[DS & AI Blog #56] Học Biểu Diễn Câu & Metric Learning: Từ Triplet Loss Đến Contrastive Learning (SimCSE) & Kỹ Thuật Định Danh Thực Thể (Entity Resolution) Quy Mô Triệu Bản Ghi

1. Bối cảnh thực tế (Context & Problem Statement)

Trong mọi doanh nghiệp lớn (Ngân hàng, Sàn thương mại điện tử, Chuỗi bán lẻ, Viễn thông), dữ liệu khách hàng và sản phẩm luôn bị phân mảnh từ hàng chục nguồn khác nhau (Ứng dụng Mobile, Website, Tổng đài CSKH, Điểm bán hàng trực tiếp POS):

Cùng một khách hàng Nguyễn Văn An nhưng được ghi nhận dưới các dạng:
- Nguồn 1: "Nguyễn Văn An, 123 Lê Lợi Q1 HCM, 0903123456"
- Nguồn 2: "Nguyen Van An, 123 Le Loi, P. Ben Nghe, Quan 1, TP. Ho Chi Minh"
- Nguồn 3: "AN NGUYEN, Le Loi St., Dist 1, HCMC, [email protected]"
Cùng một chiếc điện thoại iPhone 15 Pro Max:
- Nguồn A: "Apple iPhone 15 Pro Max 256GB Titan Tự Nhiên"
- Nguồn B: "Điện thoại IP15 ProMax 256G Gray chính hãng VN/A"

Nếu không hợp nhất được các thực thể này (Entity Resolution / Record Linkage / Deduplication), doanh nghiệp sẽ:

Gửi trùng lặp hàng triệu tin nhắn khuyến mãi cho cùng 1 người $\rightarrow$ Lãng phí ngân sách và làm phiền khách hàng.
Không thể xây dựng được Bức chân dung khách hàng duy nhất (Single Customer 360 View / Golden Record) để tính toán chính xác chỉ số LTV hay chấm điểm tín dụng.
Không thể phát hiện các đối tượng gian lận cố tình tạo nhiều tài khoản ảo bằng cách sửa nhẹ ký tự họ tên.

Tại sao các phương pháp so khớp chuỗi truyền thống thất bại?

Khoảng cách chuỗi (Levenshtein, Jaro-Winkler): Bất lực trước từ đồng nghĩa, viết tắt hoặc đảo trật tự từ ("Apple iPhone" vs "Điện thoại Apple").
Độ phức tạp bùng nổ theo hàm bậc hai ( $O(N^2)$ ): So sánh từng cặp trong $10\text{ triệu}$ bản ghi đòi hỏi $50,000\text{ tỷ phép tính}$ , mất hàng năm trời tính toán trên cụm máy chủ!

Giải pháp hiện đại kết hợp giữa Học khoảng cách biểu diễn (Deep Metric Learning / Sentence Embeddings) và Kỹ thuật phân khối chặn (Blocking via Vector Search / LSH).

2. Các Khái Niệm & Cơ Chế Cốt Lõi

2.1. Căn Bệnh "Sụp Đổ Hình Học" Của BERT: Hiện Tượng Anisotropy

Một sai lầm phổ biến của các kỹ sư mới vào nghề: Lấy mô hình BERT tiền huấn luyện (Pre-trained BERT), tính trung bình các vector token ở tầng cuối cùng (BERT Mean Pooling) để làm vector biểu diễn câu (Sentence Embedding).

Hiện tượng Anisotropy (Tính phi đẳng hướng):
- Các vector biểu diễn của BERT bị co cụm lại thành một "Hình nón hẹp" (Narrow Cone) trong không gian vector nhiều chiều, thay vì phân bố đều trên mặt cầu.
- Hậu quả tai hại: Bất kỳ hai câu văn nào ngẫu nhiên (ngay cả hai câu hoàn toàn không liên quan như "Hôm nay trời mưa" và "Giá cổ phiếu tăng") khi tính độ tương đồng Cosine đều cho ra điểm số rất cao ( $0.75 - 0.90$ )!
- $\rightarrow$ Vector BERT thô hoàn toàn vô dụng cho các tác vụ so khớp tương đồng ngữ nghĩa (Semantic Similarity).

