KR101008691B1 - 메모리 및 ＤＢＭＳ 기반의 하이브리드 Ｒｅｔｅ 추론 시스템 및 방법 - Google Patents
메모리 및 ＤＢＭＳ 기반의 하이브리드 Ｒｅｔｅ 추론 시스템 및 방법 Download PDFInfo
- Publication number
- KR101008691B1 KR101008691B1 KR1020080127509A KR20080127509A KR101008691B1 KR 101008691 B1 KR101008691 B1 KR 101008691B1 KR 1020080127509 A KR1020080127509 A KR 1020080127509A KR 20080127509 A KR20080127509 A KR 20080127509A KR 101008691 B1 KR101008691 B1 KR 101008691B1
- Authority
- KR
- South Korea
- Prior art keywords
- inference
- memory
- triple
- rule
- type
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/046—Forward inferencing; Production systems
- G06N5/047—Pattern matching networks; Rete networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F7/00—Methods or arrangements for processing data by operating upon the order or content of the data handled
- G06F7/06—Arrangements for sorting, selecting, merging, or comparing data on individual record carriers
- G06F7/08—Sorting, i.e. grouping record carriers in numerical or other ordered sequence according to the classification of at least some of the information they carry
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Machine Translation (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
본 발명은 입력되는 추론규칙을 적어도 하나 이상의 유형으로 분류하는 추론규칙 유형 분류수단; 상기 분류된 추론규칙의 유형에 근거하여 네트워크를 생성하는 네트워크 생성수단; 그리고 소정의 트리플을, 상기 생성된 네트워크에 적용하여 확장된 트리플을 도출하는 네트워크 실행수단을 포함하는 메모리 및 DBMS 기반의 하이브리드 Rete 추론 시스템 및 방법이 개시된다.
추론규칙, RDF 트리플, 메모리 추론방식(Rete 추론방식), DBMS 추론방식
Description
본 발명은 온톨로지 추론 시스템에서 대용량의 RDF 트리플을 대상으로 효율적인 추론을 수행하는 하이브리드 Rete 추론 시스템 및 그 방법에 관한 것이다. 보다 구체적으로, 본 발명은 RDF 트리플을 대상으로 한 추론시 추론규칙의 유형에 근거하여 메모리 추론방식과 DBMS 추론방식이 선택 적용되도록 함으로써 대용량의 RDF 트리플을 대상으로 효율적인 추론이 수행되도록 한 메모리 및 DBMS 기반의 하이브리드 Rete 추론 시스템 및 방법에 관한 것이다.
통상, 온톨로지 추론은 명시적으로 주어진 온톨로지 지식으로부터 묵시적인 지식을 유도해 내는 과정을 의미한다. 또한, 시맨틱 웹에서 온톨로지 지식은 RDF, RDFS, OWL 등의 언어로 기술되는데, 온톨로지 지식은 RDF 트리플의 집합이므로, 규칙 기반 추론은 명시적으로 주어진 RDF 트리플의 집합에서 주어진 규칙을 적용하여 새로운 트리플을 도출하는 과정을 의미한다.
최근에는, 시맨틱 웹 기술이 확산되면서 점차 여러 기관에서 온톨로지 지식 을 생산하여 온톨로지 지식의 규모가 점차 커짐에 따라, 대용량의 RDF 트리플(이하, '트리플'이라고도 약칭함.)을 효율적으로 저장하고 추론할 수 있는 대규모의 온톨로지 추론 시스템(이하, '추론 시스템'으로 약칭함.)이 절실히 요구되고 있다.
이에 따라 종래에는 'Rete 알고리즘을 활용하는 추론방식'(이하, '메모리 추론방식'이라고 칭함.)이 제안되었으나, 패턴 매칭을 효율적으로 수행하여 반복적인 패턴 매칭 과정을 줄이는 대신 메모리를 과다하게 요구하는 문제점이 있었다. 즉, 수십억개 이상의 트리플 처리가 요구되는 추론 시스템에서, 트리플에 추론규칙을 적용하는 과정에서 생성되는 데이터인 α-메모리와 β-메모리를 모두 물리적인 메모리(예를 들면, RAM)에 저장해야 했으므로 대용량의 메모리가 요구되는 문제점이 제기되었다.
이러한 문제점을 해결하고자 종래에 제안된 'DBMS를 활용하는 추론방식'(이하, 'DBMS 추론방식'이라 약칭함.)은 대용량의 트리플을 저장하는 데에는 적합하나 추론 과정에서 DB 테이블을 반복적으로 읽고 써야 하는 비효율적인 문제점이 지적되었다.
따라서, 본 발명은 상기와 같은 문제점을 해결하기 위해 창작된 것으로서, 대용량의 트리플을 대상으로 효율적인 추론을 수행하는 메모리 및 DBMS 기반의 하이브리드 Rete 추론 시스템 및 방법을 제공하는데 그 목적이 있다.
상술한 목적을 달성하기 위한 본 발명의 제 1 실시예에 따른 메모리 및 DBMS 기반의 하이브리드 Rete 추론 시스템은, 입력되는 추론규칙을 적어도 하나 이상의 유형으로 분류하는 추론규칙 유형 분류수단; 상기 분류된 추론규칙의 유형에 근거하여 네트워크를 생성하는 네트워크 생성수단; 그리고 소정의 트리플을, 상기 생성된 네트워크에 적용하여 확장된 트리플을 도출하는 네트워크 실행수단을 포함한다.
상기 추론규칙 유형 분류수단은, 입력되는 추론규칙의 조건부의 술어가 구조속성이면 구조 추론규칙 유형으로 분류하고, 상기 네트워크 실행수단은, 상기 구조 추론규칙 유형으로 분류시, 상기 확장된 트리플 도출동작이 메모리 추론방식에 응할 수 있다.
상기 메모리 추론방식은, 상기 확장된 트리플 도출과정에서 생성되는 데이터를 물리적인 메모리에 저장할 수 있다.
상기 네트워크 실행수단은, 상기 추론규칙이 (?x, ?a, ?y)인 경우, 상기 확장된 트리플 도출동작이 메모리 추론방식에 응할 수 있다.
상기 추론규칙 유형 분류수단은, 입력되는 추론규칙의 조건부의 술어가 사례속성이면 사례 추론규칙 유형으로 분류하고, 상기 네트워크 실행수단은, 상기 사례 추론규칙 유형으로 분류시, 상기 확장된 트리플 도출동작이 DBMS 추론방식에 응할 수 있다.
상기 DBMS 추론방식은, 상기 확장된 트리플 도출과정에서 생성되는 데이터를 α-메모리 뷰와 β-메모리 뷰로 정의하여 가상의 메모리에 저장할 수 있다.
상기 추론규칙 유형 분류수단은, 상기 입력되는 하나의 추론규칙의 조건부의 조건 쌍이 둘 이상인 경우, 상기 조건 쌍의 술어가 모두 구조속성이면 구조 추론규칙 유형으로 분류하고, 상기 네트워크 실행수단은, 상기 구조 추론규칙 유형으로 분류시, 상기 확장된 트리플 도출동작이 메모리 추론방식에 응할 수 있다.
상기 추론규칙 유형 분류수단은, 상기 입력된 하나의 추론규칙의 조건부의 조건 쌍이 둘 이상인 경우, 조건부 내에 조건 쌍의 술어가 적어도 하나 이상 사례속성이면, 사례 추론규칙 유형으로 분류하고, 상기 네트워크 실행수단은, 상기 사례 추론규칙 유형으로 분류시, 상기 확장된 트리플 도출동작이 DBMS 추론방식에 응할 수 있다.
