhằm điều hướng<br /> luồng tìm kiếm và gợi ý thông minh theo ý định của người dùng trong quá trình tìm kiếm.<br /> Trong hướng nghiên cứu tiếp theo, chúng tôi sẽ tập trung vào việc hỗ trợ giao tác trực<br /> tuyến (interoperabiligy) để có thể kết nối Smart Doctor với các hệ thống liên kết. Đặc biệt,<br /> để đảm bảo mạng tri thức luôn được cấp nhập, chúng tôi sẽ xây dựng công cụ để đồng bộ<br /> hóa mạng tri thức bệnh đã được Việt hóa và hệ thống Disease Ontology [5].<br /> TÀI LIỆU THAM KHẢO<br /> [1]. Dario Bonino, Fulvio Corno, Laura Farinetti, Alessio Bosca, “Ontology Driven<br /> Semantic Search”, WSEAS Transaction on Information Science and Application,<br /> Issue 6, Volume 1, December 2004, pp. 1597-1605.<br /> [2]. Denman, S., et al., “Searching for people using semantic soft biometric<br /> descriptions”. Pattern Recognition Letters, 2015. 68: p. 306-315.<br /> [3]. Guha, R., R. McCool, and E. Miller. “Semantic search”. in Proceedings of the 12th<br /> international conference on World Wide Web. 2003. ACM.<br /> [4]. Henrik Eriksso, “The semantic-document approach to combining documents and<br /> ontologies”, International Journal of Human-Computer Studies Volume 65, Issue 7,<br /> July 2007, Pages 624-639.<br /> [5]. Kibbe WA, Arze C, Felix V, Mitraka E, Bolton E, Fu G, Mungall CJ, Binder JX,<br /> Malone J, Vasant D, Parkinson H, Schriml LM. “Disease Ontology 2015 update: an<br /> expanded and updated database of human diseases for linking biomedical knowledge<br /> through disease data Nucleic Acids Research 2014”; Oct 27. pii: gku1011<br /> [6]. Ma, B., et al., “Public opinion analysis based on probabilistic topic modeling and<br /> deep learning”. Public opinion, 2016.<br /> [7]. Trong Hai Duong, Jo G.S., Jung J.J., Nguyen N.T. (2009): “Complexity Analysis of<br /> Ontology Integration Methodologies: A Comparative Study”. Journal of Universal<br /> Computer Science 15(4), 877-897.<br /> [8]. Trong Hai Duong, Jo G.S. (2010): “Collaborative Ontology Building by Reaching<br /> Consensus among Participants”. Information-An International Interdisciplinary<br /> Journal, 1557-1569.<br /> <br /> <br /> 168 N. H. Sơn, D. T. Hải, H. T. Thắng, “Hệ thống tương tác thông minh … thông tin bệnh.”<br /> Nghiên cứu khoa học công nghệ<br /> <br /> [9]. https://en.wikipedia.org/wiki/Word2vec<br /> TÓM TẮT<br /> SMART DOCTOR – AN INTELLIGENT INTERACTIVE SYSTEM<br /> FOR SEARCHING AND RETRIEVING DISEASE INFORMATION<br /> Intelligent interactive system for searching and retrieving disease information,<br /> namely Smart Doctor, is studied and developed based on semantic search<br /> methodology. The system is also aimed by integrating concepts of expert system and<br /> of recommendation system in searching and retrieving disease documents.<br /> First, the disease knowledge network is built based on the OWL standard and is<br /> integrated from multiple sources. Afterwards, the search information is dynamically<br /> clustered according to the facets and categorized based on the semantic network<br /> and the user interaction. Hereafter, the intelligent interactive system Smart Doctor<br /> is built and presented as typical examples to prove our concepts in this paper.<br /> Keywords: Big Data, Smart doctor, Dynamic clustering, Facets.<br /> <br /> <br /> Nhận bài ngày 11 tháng 10 năm 2017<br /> Hoàn thiện ngày 08 tháng 11 năm 2017<br /> Chấp nhận đăng ngày 26 tháng 02 năm 2018<br /> <br /> <br /> Địa chỉ: 1 Trường Đại học Luật, Đại học Huế;<br /> 2<br /> Trường Đại học Nguyễn Tất Thành;<br /> 3<br /> Học viện Kỹ thuật quân sự.<br /> *<br /> Email: son_nguyenhong2002@yahoo.com.<br /> <br /> <br /> <br /> <br /> Tạp chí Nghiên cứu KH&CN quân sự, Số 53, 02 - 2018 169<br />