KR101535807B1 - 하이브리드 규칙 추론 장치 및 그 방법 - Google Patents
하이브리드 규칙 추론 장치 및 그 방법 Download PDFInfo
- Publication number
- KR101535807B1 KR101535807B1 KR1020140153763A KR20140153763A KR101535807B1 KR 101535807 B1 KR101535807 B1 KR 101535807B1 KR 1020140153763 A KR1020140153763 A KR 1020140153763A KR 20140153763 A KR20140153763 A KR 20140153763A KR 101535807 B1 KR101535807 B1 KR 101535807B1
- Authority
- KR
- South Korea
- Prior art keywords
- rule
- instance
- schema
- triple
- reasoning
- Prior art date
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
- G06N5/04—Inference or reasoning models
- G06N5/046—Forward inferencing; Production systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
본 발명은 하이브리드 규칙 추론 장치 및 방법에 관한 것으로, 입력된 추론규칙을 스키마 규칙, 인스턴스 규칙, 혼합 규칙 중 적어도 하나의 규칙으로 분류하는 추론 규칙 분류부, 스키마 규칙을 기 저장된 스키마 트리플에 적용하여 추론하고, 혼합 규칙을 스키마 트리플에 적용하여 인스턴스 규칙으로 구체화하는 메모리 기반 추론부, 상기 메모리 기반 추론부에서 구체화된 인스턴스 규칙 또는 상기 추론 규칙 분류부에서 분류된 인스턴스 규칙을 기 저장된 인스턴스 트리플에 적용하여 추론하는 디스크 기반 분산/병렬 추론부를 포함한다.
Description
본 발명은 하이브리드 규칙 추론 장치 및 그 방법에 관한 것으로, 보다 상세하게는 추론 규칙의 유형에 따라 메모리 기반 추론과 디스크 기반 분산/병렬 추론을 결합하여 추론하는 하이브리드 규칙 추론 장치 및 그 방법에 관한 것이다.
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 지식을 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.
이처럼 종래 메모리 기반 추론 기술은 모든 추론을 메모리에서 처리하여 대용량 추론에 한계를 갖고, 디스크 기반 분산·병렬 추론은 모든 추론을 디스크 기반으로 처리하여 메모리에서 처리 가능한 부분까지 디스크를 반복적으로 접근하여 추가적인 성능 향상의 기회를 놓치게 되는 문제가 있었다.
본 발명의 목적은 스키마 규칙, 인스턴스 규칙, 혼합 규칙 등 추론 규칙의 유형에 따라 메모리 기반 추론과 디스크 기반 분산/병렬 추론을 결합하는 하이브리드 규칙 추론 장치 및 그 방법을 제공함에 있다.
본 발명의 다른 목적은 작은 태스크(스키마 규칙)를 메모리에서 빠르게 추론할 수 있는 메모리 기반 추론의 장점과 대용량 태스크(인스턴스 규칙)를 분산·병렬 방식으로 추론할 수 있는 디스크 기반 추론의 장점을 추론 규칙의 특성에 따라 결합하는 하이브리드 규칙 추론 장치 및 그 방법을 제공함에 있다.
상기 목적들을 달성하기 위하여 본 발명의 일 측면에 따르면, 입력된 추론규칙을 스키마 규칙, 인스턴스 규칙, 혼합 규칙 중 적어도 하나의 규칙으로 분류하는 추론 규칙 분류부, 스키마 규칙을 기 저장된 스키마 트리플에 적용하여 추론하고, 혼합 규칙을 스키마 트리플에 적용하여 인스턴스 규칙으로 구체화하는 메모리 기반 추론부, 상기 메모리 기반 추론부에서 구체화된 인스턴스 규칙 또는 상기 추론 규칙 분류부에서 분류된 인스턴스 규칙을 기 저장된 인스턴스 트리플에 적용하여 추론하는 디스크 기반 분산/병렬 추론부를 포함하는 하이브리드 규칙 추론 장치가 제공된다.
하이브리드 규칙 추론 장치는 스키마 트리플 또는 인스턴스 트리플이 저장된 트리플 저장부를 더 포함할 수 있다.
상기 추론 규칙 분류부는, 추론규칙의 조건부가 스키마 트리플 패턴들로만 구성된 경우 스키마 규칙으로 분류하고, 인스턴스 트리플 패턴들로만 구성된 경우 인스턴스 규칙으로 분류하며, 스키마 트리플 패턴과 인스턴스 트리플 패턴이 혼합된 경우 혼합 규칙으로 분류할 수 있다.