2.2. Deep Metric Learning: Kéo Gần Đồng Loại, Đẩy Xa Khác Biệt

Metric Learning huấn luyện mạng nơ-ron sao cho Khoảng cách hình học trong không gian vector phản ánh chính xác khoảng cách ngữ nghĩa trong đời thực:

TRƯỚC KHI HỌC (Không gian ban đầu):              SAU KHI HỌC METRIC LEARNING:
      (Mẫu A)          (Mẫu B - Cùng loại)               (Mẫu A)  (Mẫu B)
         \            /                                       \/ (Gần nhau)
          \          /
           (Mẫu C - Khác loại)                                              (Mẫu C) (Xa hẳn)

1. Hàm Mất Mát Triplet Loss (Schroff et al., FaceNet 2015)

Dữ liệu được tổ chức thành bộ ba:

Anchor ( $a$ - Điểm neo): Một bản ghi chuẩn (ví dụ: "Apple iPhone 15").
Positive ( $p$ - Mẫu cùng loại): Một biến thể cùng thực thể (ví dụ: "IP15 Apple chính hãng").
Negative ( $n$ - Mẫu khác loại): Một thực thể khác (ví dụ: "Samsung Galaxy S24").

$\mathcal{L}_{\text{Triplet}} = \max\Big( 0, \, D(a, p) - D(a, n) + \alpha \Big)$ (trong đó $D(x, y) = \| f(x) - f(y) \|_2^2$ là khoảng cách Euclidean, và $\alpha > 0$ là Biên độ an toàn Margin).

Cơ chế hoạt động:
- Nếu khoảng cách $D(a, n) \ge D(a, p) + \alpha$ (Mẫu khác loại đã nằm cách xa mẫu cùng loại một khoảng ít nhất bằng $\alpha$ ): Loss bằng $0$ .
- Nếu không, mô hình bị phạt nặng, ép buộc phải kéo gần $a$ với $p$ và đẩy xa $a$ khỏi $n$ .

2. Kỹ Thuật Khai Thác Mẫu Khó (Hard Negative Mining):

Trong một tập dữ liệu lớn, đa số các cặp Negative đều là Mẫu dễ (Easy Negatives) vì chúng hoàn toàn khác nhau (ví dụ: so sánh iPhone với Cái bàn chải đánh răng). Nếu chỉ train trên mẫu dễ, gradient sẽ bằng $0$ và mô hình ngừng học.

Semi-Hard Negatives: Các mẫu nằm trong vùng biên: $D(a, p) < D(a, n) < D(a, p) + \alpha$ .
$\rightarrow$ Đây là những mẫu giá trị nhất giúp mô hình học cách phân biệt các chi tiết tinh vi (ví dụ: phân biệt "iPhone 15 128GB" và "iPhone 15 256GB")!

2.3. Đột Phá SimCSE: Tự Học Tương Phản Nhờ Dropout (Gao et al., Princeton 2021)

Huấn luyện Triplet Loss đòi hỏi phải có dữ liệu gán nhãn thủ công (cần con người chỉ ra cặp nào là cùng một thực thể). SimCSE (Simple Contrastive Sentence Embedding) đưa ra một ý tưởng thiên tài để tự học biểu diễn câu hoàn toàn không cần nhãn (Unsupervised):

Tận dụng chính lớp Dropout làm Data Augmentation:
- Cho cùng một câu văn $x_i$ đi qua mạng Transformer (BERT) hai lần liên tiếp.
- Do cơ chế Dropout ngẫu nhiên tắt đi các nơ-ron khác nhau trong mỗi lần chạy, ta thu được hai vector biểu diễn hơi khác nhau một chút: $h_i$ và $h_i^+$ .
- Cặp Positive tự nhiên: $(h_i, h_i^+)$ chính là cặp cùng một bản chất!
- Cặp Negative: Tất cả các câu văn khác trong cùng một mini-batch đóng vai trò là Negative samples.
Hàm mất mát InfoNCE / Multiple Negatives Ranking Loss: $\mathcal{L}_i = -\log \frac{e^{\text{sim}(h_i, h_i^+) / \tau}}{\sum_{j=1}^{N} e^{\text{sim}(h_i, h_j^+) / \tau}}$
$\rightarrow$ SimCSE giải quyết triệt để vấn đề Anisotropy, kéo giãn không gian vector trải đều trên mặt cầu siêu cầu (Uniformity) và đạt hiệu năng tương đương các mô hình có giám sát đắt đỏ!

