GIẢI PHÁP TÌM KIẾM THÔNG TIN DỰA TRÊN SEMANTIC WEB

 GIẢI PHÁP TÌM KIẾM THÔNG TIN DỰA TRÊN SEMANTIC WEB

 

TS. Phạm Thế Quế

                                                                                                 Khoa Công nghệ

Abstract

     The documents on the Web are expressed as natural language and stored in a hypertext system dispersed on the Website. Pose enormous challenges when users search, share and exchange information on the Internet.

     Most of the search engines on the Web now also be considered effective only information search keyword agreement.

     The article points to an overview of some of the technical limitations of search based on the traditional Web. The problems that the traditional search engines face when based on keywords. Presented search solution based on Hybrid Spread Activation semantic network, built from the concepts and relationships in the ontology. Finally evaluate advantages and disadvantages of this solution.

1.Đặt vấn đề

    Đa số các máy tìm kiếm trên Web truyền thống đều tìm kiếm dựa trên việc đối sánh với từ khóa. Các ứng dụng tìm kiếm hiện nay chứa rất nhiều hạn chế do các tài nguyên trên Web là các tài nguyên phi cấu trúc. Vì vậy các máy tìm kiếm chỉ có thể dựa theo từ khóa để tìm kiếm thông tin và đương nhiên sẽ có rất nhiều kết quả không mong muốn được trả về cho người dùng. Các nhà cung cấp cũng đã đề xuất nhiều giải pháp nhằm cải thiện hiệu quả tìm kiếm như các thuật toán sắp hạng, các thuật toán tìm từ đồng nghĩa, tìm các từ khóa liên quan… Tuy nhiên, kết quả tìm kiếm vẫn chưa thỏa mãn nhu cầu của người dùng [1], [7].

    Hiện nay, máy tìm kiếm thành công nhất là máy tìm kiếm của Google chiếm trên 50% thị phần. Google được thiết kế có thể Crawling và đánh chỉ mục một cách hiệu quả và trả về những kết quả tìm kiếm tốt hơn các máy tìm kiếm của các đối thủ khác.

    Nguyên tắc chung của các máy tìm kiếm là lưu trữ tất cả thông tin về các trang Web được thu thập bởi Web Crawler,  là một trình duyệt Web tự động duyệt theo tất cả các đường link mà nó nhìn thấy. Nội dung của mỗi một trang Web sẽ được phân tích và quyết định đánh chỉ mục hay không. Thông tin về các trang Web đánh chỉ mục được lưu trữ trong một cơ sở dữ liệu chỉ mục để sử dụng cho các truy vấn. Một số máy tìm kiếm (chẳng hạn như Google) lưu lại tất cả các phần của trang nguồn (lưu vào cache) trong khi đó một số khác (chẳng hạn như AltaVista) lại lưu trữ mọi từ (word) mà nó tìm thấy ở tất cả các trang. Các trang được lưu trong cache rất có ích khi nội dung của trang đã được cập nhật khi mà các từ khóa tìm kiếm lại không xuất hiện ở trong nội dung của nó.

    Khi người dùng nhập một câu truy vấn chứa khóa vào máy tìm kiếm, các máy tìm kiếm sẽ kiểm tra bảng chỉ mục và đưa ra một danh sách các trang Web tốt nhất theo tiêu chí của nó. Thường thì danh sách này bao gồm tiêu đề của trang Web và một đoạn ngắn của nội dung văn bản. Hầu hết các máy tìm kiếm còn hỗ trợ sử dụng các toán tử logic AND, OR hay NOT cho các câu truy vấn. Một số máy tìm kiếm cung cấp một tính năng tìm kiếm gần đúng để cho phép người dùng định nghĩa khoảng cách giữa các từ khóa.

    Tính hiệu quả của các máy tìm kiếm phụ thuộc vào độ chính xác của các kết quả trả về. Trong số hàng tỷ các trang Web có chứa các từ khóa, thì rất nhiều trang Web có độ ưu tiên cao hơn những trang Web khác. Hầu hết các máy tìm kiếm thực hiện phương thức sắp hạng cho các kết quả để trả về những kết quả tốt nhất. Việc quyết định trang Web nào là tốt nhất, gần nhất với yêu cầu người dùng là khác nhau ở các máy tìm kiếm khác nhau.

