KR101133991B1 - 규칙 추론기 및 이를 포함하는 와일드 패턴 규칙의 동적인 구체화 방법 - Google Patents

규칙 추론기 및 이를 포함하는 와일드 패턴 규칙의 동적인 구체화 방법 Download PDF

Info

Publication number
KR101133991B1
KR101133991B1 KR1020090115926A KR20090115926A KR101133991B1 KR 101133991 B1 KR101133991 B1 KR 101133991B1 KR 1020090115926 A KR1020090115926 A KR 1020090115926A KR 20090115926 A KR20090115926 A KR 20090115926A KR 101133991 B1 KR101133991 B1 KR 101133991B1
Authority
KR
South Korea
Prior art keywords
rule
wild
pattern
utility network
inference
Prior art date
Application number
KR1020090115926A
Other languages
English (en)
Other versions
KR20110059260A (ko
Inventor
이승우
정한민
김평
이미경
김재한
류범종
Original Assignee
한국과학기술정보연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국과학기술정보연구원 filed Critical 한국과학기술정보연구원
Priority to KR1020090115926A priority Critical patent/KR101133991B1/ko
Priority to JP2012540998A priority patent/JP5142174B1/ja
Priority to US13/511,034 priority patent/US8346707B2/en
Priority to PCT/KR2009/007095 priority patent/WO2011065613A1/ko
Publication of KR20110059260A publication Critical patent/KR20110059260A/ko
Application granted granted Critical
Publication of KR101133991B1 publication Critical patent/KR101133991B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G06N5/025—Extracting rules from data
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology

Abstract

규칙 추론기 및 이를 포함하는 와일드 패턴 규칙의 동적인 구체화 방법이 개시된다. 본 발명은 입력된 추론 규칙에 와일드 패턴 포함 유무에 따라 온톨로지 스키마(Ontology schema)를 참조하여 리티 네트워크를 구축하는 리티 네트워크 구축부, 구축된 리티 네트워크에 온톨로지(Ontology)를 입력하여 실행함으로써 추론된 트리플을 생성하고 와일드 패턴이 동적으로 구체화된 새로운 규칙을 생성하는 리티 네트워크 실행부 및 생성된 새로운 규칙을 리티 네트워크에 추가하여 리티 네트워크를 확장하는 리티 네트워크 확장부를 포함하여, 리티 네트워크에서 불필요한 패턴 매칭을 제거하여 규칙 기반의 추론 성능을 개선할 수 있다.
추론 규칙, 와일드 패턴, 와일드 패턴 규칙, 구체화, 리티 네트워크, 규칙 기반, 추론

