KR20080096859A - 상황인식을 위한 온톨로지 시스템과 그 온톨로지 관리 방법및 이를 기록한 기록매체 - Google Patents

상황인식을 위한 온톨로지 시스템과 그 온톨로지 관리 방법및 이를 기록한 기록매체

Info

Publication number
KR20080096859A
KR20080096859A KR1020070018495A KR20070018495A KR20080096859A KR 20080096859 A KR20080096859 A KR 20080096859A KR 1020070018495 A KR1020070018495 A KR 1020070018495A KR 20070018495 A KR20070018495 A KR 20070018495A KR 20080096859 A KR20080096859 A KR 20080096859A
Authority
KR
South Korea
Prior art keywords
learning
context
ontology
context information
class
Prior art date
Application number
KR1020070018495A
Other languages
English (en)
Other versions
KR100868331B1 (ko
Inventor
김정훈
이기철
이지형
윤태복
Original Assignee
성균관대학교산학협력단
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 성균관대학교산학협력단 filed Critical 성균관대학교산학협력단
Priority to KR1020070018495A priority Critical patent/KR100868331B1/ko
Priority to US11/927,732 priority patent/US7921065B2/en
Publication of KR20080096859A publication Critical patent/KR20080096859A/ko
Application granted granted Critical
Publication of KR100868331B1 publication Critical patent/KR100868331B1/ko

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
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G06N5/025—Extracting rules from data
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Machine Translation (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

다양한 도메인에 적용가능하고 다양한 컨텍스트 정보를 표현할 수 있는 상황인식을 위한 온톨로지 시스템과 그 온톨로지 관리 방법 및 이를 기록한 기록매체에 관한 것에 관한 것으로, 센싱장치로부터 컨텍스트 정보를 입력받아 유효성을 검증하는 컨텍스트 브로커수단, 상기 컨텍스트 브로커수단에서 검증된 상기 컨텍스트 정보를 OWL데이터로 변환하여 가공하고 온톨로지 구조가 생성되도록 제어하는 컨텍스트 관리수단, 상기 컨텍스트 관리수단에서 가공된 상기 컨텍스트 정보를 SWRL데이터로 변환하여 추론과정을 통해 가공하는 추론엔진수단, 상기 컨텍스트 관리수단에서 가공된 상기 컨텍스트 정보를 학습과정을 통해 가공하는 학습관리수단, 상기 컨텍스트 관리수단 또는 상기 추론엔진수단 또는 상기 학습관리수단에서 가공된 상기 컨텍스트 정보를 저장하는 데이터베이스를 포함하는 구성을 마련한다.
상기와 같은 상황인식을 위한 온톨로지 시스템과 그 온톨로지 관리 방법 및 이를 기록한 기록매체를 이용하는 것에 의해, 온톨로지를 통해 다양한 컨텍스트 정보를 표현할 수 있다.
상황인식, 컨텍스트, 온톨로지, SWRL, 학습