    Các máy tìm kiếm truyền thống gặp phải hai vấn đề chính [1]:

−       Mỗi từ khóa có thể có một hay nhiều ý nghĩa tùy theo từng ngữ cảnh và máy tìm kiếm không thể hiện mối quan hệ giữa các từ khóa với nhau.

−       Rất nhiều trang Web có liên quan đến từ khóa nhưng lại không chứa từ khóa đó trong nội dung thì sẽ không tồn tại trong kết quả tìm.

    Đây là những vấn đề khác biệt giữa máy tìm kiếm dựa trên Web truyền thống (dựa trên từ khóa) và máy tìm kiếm dựa trên Semantic Web. Sức mạnh của Semantic Web sẽ được thể hiện trong việc hỗ trợ các công cụ tìm kiếm. Với việc máy tính có thể hiểu được thông tin trên Semantic Web, các dữ liệu trả về sẽ mang tính ngữ nghĩa nhiều hơn, gần với yêu cầu của người dùng hơn [7]

    Một thí dụ minh họa cho sự chưa hiệu quả của các máy tìm kiếm dựa trên Web hiện tại – từ khóa:  Giả sử bạn là một nhân viên của một doanh nghiệp. Bạn muốn có một số thông tin về một phụ nữ mà bạn đã gặp tại buổi hội thảo về “Mã số, mã vạch”  năm ngoái. Bạn chỉ nhớ rằng, tên người phụ nữ đó là “Cúc”, là một nhân viên của một doanh nghiệp đối tác với doanh nghiệp của bạn, và con gái của bà ta đang học tại Đại học Bách khoa Hà nội.  Với kỹ thuật tìm kiếm hiện tại, khó có thể tìm kiếm chính xác thông tin về bà Cúc mà bạn yêu cầu.

2.  Giải pháp Hybrid Spread Activation

2.1           Mô hình Spread Activation[1], [2],[4]

    Mô hình Spread Activation được nghiên cứu xuất phát từ các nghiên cứu về tâm lý học và được giới thiệu đầu tiên trong ngành khoa học máy tính ở lĩnh vực trí tuệ nhân tạo. Trong lĩnh vực này, Spread Activation tạo nên một framework xử lý cho các mạng ngữ nghĩa (semantic networks), được ứng dụng trong nhiều lĩnh vực khác nhau như Khoa học nhận thức, Cơ sở dữ liệu, Trí tuệ nhân tạo, Tâm lý học, Sinh học và đặc biệt là Information Retrieval. Spread Activation gồm có các mô hình Spread Activation thuần túy, mô hình Spread Activation có ràng buộc và mô hình Spread Activation có phản hồi.

a.     Mô hình Spread Activation thuần túy

    Đây là mô hình Spread Activation khá đơn giản.  Nó được xây dựng từ kỹ thuật xử lý khái niệm đơn giản dựa trên cấu trúc dữ liệu mạng. Cấu trúc dữ liệu mạng bao gồm các node được nối với nhau bởi các liên kết. Hình dưới đây là một ví dụ minh họa về cấu trúc dữ liệu mạng:

Hình  1:   Cấu trúc dữ liệu mạng trong một mô hình Spread Activation

    Các liên kết giữa các node trong mạng thường là vector có hướng, được gán nhãn hoặc được đánh trọng số. Cấu trúc biểu diễn này giống như một mạng ngữ nghĩa.

    Kỹ thuật xử lý được định nghĩa bởi chuỗi các vòng lặp được mô tả như sau:

 

Mỗi vòng lặp bao gồm:

−          Một hoặc nhiều nhịp (xung)

−          Một lần kiểm tra điều kiện kết thúc

     Phân biệt Spread Activation thuần túy với các mô hình phức tạp khác là chuỗi các hành động tạo nên một nhịp. Một nhịp bao gồm:

−          Điều chỉnh trước (pre-adjustment)

−          Lan truyền (spreading)

−          Điều chỉnh sau (post-adjustment)

     Các pha điều chỉnh trước và sau có thể có hoặc không. Và ở trong nó, một số dạng phân rã có thể được áp dụng cho các node  hoạt động. Các pha này được sử dụng để tránh duy trì sự hoạt động từ các nhịp trước và giúp điều khiển hoạt động toàn mạng. Làm giảm trong các node không còn tiếp tục hoạt động nữa.

