KR101820635B1 - 온톨로지 기반 지식맵을 활용한 지식진단 방법 - Google Patents

온톨로지 기반 지식맵을 활용한 지식진단 방법 Download PDF

Info

Publication number
KR101820635B1
KR101820635B1 KR1020170127644A KR20170127644A KR101820635B1 KR 101820635 B1 KR101820635 B1 KR 101820635B1 KR 1020170127644 A KR1020170127644 A KR 1020170127644A KR 20170127644 A KR20170127644 A KR 20170127644A KR 101820635 B1 KR101820635 B1 KR 101820635B1
Authority
KR
South Korea
Prior art keywords
knowledge
extracted
diagnosis
verification
value
Prior art date
Application number
KR1020170127644A
Other languages
English (en)
Inventor
이승용
Original Assignee
(주)카디날정보기술
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 (주)카디날정보기술 filed Critical (주)카디날정보기술
Priority to KR1020170127644A priority Critical patent/KR101820635B1/ko
Priority to PCT/KR2017/011287 priority patent/WO2019066118A1/ko
Application granted granted Critical
Publication of KR101820635B1 publication Critical patent/KR101820635B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

본 발명은 지식객체의 관계로 구성된 온톨로지 기반의 지식맵을 활용하여 지식 진단자의 검증 데이터로부터 지식 진단자의 지식을 진단하는 방법에 대한 것으로 특정 지식에 대한 평가만을 이용하여 지식 진단자의 해당 지식에 대한 지식 수준을 결정하기 보다는 상기 특정 지식과 관련 있는 지식을 비교 평가하여 진단자의 지식 수준을 보정하여 진단하는 방법을 제안한다. 이를 위해 본 발명은 신경망 이론의 경사하강법을 이용한 순전파 지식진단 처리와 역전파 지식진단 처리를 주기로 반복함으로써 지식 진단자의 평가된 지식 수준과 보정된 지식 수준의 지식오차가 수렴하도록 만들어 지식 수준을 결정한다.