2.4. Đường Ống Khử Trùng Lặp Thực Thể Quy Mô Triệu Bản Ghi (End-to-End Entity Resolution)

Để xử lý $10\text{ triệu}$ bản ghi mà không bị nghẽn $O(N^2)$ :

[10,000,000 Bản Ghi Thô Phân Mảnh]
                |
                v
+-----------------------------------------------------------------------------------+
| GIAI ĐOẠN 1: BLOCKING / CANDIDATE PAIR SELECTION (Giảm từ 50,000 tỷ -> 50 triệu)  |
|  - Trích xuất đặc trưng thô: Chuẩn hóa số điện thoại, tiền tố tên                 |
|  - Bi-Encoder Vector Embeddings (SBERT) + ANN Search (HNSW / Milvus)              |
|  - LSH (Locality-Sensitive Hashing): Gom các bản ghi tương tự vào chung các Buckets|
+--------------------------------+--------------------------------------------------+
                                 | (Chỉ giữ lại các cặp ứng viên tiềm năng)
                                 v
+-----------------------------------------------------------------------------------+
| GIAI ĐOẠN 2: PAIRWISE MATCHING / SCORING (Chấm điểm chi tiết từng cặp)            |
|  - Cross-Encoder Classifier (Chấm điểm tương quan sâu: Score in [0, 1])           |
|  - Kết hợp Weighted Jaro-Winkler, Levenshtein trên các trường cứng (CCCD, SĐT)    |
+--------------------------------+--------------------------------------------------+
                                 | (Các cặp có Score > Threshold 0.85)
                                 v
+-----------------------------------------------------------------------------------+
| GIAI ĐOẠN 3: GRAPH CLUSTERING & GOLDEN RECORD GENERATION                          |
|  - Xây dựng đồ thị liên kết: Node = Bản ghi, Edge = Điểm số trùng khớp            |
|  - Thuật toán Connected Components / Louvain: Gom thành các cụm người dùng duy nhất|
|  - Quy tắc Merge: Chọn thông tin mới nhất và đầy đủ nhất để tạo Golden Record     |
+--------------------------------+--------------------------------------------------+
                                 |
                                 v
[Cơ Sở Dữ Liệu Khách Hàng Chuẩn Hóa - Single Customer 360 View]

3. Các Bảng Markdown So Sánh Chi Tiết

📊 Bảng 1: So Sánh Các Phương Pháp Biểu Diễn Văn Bản Cho Entity Resolution

Tiêu chí kỹ thuật	Khoảng cách chuỗi (Levenshtein, Jaro-Winkler)	TF-IDF / BM25 (Sparse Vector)	Dense Sentence Embeddings (SBERT, SimCSE)
Bản chất biểu diễn	So sánh ký tự bề mặt (Character edits)	Tần suất từ khóa trong văn bản	Không gian vector ngữ nghĩa đa chiều liên tục
Hiểu từ đồng nghĩa / Ngữ cảnh	Hoàn toàn không	Hoàn toàn không	Xuất sắc (Hiểu "IP15" chính là "iPhone 15")
Nhạy cảm với lỗi chính tả	Tốt (Chấp nhận sai $1-2$ ký tự)	Rất kém (Sai 1 ký tự coi như từ mới)	Rất tốt (Nhờ các tầng Subword Tokenizer)
Tốc độ tính toán cặp đơn	Siêu tốc	Rất nhanh	Nhanh (với Bi-Encoder), Chậm (với Cross-Encoder)
Khả năng Indexing mở rộng	Khó đánh chỉ mục hiệu quả	Đánh chỉ mục Inverted Index rất tốt	Đánh chỉ mục Vector HNSW / ScANN cực mạnh

📊 Bảng 2: So Sánh Các Dạng Hàm Mất Mát Trong Deep Metric Learning

Hàm mất mát	Cấu trúc đầu vào	Cơ chế tối ưu	Ưu điểm	Nhược điểm / Rủi ro
Contrastive Loss	Cặp đôi $(x_i, x_j)$ kèm nhãn $Y \in \{0, 1\}$	Kéo cặp giống nhau ( $Y=1$ ), đẩy cặp khác nhau ( $Y=0$ ) qua Margin	Đơn giản, dễ cài đặt	Chỉ xét từng cặp riêng lẻ, không tối ưu hóa tương đối
Triplet Loss	Bộ ba $\langle \text{Anchor}, \text{Positive}, \text{Negative} \rangle$	Giữ khoảng cách $D(a, p) + \alpha < D(a, n)$	Ổn định, học được mối quan hệ tương đối	Cần thuật toán lọc mẫu khó (Hard Negative Mining)
InfoNCE / Multiple Negatives	1 Anchor, 1 Positive, $N-1$ In-batch Negatives	Tối đa hóa xác suất Softmax của cặp đúng trên toàn batch	Hiệu quả cao nhất, tận dụng toàn bộ mẫu trong batch	Cần kích thước Batch Size đủ lớn ( $> 64 - 128$ )