     Pha lan truyền gồm các đường đi các sóng kích hoạt từ một node đến tất cả các node được kết nối với node nguồn. Có nhiều cách kích hoạt lan truyền ra toàn mạng, nhưng  cách kích hoạt lan truyền phổ biến nhất là cách tính toán đầu vào cho một node theo đầu ra của tất cả các node nối với nó được sử dụng nhiều nhất. Cách thức đó được thực hiện theo công thức sau:

Trong đó:

-      Ij là tổng số đầu vào của node j

-      Oi là đầu ra của đơn vị i được nối tới node j

-      wij là trọng số liên kết của đường nối từ node i tới node j

     Đầu ra và trọng số thường là các số thực, tuy nhiên kiểu của chúng được quyết định bởi các yêu cầu riêng của từng ứng dụng. Cụ thể, chúng có thể là các số nhị phân (0 hoặc 1), các giá trị ±1, hoặc chúng có thể là các giá trị số thực để chỉ độ liên kết mạnh hay yếu giữa các node. Thường thì các giá trị 0 và 1 hoặc các giá trị ±1 được sử dụng trong các kết nối với mạng có các vector được gán nhãn như mạng ngữ nghĩa. Còn các giá trị số thực được dùng trong các mạng kết hợp, các kết nối được đánh trọng số.

     Khi một node được tính giá trị đầu vào của, thì giá trị đầu ra phải được quyết định. Kiểu số của đầu ra ở mỗi node cũng được quyết định theo yêu cầu của mỗi ứng dụng. Hai trường hợp được sử dụng nhiều nhất là kiểu số nhị phân (hoạt động hoặc không hoạt động) và kiểu giá trị số thực. Trong các mô hình Spread Activation, không có sự phân biệt giữa “giá trị kích hoạt” hay “giá trị đầu ra” của một node. Mức kích hoạt của một node chính là giá trị đầu ra của nó, thường được tính như một hàm của đầu vào:

     Hàm được sử dụng nhiều nhất trong các mô hình Spread Activation thuần túy là hàm ngưỡng để quyết định node j có được kích hoạt hay không. Áp dụng với công thức trên trong  trường hợp sử dụng các số nhị phân cho đầu ra như sau: Oj = 0  nếu Ij < kj và  Oj = 1 trong trường hợp ngược lại. kj là ngưỡng giá trị của node j, giá trị của hàm kích hoạt phụ thuộc vào ứng dụng và có thể khác nhau ở các node khác nhau.

     Sau khi một node được tính toán giá trị đầu ra, nó thông báo tới các node có nối với nó, thường là gửi một số giống nhau tới các node đó.

     Sau mỗi nhịp, sự kích hoạt lại được lan truyền trên toàn mạng tới các node xa với node ban đầu. Khi số lượng nhịp đã đưa ra, điều kiện dừng được kiểm tra. Nếu thỏa mãn, quá trình lan truyền kích hoạt sẽ dừng lại, nếu không lại tiếp tục với các chuỗi nhịp khác. Vì vậy, quá trình lan truyền kích hoạt được lặp lại, và bao gồm một chuỗi các nhịp cũng như các kiểm tra điều kiện dừng.

     Kết quả của quá trình lan truyền kích hoạt là mức kích hoạt của các node đạt tới điểm dừng. Sự thể hiện của mức kích hoạt ở mỗi node phụ thuộc vào từng ứng dụng và phụ thuộc vào tính chất của đối tượng được gán cho mỗi node.

b.     Mô hình Spread Activation có ràng buộc

Một số hạn chế của mô hình Spread Activation thuần túy:

−       Quá trình điều khiển các pha điều chỉnh trước và điều chỉnh sau có thể xẩy ra sự  kích hoạt lan truyền toàn mạng

−       Không sử dụng hiệu quả hết thông tin được cung cấp bởi các nhãn được gán trên các liên kết, và không sử dụng tính ngữ nghĩa của các liên kết.