상기 메모리 기반 추론부는 상기 혼합 규칙을 규칙의 왼쪽에는 상기 혼합규칙의 스키마 트리플 패턴만 갖고, 오른쪽에는 원래의 규칙에서 스키마 트리플 패턴을 제거한 규칙을 갖는 새로운 규칙으로 다시 쓰며, 다시 쓴 혼합규칙에 상기 스키마 트리플을 적용하여 인스턴스 규칙으로 구체화할 수 있다.
본 발명의 다른 측면에 따르면, (a) 입력된 추론규칙을 스키마 규칙, 인스턴스 규칙, 혼합 규칙 중 적어도 하나의 규칙으로 분류하는 단계, (b) 상기 분류된 추론규칙을 메모리 기반 추론방식 또는 디스크 기반 분산/병렬 추론 방식으로 추론하는 단계를 포함하는 하이브리드 규칙 추론 장치의 하이브리드 규칙 추론 방법이 제공된다.
상기 (a)단계는, 추론규칙의 조건부가 스키마 트리플 패턴들로만 구성된 경우 스키마 규칙으로 분류하고, 인스턴스 트리플 패턴들로만 구성된 경우 인스턴스 규칙으로 분류하며, 스키마 트리플 패턴과 인스턴스 트리플 패턴이 혼합된 경우 혼합 규칙으로 분류할 수 있다.
상기 (b)단계는, 스키마 규칙의 경우, 스키마 규칙에 메모리 기반 추론방식을 적용하여 새로운 스키마 트리플을 유도하고, 혼합 규칙의 경우, 혼합 규칙에 메모리 기반 추론방식을 적용하여 인스턴스 규칙으로 변환한 후, 상기 변환된 인스턴스 규칙에 디스크 기반 분산/병렬 추론 방식을 적용하여 새로운 인스턴스 트리플을 유도하며, 인스턴스 규칙의 경우, 인스턴스 규칙에 디스크 기반 분산/병렬 추론 방식을 적용하여 새로운 인스턴스 트리플을 유도할 수 있다.
본 발명의 또 다른 측면에 따르면, 하이브리드 규칙 추론 장치에 의해 실행될 때, (a) 입력된 추론규칙을 스키마 규칙, 인스턴스 규칙, 혼합 규칙 중 적어도 하나의 규칙으로 분류하는 단계, (b) 상기 분류된 추론규칙을 메모리 기반 추론방식 또는 디스크 기반 분산/병렬 추론 방식으로 추론하는 단계를 포함하는 하이브리드 규칙 추론 장치의 하이브리드 규칙 추론 방법을 구현하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체가 제공된다.
본 발명에 따르면, 작은 태스크(스키마 규칙)를 메모리에서 미리 처리함과 혼합 규칙의 구체화를 통해 분산·병렬 추론에서의 추론 시에 디스크 접근 부하를 줄여 전체 추론 엔진의 성능을 향상시킬 수 있다.
또한, 메모리에서 처리 가능한 부분을 미리 메모리 기반 추론으로 처리한 후 나머지에 대해 디스크 기반 추론을 적용함으로써 기존 방식에 비해 추가적인 성능 향상을 꾀할 수 있다.
도 1은 본 발명의 실시예에 따른 하이브리드 규칙 추론 장치의 구성을 개략적으로 나타낸 블럭도이다.
도 2는 본 발명의 실시예에 따른 하이브리드 규칙 추론 방법을 나타낸 도면이다.
도 2는 본 발명의 실시예에 따른 하이브리드 규칙 추론 방법을 나타낸 도면이다.
본 발명의 전술한 목적과 기술적 구성 및 그에 따른 작용 효과에 관한 자세한 사항은 본 발명의 명세서에 첨부된 도면에 의거한 이하 상세한 설명에 의해 보다 명확하게 이해될 것이다.
이하, 첨부된 도면들을 참조하여 본 발명에 따른 '하이브리드 규칙 추론 장치 및 그 방법'을 상세하게 설명한다. 설명하는 실시 예들은 본 발명의 기술 사상을 당업자가 용이하게 이해할 수 있도록 제공되는 것으로 이에 의해 본 발명이 한정되지 않는다. 또한, 첨부된 도면에 표현된 사항들은 본 발명의 실시 예들을 쉽게 설명하기 위해 도식화된 도면으로 실제로 구현되는 형태와 상이할 수 있다.
한편, 이하에서 표현되는 각 구성부는 본 발명을 구현하기 위한 예일 뿐이다. 따라서, 본 발명의 다른 구현에서는 본 발명의 사상 및 범위를 벗어나지 않는 범위에서 다른 구성부가 사용될 수 있다. 또한, 각 구성부는 순전히 하드웨어 또는 소프트웨어의 구성만으로 구현될 수도 있지만, 동일 기능을 수행하는 다양한 하드웨어 및 소프트웨어 구성들의 조합으로 구현될 수도 있다. 또한, 하나의 하드웨어 또는 소프트웨어에 의해 둘 이상의 구성부들이 함께 구현될 수도 있다.