Description

상황인식을 위한 온톨로지 시스템과 그 온톨로지 관리 방법 및 이를 기록한 기록매체{Ontology System for Context-Aware and Method Thereof and Recording Medium Thereof}
도 1은 본 발명의 일실시예에 따른 상황인식을 위한 온톨로지 시스템을 도시한 블록도,
도 2는 본 발명의 일실시예에 따른 상위-레벨(Upper-Level) 온톨로지 구조를 도시한 도면,
도 3은 본 발명의 일실시예에 따른 도메인-레벨(Domain-Level) 온톨로지 구조를 도시한 도면,
도 4는 본 발명의 일실시예에 따른 상황인식을 위한 온톨로지 관리 방법을 설명하는 흐름도.
* 도면의 주요 부분에 대한 부호의 설명 *
1: 센싱장치 10: 컨텍스트 브로커수단
20: 컨텍스트 관리수단 30: 추론엔진수단
40: 학습관리수단 50: 데이터베이스
51: 히스토리DB 52: 온톨로지DB
본 발명은 상황인식을 위한 온톨로지(Ontology) 시스템과 그 온톨로지 관리 방법 및 이를 기록한 기록매체에 관한 것으로, 특히 다양한 도메인(Domain)에 적용가능하고 다양한 컨텍스트(Context) 정보를 표현할 수 있는 상황인식을 위한 온톨로지 시스템과 그 온톨로지 관리 방법 및 이를 기록한 기록매체에 관한 것이다.
일반적으로 유비쿼터스(Ubiquitous) 환경에서 사용자 중심적 서비스를 제공하기 위해서는 사용자의 현재 상황과 주변 상황정보를 이용해서 사용자가 원하는 서비스가 무엇인지 파악하는 역할을 담당하는 상황인식 시스템을 필요로 한다. 상황인식 시스템은 다양한 정보를 수집하는 각종 센서로부터 정보를 수신하여 가공한 후 사용자가 필요로 하는 서비스를 제공해주는 기능을 수행한다. 상황인식 시스템은 온톨로지를 이용함으로써 상황정보들을 더욱 지능적으로 가공할 수 있다. 온톨로지의 연구분야로는 확장성 마크업 언어(eXtensible Markup Language, XML)기반의 자원기술프레임워크(Resource Description Framework, RDF), 웹 온톨로지 언어(Ontology Web Language, OWL), 규칙-마크업 언어(Rule-Markup Language, Rule-ML), 시맨틱 웹 규칙 언어(Semantic Web Rule Language, SWRL) 등이 있으며, 이러한 언어를 각종 규칙기반의 추론엔진(Rule-Based Inference Engine)을 통해 추론서비스로 제공하기 위한 여러 연구도 진행되고 있다. 상황인식 시스템에서 온톨로지를 활용함으로써 얻을 수 있는 장점으로는 컨텍스트 정보의 공유, 컨텍스트 정보의 재사용, 컨텍스트 정보의 추론, 확장과 상호운용 등을 들 수 있다.
이와 같이 온톨로지를 이용한 상황인식 기술의 일례가 대한민국 특허 공개공보 제2006-0066587호(2006.06.16 공개, 규칙과 온톨로지를 이용한 상황정보 표현 방법 및 상황인식 시스템)에 개시되어 있다.
상기 대한민국 특허 공개공보 제2006-0066587호에 개시된 기술은 유비쿼터스 환경하에서 주변 상황을 인식하기 위해 시스템이 필요로 하는 상황정보를 제공할 수 있는 기반을 마련하기 위한 규칙과 온톨로지를 이용하여 상황정보를 표현하는 방법에 관한 것으로, (가) 현실 세계를 공통된 특성을 가지는 범주로 분류하고 그로부터 상황정보 개념어휘를 도출하는 단계, (나) 상기 상황정보 개념어휘로 대표되는 정보들을 온톨로지를 이용하여 모델링하기에 적합한 정보들과 규칙을 이용하여 모델링하기에 적합한 정보들로 분류하는 단계, (다) 상기 단계 (나)에서 분류된 온톨로지를 이용하여 모델링하기에 적합한 정보들을 온톨로지를 이용하여 모델링하는 단계, (라) 상기 단계 (나)에서 분류된 규칙을 이용하여 모델링하기에 적합한 정보들을 규칙을 이용하여 모델링하는 단계, (마) 상기 규칙을 관리하는 규칙 베이스를 작성하는 단계로 구성된다고 기재되어 있다. 상기 공보 제2006-0066587호에 개시된 기술에서는 규칙으로 표현하기 어려운 정보를 온톨로지를 이용하여 표현하고, 규칙에서 필요로 하는 경우에는 상기 온톨로지 정보를 참조하도록 함으로써, 각 정보 표현방법의 장점을 살리면서 효과적으로 상황정보를 표현할 수 있게 해주는 규칙과 온톨로지를 이용한 상황정보 표현 방법 및 상황인식 시스템에 대해 기재 되어 있다.
또, 온톨로지를 이용한 상황인식 기술의 다른 예가 대한민국 특허 공개공보 제2007-0009134호(2007.01.18 공개, 상황인지서비스를 위한 컨텍스트 정보관리 방법 및 그 시스템)에 개시되어 있다.
상기 대한민국 특허 공개공보 제2007-0009134호에 개시된 기술은 상황인지 서비스를 제공하기 위하여 다양하게 발생하는 컨텍스트 정보를 효과적으로 저장, 관리하는 방법 및 시스템에 관한 것으로, 다양한 경로를 통해 유입되는 컨텍스트 정보를 입력받기 위한 컨텍스트 정보 입력부, 미리 설정된 컨텍스트 온톨로지를 참조하여 상기 컨텍스트 정보를 OWL데이터로 변환하고 관계형 데이터베이스 시스템에 저장하기 위한 컨텍스트 정보 해석/저장 수단, 다양한 상황정보를 해석하여 최적의 서비스를 판단하고 필요한 컨텍스트 정보를 상기 관계형 데이터베이스 시스템에서 검색하기 위한 컨텍스트 정보 검색수단으로 구성된다고 기재되어 있다. 즉, 상기 공보 제2007-0009134호에 개시된 기술에서는 다양한 상황에서 발생하는 다량의 컨텍스트 정보를 효과적으로 관리함으로써, 상황인지 서비스를 보다 쉽고 효율적으로 구현할 수 있도록 하는 상황인지서비스를 위한 컨텍스트 정보관리 방법 및 그 시스템에 대해 기재되어 있다.
또, 온톨로지를 이용한 상황 인식 기술의 다른 예가 T. Gu 외 다수에 의해 'An Ontology Based Context Model in Intelligent Environment, Proc. of Communication Networks and Distributed Systems Modeling and Simulations Conference, 2004'에 개시되어 있다. 상기 간행물에 개시된 기술은 상황인식 시스템을 위해 상위 레벨 온톨로지를 통하여 도메인 독립적인 온톨로지를 구성하여 다양한 도메인의 상황인식 온톨로지를 정의할 수 있도록 하는 기술에 관한 것이다.
그러나 상기 공보들에 개시된 기술을 비롯하여 종래의 상황인식 온톨로지 기술에 있어서는 컨텍스트 정보가 생성되는 방법과 같은 다양한 컨텍스트 부가 정보를 기술하지 못하고, OWL과 RDF만을 이용하여 온톨로지를 정의함으로써 수식과 같은 형태의 표현이 불가능한 문제가 있었다.
또, 도메인에 독립적인 형태가 아니기 때문에 홈, 학교, 병원과 같은 다양한 도메인에 적용하기에는 부족하며, 사용자의 의도나 경향을 파악하여 서비스하는 부분이 고려되지 않은 문제가 있었다.
또, 상기 간행물에 개시된 기술에 있어서는 다양한 도메인에 적용 가능하도록 상위 레벨의 온톨로지를 정의하기는 하였지만 다양한 컨텍스트 정보를 표현하기에는 부족하였으며, 종래 기술과 마찬가지로 수식과 혼-논리(Horn-Logic)에 대한 표현이 불가능하고, 사용자의 의도 또는 경향에 대한 파악이 불가능한 문제가 있었다.
또, 종래의 상황인식 온톨로지 기술에 있어서는 분류체계를 매번 구축시마다 해당 도메인에 맞게 새롭게 정의해야하고, 분류체계에 따라 시스템을 구축해야 하는 문제가 있었다.
본 발명의 목적은 상술한 바와 같은 문제점을 해결하기 위한 것으로서, 컨텍스트 정보를 하나의 클래스의 형태로 정의하여 컨텍스트의 부가정보와 같은 다양한 컨텍스트 정보를 표현할 수 있는 온톨로지 시스템과 그 온톨로지 관리 방법 및 이를 기록한 기록매체를 제공하는 것이다.
본 발명의 다른 목적은 확장된 온톨로지 언어인 SWRL을 적용하여 기존의 OWL만으로는 표현할 수 없었던 수식 및 혼-논리에 대한 부분을 표현하는 온톨로지 시스템과 그 온톨로지 관리 방법 및 이를 기록한 기록매체를 제공하는 것이다.
본 발명의 다른 목적은 컨텍스트의 생성 원리에 따라 컨텍스트의 타입을 분류하여 컨텍스트 타입에 따라 자동적인 처리가 수행되도록 지원하는 온톨로지 시스템과 그 온톨로지 관리 방법 및 이를 기록한 기록매체를 제공하는 것이다.
본 발명의 다른 목적은 도메인에 독립적인 온톨로지를 구성할 수 있도록 일반적인 형태의 상위-레벨 온톨로지를 정의하고, 학습 알고리즘(Learning Algorithm)을 이용하여 사용자의 의도나 성향을 파악하여 지능적인 서비스를 제공하는 온톨로지 시스템과 그 온톨로지 관리 방법 및 이를 기록한 기록매체를 제공하는 것이다.