Description

규칙 추론기 및 이를 포함하는 와일드 패턴 규칙의 동적인 구체화 방법{RULES REASONER, METHOD FOR DYNAMICALLY MATERIALIZING WILD PATTERN RULES HAVING THE SAME}
본 발명은 규칙 추론기 및 이를 포함하는 와일드 패턴 규칙의 동적인 구체화 방법에 관한 것으로, 보다 상세하게는 온톨로지 스키마를 참조하여 와일드 패턴 규칙을 동적으로 구체화하는 규칙 추론기 및 이를 포함하는 와일드 패턴 규칙의 동적인 구체화 방법에 관한 것이다.
일반적으로 추론 기능은 많은 시맨틱 웹 도구의 필수 기능이며, 1979년에 리티(Rete) 알고리즘이 개발된 이후, 규칙 기반 추론 방식은 가장 많이 쓰이는 추론 기법 중의 하나가 되었다. 리티 알고리즘은 본래 생성 규칙 시스템의 효율성을 위해 고안되었는데, 규칙 기반 온톨로지 추론에도 적합한 알고리즘이다. 여기서, 규칙은 if-then 규칙을 말하며, 이는 왼쪽(LHS)과 오른쪽(RHS)으로 구성된다. LHS는 다시 하나 이상의 조건으로 구성되는데, 이 조건들이 만족될 때 RHS가 실행된다.
온톨로지(Ontology)에서 하나의 사실은 주어(subject), 술어(predicate), 목적어(object)로 구성되기 때문에, 각 조건은 일반적으로 트리플 패턴으로 표현된 다.
여기서, 트리플 패턴이란 트리플의 주어, 술어, 목적어 중 하나 이상이 변수일 수 있음을 가리킨다. RHS는 결론으로, 역시 하나 이상의 트리플 패턴으로 구성되는데, RHS의 모든 변수는 반드시 LHS에 한번 이상 나타나야 한다. LHS가 온톨로지의 사실들에 일치하여 그 변수들은 어떤 값으로 할당되면, RHS는 동일한 변수-값 할당을 적용해 새로운 사실을 생성한다.
규칙 기반 온톨로지 추론에서 리티 알고리즘은 패턴 매칭의 효율성 때문에 폭넓게 사용되고 있다. 그 효율성은 여러 규칙 사이에 공유된 패턴을 반복적으로 일치시키는 것을 피할 수 있음에 기인한다. 이 알고리즘은 트리플을 다룰 수 있도록 작업 메모리 요소(WME)를 수정함으로써 규칙 기반의 온톨로지 추론에도 사용될 수 있다.
온톨로지는 주로 RDF와 RDF/S, OWL 언어로 씌어진다. 이 언어들은 미리 정의된 여러 가지 어휘들로 이루어져 있는데, 이 어휘들의 의미로부터 여러 함의 규칙(entailment rules)들이 유도될 수 있다. 이러한 어휘들은 온톨로지 자체를 기술하기 위해 정의된 것으로, 이들의 함의 규칙들은 포괄적이며 어떤 특정 온톨로지에 대해서도 항상 유효한 것들이라 와일드 패턴을 갖는 경우가 흔하다.
와일드 패턴을 갖는 함의 규칙, 즉 와일드 패턴 규칙은 대규모 온톨로지에 대한 추론의 경우에는 비효율성을 훨씬 더 악화시킬 수도 있다. 여러 대규모 온톨로지 시스템들이 MS SQL 서버나 오라클, MySQL 등의 데이터베이스 엔진을 기반 저장소로 활용하는데, 여기서 트리플은 대개 효율성을 위해 클래스와 속성 별로 나뉘 어 저장된다. 추론을 위해 리티 알고리즘이 사용될 수는 있지만, 리티의 알파 메모리와 베타 메모리를 더 이상 주 메모리에 유지하는 것은 불가능할 것이다. 한 가지 해결책은 알파 메모리와 베타 메모리가 데이터베이스 뷰(view) 기법을 통해 대응하는 테이블들을 참조하도록 하는 것이다. 이 경우에, 임의의 트리플 패턴에 대응하는 알파 메모리는 결국 모든 트리플 테이블을 참조해야 하며, 이는 이어지는 조인 노드에서 조인을 수행할 때 불필요한 테이블을 접근하게 하는 비효율성을 야기할 수 있다.
따라서, 상기 문제점을 해결하기 위한 본 발명의 목적은 함의 규칙들이 갖는 와일드 패턴이 대상 온톨로지의 모든 트리플에 일치될 수 있기 때문에 규칙 기반의 추론에서 비효율성이 야기되는 문제를 해소하는 것이며, 온톨로지 스키마를 참조하여 입력된 와일드 패턴 규칙을 동적으로 구체화하는 규칙 추론기 및 이를 포함하는 와일드 패턴 규칙의 동적인 구체화 방법을 제공하는 것이다.
이러한 목적을 달성하기 위하여 본 발명은 입력된 추론 규칙에 와일드 패턴 포함 유무에 따라 온톨로지 스키마(Ontology schema)를 참조하여 리티 네트워크를 구축하는 리티 네트워크 구축부, 상기 구축된 리티 네트워크에 온톨로지(Ontology)를 입력하여 실행함으로써 추론된 트리플을 생성하고 와일드 패턴이 동적으로 구체화된 새로운 규칙을 생성하는 리티 네트워크 실행부 및 상기 생성한 새로운 규칙을 상기 리티 네트워크에 추가하여 상기 리티 네트워크를 확장하는 리티 네트워크 확장부를 포함하는 규칙 추론기를 제공한다.
상기 리티 네트워크 구축부는, 추론 규칙을 입력받는 입력부, 상기 입력받은 추론 규칙이 와일드 패턴을 갖는지 판단하는 판단부, 상기 입력된 추론 규칙이 와일드 패턴을 갖는 와일드 패턴 규칙인 경우, 상기 입력된 와일드 패턴 규칙에 대응하는 실마리 패턴을 선정하는 선정부 및 상기 입력된 와일드 패턴 규칙을 상기 실마리 패턴을 참조하여 규칙을 다시 쓰고, 상기 다시 쓴 규칙에 의해 테스트 노드, 알파 메모리 노드 및 와일드 규칙 노드를 리티 네트워크에 추가하는 구축부를 포함할 수 있다.
또한, 이러한 목적을 달성하기 위하여 본 발명은 (a)리티 네트워크 구축부는 입력된 추론 규칙에 와일드 패턴 포함 유무에 따라 온톨로지 스키마를 참조하여 리티 네트워크를 구축하는 단계, (b)리티 네트워크 실행부는 상기 구축된 리티 네트워크에 온톨로지를 입력하여 실행함으로써 추론된 트리플을 생성하고 와일드 패턴이 동적으로 구체화된 새로운 규칙을 생성하는 단계, (c)리티 네트워크 확장부는 상기 생성된 새로운 규칙을 상기 리티 네트워크에 추가하여 상기 리티 네트워크를 확장하는 단계를 포함하는 와일드 패턴 규칙의 동적인 구체화 방법을 제공한다.
따라서, 본 발명의 규칙 추론기 및 이를 포함하는 와일드 패턴 규칙의 동적인 구체화 방법에 의하면, RDF 또는 OWL 의미론을 포함하는 많은 함의 규칙들이 갖는 와일드 패턴이 대상 온톨로지의 모든 트리플에 일치될 수 있기 때문에 규칙 기반의 추론에서 비효율성이 야기되는 것과 비교하여, 본 발명은 리티 프레임워크 내에서 리티 네트워크의 초기 구축 단계, 온톨로지를 입력하여 와일드 패턴 규칙을 동적으로 구체화하는 리티 네트워크 실행 단계 및 리티 네트워크 확장 단계를 포함하는 구체화 기법을 사용하여 비효율성을 해소할 수 있는 효과가 있다.
또한, 본 발명의 규칙 추론기 및 이를 포함하는 와일드 패턴 규칙의 동적인 구체화 방법에 의하면 구체화 기법 적용 후에 리티 네트워크에서 조인 노드의 수와 조인 연산의 시도가 줄어들었음을 확인할 수 있으므로 규칙 기반의 추론 성능 및 그 효율성이 향상되는 효과가 있다.
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.
이하, 본 발명의 바람직한 실시예를 첨부도면에 의거하여 설명한다.
도 1은 본 발명의 실시예에 의한 규칙 추론기를 나타내는 블록도로서, 도 1에 도시된 바와 같이, 본 발명의 실시예에 의한 규칙 추론기(100)는 리티 네트워크 구축부(110), 리티 네트워크 실행부(120) 및 리티 네트워크 확장부(130)를 포함하여 구성된다.