또한, 어떤 구성요소들을 '포함'한다는 표현은, '개방형'의 표현으로서 해당 구성요소들이 존재하는 것을 단순히 지칭할 뿐이며, 추가적인 구성요소들을 배제하는 것으로 이해되어서는 안 된다.
도 1은 본 발명의 실시예에 따른 하이브리드 규칙 추론 장치의 구성을 개략적으로 나타낸 블럭도이다.
도 1을 참조하면, 하이브리드 규칙 추론 장치(100)는 추론 규칙 분류부(110), 메모리 기반 추론부(120), 디스크 기반 분산/병렬 추론부(130), 트리플 저장부(140)를 포함한다.
추론 규칙 분류부(110)는 입력된 추론규칙을 스키마 규칙, 인스턴스 규칙, 혼합 규칙, 포괄 규칙 등으로 분류한다.
추론 규칙은 조건부와 결론부로 구성되고, 조건부와 결론부는 각각 하나 이상의 트리플 패턴으로 구성된다. 표 1 및 표 2를 참조하면, 예시된 추론규칙에서 '->'를 기준으로 좌측부가 조건부, 우측부가 결론부에 해당한다. 트리플 패턴은 트리플과 마찬가지로 <주어, 술어, 목적어>로 구성되지만, 주어와 술어, 목적어 각각이 상수가 아닌 변수일 수 있다. 추론규칙은 사실들이 조건부의 트리플 패턴들에 적용될 수 있을 때 결론부에 해당하는 트리플이 새로운 사실로서 추론될 수 있음을 나타내고, 추론은 기존의 트리플에 추론규칙을 적용하여 새로운(추론된) 트리플을 얻는 과정을 말한다.
추론 규칙 분류부(110)는 조건부의 트리플 패턴의 유형에 따라 스키마 규칙, 인스턴스 규칙, 혼합 규칙, 포괄 규칙으로 분류한다.
즉, 추론 규칙 분류부(110)는 추론규칙의 조건부가 스키마 트리플에만 매치될 수 있는 스키마 트리플 패턴들로만 구성된 경우 스키마 규칙으로 분류한다. 즉, 조건부가 클래스(class) 또는 프로퍼티(property)를 정의하는 트리플로만 구성된 경우, 스키마 규칙으로 분류한다.
예를 들어 표 1을 참조하면, rdfs 5는 조건부가 '(p rdfs:subPropertyOf q) (q rdfs:subPropertyOf r)'로 프로퍼티를 정의하는 트리플로만 구성되어 있으므로스키마 규칙이고, rdfs 6은 조건부가 '(p rdf:type rdf:Property), rdfs 8(c rdf:type rdfs:Class)'로 클래스와 프로퍼티를 정의하는 트리플로만 구성되어 있으므로 스키마 규칙일 수 있다. 또한, rdfs 10은 조건부가 '(c rdf:type rdfs:Class)'로 클래스를 정의하는 트리플로만 구성되어 있으므로 스키마 규칙이고, rdfs 11은 조건부가 '(c rdfs:subClassOf d) (d rdfs:subClassOf e)'로 클래스를 정의하는 트리플로만 구성되어 있으므로 스키마 규칙일 수 있다. 또한, rdfs 12는 조건부가 '(p rdf:type rdfs:ContainerMembershipProperty)'로 프로퍼티를 정의하는 트리플로만 구성되어 있으므로, 스키마 규칙일 수 있다.
표 2를 참조하면, owl-horst 9는 조건부가 '(c rdf:type owl:Class) (c owl:sameAs d)'로 클래스를 정의하는 트리플로만 구성되어 있으므로 스키마 규칙이고, owl-horst 10은 조건부가 '(p rdf:type rdf:Property) (p owl:sameAs q)'로 프로퍼티를 정의하는 트리플로만 구성되어 있으므로 스키마 규칙일 수 있다. 또한, owl-horst 12a는 조건부가 '(c owl:equivalentClass d)'로 클래스를 정의하는 트리플로만 구성되어 있으므로 스키마 규칙이고, owl-horst 12b는 조건부가 '(c owl:equivalentClass d)'로 클래스를 정의하는 트리플로만 구성되어 있으므로 스키마 규칙일 수 있다. 또한, owl-horst 12c는 조건부가 '(c rdfs:subClassOf d) (d rdfs:subClassOf c)'로 클래스를 정의하는 트리플로만 구성되어 있으므로 스키마 규칙이고, owl-horst 13a의 (p owl:equivalentProperty q), owl-horst 13b의 (p owl:equivalentProperty q), owl-horst 13c의 (p rdfs:subPropertyOf q) (q rdfs:subPropertyOf p) 각각은 프로퍼티를 정의하는 트리플로만 구성되어 있으므로 스키마 규칙일 수 있다.