Description

온톨로지 기반 지식맵을 활용한 지식진단 방법{The method of knowledge diagnosis using knowledge map based on ontology}
본 발명은 지식객체의 관계로 구성된 온톨로지 기반의 지식맵을 활용하여 지식 진단자의 검증 데이터로부터 지식 진단자의 지식을 진단하기 위해 신경망 이론의 경사하강법을 이용한 순전파 지식진단 처리와 역전파 지식진단 처리를 반복함으로써 지식 진단자의 평가된 지식 수준과 보정된 지식 수준의 지식오차가 수렴하도록 만들어 지식 수준을 결정하는 방법에 관한 것이다.
Rosenblatt, F. (1958). “The Perceptron: A Probabilistic Model For Information Storage And Organization In The Brain”. Psychological Review 65 (6): 386~408. PMID 13602029.
Werbos, P.J. (1975). Beyond Regression: New Tools for Prediction and Analysis in the Behavioral Sciences.
Gruber, T. (2008). Liu, Ling; Ozsu, M. Tamer, eds. Ontology. Encyclopedia of Database Systems. Springer-Verlag. ISBN 978-0-387-49616-0.
본 발명에 대한 종래기술의 지식을 진단하는 방법은 지식 진단자의 지식에 대한 지식 수준을 결정하기 위해 지식 진단자의 평가 데이터로부터 학습객체 혹은 문항의 정답회수 추출하고, 상기 추출된 정답회수를 이용한 지식 성취도를 산출한 다음 개별 지식에 대한 지식 진단을 수행한다. 상기 종래기술의 진단 방법은 지식 진단자의 실수 또는 환경적 요인에 의한 평가 오류를 고려하지 않기 때문에 지식 진단자의 지식 수준을 정확하게 진단하지 못하는 문제점과 지식간의 상호 연관성을 고려하지 않고 단순히 개별 지식에 대한 평가 점수를 통해 지식 수준을 진단함으로써 지식 진단자의 특정 지식에 대한 낮은 지식 수준의 근본적 원인이 무엇인지 판단할 수 없는 문제점을 가지고 있다.
상기의 목적을 이루고 종래기술의 문제점을 해결하기 위하여 본 발명의 일측에 따른 온톨로지 기반의 지식맵을 활용한 지식 진단 방법은 지식객체는 지식선택회수, 지식정답회수, 및 지식오답회수를 저장하는 카운터와 지식진단수치를 저장하는 지식평가수치 및 지식조정수치를 포함하고, 지식객체는 지식객체간 상호연관성을 가중치를 가지는 방향그래프로 표기하는 지식관계를 포함하고, 지식객체가 포함하는 지식관계는 자기 자신의 지식관계와 다른 지식객체의 지식관계로 구성되고, 지식관계의 가중치는 자기 자신의 지식관계를 포함하는 내부지식가중치와 다른 지식객체의 지식관계를 포함하는 외부지식가중치로 구성된다고 할때, 제어 및 처리 수단, 저장 수단, 유무선 통신망, 사용자 단말기를 포함하는 지식 시스템의 지식진단 방법에 있어서, 상기 제어 및 처리 수단이 지식 진단자에게 지식객체를 포함하는 학습객체를 제공하여 레벨 검증을 수행하고, 레벨 검증을 수행한 지식 진단자의 검증 데이터를 수신하는 단계; 상기 지식 진단자의 검증 데이터로부터 검증 지식맵을 생성하는 단계; 상기 검증 지식맵의 상위 지식객체에서 하위 지식객체 방향으로 지식을 평가하는 순전파 지식진단을 수행하는 단계; 상기 검증 지식맵의 하위 지식객체에서 상위 지식객체 방향으로 지식을 평가하는 역전파 지식진단을 수행하는 단계; 및 상기 순전파 지식진단을 수행하는 단계와 상기 역전파 지식진단을 수행하는 단계를 설정된 반복 회수만큼 수행하는 지식진단 단계를 포함한다.
본 발명의 또 다른 일측에 따르면, 상기 검증 지식맵을 생성하는 단계는 상기 지식 진단자의 검증 데이터로부터 지식관계를 구성하는 단계; 및 상기 지식 진단자의 검증 데이터로부터 지식평가수치를 산출하여 저장하는 단계를 포함한다.
삭제
삭제
본 발명의 또 다른 일측에 따르면, 상기 지식관계를 구성하는 단계는 상기 지식 진단자의 검증 데이터로부터 학습객체를 추출하는 단계; 상기 추출된 학습객체가 포함하는 지식객체를 추출하는 단계; 및 상기 추출된 지식객체를 이용하여 지식관계를 구성하는 단계를 포함한다.
본 발명의 또 다른 일측에 따르면, 상기 지식평가수치를 산출하여 저장하는 단계는 상기 지식 진단자의 검증 데이터는 학습객체에 대한 지식 진단자의 정오답 체크 내역을 포함하고, 상기 지식 진단자의 검증 데이터로부터 학습객체를 추출하여 정오답 체크 내역을 판단하는 단계; 상기 추출된 학습객체가 정답일 경우 정답인 학습객체가 포함하는 지식객체의 지식선택회수와 지식정답회수를 증가시키는 단계; 상기 추출된 학습객체가 오답일 경우 오답인 학습객체가 포함하는 지식객체의 지식선택회수와 지식오답회수를 증가시키는 단계; 및 상기 추출된 학습객체가 포함하는 지식객체의 지식선택회수와 지식정답회수를 이용하여 지식객체의 지식평가수치를 산출하는 단계를 포함한다.
본 발명의 또 다른 일측에 따르면, 상기 순전파 지식진단을 수행하는 단계는 상기 검증 지식맵의 상위 지식객체에서 하위 지식객체 방향으로 지식객체를 추출하는 단계; 상기 추출된 지식객체가 상위 지식객체와 지식관계를 포함하는지 판단하는 단계; 상기 추출된 지식객체가 상위 지식객체와 지식관계를 포함하지 않는 경우 상기 추출된 지식객체의 지식조정수치는 상기 추출된 지식객체의 지식평가수치로 대체하여 저장하는 단계; 및 상기 추출된 지식객체가 상위 지식객체와 지식관계를 포함하는 경우 상기 추출된 지식객체의 지식조정수치는 상기 추출된 지식객체의 지식평가수치와 내부지식가중치, 상기 추출된 지식객체의 상위 지식객체의 지식조정수치, 및 상기 추출된 지식객체의 상위 지식객체 지식관계의 외부지식가중치를 이용하여 산출하고 저장하는 단계를 포함한다.
본 발명의 또 다른 일측에 따르면, 상기 역전파 지식진단을 수행하는 단계는 상기 검증 지식맵의 하위 지식객체에서 상위 지식객체 방향으로 지식객체를 추출하는 단계; 상기 추출된 지식객체가 하위 지식객체와 지식관계를 포함하는지 판단하는 단계; 및 상기 추출된 지식객체가 하위 지식객체와 지식관계를 포함하는 경우 상기 추출된 지식객체의 지식조정수치는 상기 추출된 지식객체의 지식조정수치와 내부지식가중치, 상기 추출된 지식객체의 하위 지식객체의 지식조정수치와 내부지식가중치, 및 상기 추출된 지식객체의 하위 지식객체 지식관계의 외부지식가중치를 이용하여 산출하고 저장하는 단계를 포함한다.
본 발명의 또 다른 일측에 따르면, 상기 지식진단 단계는 지식객체의 지식평가수치와 지식조정수치를 이용하여 지식평가오차를 산출하고, 상기 산출된 지식평가오차가 설정된 허용오차임계치보다 클 경우, 상기 산출된 지식평가오차와 설정된 오차보정계수를 이용하여 지식객체의 지식평가수치를 보정하여 갱신한다.
본 발명의 또 다른 일측에 따르면, 상기 설정된 오차보정계수는 상기 지식진단 단계의 설정된 반복 회수 동안 증감한다.
본 발명의 또 다른 일측에 따르면, 상기 지식객체의 지식선택회수, 지식정답회수 및 지식오답회수로 구성된 카운터는 지식객체 데이터베이스에 저장하고 관리하며, 상기 지식객체 데이터베이스에 저장된 지식객체 카운터로부터 지식객체의 내부지식가중치와 외부지식가중치를 재 산출한다.
본 발명의 또 다른 일측에 따르면, 본 발명은 컴퓨터로 실행하기 위한 프로그램이 기록된 컴퓨터 판독가능 기록매체로 존재한다.