−       Một số dạng suy diễn dựa trên các liên kết ngữ nghĩa khó có thể thực hiện được

     Có thể khắc phục những nhược điểm trên bằng kỹ thuật xử lý những ý nghĩa khác nhau trong các mối quan hệ giữa các node. Giải pháp có thể có được nếu sử dụng thông tin được cung cấp bởi các nhãn được gán trên các liên kết và xử lý các liên kết theo những cách khác nhau tùy theo ý nghĩa của chúng. Ngoài ra có thể sử dụng thêm các heuristic hoặc sử dụng một số luật suy diễn, tức là là sử dụng các ràng buộc trong khi lan truyền.

     Một số ràng buộc được sử dụng trong các mô hình Spread Activation.

−       Ràng buộc khoảng cách: lan truyền kích hoạt dừng lại khi các node đã xa so với những node được kích hoạt ban đầu. Thỏa với luật heuristic đơn giản, nghĩa là độ mạnh của liên kết giữa hai node sẽ giảm đi khi khoảng cách ngữ nghĩa tăng lên. Quan hệ giữa các node có thể được phân chia theo khoảng cách của các liên kết. Quan hệ giữa hai node liên kết trực tiếp được gọi là các quan hệ cấp 1. Quan hệ giữa hai node được nối qua một lượng trung bình các node khác được gọi là các quan hệ cấp 2… Các mối quan hệ được sử dụng phụ thuộc vào từng ứng dụng, tuy nhiên thường thì chỉ quan tâm đến các quan hệ cấp 1, cấp 2 và cấp 3

−       Ràng buộc phân nhánh: lan truyền kích hoạt dừng lại ở các node có độ liên kết cao, là các node liên kết với rất nhiều node khác. Ràng buộc này đảm bảo tránh việc lan truyền quá rộng.

−       Ràng buộc đường đi: lan truyền kích hoạt nếu sử dụng các đường đi “ưu tiên” đưa ra từ các luật suy diễn phụ thuộc ứng dụng. Việc xét ưu tiên có thể sử dụng các trọng số trên các liên kết, hoặc nếu liên kết được gán nhãn thì sẽ sử dụng đường đi

−       Ràng buộc kích hoạt: sử dụng hàm ngưỡng ở mức một node đơn để điều khiển việc lan truyền kích hoạt trên mạng. Điều này có thể có được nhờ điều chỉnh giá trị ngưỡng trong mối quan hệ mức tổng thể của kích hoạt trên toàn mạng và ở mọi nhịp khác nhau. Hơn nữa, có thể gán các mức ngưỡng khác nhau cho mỗi node hoặc một tập các node tùy theo ứng dụng. Điều này có thể làm tăng các thao tác tính toán nhưng sẽ giúp thực hiện nhiều luật suy diễn phức tạp.

c.      Mô hình Spread Activation có phản hồi

     Một cải tiến  hiệu quả khác của mô hình Spread Activation thuần túy là việc sử dụng phản hồi từ các nguồn bên ngoài.  Một phép đánh giá bên ngoài của mức kích hoạt ở một node hoặc trên toàn bộ mạng sẽ cung cấp một số ràng buộc. Điều này có thể xẩy ra  trong các luật tự động. Các phản hồi bên ngoài có thể đến từ một quá trình khác hoặc có thể được cung cấp bởi người dùng hệ thống. Người dùng sẽ đánh giá mức kích hoạt bởi một số node và điều chỉnh nó theo yêu cầu của họ. Điều này sẽ giúp người dùng điều chỉnh quá trình lan truyền kích hoạt nhờ phản hồi của chính họ. Hơn nữa, cũng có thể cho phép người dùng đưa ra một số đường lan truyền cụ thể và nhờ đó việc lan truyền kích hoạt có thể theo những đường đi được đưa ra bởi người dùng. Các đường đi này có thể khác với những đường đi được quyết định theo các ràng buộc đường đi. Theo mô hình này thì quá trình lan truyền kích hoạt có thể đáp ứng được những yêu cầu của từng người dùng cụ thể.