리티 네트워크 구축부(110)는 입력된 추론 규칙에 와일드 패턴 포함 유무에 따라 온톨로지 스키마(Ontology schema)를 참조하여 적절한 리티 네트워크를 구축한다.
리티 네트워크 실행부(120)는 리티 네트워크에 온톨로지(Ontology)를 입력하여 실행함으로써 와일드 패턴이 동적으로 구체화된 새로운 규칙을 생성한다. 즉, 리티 네트워크 실행부(120)는 리티 네트워크 구축부(110)가 구축한 리티 네트워크를 실행한다.
리티 네트워크 확장부(130)는 리티 네트워크 실행부(120)에서 생성한 새로운 규칙을 리티 네트워크에 추가하여 리티 네트워크를 확장한다.
도 2 및 도 3은 도 1의 리티 네트워크 구축부 및 리티 네트워크 실행부를 구체적으로 나타내는 블록도로, 도 1 내지 도 3을 참조하여 설명하면 다음과 같다.
리티 네트워크 구축부(110)는 입력부(111), 판단부(113), 선정부(115) 및 구축부(117)를 포함하여 구성된다.
입력부(111)는 추론을 할 추론 규칙을 입력받는다. 이때, 도시되지는 않았으나 추론 규칙은 메모리에 파일 형태로 저장되어 있을 수 있다.
판단부(113)는 입력부(111)로부터 입력받은 추론 규칙이 와일드 패턴을 갖는지 판단한다. 이때, 추론 규칙이 와일드 패턴을 갖는 경우 와일드 패턴 규칙이라 한다.
선정부(115)는 판단부(113)의 판단 결과, 입력받은 추론 규칙이 와일드 패턴 규칙인 경우, 입력된 와일드 패턴 규칙에 대응하는 실마리 패턴을 선정한다.
선정부(115)는 실마리 패턴을 선정할 때, 메모리에 별도로 저장된 온톨로지 스키마(Ontology schema)를 로딩하여 실마리 패턴을 선정할 수 있으며, 이에 대해서는 뒤에서 더 자세히 설명할 것이다.
구축부(117)는 입력부(111)를 통해 입력된 와일드 패턴 규칙을 선정부(115)에서 선정한 실마리 패턴을 참조하여 규칙을 다시 쓴다. 또한, 구축부(117)는 다시 쓴 규칙에 의해 테스트 노드, 알파 메모리 노드 및 와일드 규칙 노드를 리티 네트워크에 추가한다.
또한, 리티 네트워크 실행부(120)는 추론된 트리플 생성과 동적으로 구체화된 추론 규칙을 생성하는 것으로, 수신부(121) 및 실행부(123)를 포함하여 구성된 다.
수신부(121)는 별도로 저장된 온톨로지를 입력받는다. 이때, 온톨로지는 온톨로지 스키마 및 온톨로지 인스턴스(Ontology instance)일 수 있다.
실행부(123)는 수신부(121)로부터 입력되는 온톨로지에 의해 테스트 노드, 알파 메모리 노드, 조인 노드, 베타 메모리 노드 및 규칙 노드 등이 순차적으로 실행되어 추론된 트리플을 생성하거나, 테스트 노드, 알파 메모리 노드 및 와일드 규칙 노드가 순차적으로 실행되어 새로운 규칙을 생성한다.
이와 같이, 리티 네트워크 구축부(110) 및 리티 네트워크 실행부(120)를 통해 입력된 추론 규칙에 대응하는 리티 네트워크가 구축 및 실행한 이후에는 리티 네트워크 확장부(130)가 생성된 새로운 규칙을 리티 네트워크에 추가하여 리티 네트워크를 확장한다.
본 발명의 실시예에 의한 와일드 패턴 규칙의 동적인 구체화 방법에 대해 구체적인 설명을 하기에 앞서, 와일드 패턴 및 리티 알고리즘에 대해서 먼저 설명하면 다음과 같다.
리티 알고리즘은 규칙 기반 온톨로지 추론에 적합한 알고리즘으로, 규칙은 W3C(World Wide Web Consortium)의 RDFS 및 OWL 문서에 기술된 함의 규칙들을 일컫는다. 표 1은 RDF 및 OWL 의미론에 기술된 와일드 패턴을 갖는 함의 규칙의 예를 나타낸다.
규칙이름 함의 규칙
rdfs2 (?x ?a ?y)(?a rdfs:domain ?z)→(?x rdf:type ?z)
rdfs3 (?x ?a ?y)(?a rdfs:range ?z)→(?y rdf:type ?z)
rdfs7 (?x ?a ?y)(?a rdfs:subPropertyOf ?b)→(?x ?b ?y)
rdfs9 (?x rdfs:subClassOf ?y)(?z rdfs:type ?x)→(?z rdf:type ?y)
trans
prop		 (?a rdf:type owl:TransitiveProperty)(?x ?a ?y)(?y ?a ?z)→
(?x ?a ?z)
inverseof (?a owl:inverseOf ?b)(?x ?a ?y)→(?y ?b ?x)
온톨로지에서 하나의 사실은 주어(subject), 술어(predicate), 목적어(object)로 구성되기 때문에, 각 조건은 일반적으로 트리플 패턴으로 표현된다. 여기서, 트리플 패턴이란 트리플의 주어, 술어, 목적어 중 하나 이상이 변수일 수 있음을 가리킨다.
와일드 패턴은 표 1의 패턴 중 밑줄이 그어진 패턴으로, 트리플 패턴 중에서 술어부(predicate)가 변수이거나 혹은 술어부가 'rdf:type'이면서 목적어가 변수인 경우를 말한다.
좀 더 구체적으로 말하자면, 술어부가 변수인 경우는 와일드 속성 패턴이라 하고, 술어부가 'rdf:type'이면서 목적어가 변수인 경우는 와일드 클래스 패턴이라 한다. 와일드 속성 패턴은 예를 들어 (?x ?a ?y)와 같은 패턴이 해당되며, 와일드 클래스 패턴은 (?z rdf:type ?z)와 같은 패턴이 해당된다.
와일드 패턴을 갖는 규칙 중에는 조인 연산을 필요로 하지 않는 경우도 있지만, 표 1에 기재된 예들은 한번 이상의 조인 연산을 필요로 하는 규칙들이다.
와일드 패턴은 대상 온톨로지의 모든 트리플 혹은 모든 클래스 인스턴스 트리플에 일치될 수 있기 때문에 와일드 패턴을 포함하는 조인 연산은 시간을 매우 많이 소요하게 된다. 따라서, 와일드 패턴은, 온톨로지 스키마를 참조하여 구체화하는 과정을 거침으로써 구체화된 규칙들로 변환될 필요가 있다.
사실, 술어 변수는 온톨로지에 정의된 모든 술어에 일치될 수 있고, 와일드 클래스 패턴의 목적어 변수(다른 말로, 클래스 변수)는 온톨로지에 정의된 모든 클래스에 일치될 수 있다. 그러한 술어와 클래스는 온톨로지의 스키마로 정의되며, 이 스키마는 추론 규칙이나 온톨로지 인스턴스(즉, 개별 트리플)에 앞서 입력된다고 가정할 수 있다. 따라서, 술어 변수와 클래스 변수는 온톨로지 스키마를 사용하여 추론이 수행되기 이전에 구체화될 수 있는 것이다.
와일드 패턴 규칙, 특히 조인 연산을 필요로 하는 와일드 패턴 규칙들은 와일드 패턴의 술어 변수나 클래스 변수를 제약하는 또 하나의 트리플 패턴을 갖는 경우가 흔히 있다. 이런 트리플 패턴을 실마리 패턴이라 부르는데, rdf2의 경우 (?a rdfs:domain ?z)가 바로 실마리 패턴으로서, 와일드 패턴인 (?x ?a ?y)의 술어 변수 '?a'를 제약한다.
즉, '?a'는 속성(property)이면서 또한 'rdfs:domain'의 주어이어야 한다. 다른 예로, rdfs9의 경우, (?x rdfs:subClassOf ?y)가 바로 실마리 패턴에 해당하는데, 와일드 패턴인 (?z rdf:type ?x)의 클래스 변수 '?x'를 제약한다. 즉, '?x'는 클래스이면서, 'rdfs:subClassOf'의 주어이어야 한다.