📊 Bảng 3: So Sánh 3 Chiến Lược Triển Khai Entity Resolution

Chiến lược	Cơ chế thực hiện	Độ phức tạp tính toán	Khả năng mở rộng (Scalability)	Tỷ lệ bắt lỗi (Recall)
Rule-based (Heuristics)	Bộ quy tắc cứng (Exact match số CCCD, hoặc khớp tên + ngày sinh)	$O(N)$ (Nhờ Index bảng)	Rất cao	Thấp (Bỏ sót các trường hợp gõ sai hoặc thiếu dữ liệu)
Pure Machine Learning	Trích xuất các thuộc tính tương đồng chuỗi $\rightarrow$ Train XGBoost	$O(N^2)$ nếu không có Blocking	Kém khi dữ liệu $> 100\text{k}$ dòng	Cao
Hybrid Deep Metric Learning	Blocking qua SBERT/HNSW $\rightarrow$ Re-scoring qua Cross-Encoder	$O(N \log N)$	Hoàn hảo trên hàng chục triệu bản ghi	Cao nhất thế giới hiện nay ( $> 95\%$ )

4. Best Practices & Kỹ Thuật Xử Lý Khử Trùng Lặp Thực Chiến (Pro-Tips)

💡 Kỹ Thuật "Transitive Closure" Và Cạm Bẫy Hợp Nhất Sai Dây Chuyền

Hiện tượng Bắc cầu (Transitivity): Nếu bản ghi $A$ khớp với $B$ , và bản ghi $B$ khớp với $C$ , thì theo logic $A$ cũng thuộc về $C$ .
Cạm bẫy "Hiệu ứng tuyết lăn" (Chaining Effect):
- Bản ghi $A$ (Nguyễn Văn An, SĐT 1) khớp với $B$ (Nguyễn Văn An, SĐT 2 - do trùng tên và địa chỉ).
- Bản ghi $B$ lại khớp với $C$ (Nguyễn Văn Bình, SĐT 2 - do hai anh em dùng chung số điện thoại gia đình).
- $\rightarrow$ Nếu tự động gộp bắc cầu ngây thơ, khách hàng An và khách hàng Bình sẽ bị gộp thành một người duy nhất!
Giải pháp phòng ngừa:
- Sử dụng thuật toán phân cụm đồ thị Hierarchical / Louvain Clustering trên đồ thị có trọng số (Weighted Graph) với ngưỡng ngưỡng liên kết chặt chẽ (Threshold cutoff $\ge 0.85$ ).
- Thiết lập Quy tắc ngăn chặn cứng (Hard Negative Rules): Nếu hai bản ghi có số Căn cước công dân (CCCD) khác nhau, tuyệt đối không bao giờ được phép gộp vào cùng một cụm, bất kể điểm tương đồng tên hay địa chỉ cao đến đâu!

💡 Khắc Phục Anisotropy Cho Mô Hình Sentence Transformers Bằng Whitening

Nếu không có tài nguyên huấn luyện lại SimCSE, bạn có thể biến đổi không gian vector của BERT bằng phép biến đổi toán học BERT-Whitening (Su et al., 2021):

Tính vector trung bình $\mu$ và ma trận hiệp phương sai $\Sigma$ trên một tập văn bản mẫu.
Áp dụng phép phân rã SVD để chuẩn hóa phân phối vector về dạng phân phối chuẩn chuẩn hóa hình cầu ( $\mu = 0, \Sigma = \mathbf{I}$ ): $\tilde{v} = (v - \mu) W \quad \text{với } W = V \Lambda^{-1/2}$ (Tăng ngay lập tức $15\% - 20\%$ điểm số tương đồng ngữ nghĩa mà không cần fine-tune lại mô hình).