상기 목적을 달성하기 위해 본 발명에 따른 상황인식을 위한 온톨로지 시스템은 센싱장치로부터 컨텍스트(Context) 정보를 입력받아 유효성을 검증하는 컨텍스트 브로커수단, 상기 컨텍스트 브로커수단에서 검증된 상기 컨텍스트 정보를 웹 온톨로지 언어(Ontology Web Language, OWL)데이터로 변환하여 가공하고 온톨로 지(Ontology) 구조가 생성되도록 제어하는 컨텍스트 관리수단, 상기 컨텍스트 관리수단에서 가공된 상기 컨텍스트 정보를 시맨틱 웹 규칙 언어(Semantic Web Rule Language, SWRL)데이터로 변환하여 추론과정을 통해 가공하는 추론엔진수단, 상기 컨텍스트 관리수단에서 가공된 상기 컨텍스트 정보를 학습과정을 통해 가공하는 학습관리수단, 상기 컨텍스트 관리수단 또는 상기 추론엔진수단 또는 상기 학습관리수단에서 가공된 상기 컨텍스트 정보를 저장하는 데이터베이스를 포함하는 것을 특징으로 한다.
또, 본 발명에 따른 상황인식을 위한 온톨로지 시스템에 있어서, 상기 데이터베이스는 가공된 상기 컨텍스트 정보 중에서 상기 컨텍스트 관리수단에 의해 학습 또는 학습을 통한 예측에 필요하다고 판단되는 히스토리 정보가 축적되어 저장되는 히스토리DB, 상기 컨텍스트 관리수단 또는 상기 추론엔진수단 또는 상기 학습관리수단에서 가공된 상기 컨텍스트 정보가 클래스의 형태로 정의되어 온톨로지 구조로 저장되는 온톨로지DB를 포함하는 것을 특징으로 한다.
또, 본 발명에 따른 상황인식을 위한 온톨로지 시스템에 있어서, 상기 온톨로지DB에 저장되는 상기 컨텍스트 정보는 컨텍스트 정보의 도메인을 정의한 클래스를 하위클래스로 포함하는 복합(Compound) 상위클래스, 상기 복합 클래스의 속성이 되는 가공된 컨텍스트 정보를 컨텍스트 타입별로 분류하여 정의한 클래스를 하위클래스로 포함하는 기초(Elementary) 상위클래스, 상기 학습관리수단에서 수행할 학습방법 또는 학습을 통한 예측방법 또는 속성을 정의한 클래스를 하위클래스로 포함하는 학습(Learning) 상위클래스를 포함하는 상위-레벨 온톨로지 구조로 이루어 지는 것을 특징으로 한다.
또, 본 발명에 따른 상황인식을 위한 온톨로지 시스템에 있어서, 상기 컨텍스트 타입은 상기 컨텍스트 관리수단이 가공하여 생성하는 센스(Sensed) 타입, 상기 추론엔진수단이 상기 센스 타입의 컨텍스트 정보를 연산을 통해 가공하여 생성하는 결합(Combined) 타입, 상기 추론엔진수단이 상기 센스 타입의 컨텍스트 정보를 추론을 통해 가공하여 생성하는 추론(Inferred) 타입, 상기 학습관리수단이 상기 센스 타입의 상기 히스토리 정보를 학습방법 또는 학습을 통한 예측방법을 통해 가공하여 생성하는 학습(Learned) 타입으로 이루어지는 것을 특징으로 한다.
또, 본 발명에 따른 상황인식을 위한 온톨로지 시스템에 있어서, 상기 학습관리수단은 상기 학습방법 또는 학습을 통한 예측방법으로 결정-트리(Decision-Tree) 방법 또는 신경망(Neural-Network) 방법을 사용하는 것을 특징으로 한다.
또, 본 발명에 따른 상황인식을 위한 온톨로지 시스템에 있어서, 상기 컨텍스트 관리수단은 상기 온톨로지 구조가 상기 상위-레벨 온톨로지 구조를 기본구조로 하고 하위클래스의 추가를 통해 확장되며, 제 1의 도메인을 위해 정의된 하위클래스를 제 2의 도메인을 위한 하위클래스로 이용가능하도록 제어하는 것을 특징으로 한다.
또, 상기 목적을 달성하기 위해 본 발명에 따른 상황인식을 위한 온톨로지 관리 방법은 컨텍스트 브로커수단, 컨텍스트 관리수단, 추론엔진수단, 학습관리수단, 히스토리DB, 온톨로지DB를 구비하는 온톨로지 시스템으로 온톨로지를 관리하는 방법에 있어서, 상기 컨텍스트 브로커수단이 센싱장치로부터 컨텍스트 정보를 입력 받아 유효성을 검증하는 단계, 상기 컨텍스트 관리수단이 상기 컨텍스트 브로커수단에서 검증된 상기 컨텍스트 정보를 전달받아 OWL(Ontology Web Language)데이터로 변환하여 가공하여 상기 온톨로지DB에 저장하는 단계, 상기 컨텍스트 관리수단이 가공된 상기 컨텍스트 정보에 대해 학습 또는 학습을 통한 예측에 필요한지 여부를 판단하는 단계, 상기 판단하는 단계에서 필요하다고 판단되는 경우 히스토리 정보로서 상기 히스토리DB에 축적하여 저장하는 단계, 상기 추론엔진수단이 상기 온톨로지DB에 저장된 상기 컨텍스트 정보를 SWRL(Semantic Web Rule Language)데이터로 변환하여 추론과정을 통해 가공하여 상기 온톨로지DB에 저장하는 단계, 상기 컨텍스트 관리수단이 학습 또는 학습을 통한 예측 요청이 수신되는지 여부를 판단하는 단계, 상기 요청에 따라 상기 학습관리수단이 상기 히스토리 정보를 학습 또는 학습을 통한 예측을 통해 가공하여 상기 온톨로지DB에 저장하는 단계를 포함하는 것을 특징으로 한다.
또, 본 발명에 따른 상황인식을 위한 온톨로지 방법에 있어서, 가공된 상기 컨텍스트 정보는 클래스의 형태로 정의되어 온톨로지 구조로 상기 온톨로지DB에 저장되는 것을 특징으로 한다.
또, 본 발명에 따른 상황인식을 위한 온톨로지 방법에 있어서, 상기 온톨로지DB에 저장되는 상기 컨텍스트 정보는 컨텍스트 정보의 도메인을 정의한 클래스를 하위클래스로 포함하는 복합(Compound) 상위클래스, 상기 복합 클래스의 속성이 되는 가공된 컨텍스트 정보를 컨텍스트 타입별로 분류하여 정의한 클래스를 하위클래스로 포함하는 기초(Elementary) 상위클래스, 상기 학습관리수단에서 수행할 학습 방법 또는 학습을 통한 예측방법 또는 속성을 정의한 클래스를 하위클래스로 포함하는 학습(Learning) 상위클래스를 포함하는 상위-레벨 온톨로지 구조로 이루어지는 것을 특징으로 한다.
또, 본 발명에 따른 상황인식을 위한 온톨로지 방법에 있어서, 상기 컨텍스트 타입은 상기 컨텍스트 관리수단이 가공하여 생성하는 센스(Sensed) 타입, 상기 추론엔진수단이 상기 센스 타입의 컨텍스트 정보를 연산을 통해 가공하여 생성하는 결합(Combined) 타입, 상기 추론엔진수단이 상기 센스 타입의 컨텍스트 정보를 추론을 통해 가공하여 생성하는 추론(Inferred) 타입, 상기 학습관리수단이 상기 센스 타입의 상기 히스토리 정보를 학습방법 또는 학습을 통한 예측방법을 통해 가공하여 생성하는 학습(Learned) 타입으로 이루어지는 것을 특징으로 한다.
또, 본 발명에 따른 상황인식을 위한 온톨로지 방법에 있어서, 상기 학습관리수단은 상기 학습방법 또는 학습을 통한 예측방법으로 결정-트리(Decision-Tree) 방법 또는 신경망(Neural-Network) 방법을 사용하여 가공하는 것을 특징으로 한다.
또, 본 발명에 따른 상황인식을 위한 온톨로지 방법에 있어서, 상기 온톨로지 구조는 상기 상위-레벨 온톨로지 구조를 기본구조로 하고 하위클래스의 추가를 통해 확장되며, 제 1의 도메인을 위해 정의된 하위클래스를 제 2의 도메인을 위한 하위클래스로 이용가능한 것을 특징으로 한다.
또, 상기 목적을 달성하기 위해 본 발명에 따른 컴퓨터로 읽을 수 있는 기록매체는 상황인식을 위해 센싱장치로부터 입력받은 컨텍스트 정보의 데이터 구조를 컴퓨터로 기록한 기록매체에 있어서, 상기 센싱장치로부터 입력되는 컨텍스트 정보 가 OWL(Ontology Web Language)데이터로 변환되어 가공되거나 SWRL(Semantic Web Rule Language)데이터로 변환되어 추론과정을 통해 가공되거나 학습과정을 통해 가공되어 기록되고, 가공된 상기 컨텍스트 정보가 클래스의 형태로 정의되어 온톨로지 구조로 이루어지며, 가공된 상기 컨텍스트 정보 중에서 학습 또는 학습을 통한 예측에 필요하다고 판단되는 정보는 히스토리 정보로서 축적되는 것을 특징으로 한다.
또, 본 발명에 따른 컴퓨터로 읽을 수 있는 기록매체에 있어서, 상기 가공된 컨텍스트 정보는 컨텍스트 정보의 도메인이 정의된 클래스를 하위클래스로 포함하는 복합(Compound) 상위클래스, 상기 복합 클래스의 속성이 되는 가공된 컨텍스트 정보가 컨텍스트 타입별로 분류되어 정의된 클래스를 하위클래스로 포함하는 기초(Elementary) 상위클래스, 학습방법 또는 학습을 통한 예측방법 또는 속성이 정의된 클래스를 하위클래스로 포함하는 학습(Learning) 상위클래스를 포함하는 상위-레벨 온톨로지 구조로 이루어지는 것을 특징으로 한다.
또, 본 발명에 따른 컴퓨터로 읽을 수 있는 기록매체에 있어서, 상기 컨텍스트 타입은 상기 OWL데이터로 변환되어 가공되어 생성되는 센스(Sensed) 타입, 상기 센스 타입의 컨텍스트 정보가 연산을 통해 가공되어 생성되는 결합(Combined) 타입, 상기 센스 타입의 컨텍스트 정보가 추론을 통해 가공되어 생성되는 추론(Inferred) 타입, 상기 센스 타입의 히스토리 정보가 학습방법 또는 학습을 통한 예측방법을 통해 가공되어 생성되는 학습(Learned) 타입으로 이루어지는 것을 특징으로 한다.
또, 본 발명에 따른 컴퓨터로 읽을 수 있는 기록매체에 있어서, 상기 학습방법 또는 학습을 통한 예측방법으로 결정-트리(Decision-Tree) 방법 또는 신경망(Neural-Network) 방법을 사용하는 것을 특징으로 한다.