또한, 추론 규칙 분류부(110)는 추론규칙의 조건부가 인스턴스 트리플에만 매치될 수 있는 인스턴스 트리플 패턴들로만 구성된 경우, 인스턴스 규칙으로 분류한다, 즉, 추론규칙의 조건부가 각 개체(individual)의 소속(rdf:type)과 개체들간의 관계를 기술하는 인스턴스로만 구성된 경우, 인스턴스 규칙으로 분류한다. 인스턴스는 양이 방대하므로, 인스턴스 규칙은 주로 사용자 정의 규칙이 해당할 수 있다.
또한, 추론 규칙 분류부(110)는 추론규칙의 조건부가 스키마 트리플 패턴과 인스턴스 트리플 패턴이 혼합된 경우, 혼합 규칙으로 분류한다. 예를 들어, 표 1의 rdfs 2, 3, 7, 9, 표 2의 owl-horst 1, 2, 3, 4, 8a, 8b, 14a, 14b, 15, 16 규칙들이 혼합 규칙일 수 있다.
또한, 추론 규칙 분류부(110)는 추론규칙의 조건부가 (u p v)와 (x rdf:type c)와 같은 포괄(generic) 트리플 패턴 하나만을 갖는 경우, 포괄 규칙으로 분류한다. 포괄 규칙들은 조건부가 트리플 패턴 하나이기 때문에, 기 저장된 트리플들을 한차례 스캔하는 것으로 언제든지 추론이 가능하다. 따라서, 포괄규칙은 성능에 중요한 요소가 아니므로, 포괄 규칙을 추론하는 방법에 대한 상세한 설명은 생략하기로 한다.
이처럼 추론 규칙 분류부(110)는 추론규칙의 조건부가 스키마 트리플 패턴들로만 구성된 경우 스키마 규칙으로 분류하고, 인스턴스 트리플 패턴들로만 구성된 경우 인스턴스 규칙으로 분류하며, 스키마 트리플 패턴과 인스턴스 트리플 패턴이 혼합된 경우 혼합 규칙으로 분류한다.
메모리 기반 추론부(120)는 스키마 규칙에 메모리 기반 추론방식을 적용하여 새로운 스키마 트리플을 유도한다. 즉, 메모리 기반 추론부(120)는 스키마 규칙을 트리플 저장부(140)에 저장된 스키마 트리플에 적용하여 새로운 스키마 트리플을 유도한다. 이때, 메모리 기반 추론부(120)는 새로운 스키마 트리플이 더 이상 유도되지 않을 때까지 재귀적으로 수행하고, 추론된 스키마 트리플들은 트리플 저장부(140)에 저장됨은 물론 메모리 기반 추론부(120)의 메모리(미도시)에 유지되어, 재귀적으로 추론 규칙에 적용될 수 있다. 메모리 기반 추론부(120)는 재귀적 추론을 효율적으로 수행하기 위해 트리플 저장부(140)에 저장된 초기의 스키마 트리플들을 내부 메모리로 읽어들여 유지하고, 추론된 스키마 트리플들을 트리플 저장부(140)에 저장함은 물론 메모리에 유지한다.
또한, 메모리 기반 추론부(120)는 혼합 규칙에 메모리 기반 추론방식을 적용하여 인스턴스 규칙으로 구체화하고, 그 구체화된 인스턴스 규칙을 디스크 기반 분산/병렬 추론부(130)에 제공한다. 즉, 메모리 기반 추론부(120)는 혼합 규칙을 트리플 저장부(140)에 저장된 스키마 트리플에 적용하여 구체적인 인스턴스 규칙으로 변환한다.
예를 들어, 혼합규칙이 '(p rdfs:subPropertyOf q) (u p v) → (u q v)'인 경우, 메모리 기반 추론부(120)는 '(p rdfs:subPropertyOf q)→ [(u p v) → (u q v)]'와 같이 규칙의 왼쪽에는 스키마 트리플 패턴만 갖고, 오른쪽에는 원래의 규칙에서 스키마 트리플 패턴을 제거한 규칙을 갖는 새로운 규칙으로 다시 쓴다. 그런 후, 메모리 기반 추론부(120)는 다시 쓴 혼합규칙의 조건부 '(p rdfs:subPropertyOf q)'에 스키마 트리플을 적용하여 인스턴스 규칙으로 변환한다. 이러한 과정을 통해 메모리 기반 추론부(120)는 혼합규칙을 인스턴스 규칙들로 변환한다.