     Mô hình Spread Activation có phản hồi thực sự hiệu quả cho các ứng dụng có quá nhiều luật suy diễn được đưa ra và cần phải có điều khiển bên ngoài nhờ đánh giá của người dùng về kết quả của quá trình lan truyền. Trong trường hợp của Information Retrieval, có thể sử dụng mô hình này với những ứng dụng liên quan tới phản hồi từ người dùng. Việc sử dụng phản hồi từ người dùng có thể được thực hiện trong pha điều chỉnh trước, nhờ đó người dùng sẽ điều khiển từng nhịp một. Ngoài ra cũng có thể thực hiện trong pha điều chỉnh sau, người dùng đánh giá được kết quả của quá trình lan truyền.

2.2           Giải pháp Hybrid Spread Activation

a.         Ý tưởng của giải pháp[1], [2]

     Như trên đã trình bày, giải pháp Spread Activation là một trong những giải pháp được sử dụng nhiều nhất cho các mạng ngữ nghĩa. Trên nền tảng Ontology trong Semantic Web, hoàn toàn có thể sử dụng Spread Activation trong bài toán tìm kiếm dựa trên Semantic Web.  Vì Ontology đã bao gồm tập các khái niệm và mối quan hệ giữa các khái niệm. Có thể coi Ontology chính là một mạng ngữ nghĩa trong mô hình Spread Activation, các khái niệm là các node trên mạng, mối quan hệ giữa các khái niệm chính là các liên kết đã được gán nhãn.

     Mặt khác,  có thể dựa vào thông tin từ Ontology và các thể hiện của nó để có thể có được một trọng số trên các liên kết đã được gán nhãn. Mạng ngữ nghĩa đã được gán nhãn và có trọng số trên các liên kết được xem như một đồ thị lai (hybrid graph). Giải pháp sử dụng Spread Activation với đồ thị lai được gọi là Hybrid Spread Activation.

b.     Giải pháp Hybrid Spread Activation

     Gán trọng số trên các liên kết:

−       Độ đo nhóm (cluster measure): Độ đo nhóm là độ tương đồng giữa hai khái niệm. Nếu hai node có tập các node liên kết tới nó càng giống nhau, thì hai node đó có độ tương đồng càng cao. Độ tương đồng giữa hai khái niệm Cj và Ck:

nij = 1 nếu Cj có cạnh nối tới Ci (nij = 0 trong trường hợp ngược lại).

nijk = 1 nếu cả CjCk đều có cạnh nối tới Ci (trường hợp ngược lại nijk = 0)

−       Độ đo riêng biệt (specificity measure): Cũng giống như độ đo idf (inverse domain frequency) được sử dụng nhiều trong Information Retrieval. Nếu một node càng liên kết với ít node trên mạng thì những liên kết của nó càng có ý nghĩa hơn. Độ đo sự quan trọng của liên kết từ Cj tới Ck được tính như sau:

 

 

 

 

 

−       Độ đo kết hợp (combined measure): Độ đo kết hợp dựa trên độ đo riêng biệt và độ đo nhóm

Thuật toán Spread Activation

     Thuật toán Spread Activation sẽ thực hiện khám phá trên đồ thị khái niệm. Sau khi khởi tạo tập các khái niệm, thuật toán sẽ thực hiện loang dần trên đồ thị dựa vào các liên kết.

     Các khái niệm khởi tạo của Ontology có thể được xem như  là các node. Mỗi một node ứng với một giá trị kích hoạt ban đầu. Sau quá trình lan truyền, tất cả các node sẽ có giá trị kích hoạt riêng. Giá trị kích hoạt cho các node khởi tạo là đầu vào của thuật toán, mặc định bằng 1.  Các node không phải là  khởi tạo sẽ có giá trị kích hoạt bằng 0.