또, 본 발명에 따른 컴퓨터로 읽을 수 있는 기록매체에 있어서, 상기 온톨로지 구조는 상기 상위-레벨 온톨로지 구조를 기본구조로 하고 하위클래스의 추가를 통해 확장되며, 제 1의 도메인을 위해 정의된 하위클래스를 제 2의 도메인을 위한 하위클래스로 이용가능한 것을 특징으로 한다.
이하, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있을 정도로 상세히 설명하기 위하여, 본 발명의 가장 바람직한 실시 예를 첨부한 도면을 참조하여 상세하게 설명한다. 또한, 본 발명을 설명하는데 있어서 동일 부분은 동일 부호를 붙이고, 그 반복 설명은 생략한다.
본 발명에 따른 상황인식을 위한 온톨로지 시스템을 도 1 내지 도 3에 따라 설명한다.
도 1은 본 발명의 일실시예에 따른 상황인식을 위한 온톨로지 시스템을 도시한 블록도이다.
도 1에서 도시한 바와 같이, 본 발명에 따른 상황인식을 위한 온톨로지 시스템은 센싱장치(Sensing Device)(1)로부터 컨텍스트 정보를 입력받아 유효성을 검증하는 컨텍스트 브로커(Broker)수단(10), 컨텍스트 브로커수단(10)에서 검증된 컨텍 스트 정보를 OWL(Ontology Web Language, OWL)데이터로 변환하여 가공하고 온톨로지 구조가 생성되도록 제어하는 컨텍스트 관리수단(20), 컨텍스트 관리수단(20)에서 가공된 컨텍스트 정보를 SWRL(Semantic Web Rule Language)데이터로 변환하여 추론과정을 통해 가공하는 추론엔진(Rule-base Engine)수단(30), 컨텍스트 관리수단(20)에서 가공된 컨텍스트 정보를 학습과정을 통해 가공하는 학습관리수단(40), 컨텍스트 관리수단(20), 추론엔진수단(30) 또는 학습관리수단(40)에서 가공된 컨텍스트 정보를 저장하는 데이터베이스(Database, DB)(50)를 구비한다.
도 1에 도시된 상황인식을 위한 온톨로지 시스템의 데이터베이스(50)는 가공된 컨텍스트 정보 중에서 학습 또는 학습을 통한 예측에 필요하다고 판단되는 히스토리(History) 정보가 축적되어 저장되는 히스토리DB(51), 가공된 컨텍스트 정보가 클래스의 형태로 정의되어 온톨로지 구조로 저장되는 온톨로지DB(52)로 이루어진다. 히스토리 정보는 컨텍스트 관리수단(20)의 판단에 의해 축적되며, 이는 추후에 학습관리수단(40)에 의해 학습 또는 학습을 통한 예측의 수행시에 이용된다.
본 발명의 일실시예에 따른 상황인식을 위한 온톨로지 시스템에서는 OWL과 SWRL을 사용한다. OWL은 기술논리(Description-Logic, DL)언어를 온톨로지의 형태로 표현할 수 있으며 이를 추론엔진수단(30)을 통하여 추론 서비스를 제공할 수 있다. 또한, SWRL은 기존의 OWL이 표현할 수 있는 범위(DL에 해당하는)의 제한으로 인하여 혼-논리언어를 표현할 수 있도록 제안된 온톨로지 언어이다. 본 발명에 따른 상황인식을 위한 온톨로지 시스템에서는 기존의 DL기반 OWL만을 이용할 경우 불 가능했던 수식 형태의 혼-논리를 SWRL언어를 이용하여 온톨로지의 형태로 표현할 수 있다.
도 1에 도시된 컨텍스트 브로커수단(10), 컨텍스트 관리수단(20) 및 학습관리수단(40) 간의 관계에 대해 간략히 설명하자면 다음과 같다. 먼저, 컨텍스트 브로커수단(10)이 외부의 센싱장치(1)로부터 수신된 컨텍스트 정보를 토대로 유효성 검증을 수행하고, 검증을 마친 후 유효한 정보를 컨텍스트 관리수단(20)으로 전달한다. 이렇게 검증된 컨텍스트 정보를 토대로 컨텍스트 관리수단(20)은 추론엔진수단(30), 학습관리수단(40) 히스토리DB(51), 온톨로지DB(52)을 제어한다. 학습관리수단(40)은 사용자에게 제공하게 될 지능서비스를 위한 기능을 수행하며, 다양한 학습 알고리즘을 이용한다. 여기서, 지능 서비스는 기본적인 머신러닝(Machine Running) 알고리즘인 결정-트리(Decision-Tree, 이하 'DT'라 한다) 방법과 신경망(Neural-Network, 이하 'NN'라 한다) 방법을 이용하여 사용자에게 제공하며, 온톨로지의 구조는 학습 알고리즘이 손쉽게 적용되도록 구조화한다. 물론, DT나 NN 이외의 다른 학습 알고리즘도 사용가능하다. 학습관리수단(40)은 외부의 센싱장치(1)로부터 입력받은 컨텍스트 정보를 이용하여 히스토리DB(51)에 히스토리 정보로서 학습 데이터를 축적하고, 축적된 히스토리 정보를 이용하여 학습을 수행하여 추론된 결과를 사용자에게 서비스한다.
또한, 본 발명에 따른 상황인식을 위한 온톨로지 시스템에서는 그 구성요소 중 하나인 추론엔진수단(30)을 사용한다. 온톨로지는 단순히 지식의 표현이라고 할 수 있다. 다시 말해서, 'A이면 B이고, B이면 C일 경우, A이면 C이다'라는 정보를 표현할 수 있다. 따라서, 이러한 정보를 이용하여 실제 추론 서비스를 수행하기 위해서는 추론엔진이 필요한 것이다. 본 발명에 따른 추론엔진수단(30)은 OWL과 SWRL의 형태로 표현된 온톨로지를 추론하는 기능을 수행한다.
또한, 본 발명에 따른 온톨로지DB(52)에는 가공된 컨텍스트 정보가 클래스(Class)의 형태로 정의되어 저장된다. 즉, 하나의 컨텍스트가 하나의 클래스로 정의됨으로써 클래스의 속성에 컨텍스트의 값만이 아닌 다양한 부가 정보를 표현할 수 있게 되는 것이다. '클래스'는 본 분야에서 통상으로 사용되는 용어이므로 구체적 설시는 생략한다.
도 2는 본 발명의 일실시예에 따른 상위-레벨(Upper-Level) 온톨로지 구조를 도시한 도면이고, 도 3은 본 발명의 일실시예에 따른 도메인-레벨(Domain-Level) 온톨로지 구조를 도시한 도면이다.
도 2에서 도시한 바와 같이, 온톨로지DB(52)에 저장되는 컨텍스트 정보는 기본적으로 상위-레벨 온톨로지 구조를 갖는다. 상위-레벨 온톨로지 구조는 다양한 도메인의 상황인식 시스템에서 사용되는 온톨로지를 손쉽게 정의할 수 있게 할 뿐만 아니라, 다양한 도메인에 적용되는 온톨로지의 일반적인 형태를 유지함으로써 기존의 도메인 종속적 온톨로지에 비해 높은 확장성을 갖는다. 또한, 이러한 형태의 온톨로지를 프레임워크(Framework)에서 활용함으로써 다양한 도메인의 상황인식 시스템 구축에 있어서 높은 안정성과 시간 절약의 이점을 제공할 수 있다. 온톨로지 구조는 도 3에서 도시한 바와 같이 상위-레벨 온톨로지 구조를 기본구조로 하 고, 하위클래스가 추가됨에 따라 도메인-레벨 온톨로지 구조로 확장될 수 있다. 추가되는 하위클래스는 도메인의 부가정보를 나타내는 하위클래스이기도 하지만, 다른 도메인을 위해 정의된 하위클래스를 이용할 수도 있다.
상위-레벨 온톨로지는 컨텍스트 정보의 도메인을 정의한 클래스를 하위클래스로 포함하는 복합(Compound) 상위클래스, 복합 클래스의 속성이 되는 가공된 컨텍스트 정보를 컨텍스트 타입별로 분류하여 정의한 클래스를 하위클래스로 포함하는 기초(Elementary) 상위클래스, 학습관리수단(40)에서 수행할 학습방법 또는 학습을 통한 예측방법 또는 학습이나 예측의 속성을 정의한 클래스를 하위클래스로 포함하는 학습(Learning) 상위클래스로 이루어진다. 각각의 상위클래스에 대해 설명하면 다음과 같다.
먼저, 복합(Compound) 상위클래스는 'Person' 클래스와 'Location' 클래스를 통하여 'User'와 'Room'과 같은 도메인 클래스를 정의할 수 있다. 또한, 이러한 클래스의 속성인 'hasWeight', 'hasHeight' 등은 기초 상위클래스의 하위클래스로 정의된 각종 컨텍스트의 오브젝트 타입 속성(Object Type Property)으로 정의된다. 참고로, 온톨로지에서 클래스의 속성은 데이터 타입 속성(Data Type Property)과 오브젝트 타입 속성으로 나뉜다.
다음으로, 기초(Elementary) 상위클래스는 컨텍스트의 생성방식에 따라 나뉘어진 컨텍스트의 타입에 따라 분류되며, 이러한 분류를 통하여 각종 컨텍스트의 정보를 표현하게 된다. 기초 상위클래스는 컨텍스트 정보의 원활한 처리와 표현을 위 해 분류된 컨텍스트 타입을 이용한다. 이렇게 표현된 온톨로지의 컨텍스트는 프레임워크에서 컨텍스트의 타입에 따른 프로세스를 처리할 수 있게 한다. 컨텍스트 타입은 다음의 4가지 타입으로 정의한다.
첫째, 컨텍스트 관리수단(20)이 가공하여 생성하는 센스(Sensed) 타입으로, 각종 센싱장치(1)로부터 들어오는 컨텍스트 정보를 나타내며 이는 모든 다른 컨텍스트 타입을 위한 기본적인 컨텍스트 타입이다.
둘째, 추론엔진수단(30)이 센스 타입의 컨텍스트 정보를 연산을 통해 가공하여 생성하는 결합(Combined) 타입으로, 외부로부터 들어오는 컨텍스트 정보가 아닌 추론엔진수단(30)의 수식 연산에 의해 생성되는 컨텍스트 정보이다. 또한, 이러한 컨텍스트 정보의 연산식에 대한 SWRL 형태로 표현된다. 결합(Combined) 타입의 가공과정에 대해 일례를 통해 설명하면 다음과 같다.