또한, 본 발명의 제 1 실시예에 따른 메모리 및 DBMS 기반의 하이브리드 Rete 추론 시스템은, 입력되는 트리플을 적어도 하나 이상의 유형으로 분류하는 트리플 유형 분류수단; 상기 분류된 트리플의 유형에 근거하여 테이블을 생성하는 트리플 테이블 생성수단; 그리고 상기 생성된 테이블에 연계시켜 상기 분류된 트리플을 저장하는 트리플 저장수단을 더 포함할 수 있다.
상기 트리플 유형 분류수단은, 상기 입력되는 트리플의 술어가 rdf:type 이면 리소스 트리플 유형으로 분류하고, 상기 트리플 테이블 생성수단은, 상기 트리플의 목적어를 테이블 name으로 하는 'subject'라는 컬럼의 테이블을 생성하되, 상기 테이블의 값에 트리플의 주어가 할당될 수 있다.
상기 트리플 유형 분류수단은, 상기 입력되는 트리플의 술어가 rdf:type 이 아니고 객체 속성이면 '객체 속성 트리플 유형'으로 분류하고, 상기 트리플 테이블 생성수단은, 상기 트리플의 술어를 테이블 name으로 하는 'subject'와 'object'라는 컬럼의 테이블을 생성할 수 있다.
상기 트리플 유형 분류수단은, 상기 입력되는 트리플의 술어가 rdf:type 아니고 데이터타입 속성이면 데이터타입 속성 트리플 유형으로 분류하고, 상기 트리플 테이블 생성수단은, 상기 트리플의 술어를 테이블 name으로 'subject', 'label', 'language', 'datatype'라는 컬럼의 테이블을 생성하되, 'language'와 'datatype' 컬럼은 둘 중에 하나만 값을 갖고 다른 하나는 'null(널값)'을 갖을 수 있다.
또한, 본 발명의 제 1 실시예에 따른 메모리 및 DBMS 기반의 하이브리드 Rete 추론 방법은, 입력되는 추론규칙을 적어도 하나 이상의 유형으로 분류하는 추론규칙 유형 분류단계; 상기 분류된 추론규칙의 유형에 근거하여 네트워크를 생성하는 네트워크 생성단계; 그리고 소정의 트리플을 상기 생성된 네트워크에 적용하여 확장된 트리플을 도출하는 네트워크 실행단계를 포함한다.
상기 추론규칙 유형 분류단계는, 입력되는 추론규칙의 조건부의 술어가 구조속성이면 구조 추론규칙 유형으로 분류하고, 상기 네트워크 실행단계는, 상기 구조 추론규칙 유형으로 분류시, 상기 확장된 트리플 도출동작이 메모리 추론방식에 응할 수 있다.
상기 메모리 추론방식은, 상기 확장된 트리플 도출과정에서 생성되는 데이터 를 물리적인 메모리에 저장할 수 있다.
상기 네트워크 실행단계는, 상기 추론규칙이 (?x, ?a, ?y)인 경우, 상기 확장된 트리플 도출동작이 메모리 추론방식에 응할 수 있다.
상기 추론규칙 유형 분류단계는, 입력되는 추론규칙의 조건부의 술어가 사례속성이면 사례 추론규칙 유형으로 분류하고, 상기 네트워크 실행단계는, 상기 사례 추론규칙 유형으로 분류시, 상기 확장된 트리플 도출동작이 DBMS 추론방식에 응할 수 있다.
상기 DBMS 추론방식은, 상기 확장된 트리플 도출과정에서 생성되는 데이터를 α-메모리 뷰와 β-메모리 뷰로 정의하여 가상의 메모리에 저장할 수 있다.
상기 추론규칙 유형 분류단계는, 상기 입력되는 하나의 추론규칙의 조건부의 조건 쌍이 둘 이상인 경우, 상기 조건 쌍의 술어가 모두 구조속성이면 구조 추론규칙 유형으로 분류하고, 상기 네트워크 실행단계는, 상기 구조 추론규칙 유형으로 분류시, 상기 확장된 트리플 도출동작이 메모리 추론방식에 응할 수 있다.
상기 추론규칙 유형 분류단계는, 상기 입력된 하나의 추론규칙의 조건부의 조건 쌍이 둘 이상인 경우, 조건부 내에 조건 쌍의 술어가 적어도 하나 이상 사례속성이면, 사례 추론규칙 유형으로 분류하고, 상기 네트워크 실행단계는, 상기 사례 추론규칙 유형으로 분류시, 상기 확장된 트리플 도출동작이 DBMS 추론방식에 응할 수 있다.
상기 네트워크 실행단계는, 입력되는 트리플을 적어도 하나 이상의 유형으로 분류하는 트리플 유형 분류단계; 상기 분류된 트리플의 유형에 근거하여 테이블을 생성하는 트리플 테이블 생성단계; 그리고 상기 생성된 테이블에 연계시켜 상기 분류된 트리플을 저장하는 트리플 저장단계를 더 포함하되, 기 저장된 트리플을 상기 생성된 네트워크에 적용하여 확장된 트리플을 도출할 수 있다.
상기 트리플 유형 분류단계는, 상기 입력되는 트리플의 술어가 rdf:type 이면 리소스 트리플 유형으로 분류하고, 상기 트리플 테이블 생성단계는, 상기 트리플의 목적어를 테이블 name으로 하는 'subject'라는 컬럼의 테이블을 생성하되, 상기 테이블의 값에 트리플의 주어가 할당될 수 있다.
상기 트리플 유형 분류단계는, 상기 입력되는 트리플의 술어가 rdf:type 이 아니고 객체 속성이면 '객체 속성 트리플 유형'으로 분류하고, 상기 트리플 테이블 생성단계는, 상기 트리플의 술어를 테이블 name으로 하는 'subject'와 'object'라는 컬럼의 테이블을 생성할 수 있다.
상기 트리플 유형 분류단계는, 상기 입력되는 트리플의 술어가 rdf:type 아니고 데이터타입 속성이면 데이터타입 속성 트리플 유형으로 분류하고, 상기 트리플 테이블 생성단계는, 상기 트리플의 술어를 테이블 name으로 'subject', 'label', 'language', 'datatype'라는 컬럼의 테이블을 생성하되, 'language'와 'datatype' 컬럼은 둘 중에 하나만 값을 갖고 다른 하나는 'null(널값)'을 갖을 수 있다.
이상과 같은 구성과 흐름에 의해, 본 발명에 따른 메모리 및 DBMS 기반의 하이브리드 Rete 추론 시스템 및 방법은, 대용량의 트리플을 대상으로 효율적인 추론 을 수행하는 것이다.
상술한 바와 같이, 본 발명에 따른 메모리 및 DBMS 기반의 하이브리드 Rete 추론 시스템 및 방법은, 대용량의 트리플을 대상으로 효율적인 추론을 수행함으로써, 수십억개 이상의 RDF 트리플을 처리하는 온톨로지 추론 시스템의 규모성을 확보하고 시맨틱 웹 기술의 실용화를 제고한 매우 유용한 발명인 것이다.
본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이거나 사전적인 의미로 한정 해석되지 아니하며, 발명자는 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있다는 원칙에 입각하여 본 발명의 기술적 사상에 부합하는 의미와 개념으로 해석되어야만 한다.