본 발명은 신경망 이론의 경사하강법을 이용하여 가중치를 조정하는 방법이 아닌 고정된 가중치를 이용하여 입력 값을 보정하는 방법을 제안하는 것으로 온톨로지 기반의 지식을 지식맵으로 구성하고 지식맵을 이용하여 지식 진단자의 지식 수준을 진단한다. 신경망이 특정한 문제에 대한 해결점을 찾아내는데 장점인 반면 본 발명은 여러 문제들의 유기적 연관관계를 통해 해결점을 찾아내는데 탁월하여 지식 진단자의 실수에 의한 이상치 데이터를 보정함으로써 지식 수준을 보다 정확하게 진단할 수 있다. 또한, 신경망은 충분한 학습 데이터가 보장되지 않는다면 진단의 신뢰성이 떨어지는 반면, 본 발명은 이미 결정된 가중치를 통해 지식 진단을 수행하기 때문에 사전 학습 데이터 확보 없이 진단을 수행할 수 있는 장점이 있다.
[도 1]은 지식맵 예시
[도 2]는 학습객체에 대한 구성 예시
[도 3]은 온톨로지 기반의 단일 지식객체 구조
[도 4]는 순전파 지식 진단 처리 방법
[도 5]는 역전파 지식 진단 처리 방법
[도 6]은 온톨로지 기반 지식맵을 활용한 지식 시스템의 지식진단 방법
[도 7]은 검증 지식맵을 생성하는 방법
[도 8]은 지식맵의 지식관계를 구성하는 방법
[도 9]는 지식 진단자의 지식평가수치를 설정하는 방법
[도 10]은 순전파 지식 진단처리를 수행하는 방법
[도 11]은 역전파 지식 진단처리를 수행하는 방법
[도 12]는 지식평가수치를 갱신하는 방법
이하에서는 본 발명의 몇 가지 실시예에 대한 기본적인 이해를 돕기 위하여 간단한 요약을 제공한다. 이 요약은 광범위한 개관이 아니며, 본 발명의 중요/핵심 구성 요소를 식별하거나 특허청구범위를 한정하고자 하는 것이 아니다. 이는 단지, 이하의 보다 상세한 설명에 대한 서설로서, 몇몇 개념들을 단순한 형태로 제공하기 위한 것이다.
본 발명을 설명하기에 앞서 본 발명에서 사용되는 용어를 정의한다. 본 발명에서 논술되는 지식객체는 단일 지식을 담은 가장 최소의 단위인 단위지식을 객체화한 것으로, 지식에 대한 개념 및 원리 등과 같은 속성을 가지고 있으며, 상위 지식으로부터 확장된 지식을 계승 받을 수 있다. 이와 같이 지식객체간의 계승관계 또는 연관관계를 온톨로지 그래프로 표현한 것을 지식맵이라고 정의한다.
[도 1]을 참고하면, [도 1]은 지식맵을 예시(100)한다. 최상위 지식객체인 자연수(102)에서부터 하위 지식객체인 서로소(134)까지 지식객체간의 관계를 보여준다. 자연수(102)는 배수(104)와 약수(106)로 자신의 지식을 확장시켜 새로운 지식으로 계승되고, 지식객체 소인수분해(132)는 지식객체 소인수(126)과 합성수(128)을 계승 받아 새로운 지식을 구성하고 있다.
[도 2]를 참고하면, 도 2는 본 발명에서 논술되는 학습객체에 대한 구성 예시(150)를 보여준다. 학습객체는 한 개 이상의 지식객체를 포함한 명확한 교수 또는 학습 목표를 가진 컨텐츠로 독립적이고 재사용 가능한 최소 단위의 디지털 컨텐츠이다. 도 2의 학습객체(166, 168)는 지식객체(154, 156, 158, 160)를 포함한 지식맵(152)에서 자신과 관련된 지식을 가져와 지식객체리스트(170)에 저장한다.
도 3을 참고하면, 도 3은 본 발명이 제안하는 온톨로지 기반의 단일 지식객체의 구조(300)를 도시 한다. 구조(300)의 지식객체는 도 3에서 원형 유닛(302)으로 표기되고, 지식객체는 지식평가수치(304)와 지식조정수치(306)를 가진다. 지식평가수치(304)는 v로 표기되며 지식 진단자의 해당 지식에 대한 지식 수준을 나타내는 수치로 지식 진단자의 검증 데이터로부터 초기값이 설정된다. 지식조정수치(306)는 s로 표기되며 지식 진단자의 지식객체에 대한 지식 수준인 지식평가수치(304)의 정확성을 판단하기 위해, 상기 지식객체와 관계가 있는 주위 지식객체와의 지식 수준을 비교하여 지식 수준을 조정한 수치이다.
도 3을 더 참고하면, 도 3의 지식평가수치(304)의 초기값 결정을 위해 지식객체는 지식선택회수, 지식정답회수 및 지식오답회수 카운터를 가진다. 지식선택회수는 지식 진단자의 검증 데이터에서 해당 지식객체가 포함된 회수를 의미하고, 지식정답회수는 지식 진단자의 검증 데이터에서 해당 지식객체가 정답인 회수, 그리고 지식오답회수는 지식 진단자의 검증 데이터에서 해당 지식객체가 오답인 회수를 저장한다.
본 발명은 지식 진단자의 검증 데이터는 한 개 이상의 지식객체를 포함하는 학습객체에 대한 지식 진단자의 정오답 체크 내역을 포함하며, 지식 진단자의 검증 데이터로부터 학습객체를 추출하여 정오답 체크 내역을 판단한 다음, 상기 추출된 학습객체가 정답일 경우 정답인 학습객체가 포함하는 지식객체의 지식선택회수와 지식정답회수를 증가시키고, 상기 추출된 학습객체가 오답일 경우 오답인 학습객체가 포함하는 지식객체의 지식선택회수와 지식오답회수를 증가시킨다. 지식 진단자의 검증 데이터의 모든 학습객체에 대해 정오답 체크 내역을 완료하였다면, 상기 지식 진단자의 검증 데이터의 학습객체로부터 추출된 지시객체의 카운터를 이용하여 다음과 같이 지식평가수치를 산출한다.
지식평가수치 = 지식정답회수 / 지식선택회수
지식객체는 지식객체들과의 관계를 통해 지식의 연속성을 구성한다. 본 발명의 지식의 연속성은 온톨로지 구조를 이용하여 방향 그래프로 표시한다. 온톨로지 기반의 관계는 객체 클래스 간의 관계를 is-a 관계 또는 is-part-of와 같이 관계 유형을 정의하여 구별하지만, 본 발명에서는 객체 클래스 간의 관계를 정성적 표기보다는 정량적 표기 방법인 가중치를 가지는 방향 그래프를 사용하며, 지식객체에서 가중치를 가지는 방향 그래프를 지식관계라 정의한다. 지식관계의 가중치는 w 기호를 사용하며, 지식객체에서 밖으로 나가는 화살표와 연결된 지식객체를 상위 지식객체 및 상위 지식객체와 연결된 지식관계를 상위 지식객체 지식관계라 정의하고, 지식객체에서 안으로 들어오는 화살표와 연결된 지식객체를 하위 지식객체 및 하위 지식객체와 연결괸 지식관계를 하위 지식객체 지식관계라 정의한다.
도 3을 더 참고하면, 상위 지식객체(316)은 지식객체(302)의 근본이 되는 지식이며, 지식객체는 복수개의 지식으로 새로운 자신의 지식을 구성할 수 있다. 하위 지식객체(318)는 지식객체(302)를 근본으로 새로운 지식이 파생된 것으로 지식객체(302)는 복수개의 하위 지식객체를 가질 수 있다. 지식객체는 상위 지식객체를 이용하여 새로운 지식객체로 계속 파생되는 특징을 가지고 있지만, 상위 지식객체가 파생된 지식객체에 미치는 영향이 모두 동일한 것은 아니다. 따라서, 본 발명은 상위 지식객체가 파생된 지식객체에 미치는 영향력을 지식관계의 가중치로 나타낸다.
도 3을 더 참고하면, 자식관계는 자기 자신과의 지식관계와 자기 자신을 제외한 다른 지식객체와의 지식관계로 구성되며, 상기 자시 지신과의 지식관계가 가지는 가중치를 내부지식가중치(308)로 다른 지식객체와 지식관계가 가지는 가중치를 외부지식가중치(310)로 정의한다. 내부지식가중치는(308)는 상위 지식객체로부터 내려 받은 지식을 기반으로 상위 지식외에 새로운 내용이 첨가된 정도를 나타내는 것으로 새로운 내용이 많을수록 내부지식가중치(308) 값은 올라가며 상위 지식객체와의 의존도는 떨어진다.
본 발명은 도 3과 같은 지식객체로 구성된 지식맵에서 지식을 진단하는 과정을 신경망의 확률적 경사하강법을 착안하여 지식평가수치와 지식조정수치의 오차를 줄이는 방법으로 진행된다. 신경망은 입력 데이터를 기반으로 출력 데이터의 오차를 줄이기 위한 신경망 유닛들의 가중치를 조정하는 방법인데 반해, 본 발명은 가중치를 고정하고 입력된 지식 수준을 고정된 가중치를 이용하여 보정하는 방법이다.
본 발명의 지식 진단은 상위 지식객체에서 하위 지식객체로 지식이 전파되는 방향으로 지식 수준을 보정하는 순전파 지식진단 처리와 하위 지식객체에서 상위 지식객체 방향으로 지식이 전파되는 역순으로 지식 수준을 재보정하는 역전파 지식진단 처리로 구성되며, 지식진단 과정은 순전파 지식진단 처리 이후 역전파 지식진단 처리 순으로 순차적으로 처리된다. 또한 본 발명은 순전파와 역전파 지식진단 처리 이후 산출된 지식조정수치를 이용하여 지식평가수치와 지식조정수치의 차인 지식평가오차를 산출하고, 상기 지식평가오차가 수렴하도록 순전파와 역전파 지식진단 과정을 설정된 반복 회수만큼 수행한다. 상기와 같이 순전파와 역전파로 지식을 진단하는 본 발명은 지식 진단자의 실수로 인해 잘 못 판단된 지식 진단을 보정하는 역할도 수행하며, 지식 진단자가 충분히 알고 있다는 지식에 대해서도 파생된 지식을 통해 지식 수준을 재 진단하는 역할도 가능해지는 특징을 가진다.
