Đồ thị tri thức là gì? | Biểu diễn và tìm kiếm khái niệm cùng mối quan hệ

Đồ thị tri thức ghi lại cách các khái niệm liên kết với nhau: điều kiện tiên quyết, phụ thuộc, kỹ năng liên quan hay liên kết giữa sản phẩm và quy trình. Những mối quan hệ tường minh này bổ trợ cho tìm kiếm văn bản và giúp người dùng khám phá bối cảnh đằng sau một kết quả.

Why It Matters

Bổ sung các mối quan hệ nghiệp vụ cho tìm kiếm tương đồng

Tìm kiếm từ khóa dùng cụm từ để tìm tài liệu. Tìm kiếm vector biểu diễn ý nghĩa câu chữ bằng số để tìm nội dung gần nghĩa, nên có thể nhận ra cả cách diễn đạt khác nhau. Tuy vậy, những câu hỏi sau vẫn khó trả lời chỉ bằng độ tương đồng:

“Có thể dùng gì thay cho bộ phận này?” — quan hệ thay thế.
“Cần điều kiện tiên quyết nào để thành thạo kỹ năng này?” — quan hệ tiền đề.
“Sự cố này ảnh hưởng đến công đoạn, thiết bị và khách hàng nào?” — quan hệ trải qua nhiều bước.
“Các luận điểm chính trong toàn bộ nhóm tài liệu này là gì?” — câu hỏi về cả tập tài liệu.

Tìm kiếm vector cho biết các đoạn văn giống nhau đến mức nào, nhưng không phân biệt tường minh loại quan hệ như “tiền đề” hay “thay thế”. Nghiên cứu cũng ghi nhận RAG thông thường còn hạn chế với câu hỏi về chủ đề chính của toàn bộ kho tài liệu (Edge et al., 2024).

How It Works

Cách tiếp cận

Đồ thị tri thức biểu diễn khái niệm bằng các nút và mối quan hệ giữa chúng bằng các cạnh. Đây là nền tảng được sử dụng rộng rãi trong nghiên cứu và thực tiễn để làm việc với dữ liệu lớn, đa dạng cùng các mối quan hệ của dữ liệu (Hogan et al., 2021).

Ví dụ về mối quan hệ giữa các kỹ năng trong ontology kỹ năng (sơ đồ khái niệm)

Thiết kế khái niệm và quan hệ (ontology): Xác định các loại khái niệm và quan hệ trong nghiệp vụ, chẳng hạn cấp trên/cấp dưới, tương tự, tiền đề, thay thế, ứng dụng và liên quan. Có thể tham khảo các hệ từ vựng như SKOS của W3C để biểu diễn quan hệ phân cấp và liên quan.
Trích xuất từ tài liệu: AI đề xuất các khái niệm và mối quan hệ từ tài liệu, hồ sơ đã tiếp nhận.
Tích hợp và xác minh: Hợp nhất các cách viết khác nhau và từ đồng nghĩa thành cùng một khái niệm; chuyên gia kiểm tra các quan hệ quan trọng trước khi sử dụng.
Kết hợp với tìm kiếm: Dùng kết quả tìm kiếm vector làm điểm khởi đầu, rồi lần theo các quan hệ trong đồ thị để thu thập thông tin liên quan và căn cứ.
Giải thích kết quả: Hiển thị đường quan hệ đã lần theo để người dùng thấy vì sao kết quả được đề xuất.

Ví dụ ứng dụng: ontology kỹ năng

Ontology kỹ năng của AIKNOW Matching hệ thống hóa mối quan hệ giữa các kỹ năng để ứng dụng đồ thị tri thức trong lĩnh vực nhân sự. Ví dụ công khai là ESCO của Ủy ban châu Âu, hệ thống hóa 3.039 nghề nghiệp và 13.939 kỹ năng bằng 28 ngôn ngữ để hỗ trợ ghép nối người tìm việc với vị trí tuyển dụng. Nhờ thể hiện quan hệ giữa các kỹ năng, ứng viên chưa có trực tiếp kỹ năng được yêu cầu vẫn có thể được xem xét dựa trên kỹ năng liên quan hoặc kinh nghiệm tương tự.

Benefits

Giá trị kinh doanh

Tìm thông tin qua mối quan hệ
Tìm được thông tin hoặc nhân sự có liên kết ngay cả khi từ ngữ không trùng khớp.
Trả lời câu hỏi nhiều bước
Hỗ trợ câu hỏi khó với tìm kiếm thông thường, như phạm vi ảnh hưởng qua nhiều công đoạn hoặc luận điểm chung của một nhóm tài liệu.
Kiểm tra căn cứ
Hiển thị đường quan hệ dẫn đến kết quả để người dùng xem xét căn cứ và tự đưa ra quyết định.
Lưu giữ tri thức chuyên gia
Ghi lại những liên kết giữa các khái niệm vốn chỉ nằm trong kinh nghiệm của chuyên gia, để có thể chia sẻ và cập nhật.

Considerations

Lưu ý khi ứng dụng

Chất lượng đồ thị phụ thuộc vào dữ liệu nguồn, cách định nghĩa quan hệ và quy trình kiểm tra, cập nhật. Nên bắt đầu từ lĩnh vực nghiệp vụ có tác động lớn rồi mở rộng.
Quan hệ thay đổi theo thời gian, chẳng hạn khi có sản phẩm hay công nghệ mới. Cần xác định người phụ trách và tần suất cập nhật.

Sản phẩm liên quan

AIKNOW Matching
Khám phá những ứng viên phù hợp tiềm ẩn bằng ontology kỹ năng.
AIKNOW
Nền tảng tri thức kết hợp tìm kiếm đồ thị và tìm kiếm vector.
AISECI
Hỗ trợ kết nối tri thức phân tán thông qua cơ chế “liên kết hóa”.

References

Tài liệu tham khảo

Hogan, A. et al. (2021). Knowledge Graphs. ACM Computing Surveys, 54(4). arXiv:2003.02320. https://arxiv.org/abs/2003.02320
Edge, D. et al. (2024). From Local to Global: A Graph RAG Approach to Query-Focused Summarization. arXiv:2404.16130. https://arxiv.org/abs/2404.16130
W3C (2009). SKOS Simple Knowledge Organization System Reference. W3C Recommendation. https://www.w3.org/TR/skos-reference/
European Commission. What is ESCO. https://esco.ec.europa.eu/en/about-esco/what-esco (tham khảo ngày 1 tháng 10 năm 2026)

Đồ thị tri thức