이하에서는, 도면을 참조하여 메모리 및 DBMS 기반의 하이브리드 Rete 추론 시스템 및 방법에 대하여 보다 상세히 설명하기로 한다.
도 1는 본 발명에 따른 제 1실시예에 적용되는 메모리 및 DBMS 기반의 하이브리드 Rete 추론 시스템의 구성블럭도로서, 본 발명에 따른 제 1실시예에 적용되는 메모리 및 DBMS 기반의 하이브리드 Rete 추론 시스템은, 크게 추론규칙 운용 서 버(100)와 트리플 저장 서버(200)를 포함하여 구성된다.
먼저, 추론규칙 운용 서버(100)의 세부 구성은 다음과 같다.
추론규칙 입력부(110)는 입력되는 추론규칙을 해석하여 조건부와 결론부로 구성을 파악한다. 즉 도 2a를 참조하면, 예시된 추론규칙 (ㄱ), (ㄴ), (ㄷ), (ㄹ)에서 '->'를 기준으로 좌측부가 조건부, 우측부가 결론부에 해당한다.
또한, 추론규칙 유형 분류부(120)는, 추론규칙의 조건부의 술어가, 구조속성이면 '구조 추론규칙 유형'으로, 사례속성이면 '사례 추론규칙 유형'으로 각각 분류한다.
즉 앞서 참조한 도 2a의 추론규칙 (ㄱ), (ㄴ), (ㄷ) 그리고 (ㄹ)의 조건부에서 괄호 안의 내용{(?x ?a ?y), (?a rdfs:domain ?z), (?a rdfs:range ?z), (?x ex:father ?y), (?y ex:brother ?z)} 각각을 (XX YY ZZ)라 가정할 때 'XX'에 주어, 'YY'에 '술어' 그리고 'ZZ'에 '목적어'가 각각 대응된다.
여기서, 술어에 대응되는 'YY'의 내용이, 구조속성이면{도 2a의 (?x ?a ?y), (?a rdfs:domain ?z), (?a rdfs:range ?z)이 해당됨.} '구조 추론규칙 유형'으로, 사례속성이면{도 2a의 (?x ex:father ?y), (?y ex:brother ?z)이 해당됨.}'사례 추론규칙 유형'으로 각각 분류된다.
또한, Rete 네트워크 생성부(130)는 상기 분류된 추론규칙의 유형에 근거하여 네트워크를 생성한다.
도 2c는 도 2a에 도시된 규칙들에 상응하는 네트워크의 예를 도시한다. 이러한 네트워크에 관련한 기술 내용은 “Production Matching for Large Learning Systems", Doorenbos, Ph.D Thesis, Carnegie Mellon University, Pittsburgh. PA(1995)에 상세히 개시된다.
도 2c를 참조하면, T1, T2, T3, T4는 네트워크의 테스트 노드들을 나타내고, J1, J2, J3는 조인 노드들을 나타낸다. 네트워크 생성단계에서는 유형 분류된 추론 규칙으로부터 테스트 노드와 알파-메모리 노드, 조인 노드, 베타-메모리 노드, 규칙노드로 구성된 Rete 네트워크를 구성한다.
예를 들어 도2a의 4가지 규칙으로부터 구성된 네트워크의 예를 도2c에서 보여주고 있다. 단, 네트워크가 생성된 직후 (네트워크가 실행되기 전)의 상태는 도2c의 알파-메모리와 베타-메모리, 규칙노드는 비어 있는 상태이며, 네트워크가 실행된 후 도2c의 상태가 된다.
네트워크가 생성되는 과정을 좀더 자세히 설명하기 위해, 도2a의 4가지 규칙이 하나씩 차례로 입력되는 상황을 가정하여 설명하면 다음과 같다.
1) 규칙(ㄱ)이 입력되면, 이 규칙의 조건 (?x ?a ?y)는 아무 제약(조건)없이 모든 트리플에 매칭될 수 있기 때문에 이 조건에 대응하여 루트(root) 노드인 테스트 노드(T0)가 만들어지며, 이 조건에 매칭된 트리플을 저장하기 위한 알파-메모리0가 T0에 연결된다. 또한 (ㄱ)은 이 조건만 있기 때문에, (ㄱ)의 결론에 대응하는 규칙노드1이 알파-메모리0에 연결된다.
2) 규칙(ㄴ)이 입력되면, (ㄴ)의 첫 번째 조건(?x ?a ?y)은 이미 생성된 T0와 알파-메모리0에 대응되며, 두 번째 조건(?a rdfs:domain ?z)에 대응하여 술어(p)가‘rdfs:domain’인지를 테스트하는 T1과 이에 연결된 알파-메모리1이 생성된다. (ㄴ)은 첫 번째 조건과 두 번째 조건이 동시에 만족되어야 하기 때문에 알파-메모리0과 알파-메모리1을 조인(첫 번째 조건의 술어(L.p)와 두 번째 조건의 주어(R.s)가 서로 같아야 한다는 조건 하에서 결합)하는 조인노드 (J1)와 이에 연결된 베타-메모리1이 생성되며, (ㄴ)의 결론에 대응되는 규칙노드2가 조인노드 J1에 연결된다.
3) 규칙(ㄷ)이 입력되면, (ㄷ)의 첫 번째 조건(?x ?a ?y)은 이미 생성된 T0와 알파-메모리0에 대응되며, 두 번째 조건(?a rdfs:range ?z)에 대응하여 술어(p)가‘rdfs:range’인지를 테스트하는 테스트노드 T2와 이에 연결된 알파-메모리2가 생성된다. (ㄷ)은 첫 번째 조건과 두 번째 조건이 동시에 만족되어야 하기 때문에 알파-메모리0과 알파-메모리2를 조인(첫 번째 조건의 술어(L.p)와 두 번째 조건의 주어(R.s)가 서로 같아야 한다는 조건 하에서 결합)하는 조인노드 (J2)와 이에 연결된 베타-메모리2가 생성되며, (ㄷ)의 결론에 대응되는 규칙노드3이 조인노드 J2에 연결된다.
4) 규칙(ㄹ)이 입력되면, (ㄹ)의 첫 번째 조건(?x ex:father ?y)에 대응하여 술어(p)가 ‘ex:father’인지를 테스트하는 테스트노드 T3와 이에 연결된 알파-메모리3이 생성된다. (ㄹ)의 두 번째 조건(?y ex:brother ?z)에 대응하여 술어(p)가 ‘ex:brother’인지를 테스트하는 테스트노드 T4와 이에 연결된 알파-메모리4가 생성된다. (ㄹ)은 첫 번째 조건과 두 번째 조건이 동시에 만족되어야 하기 때문에 알파-메모리3과 알파-메모리4를 조인(첫 번째 조건의 목적어(L.o)와 두 번째 조건이 주어(R.s)가 서로 같아야 한다는 조건 하에서 결합)하는 조인노드 J3와 이에 연결된 베타-메모리3이 생성되며, (ㄹ)의 결론에 대응되는 규칙노드4가 조인노드J3에 연결된다.
이상과 같이, 도2a의 4가지 추론 규칙으로부터 도2c와 같은 Rete 네트워크가 생성된다.
도 2c는 도 2a에 도시된 규칙들에 상응하는 네트워크의 예를 도시한다. 이러한 네트워크에 관련한 기술 내용은 “Production Matching for Large Learning Systems", Doorenbos, Ph.D Thesis, Carnegie Mellon University, Pittsburgh. PA(1995)에 상세히 개시된다.