     Các node khởi tạo được đặt trong một hàng đợi ưu tiên được sắp xếp theo chiều không tăng của các giá trị kích hoạt. Node có giá trị kích hoạt lớn nhất sẽ được lấy ra khỏi hàng đợi. Nếu thỏa tất cả các điều kiện, nó sẽ lan truyền sự kích hoạt tới các node xung quanh. Mỗi khi lan truyền qua một node, giá trị kích hoạt sẽ giảm đi. Những node đã được kích hoạt mà chưa có trong hàng đợi ưu tiên sẽ được kết nạp thêm vào.

     Quá trình sẽ lặp lại cho đến khi một trạng thái giới hạn có được hoặc không có node nào được kết nạp thêm vào hàng đợi. Khi kết thúc thuật toán, tập các node là kết quả của quá trình lan truyền kích hoạt được sắp xếp theo giá trị kích hoạt.

while (queue != )

{ 

node = queue.popMax(); // Lấy node có giá trị activation lớn nhất                                                        //  ra khỏi hàng đợi.

for (mỗi node destNode có cạnh nối từ node nguồn)

{

destNode.Input = node.Output * weight(node, destNode) * (1-)

// weight là trọng số cạnh,  là độ giảm activation sau mỗi node

if (destNode không nằm trong queue)

                 queue.push(destNode);

}

node.Visited = true;

result.push(node);

}

Sắp xếp và trả kết quả.

 

3.  Phân tích đánh giá các giải pháp Hybrid Spread Activation

3.1

 

  Ưu điểm:

−       Độ phức tạp của thuật toán                      ,  trong đó E là tập cạnh và V là tập đỉnh của đồ thị. Độ phức tạp thấp hơn so với độ phức tạp của các thuật toán tìm kiếm khác

−       Lượng hóa được các liên kết ngữ nghĩa được mô tả trong Ontology, dễ dàng  ứng dụng cho mô hình Spread Activation.

−       Giải pháp lợi dụng được tính ngữ nghĩa của các khái niệm trong Ontology

−       Vận dụng được hiệu quả của mô hình Spread Activation đã được sử dụng trong nhiều lĩnh vực đặc biệt là Information Retrieval.

3.2              Nhược điểm

−       Chưa có bộ trọng số phù hợp cho các lĩnh vực ứng dụng. Vì vậy hiệu quả của giải pháp có thể khác nhau phụ thuộc vào từng lĩnh vực áp dụng khác nhau.

−       Giải pháp xây dựng dựa trên tính ngữ nghĩa trong các liên kết Ontology.  Xem các liên kết có vai trò như nhau khi tính toán trọng số các cạnh.

−       Một khó khăn nữa trong việc xây dựng các ứng dụng tìm kiếm dựa trên Semantic Web là làm sao chứng minh được tính đúng đắn cũng như hiệu quả của giải pháp. Hiện nay vẫn chưa có những kho dữ liệu chuẩn để so sánh hiệu quả của các giải pháp. Hơn nữa, vẫn chưa có một độ đo nào được chấp nhận như độ đo chuẩn để phân tích, đánh giá các kết quả trả về của các ứng dụng tìm kiếm.

Kếtlun

     Giải pháp tìm kiếm Hybrid Spread Activation là giải pháp dựa trên Ontology của Semantic Web có độ phức tạp thấp, hội tụ nhanh. Lượng thông tin trả về có thể thỏa mãn yêu cầu của người sử dụng,

     Các giải pháp ứng dụng Semantic Web để tìm kiếm thông tin là hoàn toàn có thể thực hiện được ở thời điểm hiện tại với những nền tảng mà Semantic Web đang hỗ trợ. Khả năng tìm kiếm nhanh, chính xác trên Internet trở thành hiện thực,  mang lại những giá trị to lớn cho người dùng.