우선, 결합(Combined) 타입 컨텍스트 정보인 'StandWeight' 클래스를 위한 SWRL 규칙의 정의가 필요하다. 이러한 컨텍스트 정보의 연산식과 SWRL 규칙은 다음과 같다.
SW=(Height-100.0) X 0.8
SW 규칙 upper: PersonID(?x)^Height(?y)^upper:hasPersonID(?y,?x) ^upper:contextValue(?y,?z)^swrlb:subtract(?a,?z,100.0) ^swrlb:multiply(?b,?a,0.8)^StandWeight(?c) ^upper:hasPersonID(?c,?x) ->upper:contextValue(?c,?b)
수학식1을 살펴보면, 사용자의 키(Height)에서 100을 뺀 후, 0.8을 곱한 값이 표준 몸무게(StandWeight)가 되며, 이는 다음과 같이 SWRL 규칙으로 정의된다. 'upper: PersonID(?x)^Height(?y)^upper:hasPersonID(?y,?x)'는 변수 '?x'가 사용자의 ID 개체이고, 변수 '?y'가 'Height' 개체이며, 변수 '?y'는 변수 '?x'의 'hasPersonID' 관계, 즉 몸무게(?y)는 사용자ID(?x)를 'hasPersonID' 속성으로 갖는다는 의미이다. 또한, 'upper:hasContextValue(?y,?z)'은 'Height' 개체인 변수 '?y'는 'hasContextValue'로 변수 '?z'를 갖는다는 의미이다. 다음으로 'swrlb:subtract(?a,?z,100.0)'은 'Height' 값인 변수 '?z'의 값에서 100.0을 뺀 값이 변수 '?a'에 해당된다는 의미이다. 또한, 'swrlb:multiply(?b,?a,0.8)'은 이전에 계산한 값인 '?a'에서 '0.8'을 곱한 값을 '?b'에 할당한다는 의미이다. 마찬가지로 'StandWeight(?c)'은 변수 '?c'가 'StandWeight' 클래스의 개체임을 나타내는 의미이고, 'upper:hasPersonID(?c,?x)'은 'StanWeight' 클래스의 개채 또한 Height 클래스의 개체와 동일한 'PersonID'를 갖는다는 의미이다. 마지막 화살표 이후의 'upper:contextValue(?c,?b)'은 이와 같은 조건이 모두 만족한다면 변수 '?c'인 어떠한 'StandWeight'의 개체는 '?b'를 값으로 갖는다는 의미이다. 따라서, '?b'는 'swrlb'의 연산 조건에 의하여 생성된 변수가 된다.
이와 같이 SWRL을 정의함으로써 기존의 추론(Rule-Base)엔진에 종속적이던 규칙정의를 독립적으로 표현함으로써 추론뿐만 아니라 기타 다른 추론엔진을 이용하여 사용자에게 추론서비스를 수행할 수 있다.
셋째, 추론엔진수단(30)이 센스 타입의 컨텍스트 정보를 추론을 통해 가공하여 생성하는 추론(Inferred) 타입으로, 외부로부터 들어오는 컨텍스트 정보가 아닌 추론엔진수단(30)의 추론에 의해 생성되는 컨텍스트 정보이다. 결합 타입과 유사하지만 연산식이 아닌 규칙(Rule)에 의해 생성되는 컨텍스트이며, 이 또한 SWRL 형태로 표현된다.
넷째, 학습관리수단(40)이 센스 타입의 히스토리 정보를 학습방법 또는 학습을 통한 예측방법을 통해 가공하여 생성하는 학습(Learned) 타입으로, DT 또는 NN과 같은 학습 알고리즘에 의해 생성되는 컨텍스트 정보이며, 이는 학습을 위해 다른 타입의 컨텍스트 정보를 히스토리 정보로 구성하여 이를 이용한 학습수행의 결과에 의한 컨텍스트 정보이다. 학습은 하나의 컨텍스트 정보를 이용하여 수행되는 것이 아니라, 일정한 기간(시간) 동안 데이터를 축적한 후 축적된 데이터를 통해 수행되어 '기존에는 ~했는데, 지금 ~한 상황인 경우는 어떠한 결과가 발생하겠는가?'라는 질문에 대한 답을 얻는 과정이라 할 수 있다. 즉, '사용자 A가 흐리고 바람이 적당히 부는 월요일에 테니스를 쳤다.', '사용자 A가 비가 오고 바람이 세게 부는 화요일에 테니스를 치지 않았다.', '사용자 A가 화창하고 바람이 적당히 부는 수요일에 테니스를 쳤다.' 등과 같은 컨텍스트 정보를 주기적으로 입력받았다고 가정하자. 그러면, 입력된 컨텍스트 정보 중 온톨로지에 정의된 학습 알고리즘에 필요한 컨텍스트가 어떠한 것인지 확인한 후에 이러한 컨텍스트 정보가 학습을 위해 필요하다고 판단되면 학습 히스토리DB(51)에 축적시켜 놓고, 이렇게 축적된 히스토리 정보를 통해 학습관리수단(40)이 학습을 수행한다. DT와 같은 학습 알고리즘을 이용하여 학습이 수행된 후에는 룰테이블(Rule Table)과 클래스 등에 대한 학습결과 파일이 생성된다. 이러한 결과 파일을 통해 '날씨가 ~고, 바람이 ~한 상황인데 사용자 A가 테니스를 칠 것인가?'라는 질문에 대한 결과를 얻을 수 있고, 이 결과는 다시 온톨로지DB(52)에 하나의 학습(Learned) 타입 컨텍스트 정보로 저장되고 활용되게 된다.
마지막으로, 학습(Learning) 상위클래스는 사용자의 의도나 성향 등을 파악하여 사용자에게 지능적인 서비스를 할 수 있도록 하기 위한 것이다. 이를 온톨로지 상위클래스로 정의한 이유는 상황인식 시스템에서 사용할 학습방법 및 사용할 학습방법의 속성을 정의하기 위해서이다.
학교, 회사, 병원 등 유비쿼터스 환경의 다양한 도메인들을 위한 온톨로지의 표준이 되는 상위-레벨 온톨로지를 정의함으로써 새로운 도메인 온톨로지를 정의할 때 손쉽고 빠르게 정의할 수 있다. 이는 각 도메인의 온톨로지가 일정하고 기본적인 형태를 유지할 수 있도록 함으로써 정보의 공유와 확장에 도움이 되도록 한 것이다. 즉, 컨텍스트 정보를 더욱 다양하게 표현할 수 있도록 컨텍스트를 하나의 클래스로 정의하여 컨텍스트의 부가 정보인 센서정보, 위치정보, 기타정보 등을 정의할 뿐만 아니라 학습을 적용할 수 있도록 온톨로지를 정의한 것이다.
다음에 본 발명에 따른 상황인식을 위한 온톨로지 관리 방법에 대해 도 4에 따라 설명한다.
도 4는 본 발명의 일실시예에 따른 상황인식을 위한 온톨로지 관리 방법을 설명하는 흐름도이다.
도 4에서 도시한 바와 같이, 먼저 컨텍스트 브로커수단(10)이 센싱장치(1)로부터 컨텍스트 정보를 입력받아(ST100) 유효성을 검증한다(ST110). 유효성 검증이 완료되면 컨텍스트 관리수단(20)으로 컨텍스트 정보를 전송한다. 이를 수신한 컨텍스트 관리수단(20)은 컨텍스트 브로커수단(10)에서 검증된 컨텍스트 정보를 OWL데이터로 변환하여 센스(Sensed) 타입 컨텍스트 정보로 가공한 후(ST200), 온톨로지DB(52)에 저장한다(ST400). 컨텍스트 관리수단(20)은 가공된 센스(Sensed) 타입 컨텍스트 정보에 대해 학습 또는 학습을 통한 예측에 필요한지 여부를 판단한다(ST300). 만약, 필요하다고 판단된다면 히스토리 정보로서 히스토리DB(51)에 축적하여 저장한다(ST310).
이제, 가공된 센스(Sensed) 타입 컨텍스트 정보를 이용하여 결합(Combined) 타입과 추론(Inferred) 타입 컨텍스트 정보를 생성한다. 즉, 추론엔진수단(30)이 온톨로지DB(52)에 저장된 센스(Sensed) 타입 컨텍스트 정보를 SWRL데이터로 변환하여 추론과정을 통해 컨텍스트 정보로 가공한 후(ST500), 온톨로지DB(52)에 저장한다(ST400). 이때, 수식의 연산을 통해서는 결합(Combined) 타입 컨텍스트 정보를 가공하고(ST510), 규칙의 추론을 통해서는 추론(Inferred) 타입 컨텍스트 정보를 가공한다(ST520).
학습(Learning) 타입 컨텍스트 정보는 학습요청 또는 학습을 통한 예측 요청의 수신에 따라 가공된다. 즉, 학습요청(ST700)이나 학습을 통한 예측 요청(ST800)이 수신되는지 여부를 판단하여 요청이 수신되면, 요청에 따라 학습관리수단(40)이 히스토리DB(51)에 저장된 히스토리 정보를 학습(ST710) 또는 학습을 통한 예측(ST810)을 통해 학습(Learning) 타입 컨텍스트 정보로 가공하여(ST900) 온톨로지DB(52)에 저장한다(ST400).
이상 본 발명자에 의해서 이루어진 발명을 상기 실시 예에 따라 구체적으로 설명하였지만, 본 발명은 상기 실시 예에 한정되는 것은 아니고, 그 요지를 이탈하지 않는 범위에서 여러 가지로 변경 가능한 것은 물론이다.
상술한 바와 같이, 본 발명에 따른 온톨로지 시스템과 그 온톨로지 관리 방법 및 이를 기록한 기록매체에 의하면, 온톨로지를 통해 다양한 컨텍스트 정보를 표현할 수 있다는 효과가 얻어진다.
또, 본 발명에 따른 온톨로지 시스템과 그 온톨로지 관리 방법 및 이를 기록한 기록매체에 의하면, 도메인에 종속적이지 않은 컨텍스트의 분류형태를 정의함으로써 온톨로지를 쉽게 정의할 수 있고, 시스템 구축이 용이하다는 효과가 얻어진다.
또, 본 발명에 따른 온톨로지 시스템과 그 온톨로지 관리 방법 및 이를 기록 한 기록매체에 의하면, 학습을 통해 사용자의 의도 또는 성향을 파악하여 지능적인 서비스를 제공할 수 있다는 효과가 얻어진다.