5. Góc Ôn Luyện Phỏng Vấn (Interview Corner)

❓ Câu hỏi 1: Giải thích nguyên lý toán học của Triplet Loss trong Deep Metric Learning. Tại sao việc chọn mẫu âm tính (Negative Mining) lại quyết định sự thành bại của quá trình huấn luyện? Phân biệt Easy, Hard và Semi-Hard Negatives.

Gợi ý trả lời:
- Bản chất toán học:
  - Triplet Loss tối ưu hóa trên bộ ba: Anchor ( $a$ ), Positive ( $p$ ), Negative ( $n$ ).
  - Mục tiêu là kéo khoảng cách giữa $a$ và $p$ nhỏ hơn khoảng cách giữa $a$ và $n$ một khoảng an toàn $\alpha$ (Margin): $\mathcal{L} = \max(0, \|f(a) - f(p)\|_2^2 - \|f(a) - f(n)\|_2^2 + \alpha)$
- Tầm quan trọng của Negative Mining:
  - Nếu chọn mẫu ngẫu nhiên từ tập dữ liệu khổng lồ, hầu hết các mẫu $n$ đều quá khác biệt so với $a$ . Khi đó $\|f(a) - f(n)\|_2^2$ rất lớn, khiến hàm mất mát bằng $0$ . Quá trình huấn luyện không sinh ra gradient $\rightarrow$ Mô hình ngừng học và hội tụ rất chậm.
- Phân loại 3 nhóm Negatives:
  1. Easy Negatives (Mẫu âm tính dễ): $D(a, n) > D(a, p) + \alpha$ . Mẫu $n$ đã ở rất xa $a$ , Loss bằng $0$ , hoàn toàn không có tác dụng huấn luyện.
  2. Hard Negatives (Mẫu âm tính cực khó): $D(a, n) < D(a, p)$ . Mẫu khác loại lại nằm gần Anchor hơn cả mẫu cùng loại. Gây ra Loss rất lớn, nhưng nếu lạm dụng có thể làm mô hình mất ổn định và rơi vào cực tiểu địa phương xấu.
  3. Semi-Hard Negatives (Mẫu âm tính vừa sức - Tiêu chuẩn tối ưu): $D(a, p) < D(a, n) < D(a, p) + \alpha$ Mẫu $n$ tuy nằm xa $a$ hơn $p$ , nhưng vẫn nằm trong phạm vi vùng đệm an toàn $\alpha$ . Đây là các mẫu mang lại tín hiệu gradient hữu ích và ổn định nhất, buộc mô hình phải học cách phân biệt các ranh giới thực thể tinh vi.

❓ Câu hỏi 2: SimCSE (Simple Contrastive Sentence Embedding) hoạt động như thế nào? Tại sao một kỹ thuật đơn giản như Dropout lại có thể đóng vai trò như một phương pháp Data Augmentation vượt trội cho văn bản trong học không giám sát?

Gợi ý trả lời:
- Thách thức của Data Augmentation trong NLP:
  - Trong Computer Vision, việc tạo ảnh biến thể (Positive sample) rất dễ dàng: Cắt ảnh, xoay góc, đổi màu.
  - Trong văn bản (NLP), các thao tác như xóa từ, thay từ đồng nghĩa hay dịch ngược (Back-translation) rất dễ làm thay đổi hoàn toàn ngữ nghĩa của câu hoặc biến câu thành sai ngữ pháp.
- Đột phá của SimCSE:
  - SimCSE đưa cùng một câu văn $x_i$ qua mô hình Transformer (BERT) hai lần liên tiếp với các hạt ngẫu nhiên khác nhau.
  - Trong kiến trúc Transformer tiêu chuẩn, các tầng Fully-Connected và Attention đều có cơ chế Dropout (mặc định tỷ lệ $p = 0.1$ ).
  - Tại mỗi lượt chạy, các mặt nạ Dropout (Dropout Masks) sẽ ngẫu nhiên tắt đi $10\%$ các nơ-ron khác nhau $\rightarrow$ Tạo ra hai vector biểu diễn $h_i$ và $h_i^+$ có cùng định hướng ngữ nghĩa nhưng hơi lệch nhau một chút trong không gian biểu diễn.
  - Ý nghĩa: Dropout đóng vai trò như một phép "Nhiễu cấu trúc tối thiểu" (Minimal Noise Injection). Nó giữ nguyên $100\%$ ngữ nghĩa nguyên bản của câu văn mà không làm méo mó ngữ pháp, cung cấp cặp Positive hoàn hảo để hàm mất mát InfoNCE kéo gần lại, đồng thời đẩy xa các câu văn khác trong cùng batch.

