Khóa luận tốt nghiệp: Trích chọn tự động quan hệ cố vấn - hướng dẫn khoa học dựa trên mô hình đồ THN xác suất phụ thuộc thời gian và thử nghiệm đánh giá

Sự phát triển vượt bậc của Internet và mạng xã hội đã dẫn đến một kỷ nguyên bùng nổ thông tin, tạo ra kho dữ liệu khổng lồ chứa đựng các mối quan hệ phức tạp giữa các thực thể. Trong bối cảnh đó, bài toán trích chọn quan hệ cố vấn – hướng dẫn khoa học từ các công trình công bố trở nên có ý nghĩa đặc biệt, góp phần quan trọng vào việc xây dựng hệ thống tìm kiếm chuyên gia và khám phá cộng đồng khoa học. Việc khai phá những mối quan hệ ẩn giấu này không chỉ giúp hiểu rõ cách thức các nhà nghiên cứu kết nối mà còn phác họa quá trình hình thành các cộng đồng tri thức. Khóa luận này tập trung nghiên cứu phương pháp trích chọn quan hệ cố vấn – hướng dẫn dựa trên mô hình đồ thị xác suất phụ thuộc thời gian, áp dụng trên tập dữ liệu DBLP.

Các nhà nghiên cứu, sinh viên, và chuyên gia trong lĩnh vực công nghệ thông tin, khai phá dữ liệu, mạng xã hội và trí tuệ nhân tạo, đặc biệt là những người quan tâm đến phân tích mạng cộng tác khoa học.

Bài toán trích chọn tự động quan hệ cố vấn – hướng dẫn khoa học từ các công trình xuất bản trên DBLP là một thách thức có ý nghĩa lớn, đặc biệt trong các hệ thống tìm kiếm chuyên gia và khám phá cộng đồng khoa học, như Arnetminer hay The Mathematics Genealogy Project. Khóa luận này đề xuất và nghiên cứu một phương pháp khai phá mối quan hệ này dựa trên cơ sở lý thuyết đồ thị và xác suất, nhằm giải quyết vấn đề các mối quan hệ thường ẩn giấu, phụ thuộc thời gian và tính khả chuyển cao trong các mạng thông tin khổng lồ. Cụ thể, nghiên cứu áp dụng mô hình đồ thị xác suất phụ thuộc thời gian (TPFG) để trích chọn các cặp quan hệ cố vấn – hướng dẫn. Quy trình thực hiện bao gồm việc trích xuất dữ liệu từ DBLP, lưu trữ và xử lý để xác định các cặp “tiềm năng” cố vấn – hướng dẫn, sau đó sử dụng chúng làm dữ liệu đầu vào cho mô hình học dữ liệu. Mô hình thực nghiệm được xây dựng dựa trên đề xuất của Chi Wang và cộng sự (2010), với các bước cụ thể từ xây dựng tập dữ liệu học đến đánh giá kết quả trích chọn. Kết quả sơ bộ cho thấy mô hình này là khả quan và mở ra tiềm năng cho việc phát triển các pha xử lý tiếp theo, đóng góp vào việc nhận diện cấu trúc mạng lưới khoa học, vai trò của các nhà nghiên cứu trong cộng đồng, cũng như cung cấp công cụ hiệu quả cho việc quản lý và phân tích tri thức.