도 2c를 참조하면, T1, T2, T3, T4는 네트워크의 테스트 노드들을 나타내고, J1, J2, J3는 조인 노드들을 나타낸다. 네트워크 생성단계에서는 유형 분류된 추론 규칙으로부터 테스트 노드와 알파-메모리 노드, 조인 노드, 베타-메모리 노드, 규칙노드로 구성된 Rete 네트워크를 구성한다.
예를 들어 도2a의 4가지 규칙으로부터 구성된 네트워크의 예를 도2c에서 보여주고 있다. 단, 네트워크가 생성된 직후 (네트워크가 실행되기 전)의 상태는 도2c의 알파-메모리와 베타-메모리, 규칙노드는 비어 있는 상태이며, 네트워크가 실행된 후 도2c의 상태가 된다.
네트워크가 생성되는 과정을 좀더 자세히 설명하기 위해, 도2a의 4가지 규칙이 하나씩 차례로 입력되는 상황을 가정하여 설명하면 다음과 같다.
1) 규칙(ㄱ)이 입력되면, 이 규칙의 조건 (?x ?a ?y)는 아무 제약(조건)없이 모든 트리플에 매칭될 수 있기 때문에 이 조건에 대응하여 루트(root) 노드인 테스트 노드(T0)가 만들어지며, 이 조건에 매칭된 트리플을 저장하기 위한 알파-메모리0가 T0에 연결된다. 또한 (ㄱ)은 이 조건만 있기 때문에, (ㄱ)의 결론에 대응하는 규칙노드1이 알파-메모리0에 연결된다.
2) 규칙(ㄴ)이 입력되면, (ㄴ)의 첫 번째 조건(?x ?a ?y)은 이미 생성된 T0와 알파-메모리0에 대응되며, 두 번째 조건(?a rdfs:domain ?z)에 대응하여 술어(p)가‘rdfs:domain’인지를 테스트하는 T1과 이에 연결된 알파-메모리1이 생성된다. (ㄴ)은 첫 번째 조건과 두 번째 조건이 동시에 만족되어야 하기 때문에 알파-메모리0과 알파-메모리1을 조인(첫 번째 조건의 술어(L.p)와 두 번째 조건의 주어(R.s)가 서로 같아야 한다는 조건 하에서 결합)하는 조인노드 (J1)와 이에 연결된 베타-메모리1이 생성되며, (ㄴ)의 결론에 대응되는 규칙노드2가 조인노드 J1에 연결된다.
3) 규칙(ㄷ)이 입력되면, (ㄷ)의 첫 번째 조건(?x ?a ?y)은 이미 생성된 T0와 알파-메모리0에 대응되며, 두 번째 조건(?a rdfs:range ?z)에 대응하여 술어(p)가‘rdfs:range’인지를 테스트하는 테스트노드 T2와 이에 연결된 알파-메모리2가 생성된다. (ㄷ)은 첫 번째 조건과 두 번째 조건이 동시에 만족되어야 하기 때문에 알파-메모리0과 알파-메모리2를 조인(첫 번째 조건의 술어(L.p)와 두 번째 조건의 주어(R.s)가 서로 같아야 한다는 조건 하에서 결합)하는 조인노드 (J2)와 이에 연결된 베타-메모리2가 생성되며, (ㄷ)의 결론에 대응되는 규칙노드3이 조인노드 J2에 연결된다.
4) 규칙(ㄹ)이 입력되면, (ㄹ)의 첫 번째 조건(?x ex:father ?y)에 대응하여 술어(p)가 ‘ex:father’인지를 테스트하는 테스트노드 T3와 이에 연결된 알파-메모리3이 생성된다. (ㄹ)의 두 번째 조건(?y ex:brother ?z)에 대응하여 술어(p)가 ‘ex:brother’인지를 테스트하는 테스트노드 T4와 이에 연결된 알파-메모리4가 생성된다. (ㄹ)은 첫 번째 조건과 두 번째 조건이 동시에 만족되어야 하기 때문에 알파-메모리3과 알파-메모리4를 조인(첫 번째 조건의 목적어(L.o)와 두 번째 조건이 주어(R.s)가 서로 같아야 한다는 조건 하에서 결합)하는 조인노드 J3와 이에 연결된 베타-메모리3이 생성되며, (ㄹ)의 결론에 대응되는 규칙노드4가 조인노드J3에 연결된다.
이상과 같이, 도2a의 4가지 추론 규칙으로부터 도2c와 같은 Rete 네트워크가 생성된다.
그리고, Rete 네트워크 실행부(140)는, 소정의 트리플을, 상기 생성된 네트워크에 적용하여 확장된 트리플을 도출한다.
앞서 언급한 Rete 네트워크 실행부(140)의 동작에 대해, 추론규칙의 유형에 따른 추론방식을 설명하기 위해 예시한 도 3과, α-메모리 뷰와 β-메모리 뷰를 각각 예시한 도 4a와 도 4b를 참조하여, 보다 상세히 설명하면 다음과 같다.
Rete 네트워크 실행부(140)는, 소정의 트리플을 생성된 네트워크에 적용하여 확장된 트리플을 도출하게 되는데, 특히 앞서 '구조 추론규칙 유형'으로 도 2a에 분류 예시된 3개의 추론규칙 (?x ?a ?y), (?a rdfs:domain ?z), (?a rdfs:range ?z)과 같은 패턴에 매칭되는 트리플 즉, 도 2c의 α-메모리0, α-메모리1, α-메모리2를 물리적인 메모리(예를 들면, RAM)에 저장하는 '메모리 추론방식'에 응한다.
참고로, 도 2c의 α-메모리0에는 트리플이 위의 것부터 차례로 입력되므로, 점선 박스로 표시된 트리플은 이전에 입력되었던 트리플이며 실선 박스로 표시된 트리플은 현재 입력된 상태임을 각각 의미하는데, α-메모리0 에 대해 부연 설명하면 다음과 같다.
특수하게, (?x, ?a, ?y)와 같이 모든 트리플에 매칭될 수 있는 패턴의 경우는 술어가 변수(?a)이기 때문에 구조 속성인지 사례 속성인지를 판단할 수 없다. 이에 따라, 이 패턴에 매칭되는 트리플이 많으므로(거의 모든 입력되는 트리플이 매칭됨.) '사례 추론규칙 유형'으로 분류하고 이에 해당하는 α-메모리는 α-메모리 뷰로 정의하여 DBMS 추론방식에 따르는 것이 통상적이나, 추론 규칙의 특성상, 이 패턴에 매칭된 트리플을 모두 유지할 필요는 없고 마지막에 입력된 트리플만 유지하여도 되기 때문에 '구조 추론규칙 유형'으로 분류하고 메모리 추론방식에 따라 RAM에 저장하는 것이다.
이와는 달리, Rete 네트워크 실행부(140)는, 앞서 '사례 추론규칙 유형'으로 도 2a에 분류 예시된 2개의 추론규칙 (?x ex:father ?y), (?y ex:brother ?z)과 같은 패턴에 매칭되는 트리플 즉, 도 2c의 α-메모리3, α-메모리4를, 도 4a에 예시한 바와 같이 각각의 α-메모리 뷰로 정의하여 가상의 메모리에 저장하는 'DBMS 추론방식'에 응한다.