디스크 기반 분산/병렬 추론부(130)는 메모리 기반 추론부(120)에서 구체화된 인스턴스 규칙 또는 추론 규칙 분류부(110)에서 분류된 인스턴스 규칙을 트리플 저장부(140)에 저장된 인스턴스 트리플에 적용하여 새로운 인스턴스 트리플을 유도한다. 이때, 디스크 기반 분산/병렬 추론부(130)는 새로운 인스턴스 트리플이 더 이상 유도되지 않을 때까지 재귀적으로 수행하고, 추론된 인스턴스 트리플들은 트리플 저장부(140)에 저장되어, 재귀적으로 추론 규칙에 적용될 수 있다.
트리플 저장부(140)에는 스키마 트리플 또는 인스턴스 트리플이 저장되어 있다.
트리플 저장부(140)는 스키마 트리플과 인스턴스 트리플을 저장하기 위한 공간으로 스키마의 특성에 따라 다양한 자료구조를 통해 저장되며, 인스턴스 트리플들은 인스턴스 트리플들마다 고유의 문자열 URI 대신 정수(integer) 형태의 ID를 부여받아 저장되며, 고유의 문자열 URI가 부여된 ID에 맵핑되어 관리되어 외부로 인스턴스 트리플을 반환할 때 해당 ID에 맵핑된 고유의 문자열 URI가 반환되는 것이 바람직하다.
도 2는 본 발명의 실시예에 따른 하이브리드 규칙 추론 방법을 나타낸 도면이다.
도 2를 참조하면, 하이브리드 규칙 추론 장치는 추론규칙이 입력되면(S202), 입력된 추론규칙을 조건부의 트리플 패턴 유형에 따라 스키마 규칙, 인스턴스 규칙, 혼합 규칙, 포괄 규칙으로 분류한다(S204). 이때, 하이브리드 규칙 추론 장치는 추론규칙의 조건부가 스키마 트리플 패턴들로만 구성된 경우 스키마 규칙으로 분류하고, 인스턴스 트리플 패턴들로만 구성된 경우 인스턴스 규칙으로 분류하며, 스키마 트리플 패턴과 인스턴스 트리플 패턴이 혼합된 경우 혼합 규칙으로 분류한다.
S204가 수행되면, 하이브리드 규칙 추론 장치는 규칙의 유형에 따라 메모리 기반 추론과 디스크 기반 분산/병렬 추론을 결합하여 추론한다.
이하 각 추론규칙을 추론하는 방법에 대해 구체적으로 설명하기로 한다.
먼저, 스키마 규칙의 경우, 하이브리드 규칙 추론 장치는 스키마 규칙에 메모리 기반 추론 방식을 적용하여(S206), 새로운 스키마 트리플을 유도 및 저장한다(S208). 즉, 하이브리드 규칙 추론 장치는 스키마 규칙을 기 저장된 스키마 트리플에 적용하여 새로운 스키마 트리플을 유도한다. 이때, 하이브리드 규칙 추론 장치는 새로운 스키마 트리플이 더 이상 유도되지 않을 때까지 재귀적으로 수행하고, 유도된 스키마 트리플들은 트리플 저장부에 저장됨은 물론 메모리 기반 추론부의 메모리에 유지되어, 재귀적으로 추론 규칙에 적용될 수 있다.
다음으로, 혼합 규칙의 경우, 하이브리드 규칙 추론 장치는 혼합 규칙에 메모리 기반 추론방식을 적용하여 혼합규칙을 인스턴스 규칙으로 변환하고(S210), 변환된 인스턴스 규칙에 디스크 기반 분산/병렬 추론 방식을 적용하여(S212), 새로운 인스턴스 트리플을 유도 및 저장한다(S214). 즉, 하이브리드 규칙 추론 장치는 혼합 규칙을 기 저장된 스키마 트리플에 적용하여 구체적인 인스턴스 규칙으로 변환하고, 변환된 인스턴스 규칙을 기 저장된 인스턴스 트리플에 적용하여 새로운 인스턴스 트리플을 유도한다. 이때, 하이브리드 규칙 추론 장치는 새로운 인스턴스 트리플이 더 이상 유도되지 않을 때까지 재귀적으로 수행하고, 유도된 인스턴스 트리플들은 저장되어, 재귀적으로 추론 규칙에 적용될 수 있다.
마지막으로 인스턴스 규칙의 경우, 하이브리드 규칙 추론 장치는 인스턴스 규칙에 디스크 기반 분산/병렬 추론 방식을 적용하여(S216), 새로운 인스턴스 트리플을 유도 및 저장한다(S218). 즉, 하이브리드 규칙 추론 장치는 인스턴스 규칙을 기 저장된 인스턴스 트리플에 적용하여 새로운 인스턴스 트리플을 유도한다. 이때, 하이브리드 규칙 추론 장치는 새로운 인스턴스 트리플이 더 이상 유도되지 않을 때까지 재귀적으로 수행하고, 유도된 인스턴스 트리플들은 저장되어, 재귀적으로 추론 규칙에 적용될 수 있다.