도 4를 참고하면, 도 4는 순전파 지식 진단 처리 방법(400)을 도시 한다. 도 4는 계층 l(404)을 기준으로 지식객체
Figure 112017096135657-pat00001
(418)을 정의하고 상위 지식객체는 계층 l-1(402)에 존재한다고 가정한다. 도 4에서의 상위 지식객체는
Figure 112017096135657-pat00002
(406, 412)로 정의되어 있고, 지식객체
Figure 112017096135657-pat00003
(418)의 내부지식가중치는
Figure 112017096135657-pat00004
(424)로 정의되어 있고, 지식객체
Figure 112017096135657-pat00005
(418)와 상위 지식객체
Figure 112017096135657-pat00006
(406, 412)의 지식관계가 가지는 가중치
Figure 112017096135657-pat00007
(426, 428)가 정의되어 있다. 상기 내부지식가중치 및 외부지식가중치 값은 0부터 1까지 실수 값을 가진다.
도 4를 더 참고하면, 순전파 지식진단 처리는 지식객체
Figure 112017096135657-pat00008
(418)의 지식 수준을 상위 지식객체의 지식 수준에 따른 가중치를 이용하여 보정하는 방법으로, 지식객체
Figure 112017096135657-pat00009
(418)의 지식조정수치
Figure 112017096135657-pat00010
(422)를 산출한다. 순전파 지식진단은 상위 지식객체에서 하위 지식객체 방향으로 지식 진단을 수행하기 때문에 상위 지식객체
Figure 112017096135657-pat00011
(406, 412)의 지식조정수치
Figure 112017096135657-pat00012
(410, 416)는 산출되어 저장된 상태가 된다. 따라서 순전파 지식의 평가는 현재 지식을 알고 있을 확률과 상위 지식을 알고 있는 확률의 합으로 산출되며, 지식객체
Figure 112017096135657-pat00013
(418)의 지식조정수치
Figure 112017096135657-pat00014
(422)는 [수학식 1]과 같다.
Figure 112017096135657-pat00015
[수학식 1]을 참고하면, 지식객체
Figure 112017096135657-pat00016
의 지식조정수치는
Figure 112017096135657-pat00017
로 지식평가수치는
Figure 112017096135657-pat00018
로 정의하고, 상위 지식객체는 첨자를 이용하여
Figure 112017096135657-pat00019
로 정의하고, 상위 지식객체의 지식조정수치는
Figure 112017096135657-pat00020
로 정의한다.
[수학식 1]을 일반화시킨 수식은 [수학식 2]와 같다. [수학식 2]는 순전파 지식진단 처리에서 지식조정수치를 산출하는 수식으로 지식조정수치는 함수 k를 적용하여 지식객체의 계층을 하위 첨자로 정의하고, 반복 회수를 상위 첨자로 정의한다. 따라서,
Figure 112017096135657-pat00021
는 계층 l의 t번째 반복 수행하는 지식조정수치를 의미한다.
Figure 112017096135657-pat00022
[수학식 2]를 더 참고하면
Figure 112017096135657-pat00023
는 t-1번째 반복 수행에서 보정된 지식평가수치를 의미한다. 만약 반복 주기가 1일 경우는 이전 보정된 지식평가수치가 존재하지 않기 때문에, 지식 진단자의 평가 데이터로부터 산출된 초기 지식평가수치로 적용한다. [수학식 2]를 더 참고하면, 가중치는 0부터 1 사이의 범위를 가지는 실수 값으로, 외부지식가중치의 합은 1을 초과할 수 없다.
Figure 112017096135657-pat00024
[수학식 2]의 지식조정수치는 상위 지식객체를 가지는 지식객체의 지식조정수치로 상위 지식객체가 없는 최상위 지식객체에 대한 정의가 필요하다. [수학식 3]은 최상위 지식객체에 대한 지식조정수치를 산출하는 수식을 보여준다.
본 발명은 도 4의 순전파 지식진단 후 도 5와 같은 역전파 지식진단을 수행한다. 역전파 지식진단은 순전파 지식진단이 상위 지식객체 지식관계를 이용한 지식 수준을 보정하는 방법인데 반해 파생된 하위 지식객체 지식관계를 이용한 지식 수준을 보정하는 방법이다. 즉, 역전파 지식의 평가는 현재 지식을 알고 있을 확률과 파생된 하위 지식을 알고 있는 확률의 합으로 산출된다.
도 5를 참고하면, 도 5는 역전파 지식진단 처리 방법(500)을 도시 한다. 도 5는 계층 l(502)을 기준으로 지식객체
Figure 112017096135657-pat00025
(506)을 정의되고 하위 지식객체 계층 l+1(504)이 존재한다고 가정한다. 도 5에서 하위 지식객체는
Figure 112017096135657-pat00026
(512, 518)로 정의되어 있고, 지식객체
Figure 112017096135657-pat00027
(506)의 내부지식가중치는
Figure 112017096135657-pat00028
(526)로 정의되어 있고, 지식객체
Figure 112017096135657-pat00029
(506)와 하위 지식객체
Figure 112017096135657-pat00030
(512, 518)의 내부지식가중치는
Figure 112017096135657-pat00031
(532, 534)로 하위 지식객체
Figure 112017096135657-pat00032
(512, 518)의 지식관계가 가지는 가중치
Figure 112017096135657-pat00033
(528, 530)로 정의되어 있다. 상기 내부지식가중치 및 외부지식가중치 값은 0부터 1까지 실수 값을 가진다.
역전파 지식진단 처리는 지식객체
Figure 112017096135657-pat00034
(506)의 지식 수준을 하위 지식객체 지식 수준에 따른 가중치를 이용하여 보정하는 방법으로, 순전파 지식진단에 의해 생성된 지식객체
Figure 112017096135657-pat00035
(506)의 지식조정수치
Figure 112017096135657-pat00036
(510)를 재 산출한다. 역전파 지식진단은 하위 지식객체에서 상위 지식객체 방향으로 지식 진단을 수행하기 때문에 순전파 지식진단 과정에서 산출되어 저장된 하위 지식객체
Figure 112017096135657-pat00037
(512, 518)의 지식조정수치
Figure 112017096135657-pat00038
(516, 524)를 이용하며, 지식객체
Figure 112017096135657-pat00039
(506)의 지식조정수치
Figure 112017096135657-pat00040
(510)는 [수학식 4]와 같다.
Figure 112017096135657-pat00041
[수학식 4]를 일반화시킨 수식은 [수학식 5]와 같다. [수학식 5]는 역전파 지식진단 처리에서 지식조정수치를 산출하는 수식으로 지식조정수치는 함수 k를 적용하여 지식객체의 계층을 하위 첨자로 정의하고, 반복 회수를 상위 첨자로 정의한다.
Figure 112017096135657-pat00042
[수학식 5]를 참고하면
Figure 112017127478528-pat00043