참고로, 하나의 추론규칙에 (주어, 술어, 목적어) 조건 쌍이 둘 이상 있을때{도 2a의 (ㄴ), (ㄷ), (ㄹ)}, 이들이 차례로 결합하는 부분{도 2c의 β-메모리에 해당함.)에 대해서도 Rete 네트워크 실행부(140)가 '메모리 추론방식'과 'DBMS 추론방식'을 선택 적용함으로써 확장된 트리플을 도출하게 된다.
즉, 상기 결합에 참여하는 각 조건 모두가 '메모리 추론방식'에 해당하면 {도 2a의 (ㄴ), (ㄷ)} 결합된 전체(도 2c의 β-메모리1, β-메모리2)도 '메모리 추론방식'에 따라 물리적인 메모리(예를 들면0, RAM)에 저장하고, 어느 하나라도 'DBMS 추론방식'에 해당하면{도 2a의 (ㄹ)} 결합된 전체(도 2c의 β-메모리3)도 'DBMS 추론방식'에 따라 도 4b에 예시된 바와 같이 β-메모리 뷰로 정의하여 가상의 메모리에 저장한다.
또한, 본 발명에 따른 제 1실시예에 적용되는 메모리 및 DBMS 기반의 하이브리드 Rete 추론 시스템에서 트리플 저장 서버(200)의 세부 구성은 다음과 같다.
트리플 입력부(210)는 온톨로지 관리 시스템, 온톨로지 수집기 등의 온톨로지 입력기를 통해 RDF 트리플을 입력받는다. 이때, RDF 트리플의 형식은 RDF/XML, N-Triples, Turtle 등의 모든 온톨로지 형식을 포함한다. 또한, 트리플 입력부(210)는 입력되는 RDF 트리플 형식으로부터 각각의 RDF 트리플을 인식하는 온톨로지 해석과정을 수행한다.
또한, 트리플 유형 분류부(220)는 입력되는 트리플을 적어도 하나 이상의 유형으로 분류한다.
즉, 앞서 참조한 도 2b의 트리플 (ㄱ) ~ (ㅌ) 각각을 <AA, BB, CC>라 가정할 때 'AA'에 주어, 'BB'에 '술어' 그리고 'CC'에 '목적어'가 각각 대응된다.
여기서, 술어에 대응되는 'BB'가, 'rdf:type'이면 '리소스 트리플 유형'으로{도 2b의 (ㅈ),(ㅋ)이 해당됨.}, 'rdf:type'이 아니고 객체속성이면 '객체 속성 트리플 유형'으로{도 2b의 (ㄱ)~(ㅇ),(ㅊ)이 해당됨.} 그리고 'rdf:type'이 아니고 데이터타입 속성이면 '데이터타입 속성 트리플 유형'으로{도 2b의 (ㅌ)이 해당됨.} 각각 분류하는 것이다.
또한, 트리플 테이블 생성부(230)는 상기 분류된 트리플의 유형에 근거하여 테이블을 생성하며 이에 대해, 트리플의 유형에 따른 트리플 테이블 생성원리를 설명하기 위해 예시한 도 5를 참조하여, 상세히 설명하면 다음과 같다.
즉, 트리플 테이블 생성부(230)는, '리소스 트리플 유형'으로 분류된 트리플 <AA, BB, CC>의 경우, 'CC'에 해당하는 목적어를 테이블 name으로 'subject'라는 컬럼을 갖는 테이블이 만들어지며, 'AA'에 해당하는 주어가 subject 컬럼의 값으로 들어가게 된다.
또한, 트리플 테이블 생성부(230)는, '객체 속성 트리플 유형'으로 분류된 트리플 <AA, BB, CC>의 경우, 'BB'에 해당하는 술어를 테이블 name으로 'subject'와 'object'를 컬럼으로 갖는 테이블이 만들어진다.
마지막으로, 트리플 테이블 생성부(230)는, '데이터타입 속성 트리플 유형'으로 분류된 트리플 <AA, BB, CC>의 경우, 'BB'에 해당하는 술어를 테이블 name으로 'subject', 'label', 'language', 'datatype'을 컬럼으로 갖는 테이블이 만들어진다. 여기서, 'language'과 'datatype' 컬럼은 둘 중에 하나만 값을 갖고 다른 하나는 'null(널값)'을 갖는다.
그리고, 트리플 저장부(240)는 상기와 같이 생성된 테이블에 연계시켜 상기 분류된 트리플을 저장하고, Rete 네트워크 실행부(140)는 트리플 저장부(240)에 저장된 트리플을, 추론규칙의 유형에 따라 생성된 네트워크에 적용하여 확장된 트리플을 도출하게 된다.
도 6은 본 발명에 따른 제 1 실시예에 적용되는 메모리 및 DBMS 기반의 하이브리드 Rete 추론방법의 흐름도로서, 이하에서는, 상기와 같이 구성되는 메모리 및 DBMS 기반의 하이브리드 Rete 추론 시스템의 동작에 대해 상세히 설명하기로 한다.
먼저, 추론규칙 운용 서버(100) 내에 추론규칙 입력부(110)는 추론규칙이 입력되면(S601의 "예"), 입력되는 추론규칙을 해석하여 조건부와 결론부로 구성을 파악하게 되는데, 도 2a에 예시된 추론규칙 (ㄱ), (ㄴ), (ㄷ), (ㄹ)에서 '->'를 기준으로 좌측부가 조건부, 우측부가 결론부에 해당한다.
이어, 추론규칙 유형 분류부(120)는 입력된 추론규칙의 유형을 분류한다(S602). 이때, 추론규칙의 조건부의 술어가, 구조속성이면 '구조 추론규칙 유형'으로, 사례속성이면 '사례 추론규칙 유형'으로 각각 분류된다.
즉 앞서 참조한 도 2a의 추론규칙 (ㄱ), (ㄴ), (ㄷ) 그리고 (ㄹ)의 조건부에서 괄호 안의 내용{(?x ?a ?y), (?a rdfs:domain ?z), (?a rdfs:range ?z), (?x ex:father ?y), (?y ex:brother ?z)} 각각을 (XX YY ZZ)라 가정할 때 'XX'에 주어, 'YY'에 '술어' 그리고 'ZZ'에 '목적어'가 각각 대응된다. 여기서, 술어에 대응되는 'YY'의 내용이, 구조속성이면 '구조 추론규칙 유형'으로, 사례속성이면 '사례 추론규칙 유형'으로 각각 분류하는 것이다.
그리고, Rete 네트워크 생성부(130)는 상기 분류된 추론규칙의 유형에 근거하여 도 2a 내지 도 2c를 참조하여 설명된 바에 따라 네트워크를 생성한다(S603).
이와 같은 상태에서, 온톨로지 관리 시스템, 온톨로지 수집기 등의 온톨로지 입력기를 통해 RDF 트리플이 입력되면(S604의 "예"), 트리플 입력부(210)는 입력되는 RDF 트리플 형식으로부터 각각의 RDF 트리플을 인식하는 온톨로지 해석과정을 수행한다.
그리고 난 후, 트리플 유형 분류부(220)는 입력되는 트리플을 적어도 하나 이상의 유형으로 분류한다(S605).
즉, 앞서 참조한 도 2b의 트리플 (ㄱ) ~ (ㅌ) 각각을 <AA, BB, CC>라 가정할 때 'AA'에 주어, 'BB'에 '술어' 그리고 'CC'에 '목적어'가 각각 대응된다. 여기서, 술어에 대응되는 'BB'가, 'rdf:type'이면 '리소스 트리플 유형'으로{도 2b의 (ㅈ),(ㅋ)이 해당됨.}, 'rdf:type'이 아니고 객체속성이면 '객체 속성 트리플 유형'으로{도 2b의 (ㄱ)~(ㅇ),(ㅊ)이 해당됨.} 그리고 'rdf:type'이 아니고 데이터타입 속성이면 '데이터타입 속성 트리플 유형'으로{도 2b의 (ㅌ)이 해당됨.} 각각 분류하는 것이다.