이러한 하이브리드 규칙 추론 장치는 작은 태스크(스키마 규칙)를 메모리에서 미리 처리함과 혼합 규칙의 구체화를 통해 분산·병렬 추론에서의 추론 시에 디스크 접근 부하를 줄여 전체 추론 엔진의 성능을 향상시킬 수 있다.
이러한 하이브리드 규칙 추론 방법은 프로그램으로 작성 가능하며, 프로그램을 구성하는 코드들 및 코드 세그먼트들은 당해 분야의 프로그래머에 의하여 용이하게 추론될 수 있다. 또한, 하이브리드 규칙 추론 방법에 관한 프로그램은 전자장치가 읽을 수 있는 정보저장매체(Readable Media)에 저장되고, 전자장치에 의하여 읽혀지고 실행될 수 있다.
이와 같이, 본 발명이 속하는 기술분야의 당업자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해해야만 한다. 본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 등가개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100 : 하이브리드 규칙 추론 장치 110 : 추론 규칙 분류부
120 : 메모리 기반 추론부 130 : 디스크 기반 분산/병렬 추론부
140 : 트리플 저장부.
120 : 메모리 기반 추론부 130 : 디스크 기반 분산/병렬 추론부
140 : 트리플 저장부.
Claims (8)
- 입력된 추론규칙을 스키마 규칙, 인스턴스 규칙, 혼합 규칙 중 적어도 하나의 규칙으로 분류하는 추론 규칙 분류부;
스키마 규칙을 기 저장된 스키마 트리플에 적용하여 추론하고, 혼합 규칙을 스키마 트리플에 적용하여 인스턴스 규칙으로 구체화하는 메모리 기반 추론부; 및
상기 메모리 기반 추론부에서 구체화된 인스턴스 규칙 또는 상기 추론 규칙 분류부에서 분류된 인스턴스 규칙을 기 저장된 인스턴스 트리플에 적용하여 추론하는 디스크 기반 분산/병렬 추론부;를 포함하되,
상기 메모리 기반 추론부는 상기 혼합 규칙을 규칙의 왼쪽에는 상기 혼합규칙의 스키마 트리플 패턴만 갖고, 오른쪽에는 원래의 규칙에서 스키마 트리플 패턴을 제거한 규칙을 갖는 새로운 규칙으로 다시 쓰며, 다시 쓴 혼합규칙에 상기 스키마 트리플을 적용하여 인스턴스 규칙으로 구체화하는 것을 특징으로 하는 하이브리드 규칙 추론 장치.
- 제1항에 있어서,
스키마 트리플 또는 인스턴스 트리플이 저장된 트리플 저장부를 더 포함하는 하이브리드 규칙 추론 장치.
- 제1항에 있어서,
상기 추론 규칙 분류부는, 추론규칙의 조건부가 스키마 트리플 패턴들로만 구성된 경우 스키마 규칙으로 분류하고, 인스턴스 트리플 패턴들로만 구성된 경우 인스턴스 규칙으로 분류하며, 스키마 트리플 패턴과 인스턴스 트리플 패턴이 혼합된 경우 혼합 규칙으로 분류하는 것을 특징으로 하는 하이브리드 규칙 추론 장치.
- 삭제
- (a) 입력된 추론규칙을 스키마 규칙, 인스턴스 규칙, 혼합 규칙 중 적어도 하나의 규칙으로 분류하는 단계; 및
(b) 상기 분류된 추론규칙을 메모리 기반 추론방식 또는 디스크 기반 분산/병렬 추론 방식으로 추론하는 단계;를 포함하되,
상기 (b)단계에서, 혼합 규칙의 경우 메모리 기반 추론방식을 적용하여 인스턴스 규칙으로 변환하되, 상기 혼합규칙을 규칙의 왼쪽에는 상기 혼합규칙의 스키마 트리플 패턴만 갖고, 오른쪽에는 원래의 규칙에서 스키마 트리플 패턴을 제거한 규칙을 갖는 새로운 규칙으로 다시 쓰며, 다시 쓴 혼합규칙에 상기 스키마 트리플을 적용하여 인스턴스 규칙으로 변환하는 것을 특징으로 하는 하이브리드 규칙 추론 장치의 하이브리드 규칙 추론 방법.