는 t번째 반복 수행에서 생성된 l+1 계층의 역전파 지식조정수치를 의미한다. [수학식 5]를 더 참고하면, 역전파 지식진단 처리에서 사용되는 가중치는 0부터 1 사이의 범위를 가지는 실수 값이지만, 순전파 지식진단 처리와는 달리 외부지식가중치의 합은 1을 초과할 수 있다. 상기와 같이 외부지식가중치가 1을 초과하는 이유는 외부지식가중치는 상위 지식에서 현재 지식에 영향을 주는 가중치를 기준으로 하기 때문에 하위 지식 개수와는 관련이 없기 때문이다.
[수학식 5]를 더 참고하면, [수학식 5]는 하위 지식객체를 가지고 있는 지식객체에 대한 역전파 지식진단 처리이기 때문에 하위 지식객체를 가지고 있지 않는 지식객체에 대해서는 적용할 수 없다. 따라서 하위 지식객체가 없는 최하위 지식객체의 역전파 지식진단 처리는 수행하지 않는다.
본 발명은 [수학식 2]와 [수학식 5]의 결과 산출된 지식조정수치를 이용하여 지식 진단자가 평가한 지식평가수치를 보정하는 처리는 [수학식 6]과 같이 수행한다. [수학식 6]을 참고하면, [수학식 6]의
Figure 112017096135657-pat00044
는 지식평가오차로 정의하며, 이전 반복에서 보정된 지식평가수치와 현재 보정된 지식조정수치의 차를 의미한다. [수학 6]의 λ는 오차보정계수로 경사하강법의 수렴 성능을 향상시키기 위해서 사용되며, 신경망의 모멘텀(momentum)과 같은 기능을 수행한다. 상기 오차보정계수의 값이 커지면 오차보정수치의 의존도가 높아지고 상대적으로 값이 작으면 지식평가수치의 의존도가 높아진다. 일반적인 수치는 1보다 작은 값을 가지며, 순전파 및 역전파 지식진단 처리 반복 주기 마다 오차보정계수 λ를 이전 값보다 증가 또는 감소시켜 수렴 성능을 더 향상시킬 수 있다.
Figure 112017096135657-pat00045
본 발명은 순전파 및 역전파 지식진단 처리 반복 주기 동안 지식평가오차가 특정 값보다 적어지면 수렴이 완료된 것으로 판단하며, 상기의 특정 값을 허용오차임계치라 정의한다.
기존 신경망 기술은 입력과 출력을 기준으로 신경망 노드의 가중치를 결정하는 방법인데 반해 본 발명은 고정된 가중치를 사용한다. 따라서 본 발명의 가중치는 특정 지식 도메인의 지식 전문가가 자신의 경험을 통해 개별 지식객체의 가중치를 결정할 수 있지만, 지식 진단자의 지식객체 카운터를 포함한 평가 데이터가 충분하게 데이터베이스에 축적되었다면 지식객체 카운터를 이용하여 [수학식 7]과 [수학식 8]과 같이 확률론적 방법에 의해 가중치를 결정한다.
Figure 112017096135657-pat00046
Figure 112017096135657-pat00047
[수학식 7]을 참고하면, [수학식 7]은 내부지식가중치를 결정하는 방법으로, 현재 지식을 모르는 사람들이 상위 지식을 알고 있을 확률의 평균을 의미한다. [수학식 8]을 참고하면, [수학식 8]은 외부지식가중치를 결정하는 방법으로 Softmax 함수를 이용하여 산출한다.
이제 도면을 참조하여 본 발명을 설명하고자 한다. 도면에서 동일한 참조 번호는 동일한 구성요소를 나타낸다. 이하의 설명에서는 설명을 목적으로, 본 발명에 대한 보다 충분한 이해를 돕기 위하여 여러 가지 구체적인 세부 사항을 설명하였다. 하지만, 이러한 구체적인 세부 사항 없이도 실시될 수 있다는 점이 명백할 것이다. 한편 본 발명에 대한 설명을 보다 용이하게 하기 위하여, 잘 알려진 구조 및 장치들은 블록도의 형태로 도시하였다. 본 출원에 있어서, 개시된 발명을 구현하기 위하여, 본 발명은 컴퓨터를 제어하기 위한 소프트웨어, 펌웨어, 하드웨어, 또는 이들의 임의의 조합을 생성하기 위하여 표준 프로그래밍 및/또는 엔지니어링 기법을 사용하여 메소드(method), 장치, 또는 제품으로 구현될 수 있다.
이제 도 6과 도 12를 참조하면, 본 발명과 관련된 방법들이 일련의 행위로서 설명된다. 몇몇 행위들은 본 명세서에 도시 되고 설명된 순서와 다른 순서로 일어날 수 있고 및/또는 다른 행위와 동시에 일어날 수도 있는바, 본 발명은 행위의 순서에 의하여 한정되지 않는다는 점을 이해할 것이다. 예를 들어, 당업자라면, 상태도와 같이 상호 관련된 일련의 상태 또는 이벤트로 방법이 표현될 수 있다는 것을 이해할 것이다. 또한 도시된 행위 모두가 본 발명에 따른 방법을 구현하는데 필요한 것은 아닐 수 있다. 또한, 본 명세서를 통해 개시된 방법들은, 이러한 방법들을 운반 및 전송 가능하게 하는 제품에 저장될 수 있다는 것을 이해할 것이다. 본 명세서에서 제품이란. 임의의 컴퓨터 판독기능 장치 또는 매체로부터 액세스 가능한 컴퓨터 프로그램을 포함하는 것이다.
도 6을 참고하면, 도 6은 온톨로지 기반 지식맵을 활용한 지식 시스템의 지식진단 방법(1000)을 도시한다. 방법(1000)은 단계(1002)에서 시작되고, 단계(1004)는 방법(1000)의 지식 시스템이 제공하고 있는 도메인의 지식 수준을 평가받고자 하는 지식 진단자에게 평가 도메인의 지식객체를 포함하는 학습객체를 제공하여 레벨 검증을 수행하고, 상기 레벨 검증을 수행한 지식 진단자의 검증 데이터를 수신한다. 단계(1006)는 단계(1004)에서 수신한 지식 진단자의 검증 데이터를 이용하여 검증 데이터에 포함된 학습객체를 구성하는 지식객체만으로 구성된 검증 지식맵을 생성하고, 단계(1008)는 단계(1004)가 생성한 검증 지식맵을 이용하여 지식 시스템에 설정된 반복 회수만큼 지식진단을 수행하는 절차를 도시한다.
단계(1008)는 지식 진단자가 평가한 검증 데이터내 지식객체에 대한 지식평가수치를 상위 지식객체 및 하위 지식객체의 지식관계를 통해 지식 진단자의 지식 수준을 보정하는 과정이다. 상기 지식 진단자의 지식 수준을 보정하는 과정은 단계(1010)에서 단계(1006)가 생성한 지식 검증맵의 지식객체를 상위 객체에서 하위 객체 방향으로 추출하고, 상기 추출된 지식객체의 지식평가수치를 보정한 지식조정수치를 산출하는 순전파 지식진단 처리 단계; 단계(1012)에서 단계(1006)가 생성한 지식 검증맵의 지식객체를 하위 객체에서 상위 객체 방향으로 추출하고, 상기 추출된 지식객체의 지식조정수치를 재 산출하는 역전파 지식진단 처리 단계; 단계(1014)에서 상기 순전파 지식진단과 상기 역전파 지식진단을 통해 산출된 지식조정수치와 지식평가수치의 오차인 지식평가오차를 산출하는 단계; 및 단계(1014)는 지식평가오차를 이용하여 지식평가수치를 보정하여 갱신하는 단계로 구성된다. 단계(1004)는 설정한 반복 회수만큼 지식진단을 수행한 다음 단계(1016)에서 종료된다.
도 7을 참고하면, 도 7은 도 6의 단계(1006)의 검증 지식맵을 생성하는 방법(1100)이 도시 된다. 방법(1100)은 단계(1102)에서 시작되고, 단계(1104)는 도 5의 단계(1004)에서 수신된 지식 진단자의 검증 데이터내 지식객체들만으로 구성된 지식관계를 구성한다. 단계(1106)는 단계(1104)에서 구성된 지식관계로 이루어진 지식맵에서 지식객체를 추출하고, 상기 추출된 지식객체에 대한 지식 진단자의 지식 수준을 나타내는 지식평가수치를 설정하고, 단계(1108)에서 종료된다.
도 8을 참고하면, 도 8은 도 7의 단계(1104)의 지식맵의 지식관계를 구성하는 방법(1200)이 도시 된다. 방법(1200)은 단계(1202)에서 시작되고, 단계(1204)는 도 6의 단계(1004)에서 수신된 지식 진단자의 검증 데이터를 입력 받아 검증 데이터내 학습객체 개수만큼 반복 수행하며, 상기 학습객체가 포함하는 지식객체를 추출하여 지식관계를 구성하는 절차를 도시한다.
단계(1206)는 도 6의 단계(1004)에서 수신된 지식 진단자의 검증 데이터를 입력 받아 검증 데이터내 학습객체를 추출하고, 단계(1208)는 단계(1206)에서 추출된 학습객체가 포함한 지식객체를 추출하고, 단계(1210)는 단계(1208)에서 추출된 지식객체를 이용하여 지식관계를 구성한다. 단계(1204)는 상기 검증 데이터내 학습객체 개수만큼 반복 수행한 다음, 단계(1212)에서 종료된다.