이어, 트리플 테이블 생성부(230)는 상기 분류된 트리플의 유형이 처음 입력되는 경우(S606의 "예"), 입력된 트리플의 유형에 근거하여 테이블을 생성한다(S607).
즉, 트리플 테이블 생성부(230)는, '리소스 트리플 유형'으로 분류된 트리플 <AA, BB, CC>의 경우, 'CC'에 해당하는 목적어를 테이블 name으로 'subject'라는 컬럼을 갖는 테이블이 만들어지며, 'AA'에 해당하는 주어가 subject 컬럼의 값으로 들어가게 된다. 또한, 트리플 테이블 생성부(230)는, '객체 속성 트리플 유형'으로 분류된 트리플 <AA, BB, CC>의 경우, 'BB'에 해당하는 술어를 테이블 name으로 'subject'와 'object'를 컬럼으로 갖는 테이블이 만들어진다. 마지막으로, 트리플 테이블 생성부(230)는, '데이터타입 속성 트리플 유형'으로 분류된 트리플 <AA, BB, CC>의 경우, 'BB'에 해당하는 술어를 테이블 name으로 'subject', 'label', 'language', 'datatype'을 컬럼으로 갖는 테이블이 만들어진다. 여기서, 'language'과 'datatype' 컬럼은 둘 중에 하나만 값을 갖고 다른 하나는 'null(널값)'을 갖는다.(도 5 참조).
이와 같이 한 후, 트리플 저장부(240)는 상기와 같이 생성된 테이블에 연계시켜 상기 분류된 트리플을 저장한다(S608).
이어, Rete 네트워크 실행부(140)는 트리플 저장부(240)에 저장된 트리플을, 추론규칙의 유형에 따라 생성된 Rete 네트워크에 적용하여 확장된 트리플을 도출하게 된다(S609).
Rete 네트워크 실행부(140)는, 소정의 트리플을 생성된 네트워크에 적용하여 확장된 트리플을 도출하게 되는데, 특히 앞서 '구조 추론규칙 유형'으로 도 2a에 분류 예시된 3개의 추론규칙 (?x ?a ?y), (?a rdfs:domain ?z), (?a rdfs:range ?z)과 같은 패턴에 매칭되는 트리플 즉, 도 2c의 α-메모리0, α-메모리1, α-메모리2를 물리적인 메모리(예를 들면, RAM)에 저장하는 '메모리 추론방식'에 응한다.
이와는 달리, Rete 네트워크 실행부(140)는, 앞서 '사례 추론규칙 유형'으로 도 2a에 분류 예시된 2개의 추론규칙 (?x ex:father ?y), (?y ex:brother ?z)과 같은 패턴에 매칭되는 트리플 즉, 도 2c의 α-메모리3, α-메모리4를 도 4a에 예시한 바와 같이 각각의 α-메모리 뷰로 정의하여 가상의 메모리에 저장하는 'DBMS 추론방식'에 응한다.
참고로, 하나의 추론규칙에 (주어, 술어, 목적어) 조건 쌍이 둘 이상 있을때{도 2a의 (ㄴ), (ㄷ), (ㄹ)}, 이들이 차례로 결합하는 부분{도 2c의 β-메모리에 해당함.)에 대해서도 Rete 네트워크 실행부(140)가 '메모리 추론방식'과 'DBMS 추론방식'을 선택 적용함으로써 확장된 트리플을 도출하게 된다. 즉, 상기 결합에 참여하는 각 조건 모두가 '메모리 추론방식'에 해당하면 {도 2a의 (ㄴ), (ㄷ)} 결합된 전체(도 2c의 β-메모리1, β-메모리2)도 '메모리 추론방식'에 따라 물리적인 메모리(예를 들면, RAM)에 저장하고, 어느 하나라도 'DBMS 추론방식'에 해당하면 {도 2a의 (ㄹ)} 결합된 전체(도 2c의 β-메모리3)도 'DBMS 추론방식'에 따라 도 4b에 예시된 바와 같이 β-메모리 뷰로 정의하여 가상의 메모리에 저장한다.
그리고, Rete 네트워크 실행부(140)는, 상기와 같은 과정을 거쳐 도출된 트리플이 존재하면(S610의 "예") 제 604 단계의 트리플 입력 동작으로 복귀하고, 도출된 트리플이 존재하지 않으면(S610의 "아니오") 종료하게 된다.
이상에서 본 발명은 기재된 구체 예에 대해서만 상세히 설명되었지만 본 발명의 기술사상 범위 내에서 다양한 변형 및 수정이 가능함은 당업자에게 있어서 명백한 것이며, 이러한 변형 및 수정이 첨부된 특허청구범위에 속함은 당연한 것이다.
도 1는 본 발명에 따른 제 1실시예에 적용되는 메모리 및 DBMS 기반의 하이브리드 Rete 추론 시스템의 구성블럭도이다.
도 2a 내지 도 2c는 본 발명에 따른 제 1실시예에 적용되는 메모리 및 DBMS 기반의 하이브리드 Rete 추론 시스템을 설명하기 위해 예시한 것이다.
도 3은 본 발명에 따른 제 1 실시예에서 추론규칙의 유형에 따른 추론방식을 설명하기 위해 예시한 것이다.
도 4a와 도 4b는 본 발명에 따른 제 1 실시예에서 정의되는 α-메모리 뷰와 β-메모리 뷰를 각각 예시한 것이다.
도 5는 본 발명에 따른 제 1 실시예에서 트리플의 유형에 따른 트리플 테이블 생성원리를 설명하기 위해 예시한 것이다.
도 6은 본 발명에 따른 제 1 실시예에 적용되는 메모리 및 DBMS 기반의 하이브리드 Rete 추론방법의 흐름도이다.
<도면의 주요부분에 대한 부호의 설명>
100 : 추론규칙 운용 서버 110 : 추론규칙 입력부
120 : 추론규칙 유형 분류부 130 : Rete 네트워크 생성부
140 : Rete 네트워크 실행부 200 : 트리플 저장 서버
210 : 트리플 입력부 220 : 트리플 유형 분류부
230 : 트리플 테이블 생성부 240 : 트리플 저장부
Claims (24)
- 입력되는 추론규칙을 적어도 하나 이상의 유형으로 분류하는 추론규칙 유형 분류수단;상기 분류된 추론규칙의 유형에 근거하여 네트워크를 생성하는 네트워크 생성수단; 그리고소정의 트리플을, 상기 생성된 네트워크에 적용하여 확장된 트리플을 도출하는 네트워크 실행수단을 포함하는 메모리 및 DBMS 기반의 하이브리드 Rete 추론 시스템.
- 제 1항에 있어서,상기 추론규칙 유형 분류수단은,입력되는 추론규칙의 조건부의 술어가 구조속성이면, 구조 추론규칙 유형으로 분류하고,상기 네트워크 실행수단은,상기 구조 추론규칙 유형으로 분류시, 상기 확장된 트리플 도출동작이 메모리 추론방식에 응하는 것을 특징으로 하는 메모리 및 DBMS 기반의 하이브리드 Rete 추론 시스템.