와일드 패턴 규칙이 온톨로지 스키마를 참조하여 구체화되는 과정을 설명하면 다음과 같다. 여기에서 구체화라는 말은 와일드 패턴 규칙을 여러 개의 특정한 규칙들로 변환하는 것을 의미한다. 표 2는 정의된 대상 온톨로지 스키마의 예이다.
<ex:takesCourse,rdfs:domain,ex:Student> <ex:Person,rdf:type,rdfs:Class>
<ex:teacherOf,rdfs:domain,ex:Professor> <ex:takesCourse,rdf:type,rdf:Property>
<ex:Student,rdfs:subClassOf,ex:Person> <ex:teacherOf,rdf:type,rdf:Property>
<ex:Professor,rdfs:subClassOf,ex:Person> <rdfs:domain,rdf:type,rdf:Property>
<ex:Student,rdf:type,rdfs:Class> <rdf:type,rdf:type,rdf:Property>
<ex:Professor,rdf:type,rdfs:Class> <rdfs:subClassOf,rdf:type,rdf:Property>
표 2와 같은 온톨로지 스키마가 주어질 때, 규칙 rdfs2는 실마리 패턴이 갖는 변수에 대한 제약을 이용하여 다음과 같은 두 개의 특정한 규칙으로 구체화될 수 있다.
rdfs2-1 : (?x ex:takesCourse ?y)(ex:takesCourse rdfs:domain ex:Student)→(?x rdf:type ex:Student)
rdfs2-2 : (?x ex:teacherOf ?y)(ex:teacherOf rdfs:domain ex:Professor)→(?x rdf:type ex:Professor)
추가적으로, 이들 구체화된 각각의 규칙들에서 두 번째 트리플 패턴은 더 이상 변수를 갖지 않으며, 주어진 온톨로지에서 항상 만족되는 패턴이다. 따라서, 일반화의 상실 없이, 이들을 구체화된 규칙에서 제거할 수 있으며, 다음과 같은 결과를 얻는다.
rdfs2-1 : (?x ex:takesCourse ?y)→(?x rdf:type ex:Student)
rdfs2-2 : (?x ex:teacherOf ?y)→(?x rdf:type ex:Professor)
이렇게 얻은 두 규칙들은 더 이상 조인 연산을 필요로 하지 않는다. 반면에, 원래의 와일드 패턴 규칙들은 하나의 조인 연산을 필요로 했었다. 결과적으로, 와일드 패턴의 구체화 과정을 통해 규칙 기반 추론의 효율성이 향상될 수 있게 된 셈이다.
규칙 rdfs9 또한 같은 방식으로 구체화될 수 있으며, 이렇게 얻어진 구체화된 규칙은 다음의 두 규칙이 된다.
rdfs9-1 : (?z rdf:type ex:Student)→(?z rdf:type ex:Person)
rdfs9-2 : (?z rdf:type ex:Professor)→(?z rdf:type ex:Person)
원래의 와일드 패턴 규칙은 조인 연산 하나를 필요로 했지만, 위와 같은 구체화 과정을 거친 규칙들은 더 이상 조인 연산을 필요로 하지 않는다.
도 4는 본 발명의 실시예에 의한 와일드 패턴 규칙의 동적인 구체화 방법을 나타내는 개략적인 흐름도로, 도 4를 참조하면 먼저, S41과정에서 리티 네트워크 구축부(110)는 입력된 추론 규칙에 와일드 패턴 포함 유무에 따라 온톨로지 스키마를 참조하여 적절한 리티 네트워크를 구축한다.
다음으로 S43과정에서 리티 네트워크 실행부(120)는 리티 네트워크에 온톨로지를 입력하여 리티 네트워크를 실행함으로써 추론된 트리플을 생성하거나 와일드 패턴이 동적으로 구체화된 새로운 규칙을 생성한다. 이는 리티 네트워크를 실행하는 과정으로 볼 수 있다.
마지막으로, S45과정에서 리티 네트워크 확장부(130)는 S43과정에서 동적으로 구체화하여 생성된 추론 규칙을 리티 네트워크에 추가하여 리티 네트워크를 확장한다.
도 5 및 도 6은 본 발명의 실시예에 의한 와일드 패턴 규칙의 동적인 구체화 방법을 나타내는 구체적인 흐름도이고, 도 7은 도 4 내지 도 6에 의한 와일드 패턴 규칙의 동적인 구체화 방법을 나타내는 예시도이다.
도 1 내지 도 7을 참조하면 먼저 S411과정에서 리티 네트워크 구축부(110)는 입력부(111)를 통해 추론 규칙을 입력받는다.
다음으로, S413과정에서 판단부(113)는 입력된 추론 규칙이 와일드 패턴을 갖는 와일드 패턴 규칙인지 판단한다.
다음으로 S415과정에서 선정부(115)는 입력된 추론 규칙이 와일드 패턴 규칙인 경우, 입력된 와일드 패턴 규칙에 대응하는 실마리 패턴을 선정한다.
예컨대, 도 7을 참조하면 리티 네트워크 구축부(110)는 입력된 와일드 패턴 규칙의 실마리 패턴을 선정한다. 초기에 리티 네트워크는 주어진 규칙들로부터 생성되는데 모든 비와일드 패턴 규칙들에 대해서는 규칙 왼쪽(LHS)의 각 트리플 패턴은 보통의 리티 알고리즘에서와 같이 루트 노드에서부터 중간의 여러 테스트 노드를 거쳐, 알파 메모리 노드까지의 경로 하나로 변환된다. 반면에, 모든 와일드 패턴 규칙들에 대해서는, 우선 규칙의 조건절에서 와일드 패턴의 변수를 제약할 수 있는 실마리 패턴을 찾는다.
그러나, 간혹 규칙에 실마리 패턴이 없는 경우도 있는데, 이럴 때는 디폴트 실마리 패턴을 사용한다. 좀더 구체적으로 말하자면, 와일드 속성 패턴의 경우에는 (?a rdf:type rdf:Property)를 디폴트 실마리 패턴으로 사용하는데, 여기서 변수 '?a'는 와일드 속성 패턴의 술어 변수에 대응되어야 한다. 마찬가지로, 와일드 클래스 패턴의 경우에는 (?x rdf:type rdfs:Class)를 디폴트 실마리 패턴으로 사용하는데, 여기서 변수 '?x'는 와일드 클래스 패턴의 클래스 변수에 대응되어야 한다.
실마리 패턴을 선정한 후에는, S417과정에서 리티 네트워크 구축부(110)는 와일드 패턴 규칙을 규칙의 왼쪽(LHS)에 실마리 패턴만 가지며 오른쪽(RHS)에는 원래의 규칙에서 실마리 패턴을 제거한 규칙을 갖는 새로운 규칙으로 다시 쓴다.
예를 들어, 도 7에 보인 바와 같이, 규칙 rdfs2는 실마리 패턴 (?a rdfs:domain ?z)을 사용하여 rdfs2' 규칙으로 다시 씌어지게 된다.
다음으로 S419과정에서 리티 네트워크 구축부(110)는 새로 쓴 규칙을 리티 네트워크에 추가하여 일반적인 리티 네트워크에서와 같은 방식으로 적절한 테스트 노드(t1)와 알파 메모리 노드(α1)를 구성하게 되며, 그 아래에 와일드 규칙 노드 (wild rule node)가 뒤따른다. 이 와일드 규칙 노드는 규칙의 오른쪽(RHS)에 대응된다는 점에서 본래 리티 알고리즘의 규칙 노드와 유사하지만, 규칙 노드는 추론으로 확장된 트리플을 생성하는 반면에 와일드 규칙 노드는 구체화된 규칙을 생성한다는 점에서 분명한 차이점을 갖는다.
도 7에 도시된 바와 같이, 와일드 규칙 노드 rdfs2'는 구체화를 위한 규칙 템플릿으로 [(?x α.s y)→(?x rdf:type α.o)]를 갖는다. 여기서, α.s와 α.o는 각각 대응되는 알파 메모리의 주어와 목적어를 가리킨다.