도 9를 참고하면, 도 9는 도7의 단계(1106)의 지식맵을 구성하는 지식객체에 대한 지식진단자의 지식 수준을 평가한 지식평가수치를 설정하는 방법(1300)이 도시 된다. 방법(1300)은 단계(1302)에서 시작되고, 단계(1304)는 도 6의 단계(1004)에서 학습객체에 대한 진단자의 정오답 체크 내역을 포함하는 수신된 지식 진단자의 검증 데이터를 입력 받아 검증 데이터내 학습객체 개수만큼 반복 수행하며, 상기 학습객체의 정오답 체크 내역을 판단하여 학습객체가 포함하고 있는 지식객체 카운터인 지식선택회수, 지식정답회수 및 지식오답회수를 증가시키는 절차를 도시한다. 단계(1304)는 검증 데이터내 학습객체 개수만큼 반복 수행한 다음 단계(1326)로 진행하고, 단계(1326)는 단계(1304)로부터 카운터가 증가된 지식객체를 추출하고, 추출된 지식객체의 지식선택회수와 지식정답회수를 이용하여 지식평가수치를 산출한다. 단계(1328)은 단계(1328)에서 산출된 지식평가수치를 검증 지식맵을 구성하는 지식객체에 저장한다.
단계(1306)는 도 6의 단계(1004)에서 수신된 지식 진단자의 검증 데이터를 입력 받아 학습객체를추출하고, 상기 추출된 학습객체의 체크 내역을 취득한다. 단계(1308)은 단계(1306)에서 취득한 체크 내역의 정오답을 판단하여 정답인 경우는 단계(1310)로 진행하고, 오답인 경우는 단계(1318)로 진행한다. 단계(1310)은 단계(1308)로부터 체크 내역이 정답인 학습객체를 취득하고, 단계(1312)는 단계(1310)에서 취득한 학습객체가 포함하고 있는 지식객체를 추출하여 카운터를 증가시키기 위해 단계(1314)로 진행한다. 단계(1314)는 단계(1312)가 추출한 지식객체의 지식선택회수를 증가시키고, 단계(1316)로 진행하여 단계(1312)가 추출한 지식객체의 지식정답회수를 증가시킨다. 단계(1318)은 단계(1308)로부터 체크 내역이 오답인 학습객체를 취득하고, 단계(1320)는 단계(1318)에서 취득한 학습객체가 포함하고 있는 지식객체를 추출하여 카운터를 증가시키기 위해 단계(1322)로 진행한다. 단계(1322)는 단계(1320)가 추출한 지식객체의 지식선택회수를 증가시키고, 단계(1324)는 단계(1320)가 추출한 지식객체의 지식오답회수를 증가시킨다.
도 10을 참고하면, 도 10은 도6의 단계(1010)의 순전파 지식진단 처리를 수행하는 방법(1400)이 도시 된다. 방법(1400)은 단계(1402)에서 시작되고, 단계(1404)는 도 6의 단계(1006)에서 생성된 검증 지식맵을 입력 받아, 상기 검증 지식맵에서 상위 지식객체에서 하위 지식객체 방향으로 지식객체를 추출하고, 상기 추출된 지식객체의 지식조정수치를 지식평가수치와 내부지식가중치, 상위 지식객체의 지식조정수치와 외부지식가중치를 이용하여 산출하여 저장한다. 단계(1404)는 상기 검증 지식맵 내 지식객체 개수만큼 반복 수행한 다음, 단계(1420)에서 종료한다.
단계(1406)는 도 6의 단계(1006)에서 생성된 검증 지식맵을 입력 받아, 상기 검증 지식맵에서 상위 지식객체에서 하위 지식객체 방향으로 지식객체를 추출한다. 단계(1408)은 단계(1406)에서 추출된 지식객체의 지식관계에서 상위 지식객체가 존재하는지 판단하여 상위 지식객체가 존재한다면 단계(1410)로 진행하고, 상위 지식객체가 존재하지 않는다면 단계(1418)로 진행한다. 단계(1410)은 단계(1408)에서 상위 지식객체를 포함하는 지식객체를 입력 받아, 입력 받은 지식객체가 포함하는 지식평가수치와 내부지식가중치를 취득하여 단계(1412)로 진행한다. 단계(1412)는 단계(1410)가 입력 받은 지식객체의 상위 지식객체 지식조정수치와 상위 지식객체 지식관계의 외부지식가중치를 취득하고 단계(1414)로 진행한다. 단계(1414)는 단계(1410)에서 취득한 지식평가수치와 내부지식가중치, 단계(1412)에서 취득한 상위 지식객체 지식조정수치와 상위 지식객체 지식관계의 외부지식가중치를 이용하여 지식조정수치를 산출하고, 단계(1416)로 진행하여 상기 산출된 지식조정수치를 단계(1406)에서 추출된 지식객체에 저장한다. 단계(1418)는 단계(1408)에서 상위 지식객체가 존재하는 않는 지식객체를 입력 받아, 지식조정수치를 입력 받은 지식객체의 지식평가수치로 대체하고, 단계(1416)로 진행하여 상기 대체된 지식조정수치를 단계(1406)에서 추출된 지식객체에 저장한다.
도 11을 참고하면, 도 11은 도 6의 단계(1012)의 역전파 지식진단 처리를 수행하는 방법(1500)이 도시 된다. 방법(1500)은 단계(1502)에서 시작되고, 단계(1504)는 도 6의 단계(1006)에서 생성된 검증 지식맵을 입력 받아, 상기 검증 지식맵에서 하위 지식객체에서 상위 지식객체 방향으로 지식객체를 추출하고, 상기 추출된 지식객체의 지식조정수치를 지식조정수치와 내부지식가중치, 하위 지식객체의 지식조정수치와 내부지식가중치, 및 하위 지식객체 지식관계의 외부지식가중치를 이용하여 재 산출하여 저장한다. 단계(1504)는 상기 검증 지식맵 내 지식객체 개수만큼 반복 수행한 다음, 단계(1518)에서 종료한다.
단계(1506)는 도 6의 단계(1006)에서 생성된 검증 지식맵을 입력 받아, 상기 검증 지식맵에서 하위 지식객체에서 상위 지식객체 방향으로 지식객체를 추출한다. 단계(1508)는 단계(1506)에서 추출된 지시객체의 지식관계에서 하위 지식객체가 존재하는지 판단하여 하위 지식객체가 존재한다면 단계(1510)로 진행하고, 하위 지식객체가 존재하지 않는다면, 단계(1504)로 진행한다. 단계(1510)는 단계(1508)에서 하위 지식객체를 포함하는 지식객체를 입력 받아, 입력 받은 지식객체가 포함하는 지식조정수치와 내부지식가중치를 취득하여 단계(1514)로 진행한다. 단계(1514)는 단계(1510)가 입력 받은 지식객체의 하위 지식객체 지식조정수치와 하위 지식객체 지식관계의 외부지식가중치를 이용하여 지식조정수치를 재 산출하고, 단계(1516)로 진행하여 상기 재 산출된 지식조정수치를 단계(1506)에서 추출된 지식객체에 저장한다.
도 12를 참고하면, 도 12는 도 6의 단계(1014)의 지식평가수치 갱신하는 방법(1600)이 도시 된다. 방법(1600)은 단계(1602)에서 시작되고, 단계(1604)는 도 6의 단계(1010)의 순전파 지식진단 처리와 단계(1012)의 역전파 지식진단 처리를 수행한 다음 지식객체의 지식조정수치를 저장한 검증 지식맵을 입력 받아, 상기 검증 지식맵에서 지식객체를 추출하고, 상기 추출된 지식객체에서 지식평가수치와 지식조정수치를 이용한 지식평가오차를 계산하고, 상기 지식평가오차가 지식 시스템에 설정된 허용오차임계치보다 클 경우에 지식평가수치를 갱신한다. 단계(1604)는 상기 검증 지식맵 내 지식객체 개수만큼 반복 수행한 다음, 단계(1614)에서 종료한다.
단계(1606)는 도 6의 단계(1010)의 순전파 지식진단 처리와 단계(1012)의 역전파 지식진단 처리를 수행한 다음 지식객체의 지식조정수치를 저장한 검증 지식맵을 입력 받아 지식객체를 추출한다. 단계(1608)는 단계(1606)에서 추출된 지식객체의 지식평가수치와 지식조정수치를 이용하여 지식평가오차를 계산하고, 단계(1610)로 진행한다. 단계(1610)은 단계(1608)에서 계산된 지식평가오차가 지식 시스템에 설정된 허용오차임계치보다 큰지 판단하여 허용오차임계치보다 크다면 단계(1612)로 진행하고, 허용오차임계치보다 크지 않다면 단계(1604)로 진행한다. 단계(1612)는 단계(1610)에서 상기 허용오차임계치보다 큰 지식평가오차를 입력 받아, 지식 시스템에 설정된 오차보정계수를 이용하여 단계(1606)에 추출된 지식객체의 지식평가수치를 갱신한다.