- 제 2항에 있어서,상기 메모리 추론방식은, 상기 확장된 트리플 도출과정에서 생성되는 데이터를 물리적인 메모리에 저장하는 것을 특징으로 하는 메모리 및 DBMS 기반의 하이브리드 Rete 추론 시스템.
- 제 1항 내지 제 3항 중 어느 한 항에 있어서, 상기 네트워크 실행수단은,상기 추론규칙이 (?x, ?a, ?y)인 경우, 상기 확장된 트리플 도출동작이 메모리 추론방식에 응하는 것을 특징으로 하는 메모리 및 DBMS 기반의 하이브리드 Rete 추론 시스템.
- 제 1항 내지 제 3항 중 어느 한 항에 있어서,상기 추론규칙 유형 분류수단은,입력되는 추론규칙의 조건부의 술어가 사례속성이면, 사례 추론규칙 유형으로 분류하고,상기 네트워크 실행수단은,상기 사례 추론규칙 유형으로 분류시, 상기 확장된 트리플 도출동작이 DBMS 추론방식에 응하는 것을 특징으로 하는 메모리 및 DBMS 기반의 하이브리드 Rete 추 론 시스템.
- 제 5항에 있어서,상기 DBMS 추론방식은, 상기 확장된 트리플 도출과정에서 생성되는 데이터를 α-메모리 뷰와 β-메모리 뷰로 정의하여 가상의 메모리에 저장하는 것을 특징으로 하는 메모리 및 DBMS 기반의 하이브리드 Rete 추론 시스템.
- 제 1항 내지 제 3항 중 어느 한 항에 있어서,상기 추론규칙 유형 분류수단은,상기 입력되는 하나의 추론규칙의 조건부의 조건 쌍이 둘 이상인 경우, 상기 조건 쌍의 술어가 모두 구조속성이면 구조 추론규칙 유형으로 분류하고,상기 네트워크 실행수단은,상기 구조 추론규칙 유형으로 분류시, 상기 확장된 트리플 도출동작이 메모리 추론방식에 응하는 것을 특징으로 하는 메모리 및 DBMS 기반의 하이브리드 Rete 추론 시스템.
- 제 1항 내지 제 3항 중 어느 한 항에 있어서,상기 추론규칙 유형 분류수단은,상기 입력된 하나의 추론규칙의 조건부의 조건 쌍이 둘 이상인 경우, 조건부 내에 조건 쌍의 술어가 적어도 하나 이상 사례속성이면, 사례 추론규칙 유형으로 분류하고,상기 네트워크 실행수단은,상기 사례 추론규칙 유형으로 분류시, 상기 확장된 트리플 도출동작이 DBMS 추론방식에 응하는 것을 특징으로 하는 메모리 및 DBMS 기반의 하이브리드 Rete 추론 시스템.
- 삭제
- 삭제
- 삭제
- 삭제
- 입력되는 추론규칙을 적어도 하나 이상의 유형으로 분류하는 추론규칙 유형 분류단계;상기 분류된 추론규칙의 유형에 근거하여 네트워크를 생성하는 네트워크 생성단계; 그리고소정의 트리플을 상기 생성된 네트워크에 적용하여 확장된 트리플을 도출하는 네트워크 실행단계를 포함하는 메모리 및 DBMS 기반의 하이브리드 Rete 추론방법.
- 제 13항에 있어서,상기 추론규칙 유형 분류단계는,입력되는 추론규칙의 조건부의 술어가 구조속성이면, 구조 추론규칙 유형으로 분류하고,상기 네트워크 실행단계는,상기 구조 추론규칙 유형으로 분류시, 상기 확장된 트리플 도출동작이 메모리 추론방식에 응하는 것을 특징으로 하는 메모리 및 DBMS 기반의 하이브리드 Rete 추론방법.
- 제 14항에 있어서,상기 메모리 추론방식은, 상기 확장된 트리플 도출과정에서 생성되는 데이터를 물리적인 메모리에 저장하는 것을 특징으로 하는 메모리 및 DBMS 기반의 하이브리드 Rete 추론방법.
- 제 15항에 있어서, 상기 네트워크 실행 단계는,상기 추론규칙이 (?x, ?a, ?y)인 경우, 상기 확장된 트리플 도출동작이 메모리 추론방식에 응하는 것을 특징으로 하는 메모리 및 DBMS 기반의 하이브리드 Rete 추론방법.
- 제 13항 내지 제 15항 중 어느 한 항에 있어서,상기 추론규칙 유형 분류단계는,입력되는 추론규칙의 조건부의 술어가 사례속성이면, 사례 추론규칙 유형으로 분류하고,상기 네트워크 실행단계는,상기 사례 추론규칙 유형으로 분류시, 상기 확장된 트리플 도출동작이 DBMS 추론방식에 응하는 것을 특징으로 하는 메모리 및 DBMS 기반의 하이브리드 Rete 추론방법.
- 제 17항에 있어서,상기 DBMS 추론방식은, 상기 확장된 트리플 도출과정에서 생성되는 데이터를 α-메모리 뷰와 β-메모리 뷰로 정의하여 가상의 메모리에 저장하는 것을 특징으로 하는 메모리 및 DBMS 기반의 하이브리드 Rete 추론방법.
- 제 13항 내지 제 15항 중 어느 한 항에 있어서,상기 추론규칙 유형 분류단계는,상기 입력되는 하나의 추론규칙의 조건부의 조건 쌍이 둘 이상인 경우, 상기 조건 쌍의 술어가 모두 구조속성이면 구조 추론규칙 유형으로 분류하고,상기 네트워크 실행단계는,상기 구조 추론규칙 유형으로 분류시, 상기 확장된 트리플 도출동작이 메모 리 추론방식에 응하는 것을 특징으로 하는 메모리 및 DBMS 기반의 하이브리드 Rete 추론방법.
- 제 13항 내지 제 15항 중 어느 한 항에 있어서,상기 추론규칙 유형 분류단계는,상기 입력된 하나의 추론규칙의 조건부의 조건 쌍이 둘 이상인 경우, 조건부 내에 조건 쌍의 술어가 적어도 하나 이상 사례속성이면, 사례 추론규칙 유형으로 분류하고,상기 네트워크 실행단계는,상기 사례 추론규칙 유형으로 분류시, 상기 확장된 트리플 도출동작이 DBMS 추론방식에 응하는 것을 특징으로 하는 메모리 및 DBMS 기반의 하이브리드 Rete 추론방법.