- 제5항에 있어서,
상기 (a)단계는,
추론규칙의 조건부가 스키마 트리플 패턴들로만 구성된 경우 스키마 규칙으로 분류하고, 인스턴스 트리플 패턴들로만 구성된 경우 인스턴스 규칙으로 분류하며, 스키마 트리플 패턴과 인스턴스 트리플 패턴이 혼합된 경우 혼합 규칙으로 분류하는 것을 특징으로 하는 하이브리드 규칙 추론 장치의 하이브리드 규칙 추론 방법.
- 제5항에 있어서,
상기 (b)단계는,
스키마 규칙의 경우, 스키마 규칙에 메모리 기반 추론방식을 적용하여 새로운 스키마 트리플을 유도하고,
혼합 규칙의 경우, 혼합 규칙에 메모리 기반 추론방식을 적용하여 인스턴스 규칙으로 변환한 후, 상기 변환된 인스턴스 규칙에 디스크 기반 분산/병렬 추론 방식을 적용하여 새로운 인스턴스 트리플을 유도하며,
인스턴스 규칙의 경우, 인스턴스 규칙에 디스크 기반 분산/병렬 추론 방식을 적용하여 새로운 인스턴스 트리플을 유도하는 것을 특징으로 하는 하이브리드 규칙 추론 장치의 하이브리드 규칙 추론 방법.
- 하이브리드 규칙 추론 장치에 의해 실행될 때,
(a) 입력된 추론규칙을 스키마 규칙, 인스턴스 규칙, 혼합 규칙 중 적어도 하나의 규칙으로 분류하는 단계; 및
(b) 상기 분류된 추론규칙을 메모리 기반 추론방식 또는 디스크 기반 분산/병렬 추론 방식으로 추론하는 단계;를 포함하되,
상기 (b)단계에서, 혼합 규칙의 경우 메모리 기반 추론방식을 적용하여 인스턴스 규칙으로 변환하되, 상기 혼합규칙을 규칙의 왼쪽에는 상기 혼합규칙의 스키마 트리플 패턴만 갖고, 오른쪽에는 원래의 규칙에서 스키마 트리플 패턴을 제거한 규칙을 갖는 새로운 규칙으로 다시 쓰며, 다시 쓴 혼합규칙에 상기 스키마 트리플을 적용하여 인스턴스 규칙으로 변환하는 것을 특징으로 하는 하이브리드 규칙 추론 장치의 하이브리드 규칙 추론 방법을 구현하기 위한 프로그램이 기록된 컴퓨터 판독 가능한 기록매체.
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020140153763A KR101535807B1 (ko) | 2014-11-06 | 2014-11-06 | 하이브리드 규칙 추론 장치 및 그 방법 |
| JP2014254497A JP5890000B1 (ja) | 2014-11-06 | 2014-12-16 | ハイブリッド規則の推論装置及びその方法 |
| US14/572,192 US20160132779A1 (en) | 2014-11-06 | 2014-12-16 | Hybrid rule reasoning apparatus and method thereof |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020140153763A KR101535807B1 (ko) | 2014-11-06 | 2014-11-06 | 하이브리드 규칙 추론 장치 및 그 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR101535807B1 true KR101535807B1 (ko) | 2015-07-10 |
Family
ID=53792747
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020140153763A KR101535807B1 (ko) | 2014-11-06 | 2014-11-06 | 하이브리드 규칙 추론 장치 및 그 방법 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20160132779A1 (ko) |
| JP (1) | JP5890000B1 (ko) |
| KR (1) | KR101535807B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021187682A1 (ko) * | 2020-03-18 | 2021-09-23 | 숭실대학교산학협력단 | 클라우드 컴퓨팅 환경에서 분산 테이블 구조를 활용한 owl-horst 온톨로지 추론 방법 및 장치 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101982611B1 (ko) * | 2017-09-19 | 2019-08-28 | 숭실대학교 산학협력단 | 사용자 정의 규칙을 이용한 온톨로지 추론 장치, 시스템 및 방법 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100068981A (ko) * | 2008-12-15 | 2010-06-24 | 한국과학기술정보연구원 | 메모리 및 ＤＢＭＳ 기반의 하이브리드 Ｒｅｔｅ 추론 시스템 및 방법 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040054690A1 (en) * | 2002-03-08 | 2004-03-18 | Hillerbrand Eric T. | Modeling and using computer resources over a heterogeneous distributed network using semantic ontologies |
| US20060167929A1 (en) * | 2005-01-25 | 2006-07-27 | Amit Chakraborty | Method for optimizing archival of XML documents |
| KR100815563B1 (ko) * | 2006-08-28 | 2008-03-20 | 한국과학기술정보연구원 | Ｄｂｍｓ 기반 지식 확장 및 추론 서비스 시스템 및 그방법 |
| US9367060B2 (en) * | 2007-11-27 | 2016-06-14 | Purdue Research Foundation | Intelligent optimization method and system therefor |
| US8244733B2 (en) * | 2008-05-05 | 2012-08-14 | University Of Massachusetts | Adaptive hybrid reasoning decision support system |
| KR100993288B1 (ko) * | 2008-12-15 | 2010-11-09 | 한국과학기술정보연구원 | Ｄｂｍｓ 기반의 ｒｄｆ 트리플 저장부에서의 뷰를 이용한 효율적인 추론 시스템 및 방법 |
| KR101133991B1 (ko) * | 2009-11-27 | 2012-07-09 | 한국과학기술정보연구원 | 규칙 추론기 및 이를 포함하는 와일드 패턴 규칙의 동적인 구체화 방법 |
-
2014
- 2014-11-06 KR KR1020140153763A patent/KR101535807B1/ko active IP Right Grant
- 2014-12-16 JP JP2014254497A patent/JP5890000B1/ja not_active Expired - Fee Related