다음으로 S431과정에서 리티 네트워크 실행부(120)는 파일 형태로 주어진 온톨로지를 리티 네트워크에 입력하여, 리티 네트워크를 실행한다.
즉, 리티 네트워크 실행부(120)는 테스트 노드 및 알파 메모리 노드를 차례로 순차적으로 실행시켜 활성화시키고, 다음으로 와일드 규칙 노드를 활성화시켜 구체화된 추론 규칙들을 동적으로 생성한다.
구체적으로, 와일드 규칙 노드가 활성화되면, 그 와일드 규칙 노드가 갖고 있는 규칙 템플릿에 의해 특정 추론 규칙 즉 구체화된 추론 규칙들이 동적으로 생성된다. 도 7을 참조하면 rdfs2-1 및 rdfs2-2가 바로 S431과정을 통해 구체화된 규칙을 나타낸다.
마지막으로 S451과정에서 리티 네트워크 확장부(130)는 S431과정을 통해 생성한 새로운 규칙들을 리티 네트워크에 추가하여 리티 네트워크를 확장한다.
이때, 구체화된 규칙이 여전히 와일드 패턴 규칙을 갖고 있다면, 더 이상 와일드 패턴을 갖지 않을 때까지 도 5에 도시된 S415 내지 S431과정을 반복한다.
S413과정에서 판단부(113)의 판단 결과, 생성된 규칙 또는 입력된 추론 규칙이 와일드 패턴을 갖지 않는다면, 도 6에 도시된 바와 같이 S421과정에서 리티 네트워크 구축부(110)는 추가되는 규칙에 따라 테스트 노드, 알파 메모리 노드, 조인 노드 베타 메모리 노드 및 규칙 노드를 리티 네트워크에 추가한다.
다음으로 S433과정에서 리티 네트워크 실행부(120)는 추가되는 온톨로지에 따라 리티 네트워크의 테스트 노드, 알파 메모리 노드, 조인 노드, 베타 메모리 노드 및 규칙 노드를 순차적으로 실행하여 새로운 트리플을 생성한다.
다음으로 S435과정에서 도시되지는 않았으나 리티 네트워크 실행부(120)는 추론된 트리플을 다시 리티 네트워크에 입력하여 리티 네트워크 실행을 더 이상의 새로운 트리플이 추론되지 않을 때까지 반복한 후 추론된 트리플을 출력한다.
구체적으로, 도 7에 도시된 바와 같이, t2와 t3와 같은 테스트 노드들과, α2 와 α3과 같은 알파 메모리들, rdfs2-1과 rdfs2-2와 같은 규칙 노드들 등의 여러 노드들이 생성된다.
마지막으로 본 발명의 실시예에 의한 와일드 패턴 규칙의 동적인 구체화 방법의 유효성을 살펴보기 위해, 표 3의 함의 규칙들과 LUBM의 온톨로지 스키마를 사용하여 만들어지는 리티 네트워크에서의 몇 가지 통계 수치를 조사하였다.
구체화 적용 안한 경우 구체화 적용 한 경우
# of test nodes 8 71
# of alpha memories 8 69
# of join nodes 7 1
# of join operations tried 10 billions 57121
우선, 본 발명의 실시예에 의한 구체화 기법을 적용하지 않은 상태에서 리티 네트워크를 구성하였을 때의 테스트 노드의 수와 알파 메모리 노드의 수, 조인 노드의 수, 시도된 조인 연산의 수를 세었다. 이 수치들은 표 3의 왼쪽 열에 보였다.
또한, 리티 네트워크를 구성할 때 구체화 기법을 적용하였을 때의 동일한 통계 수치도 세었고 이 수치들은 표 3의 오른쪽 열에 보였다. 여기서, 계산의 편의를 위해, 추론된 트리플이 리티 네트워크에 다시 미치는 영향은 배제하였다.
표 3에 기재된 바와 같이, 본 발명의 실시예에 의해 구체화 기법을 적용한 경우 테스트 노드와 알파 메모리 노드의 수가 꽤 증가하지만, 조인 노드의 수는 효과적으로 줄어든 것을 확인할 수 있다. 즉, 본 발명의 실시예에 의한 구체화 기법에 의해, 88개의 테스트 노드(86개의 알파 메모리 노드)가 추가되었지만, 그 중 25는 서로 공유될 수 있는 것이었다. 결과적으로, 71개의 테스트 노드와 69개의 알파 메모리 노드로 늘어난 셈이다. 그러나 조인 연산의 경우에는, 원래 규칙에서는 7 개의 조인 노드를 갖지만, 구체화를 적용한 후에는 단지 하나의 조인 노드(transprop 규칙의 경우임)만 남는다.
조인 노드들이 활성화될 때 시도되는 조인 연산의 수를 세기 위해서는, LUBM(1,0)의 온톨로지 인스턴스를 사용하였다. 이는 대략 10만 트리플로 구성되어 있다. 구체화 기법을 적용하지 않았을 때에는, 와일드 속성 패턴이 모든 트리플에 일치될 수 있기 때문에 적어도 100억 번의 조인 연산(transprop 규칙의 경우임)이 시도될 수 있다. 그러나, 구체화 기법을 적용했을 때에는, LUBM(1,0)이 239개의 ub:subOrganizationOf 트리플을 갖기 때문에 단지 57천 번 정도의 조인 연산이 시도될 수 있다. 이 결과로부터, 우리는 와일드 패턴 규칙의 구체화 과정을 통해 규칙 기반의 추론의 성능(속도 측면)이 상당히 개선될 수 있음을 알 수 있다.
즉, RDF와 OWL 의미론의 많은 함의 규칙들이 조건부에 와일드 패턴을 갖는다. 와일드 패턴은 대상 온톨로지의 모든 트리플에 일치될 수 있기 때문에 규칙 기반의 추론에서 상당한 비효율성을 야기할 수 있다. 더욱이, 그러한 비효율성은 대상 온톨로지의 규모가 커질수록 더욱 심해질 것이다.
그러나, 본 발명의 실시예에 의한 규칙 추론기 및 이를 포함하는 와일드 패턴 규칙의 동적인 구체화 방법을 통해 그러한 비효율성을 피할 수 있으며, 또한 규칙 기반 추론을 위해 널리 사용되는 효율적인 알고리즘인 리티 프레임워크 내에서 이 구체화 방법을 구현할 수 있다. 동적인 구체화 방법의 효과를 측정하기 위해 리티 네트워크에서 조인 노드의 수가 얼마나 줄어들었는지, 조인 연산의 시도가 얼마나 줄었는지를 세어서, 구체화 기법을 적용하기 전과 비교하였다. 그 결과, 와일드 패턴 규칙의 구체화 과정을 통해 규칙 기반의 추론의 성능(속도 측면)이 상당히 개선될 수 있음을 알 수 있다.
상술한 바와 같이 본 발명에 따른 바람직한 실시 예를 설명하였지만, 본 발명은 상기한 실시 예에 한정되지 않고, 이하의 특허 청구 범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 분야에서 통상의 지식을 가진 자라면 누구든 다양한 변경 실시가 가능한 범위까지 본 발명의 방법적 정신이 있다고 할 것이다.
도 1은 본 발명의 실시예에 의한 규칙 추론기를 나타내는 블록도,
도 2는 도 1의 리티 네트워크 구축부를 구체적으로 나타내는 블록도,
도 3은 도 1의 리티 네트워크 실행부를 구체적으로 나타내는 블록도,
도 4는 본 발명의 실시예에 의한 와일드 패턴 규칙의 동적인 구체화 방법을 나타내는 개략적인 흐름도,
도 5는 본 발명의 실시예에 의한 와일드 패턴 규칙의 동적인 구체화 방법을 나타내는 구체적인 흐름도,
도 6은 본 발명의 실시예에 의한 추론 규칙이 와일드 패턴 규칙이 아닌 경우를 나타내는 흐름도,
그리고,
도 7은 도 4 내지 도 6에 의한 와일드 패턴 규칙의 동적인 구체화 방법을 나타내는 예시도이다.
<도면의 주요 부분에 대한 부호의 설명>
100 : 규칙 추론기 110 : 리티 네트워크 구축부
120 : 리티 네트워크 실행부 130 : 리티 네트워크 확장부

