បញ្ហា (The Problem)៖ ឯកសារនេះដោះស្រាយបញ្ហានៃភាពមិនពេញលេញនៃព័ត៌មាន (Information Incompleteness) នៅក្នុងបណ្ដាញសេមែនទិក (Semantic Web) ដែលរួមមានភាពមិនប្រាកដប្រជា (Uncertainty) និងភាពស្រពិចស្រពិល (Vagueness) ដោយសារតែបច្ចុប្បន្នមិនទាន់មានក្របខ័ណ្ឌរួមមួយដែលអាចតំណាងឱ្យបញ្ហាទាំងពីរនេះក្នុងពេលតែមួយបាន។
វិធីសាស្ត្រ (The Methodology)៖ ការស្រាវជ្រាវនេះបានស្នើឡើងនូវក្របខ័ណ្ឌថ្មីមួយដោយរួមបញ្ចូលគ្នានូវទ្រឹស្តីតក្កវិទ្យាពណ៌នាបុរាណជាមួយនឹងគំរូនៃភាពមិនប្រាកដប្រជានិងភាពស្រពិចស្រពិលដើម្បីបង្កើតជាប្រព័ន្ធទិន្នន័យ (Ontologies)។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Crisp Description Logics (ALC) តក្កវិទ្យាពណ៌នាច្បាស់លាស់ (Crisp DL ALC) |
មានភាពច្បាស់លាស់ខាងទ្រឹស្តី ដំណើរការលឿន និងមានឧបករណ៍គាំទ្រច្រើនសម្រាប់ការវែកញែក (Reasoning) ទិន្នន័យ។ | មិនអាចដោះស្រាយបញ្ហាទិន្នន័យដែលបាត់បង់ (ភាពមិនប្រាកដប្រជា) ឬលក្ខខណ្ឌដែលមិនច្បាស់លាស់ (ភាពស្រពិចស្រពិល) បានទេ។ | ត្រូវបានប្រើប្រាស់ជាមូលដ្ឋានគ្រឹះសម្រាប់ការអភិវឌ្ឍតក្កវិទ្យាផ្សេងទៀត តែមិនអាចឆ្លើយតបនឹងសំណួរស្មុគស្មាញបាន។ |
| Fuzzy Description Logics តក្កវិទ្យាពណ៌នាស្រពិចស្រពិល (Fuzzy DL) |
អាចតំណាងឱ្យគោលគំនិតដែលមិនច្បាស់លាស់ (ឧទាហរណ៍៖ 'សណ្ឋាគារតម្លៃថោក') តាមរយៈកម្រិតនៃសមាជិកភាព (Membership degrees)។ | នៅតែមិនអាចធ្វើការសម្រេចចិត្តបានល្អ នៅពេលដែលប្រភពព័ត៌មានមានភាពខ្វះចន្លោះ ឬមិនពេញលេញ (Ignorance)។ | ជួយបំប្លែងលក្ខខណ្ឌស្វែងរករបស់មនុស្សទៅជាទម្រង់កុំព្យូទ័របាន តែតម្រូវឱ្យមានការរួមបញ្ចូលបន្ថែមដើម្បីដោះស្រាយភាពមិនប្រាកដប្រជា។ |
| Dempster-Shafer Fuzzy Description Logic (Proposed) តក្កវិទ្យាពណ៌នា Dempster-Shafer ស្រពិចស្រពិល (វិធីសាស្ត្រស្នើឡើង) |
ដោះស្រាយបានទាំងភាពស្រពិចស្រពិល និងភាពមិនប្រាកដប្រជាក្នុងពេលតែមួយ ដោយរួមបញ្ចូលប្រភពទិន្នន័យផ្សេងៗគ្នាប្រកបដោយប្រសិទ្ធភាព។ | មានភាពស្មុគស្មាញខ្ពស់ក្នុងការគណនា (PSPACE-complete) ដែលទាមទារកម្លាំងម៉ាស៊ីនខ្លាំងនៅពេលទិន្នន័យមានទំហំធំ។ | ទទួលបានអត្រាទាញយកទិន្នន័យ (Recall) ៨៥% និងកម្រិតភាពត្រឹមត្រូវ (Precision) ៩៦% ក្នុងការធ្វើតេស្តលើប្រព័ន្ធណែនាំសណ្ឋាគារក្នុងពិភពពិត។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តប្រព័ន្ធនេះទាមទារចំណេះដឹងផ្នែកសរសេរកូដកម្រិតខ្ពស់ និងការប្រើប្រាស់បណ្ណាល័យកម្មវិធីជាក់លាក់សម្រាប់ Semantic Web និង Fuzzy Logic។