Claims (17)

  1. 센싱장치로부터 컨텍스트(Context) 정보를 입력받아 유효성을 검증하는 컨텍스트 브로커수단,
    상기 컨텍스트 브로커수단에서 검증된 상기 컨텍스트 정보를 웹 온톨로지 언어(Ontology Web Language, OWL)데이터로 변환하여 가공하고 온톨로지(Ontology) 구조가 생성되도록 제어하는 컨텍스트 관리수단,
    상기 컨텍스트 관리수단에서 가공된 상기 컨텍스트 정보를 시맨틱 웹 규칙 언어(Semantic Web Rule Language, SWRL)데이터로 변환하여 추론과정을 통해 가공하는 추론엔진수단,
    상기 컨텍스트 관리수단에서 가공된 상기 컨텍스트 정보를 학습과정을 통해 가공하는 학습관리수단,
    상기 컨텍스트 관리수단 또는 상기 추론엔진수단 또는 상기 학습관리수단에서 가공된 상기 컨텍스트 정보를 저장하는 데이터베이스를 포함하는 것을 특징으로 하는 상황인식을 위한 온톨로지 시스템.
  2. 제 1항에 있어서,
    상기 데이터베이스는
    가공된 상기 컨텍스트 정보 중에서 상기 컨텍스트 관리수단에 의해 학습 또는 학습을 통한 예측에 필요하다고 판단되는 히스토리 정보가 축적되어 저장되는 히스토리DB,
    상기 컨텍스트 관리수단 또는 상기 추론엔진수단 또는 상기 학습관리수단에서 가공된 상기 컨텍스트 정보가 클래스의 형태로 정의되어 온톨로지 구조로 저장되는 온톨로지DB를 포함하는 것을 특징으로 하는 상황인식을 위한 온톨로지 시스템.
  3. 제 2항에 있어서,
    상기 온톨로지DB에 저장되는 상기 컨텍스트 정보는 컨텍스트 정보의 도메인을 정의한 클래스를 하위클래스로 포함하는 복합(Compound) 상위클래스, 상기 복합 클래스의 속성이 되는 가공된 컨텍스트 정보를 컨텍스트 타입별로 분류하여 정의한 클래스를 하위클래스로 포함하는 기초(Elementary) 상위클래스, 상기 학습관리수단에서 수행할 학습방법 또는 학습을 통한 예측방법 또는 속성을 정의한 클래스를 하위클래스로 포함하는 학습(Learning) 상위클래스를 포함하는 상위-레벨 온톨로지 구조로 이루어지는 것을 특징으로 하는 상황인식을 위한 온톨로지 시스템.
  4. 제 3항에 있어서,
    상기 컨텍스트 타입은
    상기 컨텍스트 관리수단이 가공하여 생성하는 센스(Sensed) 타입,
    상기 추론엔진수단이 상기 센스 타입의 컨텍스트 정보를 연산을 통해 가공하여 생성하는 결합(Combined) 타입,
    상기 추론엔진수단이 상기 센스 타입의 컨텍스트 정보를 추론을 통해 가공하여 생성하는 추론(Inferred) 타입,
    상기 학습관리수단이 상기 센스 타입의 상기 히스토리 정보를 학습방법 또는 학습을 통한 예측방법을 통해 가공하여 생성하는 학습(Learned) 타입으로 이루어지는 것을 특징으로 하는 상황인식을 위한 온톨로지 시스템.
  5. 제 4항에 있어서,
    상기 학습관리수단은 상기 학습방법 또는 학습을 통한 예측방법으로 결정-트리(Decision-Tree) 방법 또는 신경망(Neural-Network) 방법을 사용하는 것을 특징으로 하는 상황인식을 위한 온톨로지 시스템.
  6. 제 5항에 있어서,
    상기 컨텍스트 관리수단은 상기 온톨로지 구조가 상기 상위-레벨 온톨로지 구조를 기본구조로 하고 하위클래스의 추가를 통해 확장되며, 제 1의 도메인을 위해 정의된 하위클래스를 제 2의 도메인을 위한 하위클래스로 이용가능하도록 제어하는 것을 특징으로 하는 상황인식을 위한 온톨로지 시스템.
  7. 컨텍스트 브로커수단, 컨텍스트 관리수단, 추론엔진수단, 학습관리수단, 히스토리DB, 온톨로지DB를 구비하는 온톨로지 시스템으로 온톨로지를 관리하는 방법에 있어서,
    상기 컨텍스트 브로커수단이 센싱장치로부터 컨텍스트 정보를 입력받아 유효성을 검증하는 단계,
    상기 컨텍스트 관리수단이 상기 컨텍스트 브로커수단에서 검증된 상기 컨텍스트 정보를 전달받아 OWL(Ontology Web Language)데이터로 변환하여 가공하여 상기 온톨로지DB에 저장하는 단계,
    상기 컨텍스트 관리수단이 가공된 상기 컨텍스트 정보에 대해 학습 또는 학습을 통한 예측에 필요한지 여부를 판단하는 단계,
    상기 판단하는 단계에서 필요하다고 판단되는 경우 히스토리 정보로서 상기 히스토리DB에 축적하여 저장하는 단계,
    상기 추론엔진수단이 상기 온톨로지DB에 저장된 상기 컨텍스트 정보를 SWRL(Semantic Web Rule Language)데이터로 변환하여 추론과정을 통해 가공하여 상기 온톨로지DB에 저장하는 단계,
    상기 컨텍스트 관리수단이 학습 또는 학습을 통한 예측 요청이 수신되는지 여부를 판단하는 단계,
    상기 요청에 따라 상기 학습관리수단이 상기 히스토리 정보를 학습 또는 학습을 통한 예측을 통해 가공하여 상기 온톨로지DB에 저장하는 단계를 포함하는 것을 특징으로 하는 상황인식을 위한 온톨로지 관리 방법.
  8. 제 7항에 있어서,
    가공된 상기 컨텍스트 정보는 클래스의 형태로 정의되어 온톨로지 구조로 상 기 온톨로지DB에 저장되는 것을 특징으로 하는 상황인식을 위한 온톨로지 관리 방법.
  9. 제 8항에 있어서,
    상기 온톨로지DB에 저장되는 상기 컨텍스트 정보는 컨텍스트 정보의 도메인을 정의한 클래스를 하위클래스로 포함하는 복합(Compound) 상위클래스, 상기 복합 클래스의 속성이 되는 가공된 컨텍스트 정보를 컨텍스트 타입별로 분류하여 정의한 클래스를 하위클래스로 포함하는 기초(Elementary) 상위클래스, 상기 학습관리수단에서 수행할 학습방법 또는 학습을 통한 예측방법 또는 속성을 정의한 클래스를 하위클래스로 포함하는 학습(Learning) 상위클래스를 포함하는 상위-레벨 온톨로지 구조로 이루어지는 것을 특징으로 하는 상황인식을 위한 온톨로지 관리 방법.
  10. 제 9항에 있어서,
    상기 컨텍스트 타입은
    상기 컨텍스트 관리수단이 가공하여 생성하는 센스(Sensed) 타입,
    상기 추론엔진수단이 상기 센스 타입의 컨텍스트 정보를 연산을 통해 가공하여 생성하는 결합(Combined) 타입,
    상기 추론엔진수단이 상기 센스 타입의 컨텍스트 정보를 추론을 통해 가공하여 생성하는 추론(Inferred) 타입,
    상기 학습관리수단이 상기 센스 타입의 상기 히스토리 정보를 학습방법 또는 학습을 통한 예측방법을 통해 가공하여 생성하는 학습(Learned) 타입으로 이루어지는 것을 특징으로 하는 상황인식을 위한 온톨로지 관리 방법.
  11. 제 10항에 있어서,
    상기 학습관리수단은 상기 학습방법 또는 학습을 통한 예측방법으로 결정-트리(Decision-Tree) 방법 또는 신경망(Neural-Network) 방법을 사용하여 가공하는 것을 특징으로 하는 상황인식을 위한 온톨로지 관리 방법.
  12. 제 11항에 있어서,
    상기 온톨로지 구조는 상기 상위-레벨 온톨로지 구조를 기본구조로 하고 하위클래스의 추가를 통해 확장되며, 제 1의 도메인을 위해 정의된 하위클래스를 제 2의 도메인을 위한 하위클래스로 이용가능한 것을 특징으로 하는 상황인식을 위한 온톨로지 관리 방법.
  13. 상황인식을 위해 센싱장치로부터 입력받은 컨텍스트 정보의 데이터 구조를 컴퓨터로 기록한 기록매체에 있어서,
    상기 센싱장치로부터 입력되는 컨텍스트 정보가 OWL(Ontology Web Language)데이터로 변환되어 가공되거나 SWRL(Semantic Web Rule Language)데이터로 변환되어 추론과정을 통해 가공되거나 학습과정을 통해 가공되어 기록되고,
    가공된 상기 컨텍스트 정보가 클래스의 형태로 정의되어 온톨로지 구조로 이 루어지며,
    가공된 상기 컨텍스트 정보 중에서 학습 또는 학습을 통한 예측에 필요하다고 판단되는 정보는 히스토리 정보로서 축적되는 것을 특징으로 하는 데이터를 기록한 컴퓨터로 읽을 수 있는 기록매체.
  14. 제 13항에 있어서,
    상기 가공된 컨텍스트 정보는 컨텍스트 정보의 도메인이 정의된 클래스를 하위클래스로 포함하는 복합(Compound) 상위클래스, 상기 복합 클래스의 속성이 되는 가공된 컨텍스트 정보가 컨텍스트 타입별로 분류되어 정의된 클래스를 하위클래스로 포함하는 기초(Elementary) 상위클래스, 학습방법 또는 학습을 통한 예측방법 또는 속성이 정의된 클래스를 하위클래스로 포함하는 학습(Learning) 상위클래스를 포함하는 상위-레벨 온톨로지 구조로 이루어지는 것을 특징으로 하는 데이터를 기록한 컴퓨터로 읽을 수 있는 기록매체.
  15. 제 14항에 있어서,
    상기 컨텍스트 타입은
    상기 OWL데이터로 변환되어 가공되어 생성되는 센스(Sensed) 타입,
    상기 센스 타입의 컨텍스트 정보가 연산을 통해 가공되어 생성되는 결합(Combined) 타입,
    상기 센스 타입의 컨텍스트 정보가 추론을 통해 가공되어 생성되는 추 론(Inferred) 타입,
    상기 센스 타입의 히스토리 정보가 학습방법 또는 학습을 통한 예측방법을 통해 가공되어 생성되는 학습(Learned) 타입으로 이루어지는 것을 특징으로 하는 데이터를 기록한 컴퓨터로 읽을 수 있는 기록매체.
  16. 제 15항에 있어서,
    상기 학습방법 또는 학습을 통한 예측방법으로 결정-트리(Decision-Tree) 방법 또는 신경망(Neural-Network) 방법을 사용하는 것을 특징으로 하는 데이터를 기록한 컴퓨터로 읽을 수 있는 기록매체.
  17. 제 16항에 있어서,
    상기 온톨로지 구조는 상기 상위-레벨 온톨로지 구조를 기본구조로 하고 하위클래스의 추가를 통해 확장되며, 제 1의 도메인을 위해 정의된 하위클래스를 제 2의 도메인을 위한 하위클래스로 이용가능한 것을 특징으로 하는 데이터를 기록한 컴퓨터로 읽을 수 있는 기록매체.
KR1020070018495A 2007-02-23 2007-02-23 상황인식을 위한 온톨로지 시스템과 그 온톨로지 관리 방법및 이를 기록한 기록매체 KR100868331B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020070018495A KR100868331B1 (ko) 2007-02-23 2007-02-23 상황인식을 위한 온톨로지 시스템과 그 온톨로지 관리 방법및 이를 기록한 기록매체
US11/927,732 US7921065B2 (en) 2007-02-23 2007-10-30 Ontology system for context-aware, method thereof, and recording medium storing the same