Claims (10)

  1. 트리플로 표현되는 온톨로지 인스턴스 및 상기 트리플의 속성 및 클래스를 정의하는 온톨로지 스키마로 구성되는 온톨로지와 추론 규칙을 입력하고, 입력된 온톨로지 및 추론 규칙에 상응하는 리티 네트워크를 구축하며, 와일드 패턴을 가지는 추론 규칙(와일드 패턴 규칙)이 입력될 경우 상기 온톨로지 스키마를 참조하여 와일드 패턴 규칙에 상응하는 실마리 패턴을 선정하고 선정된 실마리 패턴을 참조하여 입력된 와일드 패턴 규칙을 다시 쓰며, 다시 쓰여진 와일드 패턴 규칙을 반영하도록 테스트 노드, 알파 메모리 노드 및 와일드 규칙 노드를 추가하는 리티 네트워크 구축부;
    상기 리티 네트워크 구축부에 의해 구축된 리티 네트워크를 실행하여 추론된 트리플을 생성하거나 상기 와일드 패턴 규칙이 동적으로 구체화된 추론 규칙을 생성하는 리티 네트워크 실행부; 및
    상기 리티 네트워크 실행부에 의해 생성된 새로운 추론 규칙을 상기 리티 네트워크 구축부에 입력시켜 상기 리티 네트워크를 확장하는 리티 네트워크 확장부;
    를 포함하는 규칙 추론기
  2. 제1항에 있어서,
    상기 리티 네트워크 구축부는,
    추론 규칙을 입력받는 입력부;
    상기 입력받은 추론 규칙이 와일드 패턴을 갖는지 판단하는 판단부;
    상기 입력된 추론 규칙이 와일드 패턴을 갖는 와일드 패턴 규칙인 경우, 상기 온톨로지 스키마를 참조하여 와일드 패턴 규칙에 대응하는 상기 실마리 패턴을 선정하는 선정부; 및
    상기 실마리 패턴을 참조하여 입력된 와일드 패턴 규칙을 다시 쓰고, 다시 쓴 와일드 패턴 규칙에 의해 테스트 노드, 알파 메모리 노드 및 와일드 규칙 노드를 리티 네트워크에 추가하는 구축부;
    를 포함하는 것을 특징으로 하는 규칙 추론기.
  3. 제2항에 있어서,
    상기 다시 쓰여진 와일드 패턴 규칙은 왼쪽(LHS)에는 실마리 패턴만 가지며 오른쪽(RHS)에는 원래의 와일드 패턴 규칙에서 실마리 패턴을 제거한 것임을 특징으로 하는 규칙 추론기.
  4. 제1항에 있어서,
    상기 와일드 규칙 노드는 상기 와일드 패턴 규칙이 동적으로 구체화된 추론 규칙을 생성하는 것임을 특징으로 하는 규칙 추론기.
  5. 제1항에 있어서,
    상기 리티 네트워크 구축부는 상기 리티 네트워크 실행부에 의해 생성된 새로운 추론 규칙에 상응하는 테스트 노드, 알파 메모리 노드, 조인 노드, 베타 메모리 노드, 규칙노드 그리고 와일드 규칙 노드를 상기 리티 네트워크에 추가하는 것을 특징으로 하는 규칙 추론기.
  6. (a) 리티 네트워크 구축부는 트리플로 표현되는 온톨로지 인스턴스 및 상기 트리플의 속성 및 클래스를 정의하는 온톨로지 스키마로 구성되는 온톨로지와 추론 규칙을 입력하고, 입력된 온톨로지 및 추론 규칙에 상응하는 리티 네트워크를 구축하며, 와일드 패턴을 가지는 추론 규칙(와일드 패턴 규칙)이 입력될 경우 상기 온톨로지 스키마를 참조하여 와일드 패턴 규칙에 상응하는 실마리 패턴을 선정하고 선정된 실마리 패턴을 참조하여 입력된 와일드 패턴 규칙을 다시 쓰며, 다시 쓰여진 와일드 패턴 규칙을 반영하도록 테스트 노드, 알파 메모리 노드 및 와일드 규칙 노드를 추가하는 단계;
    (b)리티 네트워크 실행부는 상기 구축된 리티 네트워크에 온톨로지를 입력하여 실행함으로써 추론된 트리플을 생성하거나 상기 와일드 패턴 규칙이 동적으로 구체화된 새로운 추론 규칙을 생성하는 단계;
    (c)리티 네트워크 확장부는 상기 생성된 새로운 규칙을 상기 리티 네트워크에 추가하여 상기 리티 네트워크를 확장하는 단계;
    를 포함하는 규칙 추론기를 포함하는 와일드 패턴의 동적인 구체화 방법.
  7. 제6항에 있어서,
    상기 (a)단계는,
    상기 리티 네트워크 구축부는 상기 추론 규칙을 입력받는 단계;
    상기 리티 네트워크 구축부는 상기 입력된 추론 규칙이 와일드 패턴을 갖는 와일드 패턴 규칙인지 판단하는 단계;
    상기 리티 네트워크 구축부는 상기 입력된 추론 규칙이 와일드 패턴 규칙인 경우, 상기 온톨로지 스키마를 참조하여 상기 입력된 와일드 패턴 규칙에 대응하는 실마리 패턴을 선정하는 단계;
    상기 리티 네트워크 구축부는 상기 실마리 패턴을 참조하여 상기 입력된 와일드 패턴 규칙을 다시 쓰는 단계; 및
    상기 리티 네트워크 구축부는 다시 쓰여진 와일드 패턴 규칙에 상응하는 테스트 노드, 알파 메모리 노드 및 와일드 규칙 노드를 상기 리티 네트워크에 추가하는 단계;
    를 포함하는 것을 특징으로 하는 규칙 추론기를 포함하는 와일드 패턴의 동적인 구체화 방법.
  8. 제6항에 있어서,
    상기 (b)단계에서,
    상기 리티 네트워크 실행부는 추가되는 온톨로지에 의해 상기 테스트 노드, 상기 알파 메모리 노드 및 상기 와일드 규칙 노드를 순차적으로 실행하여 새로운 규칙을 생성하는 것을 특징으로 하는 규칙 추론기를 포함하는 와일드 패턴의 동적인 구체화 방법.
  9. 삭제
  10. 삭제
KR1020090115926A 2009-11-27 2009-11-27 규칙 추론기 및 이를 포함하는 와일드 패턴 규칙의 동적인 구체화 방법 KR101133991B1 (ko)