Claims (12)

  1. 지식객체는 지식선택회수, 지식정답회수, 및 지식오답회수를 저장하는 카운터와 지식진단수치를 저장하는 지식평가수치 및 지식조정수치를 포함하고, 지식객체는 지식객체간 상호연관성을 가중치를 가지는 방향그래프로 표기하는 지식관계를 포함하고, 지식객체가 포함하는 지식관계는 자기 자신의 지식관계와 다른 지식객체의 지식관계로 구성되고, 지식관계의 가중치는 자기 자신의 지식관계를 포함하는 내부지식가중치와 다른 지식객체의 지식관계를 포함하는 외부지식가중치로 구성된다고 할때,
    제어 및 처리 수단, 저장 수단, 유무선 통신망, 사용자 단말기를 포함하는 지식 시스템의 지식진단 방법에 있어서,
    상기 제어 및 처리 수단이 지식 진단자에게 지식객체를 포함하는 학습객체를 제공하여 레벨 검증을 수행하고, 레벨 검증을 수행한 지식 진단자의 검증 데이터를 수신하는 단계;
    상기 지식 진단자의 검증 데이터로부터 검증 지식맵을 생성하는 단계;
    상기 검증 지식맵의 상위 지식객체에서 하위 지식객체 방향으로 지식을 평가하는 순전파 지식진단을 수행하는 단계;
    상기 검증 지식맵의 하위 지식객체에서 상위 지식객체 방향으로 지식을 평가하는 역전파 지식진단을 수행하는 단계; 및
    상기 순전파 지식진단을 수행하는 단계와 상기 역전파 지식진단을 수행하는 단계를 설정된 반복 회수만큼 수행하는 지식진단 단계
    를 포함하는 것을 특징으로 하는 지식진단 방법.
  2. 삭제
  3. 삭제
  4. 제1항에 있어서,
    상기 검증 지식맵을 생성하는 단계는
    상기 지식 진단자의 검증 데이터로부터 지식관계를 구성하는 단계; 및
    상기 지식 진단자의 검증 데이터로부터 지식평가수치를 산출하여 저장하는 단계
    를 포함하는 것을 특징으로 하는 지식진단 방법.
  5. 제4항에 있어서,
    상기 지식관계를 구성하는 단계는
    상기 지식 진단자의 검증 데이터로부터 학습객체를 추출하는 단계;
    상기 추출된 학습객체가 포함하는 지식객체를 추출하는 단계; 및
    상기 추출된 지식객체를 이용하여 지식관계를 구성하는 단계
    를 포함하는 것을 특징으로 하는 지식진단 방법.
  6. 제4항에 있어서,
    상기 지식평가수치를 산출하여 저장하는 단계는
    상기 지식 진단자의 검증 데이터는 학습객체에 대한 지식 진단자의 정오답 체크 내역을 포함하고, 상기 지식 진단자의 검증 데이터로부터 학습객체를 추출하여 정오답 체크 내역을 판단하는 단계;
    상기 추출된 학습객체가 정답일 경우 정답인 학습객체가 포함하는 지식객체의 지식선택회수와 지식정답회수를 증가시키는 단계;
    상기 추출된 학습객체가 오답일 경우 오답인 학습객체가 포함하는 지식객체의 지식선택회수와 지식오답회수를 증가시키는 단계; 및
    상기 추출된 학습객체가 포함하는 지식객체의 지식선택회수와 지식정답회수를 이용하여 지식객체의 지식평가수치를 산출하는 단계
    를 포함하는 것을 특징으로 하는 지식진단 방법.
  7. 제4항에 있어서,
    상기 순전파 지식진단을 수행하는 단계는
    상기 검증 지식맵의 상위 지식객체에서 하위 지식객체 방향으로 지식객체를 추출하는 단계;
    상기 추출된 지식객체가 상위 지식객체와 지식관계를 포함하는지 판단하는 단계;
    상기 추출된 지식객체가 상위 지식객체와 지식관계를 포함하지 않는 경우 상기 추출된 지식객체의 지식조정수치는 상기 추출된 지식객체의 지식평가수치로 대체하여 저장하는 단계; 및
    상기 추출된 지식객체가 상위 지식객체와 지식관계를 포함하는 경우 상기 추출된 지식객체의 지식조정수치는 상기 추출된 지식객체의 지식평가수치와 내부지식가중치, 상기 추출된 지식객체의 상위 지식객체의 지식조정수치, 및 상기 추출된 지식객체의 상위 지식객체 지식관계의 외부지식가중치를 이용하여 산출하고 저장하는 단계
    를 포함하는 것을 특징으로 하는 지식진단 방법.
  8. 제4항에 있어서
    상기 역전파 지식진단을 수행하는 단계는
    상기 검증 지식맵의 하위 지식객체에서 상위 지식객체 방향으로 지식객체를 추출하는 단계;
    상기 추출된 지식객체가 하위 지식객체와 지식관계를 포함하는지 판단하는 단계; 및
    상기 추출된 지식객체가 하위 지식객체와 지식관계를 포함하는 경우 상기 추출된 지식객체의 지식조정수치는 상기 추출된 지식객체의 지식조정수치와 내부지식가중치, 상기 추출된 지식객체의 하위 지식객체의 지식조정수치와 내부지식가중치, 및 상기 추출된 지식객체의 하위 지식객체 지식관계의 외부지식가중치를 이용하여 산출하고 저장하는 단계
    를 포함하는 것을 특징으로 하는 지식진단 방법.
  9. 제1항에 있어서,
    상기 지식진단 단계는 지식객체의 지식평가수치와 지식조정수치를 이용하여 지식평가오차를 산출하고, 상기 산출된 지식평가오차가 설정된 허용오차임계치보다 클 경우, 상기 산출된 지식평가오차와 설정된 오차보정계수를 이용하여 지식객체의 지식평가수치를 보정하여 갱신하는 것을 특징으로 하는 지식진단 방법.
  10. 제9항에 있어서,
    상기 설정된 오차보정계수는 상기 지식진단 단계의 설정된 반복 회수 동안 증감하는 것을 특징으로 하는 지식진단 방법.
  11. 제1항에 있어서,
    상기 지식객체의 지식선택회수, 지식정답회수 및 지식오답회수로 구성된 카운터는 지식객체 데이터베이스에 저장하고 관리하며, 상기 지식객체 데이터베이스에 저장된 지식객체 카운터로부터 지식객체의 내부지식가중치와 외부지식가중치를 재 산출하는 것을 특징으로 하는 지식진단 방법.
  12. 제1항 및 제4항 내지 제11항 중 어느 한 항에 따른 방법을 컴퓨터로 실행하기 위한 프로그램이 기록된 컴퓨터 판독가능 기록매체.
KR1020170127644A 2017-09-29 2017-09-29 온톨로지 기반 지식맵을 활용한 지식진단 방법 KR101820635B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020170127644A KR101820635B1 (ko) 2017-09-29 2017-09-29 온톨로지 기반 지식맵을 활용한 지식진단 방법
PCT/KR2017/011287 WO2019066118A1 (ko) 2017-09-29 2017-10-13 온톨로지 기반 지식맵을 활용한 지식 진단 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170127644A KR101820635B1 (ko) 2017-09-29 2017-09-29 온톨로지 기반 지식맵을 활용한 지식진단 방법