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020070018495A KR100868331B1 (ko) 2007-02-23 2007-02-23 상황인식을 위한 온톨로지 시스템과 그 온톨로지 관리 방법및 이를 기록한 기록매체

Publications (2)

Publication Number Publication Date
KR20080096859A true KR20080096859A (ko) 2008-11-04
KR100868331B1 KR100868331B1 (ko) 2008-11-11

Family

ID=39717036

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020070018495A KR100868331B1 (ko) 2007-02-23 2007-02-23 상황인식을 위한 온톨로지 시스템과 그 온톨로지 관리 방법및 이를 기록한 기록매체

Country Status (2)

Country Link
US (1) US7921065B2 (ko)
KR (1) KR100868331B1 (ko)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101016066B1 (ko) * 2010-01-29 2011-02-23 충남대학교산학협력단 유비쿼터스 센서 네트워크 환경에서의 서비스 추론 시스템
KR101027497B1 (ko) * 2008-12-29 2011-04-07 (주)탑쿼드란트코리아 유비쿼터스 서비스 시스템 및 그에 따른 데이터 처리 방법
KR101126524B1 (ko) * 2010-06-25 2012-03-22 국민대학교산학협력단 사용자 중심의 상황 인지 시스템, 이에 적합한 상황 정보 변환 방법 및 사례 기반 추론 방법
KR20120105148A (ko) * 2011-03-15 2012-09-25 한국전자통신연구원 복합 상황정보 관리 장치 및 그를 이용한 복합 상황정보 제공방법
US8346707B2 (en) 2009-11-27 2013-01-01 Korean Institute Of Science & Technology Information Rule reasoner, and dynamic materialization method for wild pattern rules including the same
KR20140112839A (ko) * 2013-03-14 2014-09-24 삼성전자주식회사 연역적 추론과 귀납적 추론을 결합한 상황 인지 장치 및 방법
US9053128B2 (en) 2011-11-28 2015-06-09 Samsung Electronics Co., Ltd. Assertion management method and apparatus, and reasoning apparatus including the assertion management apparatus
KR20180015561A (ko) * 2016-08-03 2018-02-13 한국전자통신연구원 적응형 지식 베이스 구축 방법 및 그 시스템