Priority Applications (4)

Application Number Priority Date Filing Date Title
KR1020090115926A KR101133991B1 (ko) 2009-11-27 2009-11-27 규칙 추론기 및 이를 포함하는 와일드 패턴 규칙의 동적인 구체화 방법
JP2012540998A JP5142174B1 (ja) 2009-11-27 2009-12-01 規則推論器及びこれを含むワイルドパターン規則の動的な具体化方法
US13/511,034 US8346707B2 (en) 2009-11-27 2009-12-01 Rule reasoner, and dynamic materialization method for wild pattern rules including the same
PCT/KR2009/007095 WO2011065613A1 (ko) 2009-11-27 2009-12-01 규칙 추론기 및 이를 포함하는 와일드 패턴 규칙의 동적인 구체화 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020090115926A KR101133991B1 (ko) 2009-11-27 2009-11-27 규칙 추론기 및 이를 포함하는 와일드 패턴 규칙의 동적인 구체화 방법

Publications (2)

Publication Number Publication Date
KR20110059260A KR20110059260A (ko) 2011-06-02
KR101133991B1 true KR101133991B1 (ko) 2012-07-09

Family

ID=44066715

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020090115926A KR101133991B1 (ko) 2009-11-27 2009-11-27 규칙 추론기 및 이를 포함하는 와일드 패턴 규칙의 동적인 구체화 방법

Country Status (4)

Country Link
US (1) US8346707B2 (ko)
JP (1) JP5142174B1 (ko)
KR (1) KR101133991B1 (ko)
WO (1) WO2011065613A1 (ko)