❓ Câu hỏi 3: Khi cần thực hiện khử trùng lặp (Deduplication / Entity Resolution) cho một tập dữ liệu gồm 10 triệu khách hàng, độ phức tạp so sánh từng cặp là $O(N^2) \approx 50,000\text{ tỷ phép tính}$ . Bạn sẽ thiết kế kiến trúc hệ thống như thế nào để giảm độ phức tạp tính toán xuống mức khả thi ( $O(N)$ hoặc $O(N \log N)$ )?

Gợi ý trả lời theo quy trình 3 giai đoạn phân cấp:
1. Giai đoạn 1 - Kỹ thuật Blocking / Candidate Generation (Giảm từ 50,000 tỷ xuống còn vài triệu cặp):
  - Nguyên tắc: Tuyệt đối không bao giờ so sánh toàn bộ với toàn bộ. Chỉ so sánh các cặp hồ sơ có chung một đặc trưng cơ sở (Blocking Key).
  - Truyền thống: Nhóm theo (Tỉnh/Thành phố + 3 ký tự đầu của Họ tên).
  - Hiện đại (Semantic Blocking qua Vector Search): Sử dụng mô hình Sentence-BERT chuyển đổi toàn bộ thông tin khách hàng thành vector $256$ -chiều. Sử dụng thuật toán chỉ mục tìm kiếm vector xấp xỉ HNSW (Hierarchical Navigable Small World) để chỉ tìm kiếm Top 10 bản ghi lân cận gần nhất cho mỗi khách hàng $\rightarrow$ Giảm số lượng cặp cần so sánh xuống đúng $10 \times 10,000,000 = \mathbf{100\text{ triệu cặp}}$ (Độ phức tạp $O(N \log N)$ thay vì $O(N^2)$ !).
2. Giai đoạn 2 - Pairwise Scoring (Chấm điểm sâu trên các cặp tiềm năng):
  - Nạp 100 triệu cặp ứng viên qua một mô hình phân loại Cross-Encoder hoặc XGBoost Classifier kết hợp đa đặc trưng: Điểm tương đồng ngữ nghĩa, khoảng cách chỉnh sửa Jaro-Winkler trên tên, độ trùng khớp số điện thoại, ngày sinh $\rightarrow$ Xuất ra điểm số xác suất trùng khớp $P(\text{Match}) \in [0, 1]$ .
3. Giai đoạn 3 - Graph Connected Components & Golden Record Merge:
  - Lọc các cặp có điểm số $> 0.85$ để đưa vào đồ thị.
  - Chạy thuật toán Thành phần liên thông (Connected Components) trên Apache Spark GraphFrames để gom các hồ sơ cùng một người vào chung một cụm ID duy nhất.
  - Áp dụng quy tắc hợp nhất nghiệp vụ (Survivorship Rules) để chọn lọc ra Hồ sơ vàng (Golden Record) duy nhất cho mỗi khách hàng.

6. Tóm Tắt Ghi Nhớ Nhanh (Key Takeaways)

Anisotropy Problem khiến vector trung bình của BERT thô bị co cụm thành hình nón hẹp, làm mất khả năng so sánh ngữ nghĩa.
Deep Metric Learning sử dụng Triplet Loss kết hợp Semi-Hard Negative Mining để kéo gần các thực thể cùng loại và đẩy xa thực thể khác loại qua khoảng đệm $\alpha$ .
SimCSE là bước đột phá tự học biểu diễn câu không cần nhãn bằng cách tận dụng Dropout làm cơ chế sinh nhiễu tối thiểu.
Khử trùng lặp quy mô lớn (Entity Resolution) bắt buộc phải dùng Kỹ thuật Blocking (qua HNSW Vector Search) để triệt tiêu độ phức tạp từ $O(N^2)$ xuống $O(N \log N)$ .
Luôn cẩn trọng với hiện tượng Hiệu ứng tuyết lăn (Chaining Effect) trong quá trình gộp bắc cầu; thiết lập các quy tắc loại trừ cứng (Hard Negative Constraints) dựa trên các mã định danh pháp lý (CCCD, Mã số thuế).