- 삭제
- 삭제
- 삭제
- 삭제
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP08878941A EP2377041A4 (en) | 2008-12-15 | 2008-12-15 | HYBRID REASONING SYSTEM AND METHOD BASED ON MEMORY AND DBMS |
| PCT/KR2008/007422 WO2010071243A1 (en) | 2008-12-15 | 2008-12-15 | System and method for hybrid rete reasoning based on in-memory and dbms |
| US13/133,447 US8423497B2 (en) | 2008-12-15 | 2008-12-15 | System and method for hybrid Rete reasoning based on in-memory and DBMS |
| KR1020080127509A KR101008691B1 (ko) | 2008-12-15 | 2008-12-15 | 메모리 및 ＤＢＭＳ 기반의 하이브리드 Ｒｅｔｅ 추론 시스템 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020080127509A KR101008691B1 (ko) | 2008-12-15 | 2008-12-15 | 메모리 및 ＤＢＭＳ 기반의 하이브리드 Ｒｅｔｅ 추론 시스템 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20100068981A KR20100068981A (ko) | 2010-06-24 |
| KR101008691B1 true KR101008691B1 (ko) | 2011-01-19 |
Family
ID=42268900
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020080127509A KR101008691B1 (ko) | 2008-12-15 | 2008-12-15 | 메모리 및 ＤＢＭＳ 기반의 하이브리드 Ｒｅｔｅ 추론 시스템 및 방법 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US8423497B2 (ko) |
| EP (1) | EP2377041A4 (ko) |
| KR (1) | KR101008691B1 (ko) |
| WO (1) | WO2010071243A1 (ko) |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101133991B1 (ko) | 2009-11-27 | 2012-07-09 | 한국과학기술정보연구원 | 규칙 추론기 및 이를 포함하는 와일드 패턴 규칙의 동적인 구체화 방법 |
| KR101133993B1 (ko) | 2010-11-02 | 2012-04-09 | 한국과학기술정보연구원 | 추론 검증 및 점증적 추론을 위한 트리플 저장 방법 및 장치 그리고 이에 적합한 추론 의존성 색인 방법 및 장치 |
| KR101902905B1 (ko) | 2011-10-12 | 2018-10-02 | 삼성전자 주식회사 | 상황 인식 장치 및 방법 |
| US8930285B2 (en) * | 2011-10-21 | 2015-01-06 | International Business Machines Corporation | Composite production rules |
| KR20130060717A (ko) | 2011-11-30 | 2013-06-10 | 삼성전자주식회사 | Ａｘｉｏｍ 관리방법 및 장치, 그를 포함하는 추론장치 |
| GB2509539A (en) | 2013-01-08 | 2014-07-09 | Ibm | Production rule engine |
| KR101535807B1 (ko) * | 2014-11-06 | 2015-07-10 | 한국과학기술정보연구원 | 하이브리드 규칙 추론 장치 및 그 방법 |
| CN104615703B (zh) * | 2015-01-30 | 2017-12-08 | 福州大学 | 一种结合Rete算法的RDF数据分布式并行推理方法 |
| CN105912721B (zh) * | 2016-05-05 | 2019-06-07 | 福州大学 | Rdf数据分布式语义并行推理方法 |
| CN106445913A (zh) * | 2016-09-06 | 2017-02-22 | 中南大学 | 基于MapReduce的语义推理方法及系统 |
| JP6310532B1 (ja) * | 2016-11-24 | 2018-04-11 | ヤフー株式会社 | 生成装置、生成方法、及び生成プログラム |
| WO2018163241A1 (ja) * | 2017-03-06 | 2018-09-13 | 三菱電機株式会社 | オントロジー構築支援装置 |
| CN108153736B (zh) * | 2017-12-28 | 2021-07-02 | 南开大学 | 一种基于向量空间模型的关系词映射方法 |
| CN109684161B (zh) * | 2018-11-02 | 2022-05-03 | 深圳壹账通智能科技有限公司 | 数据分析方法、装置、服务器及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20050064347A (ko) * | 2003-12-23 | 2005-06-29 | 한국전자통신연구원 | 웹 연동 지식을 기술하기 위한 규칙언어 처리시스템 및 그방법 |
| KR20070114604A (ko) * | 2006-05-29 | 2007-12-04 | 주식회사 케이티 | 다중 사용자 프로파일 기반 상황 적응적 서비스 구현을 위한 추론엔진 및 그 방법 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5159662A (en) * | 1990-04-27 | 1992-10-27 | Ibm Corporation | System and method for building a computer-based rete pattern matching network |
| KR100815563B1 (ko) | 2006-08-28 | 2008-03-20 | 한국과학기술정보연구원 | Ｄｂｍｓ 기반 지식 확장 및 추론 서비스 시스템 및 그방법 |
-
2008
- 2008-12-15 US US13/133,447 patent/US8423497B2/en not_active Expired - Fee Related
- 2008-12-15 WO PCT/KR2008/007422 patent/WO2010071243A1/en active Application Filing
- 2008-12-15 KR KR1020080127509A patent/KR101008691B1/ko not_active IP Right Cessation
- 2008-12-15 EP EP08878941A patent/EP2377041A4/en not_active Withdrawn
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20050064347A (ko) * | 2003-12-23 | 2005-06-29 | 한국전자통신연구원 | 웹 연동 지식을 기술하기 위한 규칙언어 처리시스템 및 그방법 |
| KR20070114604A (ko) * | 2006-05-29 | 2007-12-04 | 주식회사 케이티 | 다중 사용자 프로파일 기반 상황 적응적 서비스 구현을 위한 추론엔진 및 그 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP2377041A4 (en) | 2012-08-22 |
| KR20100068981A (ko) | 2010-06-24 |
| US8423497B2 (en) | 2013-04-16 |
| WO2010071243A1 (en) | 2010-06-24 |
| US20110246407A1 (en) | 2011-10-06 |
| EP2377041A1 (en) | 2011-10-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101008691B1 (ko) | 메모리 및 ＤＢＭＳ 기반의 하이브리드 Ｒｅｔｅ 추론 시스템 및 방법 | |
| Wang et al. | A semantic web approach to feature modeling and verification | |
| US8352403B2 (en) | System and method for efficient reasoning using view in DBMS-based RDF triple store | |
| US10853357B2 (en) | Extensible automatic query language generator for semantic data | |
| Sengupta et al. | Local closed world semantics: Grounded circumscription for OWL | |
| US8346707B2 (en) | Rule reasoner, and dynamic materialization method for wild pattern rules including the same | |
| CN105706092B (zh) | 四值模拟的方法和系统 | |
| CN109635119B (zh) | 一种基于本体融合的工业大数据集成系统 | |
| Tueno et al. | Towards using ontologies for domain modeling within the SysML/KAOS approach | |
| Kim et al. | MoA: OWL ontology merging and alignment tool for the semantic web | |
| Fillottrani et al. | KnowID: An architecture for efficient knowledge-driven information and data access | |
| CN107368302B (zh) | 一种基于本体的设计模式识别方法 | |
| Senda et al. | Complexity results on register context-free grammars and register tree automata | |
| Panich et al. | Detection of design patterns from class diagram and sequence diagrams using ontology | |
| Zhang et al. | An approach of refining the merged ontology | |
| Chen et al. | Research on industrial software testing knowledge database based on ontology | |
| Horrocks et al. | Hybrid logics and ontology languages | |
| Vogt et al. | Towards a Rosetta Stone for (meta) data: Learning from natural language to improve semantic and cognitive interoperability | |
| Yang | Variable weight semantic graph‐based ontology mapping method | |
| Hońko | Upgrading a granular computing based data mining framework to a relational case | |
| Ouyang et al. | Integrity constraints in OWL ontologies based on grounded circumscription | |
| KR102416371B1 (ko) | 전문 도메인 온톨로지를 이용하여 지식 기반 질의 응답 서비스를 제공하기 위한 응답 규격화 방법 및 그 장치 | |
| Ma et al. | A formal framework for ontology integration based on a default extension to ddl | |
| Eckhoff | Efficient update of OTTR-constructed triplestores | |
| Zahl | Efficient update of OTTR-constructed triplestores |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant | ||
| FPAY | Annual fee payment |
Payment date: 20140102 Year of fee payment: 4 |
|
| FPAY | Annual fee payment |
Payment date: 20160104 Year of fee payment: 6 |
|
| FPAY | Annual fee payment |
Payment date: 20161228 Year of fee payment: 7 |
|
| LAPS | Lapse due to unpaid annual fee |