ការសិក្សានេះប្រើប្រាស់ទិន្នន័យសណ្ឋាគារចំនួន ២,៨៥៤ កន្លែងនៅទីក្រុងឡុងដ៍ ដែលប្រមូលបានពីគេហទំព័រផ្តល់អនុសាសន៍អន្តរជាតិ (Booking.com, ល)។ សម្រាប់បរិបទប្រទេសកម្ពុជា ទិន្នន័យពីប្រភពក្នុងស្រុកអាចមានរចនាសម្ព័ន្ធខុសគ្នា គុណភាពទាប ឬខ្វះចន្លោះច្រើន ដែលទាមទារឱ្យមានការកែសម្រួលគំរូ និងការកំណត់អនុគមន៍សមាជិកភាព (Membership functions) ឡើងវិញឱ្យស្របតាមទម្លាប់អ្នកប្រើប្រាស់ក្នុងស្រុក។
វិធីសាស្ត្រនេះមានសក្តានុពលខ្លាំងសម្រាប់ការអភិវឌ្ឍប្រព័ន្ធផ្តល់អនុសាសន៍ឆ្លាតវៃ និងប្រព័ន្ធរដ្ឋាភិបាលអេឡិចត្រូនិកនៅកម្ពុជា ដែលទិន្នន័យពីស្ថាប័នផ្សេងៗច្រើនតែមិនពេញលេញ និងមិនស៊ីសង្វាក់គ្នា។
ការអនុវត្តក្របខ័ណ្ឌនេះនឹងជួយឱ្យក្រុមហ៊ុននិងស្ថាប័នរដ្ឋនៅកម្ពុជាអាចទាញយកប្រយោជន៍អតិបរមាពីទិន្នន័យចម្រុះនិងមិនច្បាស់លាស់ ដើម្បីធ្វើសេចក្តីសម្រេចចិត្ត និងផ្តល់សេវាកម្មកាន់តែប្រសើរ។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Semantic Web | បណ្ដាញសេមែនទិក គឺជាផ្នែកមួយនៃវើលវ៉ាយវ៉េប (WWW) ដែលរៀបចំទិន្នន័យក្នុងទម្រង់មួយដែលម៉ាស៊ីន (កុំព្យូទ័រ ឬ AI) អាចយល់ អាន និងទាញយកទៅប្រើប្រាស់បានដោយស្វ័យប្រវត្តិ ដើម្បីបង្កើតជាសេចក្តីសម្រេចចិត្ត ដោយមិនបាច់មានមនុស្សចាំបញ្ជា។ | ដូចជាការបិទស្លាកឈ្មោះនិងអត្ថន័យលើរបស់របរក្នុងផ្ទះ ដើម្បីឱ្យរ៉ូបូតដឹងថាវាជាអ្វី និងត្រូវប្រើប្រាស់យ៉ាងដូចម្តេច។ |
| Ontology | អុនតូឡូស៊ី គឺជាការរៀបចំប្រព័ន្ធចំណេះដឹងដែលកំណត់ពីប្រភេទនៃវត្ថុ ព្រមទាំងទំនាក់ទំនងរវាងវត្ថុទាំងនោះនៅក្នុងវិស័យជាក់លាក់ណាមួយ ដើម្បីឱ្យកុំព្យូទ័រអាចយល់ពីអត្ថន័យ និងបរិបទនៃទិន្នន័យ។ | ដូចជាផែនទីមែកធាងគ្រួសារ ដែលប្រាប់កុំព្យូទ័រថាអ្នកណាជាតាកង អ្នកណាជាឪពុក និងមានទំនាក់ទំនងគ្នាបែបណា។ |
| Description Logics | ជាគ្រួសារនៃភាសាតក្កវិទ្យាសម្រាប់ប្រើប្រាស់ក្នុងការបង្កើត Ontologies ដោយវាជួយពណ៌នាពីចំណេះដឹងតាមរយៈរូបមន្តគណិតវិទ្យា ដើម្បីឱ្យកុំព្យូទ័រអាចទាញរកសេចក្តីសន្និដ្ឋានថ្មីៗពីទិន្នន័យដែលមានស្រាប់បាន (Reasoning)។ | ដូចជាការបង្រៀនរូបមន្តនិងក្បួនច្បាប់ដល់កុំព្យូទ័រ ដើម្បីឱ្យវាចេះគិតនិងទាញរកចម្លើយថ្មីដោយខ្លួនឯង។ |