Families Citing this family (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100281061A1 (en) * 2009-04-30 2010-11-04 International Business Machines Corporation Semantic Data Validation of Disjoint Data
EP2246810A1 (en) 2009-04-30 2010-11-03 Collibra NV/SA Method for ontology evolution
EP2629211A1 (en) * 2009-08-21 2013-08-21 Mikko Kalervo Väänänen Method and means for data searching and language translation
US8463812B2 (en) * 2009-12-18 2013-06-11 Electronics And Telecommunications Research Institute Apparatus for providing social network service using relationship of ontology and method thereof
US8719770B2 (en) * 2010-09-09 2014-05-06 International Business Machines Corporation Verifying programming artifacts generated from ontology artifacts or models
US9684885B2 (en) * 2011-01-17 2017-06-20 Infosys Technologies, Ltd. Method and system for converting UBL process diagrams to OWL
US8478766B1 (en) * 2011-02-02 2013-07-02 Comindware Ltd. Unified data architecture for business process management
EP2678785A4 (en) * 2011-02-24 2016-08-17 Ericsson Telefon Ab L M METHOD AND SERVER FOR CLASSIFYING MULTIMEDIA DATA
CA2829283A1 (en) * 2011-03-31 2012-10-04 C.T. Consultants Inc. Framework for context-aware systems and methods
KR101912088B1 (ko) * 2011-10-12 2018-10-26 삼성전자 주식회사 단말기의 디폴트 모델 확장 장치, 단말기의 디폴트 모델 확장 방법 및 컴퓨터로 읽을 수 있는 저장 매체
KR20130089294A (ko) * 2012-02-01 2013-08-12 삼성전자주식회사 상황 인지 장치 및 이의 추론 성능 개선 방법
CN104471561B (zh) 2012-05-14 2019-03-15 诺基亚技术有限公司 确定情境-认知相似度和确定情境-认知推荐的方法和装置
KR101460404B1 (ko) * 2012-09-04 2014-11-12 포항공과대학교 산학협력단 사용자 중심의 상황정보 관리 장치 및 그 방법
US20150006150A1 (en) * 2013-07-01 2015-01-01 International Business Machines Corporation Using a rule engine to manipulate semantic objects
WO2016051279A1 (en) * 2014-10-02 2016-04-07 Lacey Stuart H Systems and methods for context-based permissioning of personally identifiable information
CN107430711B (zh) * 2015-04-16 2022-02-08 西门子公司 用于操作自动化系统的方法和装置
US9864598B2 (en) 2015-09-18 2018-01-09 ReactiveCore LLC System and method for providing supplemental functionalities to a computer program
US9372684B1 (en) * 2015-09-18 2016-06-21 ReactiveCore LLC System and method for providing supplemental functionalities to a computer program via an ontology instance
US11157260B2 (en) 2015-09-18 2021-10-26 ReactiveCore LLC Efficient information storage and retrieval using subgraphs
US10423397B2 (en) * 2016-12-29 2019-09-24 Grammatech, Inc. Systems and/or methods for type inference from machine code
CN108062369B (zh) * 2017-12-08 2020-08-11 华中师范大学 一种整合情境的多态性泛在学习资源聚合方法及系统
KR102669026B1 (ko) * 2018-10-26 2024-05-27 삼성전자주식회사 전자 장치 및 이의 제어 방법

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060074832A1 (en) * 2004-09-03 2006-04-06 Biowisdom Limited System and method for utilizing an upper ontology in the creation of one or more multi-relational ontologies
KR100688087B1 (ko) * 2004-12-13 2007-03-02 한국전자통신연구원 규칙과 온톨로지를 이용한 상황정보 표현방법 및상황인식시스템
US20070130112A1 (en) * 2005-06-30 2007-06-07 Intelligentek Corp. Multimedia conceptual search system and associated search method
KR100727032B1 (ko) 2005-11-08 2007-06-12 한국전자통신연구원 상황 인식 시스템에서 상황 지식의 공유와 재사용을 위한상황 지식 모델링 방법
KR100758404B1 (ko) 2005-10-10 2007-09-14 한국정보통신대학교 산학협력단 온톨로지 기반의 상황정보 관리방법
US7587308B2 (en) * 2005-11-21 2009-09-08 Hewlett-Packard Development Company, L.P. Word recognition using ontologies

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101027497B1 (ko) * 2008-12-29 2011-04-07 (주)탑쿼드란트코리아 유비쿼터스 서비스 시스템 및 그에 따른 데이터 처리 방법
US8346707B2 (en) 2009-11-27 2013-01-01 Korean Institute Of Science & Technology Information Rule reasoner, and dynamic materialization method for wild pattern rules including the same
KR101016066B1 (ko) * 2010-01-29 2011-02-23 충남대학교산학협력단 유비쿼터스 센서 네트워크 환경에서의 서비스 추론 시스템
KR101126524B1 (ko) * 2010-06-25 2012-03-22 국민대학교산학협력단 사용자 중심의 상황 인지 시스템, 이에 적합한 상황 정보 변환 방법 및 사례 기반 추론 방법
KR20120105148A (ko) * 2011-03-15 2012-09-25 한국전자통신연구원 복합 상황정보 관리 장치 및 그를 이용한 복합 상황정보 제공방법
US9053128B2 (en) 2011-11-28 2015-06-09 Samsung Electronics Co., Ltd. Assertion management method and apparatus, and reasoning apparatus including the assertion management apparatus
KR20140112839A (ko) * 2013-03-14 2014-09-24 삼성전자주식회사 연역적 추론과 귀납적 추론을 결합한 상황 인지 장치 및 방법
KR20180015561A (ko) * 2016-08-03 2018-02-13 한국전자통신연구원 적응형 지식 베이스 구축 방법 및 그 시스템

Also Published As

Publication number Publication date
KR100868331B1 (ko) 2008-11-11
US7921065B2 (en) 2011-04-05
US20080208774A1 (en) 2008-08-28

Similar Documents

Publication Publication Date Title
KR100868331B1 (ko) 상황인식을 위한 온톨로지 시스템과 그 온톨로지 관리 방법및 이를 기록한 기록매체
Bettini et al. A survey of context modelling and reasoning techniques
Perttunen et al. Context representation and reasoning in pervasive computing: a review
Gómez-Romero et al. Ontology-based context representation and reasoning for object tracking and scene interpretation in video
Yan et al. Trajectory ontologies and queries
CN108875090B (zh) 一种歌曲推荐方法、装置和存储介质
Bahramian et al. A context-aware tourism recommender system based on a spreading activation method
KR101637504B1 (ko) 비정형 데이터 처리 시스템 및 방법
CN101266660A (zh) 基于描述逻辑的本体不一致性分析方法
Wenhao Multisensor Information Fusion‐Assisted Intelligent Art Design under Wireless Virtual Reality Environment
US7599900B2 (en) Method and system for using Bayesian network models in distributed sensor environment
CN111552816A (zh) 面向大数据文本挖掘的动态认知语义匹配方法
Petrova AI for BIM-based sustainable building design: Integrating knowledge discovery and semantic data modelling for evidence-based design decision support
Boytsov et al. Situation awareness meets ontologies: A context spaces case study
KR20100062841A (ko) 상황 정보 관리 시스템 및 방법과 상황 정보 생성 방법
Goldfarb Vision of information science inspired by a new representational formalism
Nurmi et al. A system for context-dependent user modeling
Villa Semantically driven meta-modelling: automating model construction in an environmental decision support system for the assessment of ecosystem services flows
KR20060132591A (ko) 데이터 저장 장치로부터의 정보 아이템들의 검색
Confalonieri et al. Handling uncertain user preferences in a context-aware system
Contissa et al. How the Law Has Become Computable
US20240232912A9 (en) Knowledge graph implementation
Ouhajjou et al. Bypassing data unavailability in urban systems modeling
Renuga Devi et al. Cognitive Analytics in Continual Learning: A New Frontier in Machine Learning Research
Chi et al. Building ontological knowledge bases for sharing knowledge in digital archive

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: 20120917

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20131030

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20140916

Year of fee payment: 7

FPAY Annual fee payment

Payment date: 20151105

Year of fee payment: 8

FPAY Annual fee payment

Payment date: 20161024

Year of fee payment: 9

FPAY Annual fee payment

Payment date: 20181031

Year of fee payment: 11

FPAY Annual fee payment

Payment date: 20191031

Year of fee payment: 12