Families Citing this family (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20130060717A (ko) 2011-11-30 2013-06-10 삼성전자주식회사 Ａｘｉｏｍ 관리방법 및 장치, 그를 포함하는 추론장치
US9558220B2 (en) 2013-03-04 2017-01-31 Fisher-Rosemount Systems, Inc. Big data in process control systems
US10649424B2 (en) 2013-03-04 2020-05-12 Fisher-Rosemount Systems, Inc. Distributed industrial performance monitoring and analytics
US9678484B2 (en) 2013-03-15 2017-06-13 Fisher-Rosemount Systems, Inc. Method and apparatus for seamless state transfer between user interface devices in a mobile control room
EP3063670A2 (en) * 2013-10-31 2016-09-07 Isis Innovation Limited Parallel materialisation of a set of logical rules on a logical database
KR101535807B1 (ko) * 2014-11-06 2015-07-10 한국과학기술정보연구원 하이브리드 규칙 추론 장치 및 그 방법
US10503483B2 (en) * 2016-02-12 2019-12-10 Fisher-Rosemount Systems, Inc. Rule builder in a process control network
US10592996B2 (en) * 2016-06-01 2020-03-17 Oath Inc. Ranking answers for on-line community questions
US20200327426A1 (en) * 2016-06-02 2020-10-15 Convida Wireless, Llc Enabling semantics reasoning service in m2m/iot service layer
US11281853B2 (en) * 2017-03-06 2022-03-22 Mitsubishi Electric Corporation Ontology creation assistance device
CN107808194A (zh) * 2017-10-26 2018-03-16 北京科技大学 一种基于Rete推理网络的复合推理方法
CN111831694B (zh) * 2020-06-23 2023-06-20 中国科学院软件研究所 一种反应式系统的快速决策方法
KR102582779B1 (ko) * 2020-11-27 2023-09-25 숭실대학교산학협력단 뉴로 심볼릭 기반 릴레이션 임베딩을 통한 지식완성 방법 및 장치

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5155803A (en) * 1989-06-08 1992-10-13 Digital Equipment Corporation Expert system for performing beta-token partitioning in a rete network
US5129037A (en) * 1989-06-20 1992-07-07 Digital Equipment Corporation Neural network for performing beta-token partitioning in a RETE network
JPH0432927A (ja) * 1990-05-23 1992-02-04 Matsushita Electric Ind Co Ltd 高速推論装置
JP2002244852A (ja) * 2001-02-15 2002-08-30 Mitsubishi Electric Corp ルールベースシステム
US20040162741A1 (en) 2003-02-07 2004-08-19 David Flaxer Method and apparatus for product lifecycle management in a distributed environment enabled by dynamic business process composition and execution by rule inference
KR100505970B1 (ko) 2003-11-28 2005-08-30 한국전자통신연구원 온톨로지 기반의 지식 모델링 방법 및 그 시스템
KR100882582B1 (ko) 2006-12-20 2009-02-12 한국과학기술정보연구원 시맨틱 웹 기반 연구정보 서비스 시스템 및 그 방법
KR100868331B1 (ko) 2007-02-23 2008-11-11 성균관대학교산학협력단 상황인식을 위한 온톨로지 시스템과 그 온톨로지 관리 방법및 이를 기록한 기록매체
US7805390B2 (en) * 2007-02-26 2010-09-28 International Business Machines Corporation System and method for deriving a hierarchical event based database optimized for analysis of complex accidents
US8015136B1 (en) * 2008-04-03 2011-09-06 Dynamic Healthcare Systems, Inc. Algorithmic method for generating a medical utilization profile for a patient and to be used for medical risk analysis decisioning
KR101008691B1 (ko) 2008-12-15 2011-01-19 한국과학기술정보연구원 메모리 및 ＤＢＭＳ 기반의 하이브리드 Ｒｅｔｅ 추론 시스템 및 방법

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DLEJena: A Practical Forward-Chaining OWL 2 RL Reasoner Combining Jena and Pellet(Georgios Meditskos et al. Web Semantics: Science, Services and Agents on the World Wide Web, 10 November 2009)
Fire-a description logic based rule engine for OWL ontologies with SWRL-like rules(Kruthi B.; Concordia University, 2005)

Also Published As

Publication number Publication date
KR20110059260A (ko) 2011-06-02
JP5142174B1 (ja) 2013-02-13
US8346707B2 (en) 2013-01-01
US20120271787A1 (en) 2012-10-25
JP2013512496A (ja) 2013-04-11
WO2011065613A1 (ko) 2011-06-03

Similar Documents

Publication Publication Date Title
KR101133991B1 (ko) 규칙 추론기 및 이를 포함하는 와일드 패턴 규칙의 동적인 구체화 방법
Mitra et al. Omen: A probabilistic ontology mapping tool
Horrocks et al. A tableau decision procedure for
Gottlob et al. Monadic datalog and the expressive power of languages for web information extraction
Batsakis et al. Temporal reasoning for supporting temporal queries in OWL 2.0
EP1990741A1 (en) Reasoning architecture
Meinke Cge: A sequential learning algorithm for mealy automata
CN104298598B (zh) 分布式环境下rdfs本体的调试方法
Tsamoura et al. Materializing knowledge bases via trigger graphs
CN104615703A (zh) 一种结合Rete算法的RDF数据分布式并行推理方法
Turchin A constructive interpretation of the full set theory
Bassiliades SWRL2SPIN: A tool for transforming SWRL rule bases in OWL ontologies to object-oriented SPIN rules
Džeroski et al. Learning population dynamics models from data and domain knowledge
Cross Fuzzy ontologies: The state of the art
Anagnostopoulos et al. CHRONOS: improving the performance of qualitative temporal reasoning in OWL
Potoniec Mining cardinality restrictions in OWL
WO2024031813A1 (zh) 一种通用自学习系统及基于通用自学习系统的自学习方法
Ganzinger et al. Prefixed resolution: A resolution method for modal and description logics
Murai et al. Intuitionistic epistemic logic with distributed knowledge
Lenko et al. Knowledge representation models
De Ita et al. Belief revision between conjunctive normal forms
Kulik et al. Algebraic approach to logical inference implementation
Wilson et al. Pruning rules for constrained optimisation for conditional preferences
Feier et al. Reasoning with Forest Logic Programs and f-hybrid knowledge bases
KR102416371B1 (ko) 전문 도메인 온톨로지를 이용하여 지식 기반 질의 응답 서비스를 제공하기 위한 응답 규격화 방법 및 그 장치

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: 20150312

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20160202

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20161228

Year of fee payment: 6

LAPS Lapse due to unpaid annual fee