| Dempster-Shafer Theory | ជាទ្រឹស្តីគណិតវិទ្យាមួយសម្រាប់ដោះស្រាយបញ្ហាទិន្នន័យដែលមិនពេញលេញ (Uncertainty) ដោយវាអនុញ្ញាតឱ្យយើងរួមបញ្ចូលប្រភពព័ត៌មានច្រើនបញ្ចូលគ្នា ដើម្បីទាញរកកម្រិតនៃជំនឿ (Belief) ទៅលើភាពពិតនៃរឿងអ្វីមួយ ទោះបីជាយើងខ្វះចន្លោះព័ត៌មានក៏ដោយ។ | ដូចជាការសួរមតិពីមិត្តភក្តិ៣នាក់អំពីភោជនីយដ្ឋានមួយ រួចយកមតិទាំង៣នោះមកថ្លឹងថ្លែងបញ្ចូលគ្នាដើម្បីសម្រេចចិត្តថាគួរទៅញ៉ាំឬអត់។ |
| Fuzzy Logic | ជាតក្កវិទ្យាដែលប្រើសម្រាប់ដោះស្រាយការវាយតម្លៃលក្ខខណ្ឌដែលមិនច្បាស់លាស់ (Vagueness) ដោយមិនកំណត់ត្រឹមតែ "ពិត(1)" ឬ "មិនពិត(0)" ប៉ុន្តែវាផ្តល់តម្លៃជាកម្រិតភាគរយចន្លោះពី 0 ទៅ 1 (ឧទាហរណ៍៖ ការវាស់វែងពាក្យថា ថោក ថ្លៃ ក្មេង ចាស់)។ | ដូចជាការពិពណ៌នាពីអាកាសធាតុថាមិនមែនគ្រាន់តែមានពាក្យ "ក្តៅ" ឬ "រងា" ទេ តែមានកម្រិត "ក្តៅល្មម" ដែលធ្វើឱ្យកុំព្យូទ័រយល់បានដូចការគិតរបស់មនុស្ស។ |
| Basic probability assignment | គឺជាមុខងារនៅក្នុងទ្រឹស្តី Dempster-Shafer ដែលវាធ្វើការបែងចែកឬផ្តល់តម្លៃទំនុកចិត្ត (Mass degree) ទៅលើសំណុំនៃព្រឹត្តិការណ៍ដែលអាចកើតឡើង ដោយផ្អែកលើភស្តុតាងជាក់ស្តែងដែលយើងមាននៅក្នុងដៃនៅពេលនោះ។ | ដូចជាការបែងចែកប្រាក់របស់អ្នកដើម្បីចាក់ភ្នាល់លើសេះច្រើនក្បាល ទៅតាមកម្រិតដែលអ្នកជឿថាសេះណាមានភាគរយឈ្នះខ្ពស់ជាងគេ។ |
| Frame of discernment | ជាសំណុំនៃព្រឹត្តិការណ៍ ឬលទ្ធផលទាំងអស់ដែលអាចកើតមានឡើងនៅក្នុងបញ្ហាណាមួយ ដែលលទ្ធផលទាំងនេះគឺដាច់ដោយឡែកពីគ្នា និងមិនអាចកើតឡើងជាន់គ្នាទេ (Mutually exclusive) សម្រាប់យកមកធ្វើការគណនាកម្រិតជំនឿ។ | ដូចជាបញ្ជីឈ្មោះបេក្ខជនទាំងអស់ដែលកំពុងឈរឈ្មោះបោះឆ្នោត ដែលចុងក្រោយកំណត់ថាមានតែម្នាក់ប៉ុណ្ណោះអាចឈ្នះ។ |
| Matchmaking | គឺជាដំណើរការនៅក្នុងប្រព័ន្ធកុំព្យូទ័រដែលធ្វើការប្រៀបធៀប និងផ្គូផ្គងរវាងតម្រូវការរបស់អ្នកស្វែងរក និងលក្ខខណ្ឌរបស់អ្នកផ្តល់សេវា (ឧទាហរណ៍៖ ការស្វែងរកការងារ ឬការរកសណ្ឋាគារ) ដើម្បីផ្តល់ចំណាត់ថ្នាក់និងរកមើលជម្រើសដែលស័ក្តិសមបំផុត។ | ដូចជាអ្នករៀបអភិសេក (មេអណ្តើក) ដែលយកលក្ខណៈសម្បត្តិ និងចំណង់ចំណូលចិត្តរបស់មនុស្សពីរនាក់មកផ្ទៀងផ្ទាត់គ្នា ដើម្បីមើលថាពួកគេត្រូវគ្នាឬអត់។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