- 2014-12-16 US US14/572,192 patent/US20160132779A1/en not_active Abandoned
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100068981A (ko) * | 2008-12-15 | 2010-06-24 | 한국과학기술정보연구원 | 메모리 및 ＤＢＭＳ 기반의 하이브리드 Ｒｅｔｅ 추론 시스템 및 방법 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021187682A1 (ko) * | 2020-03-18 | 2021-09-23 | 숭실대학교산학협력단 | 클라우드 컴퓨팅 환경에서 분산 테이블 구조를 활용한 owl-horst 온톨로지 추론 방법 및 장치 |
| KR20210116905A (ko) * | 2020-03-18 | 2021-09-28 | 숭실대학교산학협력단 | 클라우드 컴퓨팅 환경에서 분산 테이블 구조를 활용한 OWL-Horst 온톨로지 추론 방법 및 장치 |
| KR102385983B1 (ko) | 2020-03-18 | 2022-04-12 | 숭실대학교산학협력단 | 클라우드 컴퓨팅 환경에서 분산 테이블 구조를 활용한 OWL-Horst 온톨로지 추론 방법 및 장치 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2016091529A (ja) | 2016-05-23 |
| US20160132779A1 (en) | 2016-05-12 |
| JP5890000B1 (ja) | 2016-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bellomarini et al. | Knowledge graphs and enterprise AI: the promise of an enabling technology | |
| US20160117322A1 (en) | Knowledge representation in a multi-layered database | |
| US10019538B2 (en) | Knowledge representation on action graph database | |
| CN104636409B (zh) | 促进搜索结果的显示的方法、设备和产生搜索结果的方法 | |
| Nath et al. | Incremental association rule mining: a survey | |
| US10936555B2 (en) | Automated query compliance analysis | |
| US20130227638A1 (en) | Provisioning authorization claims using attribute-based access-control policies | |
| TWI616762B (zh) | 動態資料遮罩方法以及資料庫系統 | |
| US8966576B2 (en) | Provisioning access control using SDDL on the basis of a XACML policy | |
| Abiteboul et al. | Research directions for principles of data management (dagstuhl perspectives workshop 16151) | |
| Zhao et al. | Cost‐Sensitive Feature Selection of Numeric Data with Measurement Errors | |
| US20200242093A1 (en) | High-accuracy data processing and machine learning techniques for sensitive data | |
| Shemis et al. | A comprehensive review on updating concept lattices and its application in updating association rules | |
| Dezani-Ciancaglini et al. | Tracing where and who provenance in linked data: A calculus | |
| Jing et al. | A Universal neighbourhood rough sets model for knowledge discovering from incomplete heterogeneous data | |
| Wojciechowski | ETL workflow reparation by means of case-based reasoning | |
| KR101535807B1 (ko) | 하이브리드 규칙 추론 장치 및 그 방법 | |
| US11720600B1 (en) | Methods and apparatus for machine learning to produce improved data structures and classification within a database | |
| US20210176279A1 (en) | Enforcement Knowledge Graph-Based Data Security Rule Change Analysis | |
| Davari et al. | Policy modeling and anomaly detection in ABAC policies | |
| Yazdi et al. | A novel model for mining association rules from semantic web data | |
| Abiteboul et al. | Research directions for Principles of Data Management (Dagstuhl perspectives workshop 16151) | |
| Famutimi et al. | An empirical comparison of the performances of single structure columnar in-memory and disk-resident data storage techniques using healthcare big data | |
| Martinez-Bazan et al. | Using semijoin programs to solve traversal queries in graph databases | |
| Strubulis et al. | A case study on propagating and updating provenance information using the CIDOC CRM |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant | ||
| FPAY | Annual fee payment |
Payment date: 20180702 Year of fee payment: 4 |
|
| FPAY | Annual fee payment |
Payment date: 20190701 Year of fee payment: 5 |