Publications (1)

Publication Number Publication Date
KR101820635B1 true KR101820635B1 (ko) 2018-02-28

Family

ID=61401095

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170127644A KR101820635B1 (ko) 2017-09-29 2017-09-29 온톨로지 기반 지식맵을 활용한 지식진단 방법

Country Status (2)

Country Link
KR (1) KR101820635B1 (ko)
WO (1) WO2019066118A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108509519A (zh) * 2018-03-09 2018-09-07 北京邮电大学 基于深度学习的通用知识图谱增强问答交互系统及方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101041672B1 (ko) * 2008-06-24 2011-06-14 에스케이 텔레콤주식회사 지능형 맞춤화된 학습서비스 방법
KR101476226B1 (ko) * 2010-11-16 2014-12-26 에스케이 텔레콤주식회사 학습능력 진단 장치 및 방법
KR20160118395A (ko) * 2015-03-30 2016-10-12 주식회사 태큐브 학습 정보를 제공하기 위한 방법, 시스템 및 비일시성의 컴퓨터 판독 가능한 기록 매체

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108509519A (zh) * 2018-03-09 2018-09-07 北京邮电大学 基于深度学习的通用知识图谱增强问答交互系统及方法
CN108509519B (zh) * 2018-03-09 2021-03-09 北京邮电大学 基于深度学习的通用知识图谱增强问答交互系统及方法

Also Published As

Publication number Publication date
WO2019066118A1 (ko) 2019-04-04

Similar Documents

Publication Publication Date Title
Durbach et al. The analytic hierarchy process with stochastic judgements
CN107665230B (zh) 用于智能家居控制的用户行为预测模型的训练方法及装置
US7702482B2 (en) Dependency structure from temporal data
EP3970075A1 (en) Collecting observations for machine learning
Thaler et al. Machine‐learning‐enhanced tail end prediction of structural response statistics in earthquake engineering
CN110543935B (zh) 处理交互序列数据的方法及装置
Kwong et al. Evaluation of ground motion selection and modification procedures using synthetic ground motions
Jia et al. A density extrapolation approach to estimate failure probabilities
CN110689110B (zh) 处理交互事件的方法及装置
Durbach et al. Modelling uncertainty in stochastic multicriteria acceptability analysis
JP6744767B2 (ja) 人流予測装置、パラメータ推定装置、方法、及びプログラム
KR101993299B1 (ko) 학습자의 다수 개념 진단 시스템 및 그 방법
KR101820635B1 (ko) 온톨로지 기반 지식맵을 활용한 지식진단 방법
US9031896B2 (en) Process analysis
Zaidi et al. Theory of influence networks
Stivala et al. Using sampled network data with the autologistic actor attribute model
CN115510753A (zh) 群智网络中基于矩阵补全与强化学习的数据收集方法
Abad et al. Estimation of expected human attention weights based on a decision field theory model
JP6558860B2 (ja) 推定装置、予測装置、方法、及びプログラム
KR101558269B1 (ko) 관심 대상의 특징에 따라 관심 대상의 위치를 예측하는 방법 및 이를 위한 장치
CN110162612B (zh) 信息处理方法、装置、可读存储介质和电子设备
US11983240B2 (en) Meta few-shot class incremental learning
CN117076769A (zh) 基于图神经网络的物联网产品推荐方法、装置、设备及介质
Comerford et al. An artificial neural network based approach for power spectrum estimation and simulation of stochastic processes subject to missing data
JP2016014983A (ja) 遷移確率学習装置、行為系列生成装置、及びプログラム

Legal Events

Date Code Title Description
GRNT Written decision to grant