TÀI LIỆU THAM KHẢO

[1]       John Davies, Rudi Studer, Paul Warren, Semantic Web Technologies Trends and Research in Ontology-based Systems, 2006

[2]       E. Prud\\\’hommeaux and A. Seaborne, SPARQL Query Language for RDF, W3 Recommendation, January 2008

[3]       Steffen Staab, Heiner Stuckenschmidt, SemanticWeb and Peer-to-Peer, Decentralized Management and Exchange,  Berlin Heidelberg 2006

[4]       Bo Leuf, The Semantic Web: Crafting infrastructure for Agent, Technology Analyst, Sweden 2005

[5]       A.F. Salam and Jason R. Stevens,  Semantic Web Technologies and E-Business: Toward the Integrated Virtual Organization and Business, 2007

[6]       Choochart Haruechaiyasak (2003), A dataming and Semantic Web frameworks for building a web based recomender system, Doctor of  Philosophy, the University of Miami, pp 31-44, pp 50-59

[7]       Christopher D. Walton, Agency and the Semantic Web, Published in the United States by Oxford University Press Inc., New York, 2007

[8]       Thomas B. Passin, Explorer’s Guide to the Semantic Web. 2009


Hội nghị tổng kết 2016-2017
Hội nghị tổng kết 2016-2017
Tân Sinh viên Khoa Pr nói về ĐHHB
UVBCH Đoàn TNCS HCM ĐHHB
UVBCH Đoàn TNCS HCM ĐHHB
Sinh viên nhón 4 khóa 10 ĐHHB
Sinh viên nhón 4 khóa 10 ĐHHB
Thực hành CNTT…
Thực hành CNTT…
Ghi phiếu đăng ký nhập học
Ghi phiếu đăng ký nhập học
Lễ trao bằng tốt nghiệp
Biểu diên thời trang-Lễ phát bằng
Lễ trao bằng tốt nghiệp-2017
Lễ trao bằng tốt nghiệp-2017
Chào mừng bạn đến với ĐHHB

Trang tuyển sinhĐại học Hòa Bình

Phóng sự của TV Hà Nội về ĐHHB
9 lợi thế của sinh viên ĐHHB
9 lợi thế của sinh viên ĐHHB
Bản đồ Hà Nội-Đại học Hòa Bình
Video về Đại học Hòa bình
Ngày khai giảng ĐHHB
Ngày khai giảng ĐHHB
Đại Học Hòa Bình & doanh nghiệp
Sinh viên ĐHHB thực hành
Sinh viên ĐHHB thực hành
Một số Trang cần lưu ý
10 Thông tin mới nhất
Trang tuyển sinh ĐHHB
Bảo vệ luận văn thạc sỹ CNTT
Bảo vệ luận văn thạc sỹ CNTT
Trường Đại Học Hòa Bình
*CHÀO MỪNG VÀ CÁM ƠN BẠN ĐÃ GHÉ THĂM TRƯỜNG ĐẠI HỌC HÒA BÌNH QUA WEBSITE hbuniv.edu.vn. CHÚC BẠN MỌI SỰ TỐT LÀNH*>
WebSite của Đại học Hòa Bình

http://hbuniv.edu.vn và kênh tuyển sinh daihochoabinh.edu.vn

TIN BẢO VỆ KHÓA LUÂN TỐT NGHIỆP
Nhắc nhớ nhiều điều Hai dòng có được không Sinh viên Khoa Công nghệ thông tin & Điện tử viễn thông Bảo vệ KHÓA LUẬN tốt nghiệp Đề tài trong năm học 2017 Android & Điện thoại di động Lập trình 3D-Hoạt hình, VideoClip Lập trình WEB, Create Website bán hàng & Wordpress

Mời đến Trang Tuyển sinh Đại Học Hòa Bình- daihochoabinh.edu.vn

Sinh viên ĐHHB được tuyên dương
Nhấn chuột phải-view image để xem ảnh

Nhấn chuột phải-view image để xem ảnh

Lễ ký kết hợp tác toàn diện
Tìm thông tin
Thử nghiệm Máy bay KNL
TIN TỨC - SỰ KIỆN
THÔNG BÁO
Sinh viên ĐHHB với thể thao
Trận chung kết kéo co Nữ
Kêt nạp đảng viên tại ĐHHB
Kêt nạp đảng viên tại ĐHHB
Trao cờ thi đua
Trao cờ thi đua
Giới thiệu Đại học Hòa Bình
Vi du the marquee trong HTML

Mời các bạn yêu thích Video vào mục Video để xem

Áo dài Việt