XÂY DỰNG HỆ THỐNG TRÍCH XUẤT TRI THỨC TỪ BÀI BÁO KHOA HỌC TIẾNG ANH PHỤC VỤ QUẢN LÝ VÀ KHAI THÁC TRI THỨC

Abstract

Đề tài tập trung nghiên cứu và xây dựng hệ thống tự động bóc tách tri thức từ các bài báo khoa học tiếng Anh, nhằm kiến tạo một nền tảng quản trị và khai thác thông tin học thuật hiệu quả. Mục tiêu cốt lõi của giải pháp là hỗ trợ đội ngũ nghiên cứu, giảng viên và sinh viên tối ưu hóa quá trình tra cứu, dễ dàng khám phá các mối liên kết phức tạp giữa các khái niệm, phương pháp và bộ dữ liệu, từ đó phục vụ đắc lực cho công tác đánh giá và tổng quan tài liệu khoa học. Đề tài ứng dụng sức mạnh đọc hiểu của mô hình ngôn ngữ lớn (Large Language Model - LLM) thông qua chiến lược zero-shot và few-shot prompting, cho phép hệ thống tự động nhận diện thực thể và trích xuất quan hệ trực tiếp từ ngữ cảnh văn bản. Để khắc phục sự phân mảnh dữ liệu, hệ thống triển khai mô-đun chuẩn hóa lai, kết hợp thuật toán so khớp mờ (fuzzy matching) và nhúng vector ngữ nghĩa (vector embedding) nhằm hợp nhất chính xác các thực thể đồng nghĩa. Quá trình thực nghiệm được triển khai trên tập dữ liệu quy mô 486 bài báo định dạng PDF đa lĩnh vực, đảm bảo tính đại diện và độ phức tạp thực tế. Về mặt kiến trúc, hệ thống được thiết kế thành một đường ống (pipeline) xử lý toàn trình: bắt đầu từ khâu bóc tách và tiền xử lý tài liệu PDF bằng GROBID, luân chuyển qua LLM để trích xuất dữ liệu có cấu trúc (JSON), và cấu trúc hóa mạng lưới tri thức trên hệ quản trị cơ sở dữ liệu đồ thị Neo4j. Đặc biệt, hệ thống tích hợp phân hệ hỏi đáp ứng dụng kiến trúc GraphRAG thông qua cơ chế Text-to-Cypher, kết hợp cùng giao diện người dùng tương tác (React JS) để người dùng tra cứu đồ thị bằng ngôn ngữ tự nhiên. Kết quả thực nghiệm khẳng định hệ thống đã tự động hóa thành công vòng đời quản trị tri thức. Mô hình nhận diện tốt 7 loại thực thể cốt lõi bao gồm: lĩnh vực (Domain), khái niệm (Concept), phương pháp (Method), tập dữ liệu (Dataset), tác giả (Author), tổ chức (Institution) và chỉ số (Metric). Hệ thống không chỉ khắc phục được rủi ro "ảo giác" (hallucination) của AI nhờ lập luận dựa trên đồ thị, mà còn chứng minh tiềm năng to lớn của các mô hình ngôn ngữ lớn trong việc thúc đẩy chuyển đổi số và nâng cao năng suất nghiên cứu khoa học. Từ khóa: Trích xuất tri thức, Đồ thị tri thức, Mô hình ngôn ngữ lớn (LLM), Xử lý ngôn ngữ tự nhiên, Trích xuất thực thể và quan hệ, GraphRAG, Neo4j. This research focuses on developing an automated knowledge extraction system from English scientific papers to establish an effective academic information management and exploitation platform. The core objective of this solution is to assist researchers, lecturers, and students in optimizing the retrieval process, enabling the seamless discovery of complex relationships among concepts, methods, and datasets, thereby significantly enhancing scientific evaluation and literature review workflows. The project leverages the advanced reading comprehension capabilities of Large Language Models (LLMs) through zero-shot and few-shot prompting strategies, allowing the system to automatically recognize entities and extract relations directly from the textual context. To overcome data fragmentation, the system implements a hybrid normalization module combining fuzzy matching and semantic vector embedding to accurately consolidate synonymous entities. The experimental phase was conducted on a dataset of 486 multidisciplinary PDF papers, ensuring representativeness and real-world complexity. Architecturally, the system is designed as an end-to-end processing pipeline: initiating with PDF document parsing and preprocessing using GROBID, routing through the LLM for structured data extraction (JSON), and formalizing the knowledge network within the Neo4j graph database. Notably, the system integrates a GraphRAG-based questionanswering module utilizing a Text-to-Cypher mechanism, paired with an interactive user interface (React JS) that allows users to query the graph using natural language. Experimental results confirm that the system successfully automates the knowledge management lifecycle. The model demonstrates outstanding recognition of 7 core entity types: Domain, Concept, Method, Dataset, Author, Institution, and Metric. The system not only mitigates the risk of AI hallucination by grounding reasoning on the graph but also proves the immense potential of large language models in driving digital transformation and elevating scientific research productivity. Keywords: Knowledge Extraction, Knowledge Graph, Large Language Model (LLM), Natural Language Processing, Entity and Relation Extraction, GraphRAG, Neo4j.