KR20120097840A - 벡터 공간 모델을 이용한 ｒｄｆ 트리플 선택 방법, 장치, 및 그 방법을 실행하기 위한 프로그램 기록매체 - Google Patents

벡터 공간 모델을 이용한 ｒｄｆ 트리플 선택 방법, 장치, 및 그 방법을 실행하기 위한 프로그램 기록매체 Download PDF

Info

Publication number
KR20120097840A
KR20120097840A KR1020110017313A KR20110017313A KR20120097840A KR 20120097840 A KR20120097840 A KR 20120097840A KR 1020110017313 A KR1020110017313 A KR 1020110017313A KR 20110017313 A KR20110017313 A KR 20110017313A KR 20120097840 A KR20120097840 A KR 20120097840A
Authority
KR
South Korea
Prior art keywords
keyword
rdf
virtual
similarity
virtual documents
Prior art date
Application number
KR1020110017313A
Other languages
English (en)
Other versions
KR101267038B1 (ko
Inventor
박형근
이경일
Original Assignee
주식회사 솔트룩스
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 주식회사 솔트룩스 filed Critical 주식회사 솔트룩스
Priority to KR1020110017313A priority Critical patent/KR101267038B1/ko
Publication of KR20120097840A publication Critical patent/KR20120097840A/ko
Application granted granted Critical
Publication of KR101267038B1 publication Critical patent/KR101267038B1/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
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

본 발명은 벡터 공간 모델을 이용한 RDF 트리플 선택 방법에 관한 것으로, SPARQL 질의문을 수신하는 단계; SPARQL 질의문으로부터 키워드를 추출하는 단계; RDF 저장소에 저장된 RDF 트리플들에 대하여, 동일한 주어부, 서술부, 또는 목적부를 가지는 RDF 트리플들을 함께 묶은 집합인 가상문서들을 생성하는 단계; 벡터 공간 모델을 이용하여 키워드 및 가상문서들을 벡터화하고, 벡터화된 키워드 및 벡터화된 가상문서들의 크기 및 각도에 따라서 키워드 및 가상문서들 간의 유사도를 결정하는 단계; 유사도의 결정 결과를 기초로 하여 키워드와 의미적으로 연관된 가상문서들을 선택하는 단계; 및 선택된 가상문서들을 이용하여 키워드에 대한 추론 처리를 실행하는 단계를 포함함으로써, 추론 처리 결과의 완전성 및 검색 속도를 향상시킬 수 있는 효과가 있다.

Description

벡터 공간 모델을 이용한 ＲＤＦ 트리플 선택 방법, 장치, 및 그 방법을 실행하기 위한 프로그램 기록매체 {Method and apparatus for selecting RDF triple using vector space model}
본 발명은 벡터 공간 모델을 이용한 RDF 트리플 선택 방법에 관한 것으로, 더욱 상세하게는 SPARQL 질의문을 기초로 한 추론 결과의 완전성을 향상시키기 위한 벡터 공간 모델을 이용한 RDF 트리플 선택 방법, 장치, 및 그 방법을 실행하기 위한 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체에 관한 것이다.
시맨틱 웹(Semantic Web)은 현재의 인터넷과 같은 분산 환경에서 자원(웹 문서, 각종 화일, 서비스 등)에 대한 정보와 자원 사이의 관계-의미 정보를 기계가 처리할 수 있는 온톨로지 형태로 표현하고, 이를 자동화된 기계가 처리하도록 하는 기술을 말한다.
또한, RDF(Resource Description Framework)는 W3C(http://www.w3.org/TR/rdf-concepts/)에서 표준으로 정한 웹 상에 있는 정보를 표현하는 체계로서, 이질적이고 분산된 웹 상의 데이터를 RDF로 표현하여 응용 프로그램들이 쉽게 처리 및 관리할 수 있도록 하는 모델(Model)이다. RDF의 표현 구조는 주어부(Subject), 서술부(Predicate) 및 목적부(Object)로 구성되는 트리플(Triple) 형태이고, 트리플의 각 구성요소는 URI(Unique Resource Identifiler)로 표현되는 웹 상의 자원이다. 관련된 RDF 트리플들의 묶음을 RDF 그래프(Graph)라 한다.
또한, 벡터 공간 모델(Vector Space Model)은 정보 필터링, 문서 내에서의 정보 검색, 색인과 유사도를 계산하기 위한 수학 모델이다. 벡터 공간 모델은 검색하려는 키워드 혹은 검색 대상이 되는 문서를 벡터로 나타낼 수 있고, 이를 위해서 주로 tf-idf(term frequency-inverse document frequency) 가중치가 이용된다. tf-idf 가중치는 tf * idf이고, 여기서 tf는 문서 내에서 해당 키워드가 나타나는 횟수이고, idf는 전체 문서의 수에 대해 해당 키워드가 포함된 문서들의 수로 나눈 값의 로그값이다.
벡터 공간 모델을 이용한 문서 또는 키워드 간의 유사도는 벡터의 내적 공식에서 코사인 값이 0에 가까우면 유사성이 없고 1에 가까우면 유사성이 높은 것이다. 예를 들어, 문서 d1 및 키워드 w의 벡터를 V(d1), V(w)라 표현하면 유사도 Sim(d1, w) = V(d1)?V(w) / |V(d1)||V(w)|가 된다. 예를 들어, 도 1을 참조하면, 문서 d1의 벡터가 문서 d2의 벡터보다 키워드 w의 벡터에 더 가까이 위치해 있으므로, 문서 d1이 키워드 w에 대하여 보다 유사한 문서라고 볼 수 있다.
한편, 이러한 RDF 트리플들을 추론 처리하여 필요한 데이터를 획득하기 위해서는, RDF 쿼리 언어인 SPARQL 질의문을 이용하여, 분산된 RDF 저장소들에 저장되어 있는 대량의 데이터들로부터 의미적으로 연관되어 있는 RDF 트리플들을 찾아와야 한다.
기존의 RDF 트리플 조회는 RDF 트리플들을 저장소에 색인한 후 SPARQL 질의문 내에 있는 트리플들의 자원과 키워드 매칭하여 관련된 RDF 트리플들을 조회하여 왔다. 그러나, 이는 추론 처리를 위해 의미적인 연관성이 있는 RDF 트리플을 추출하는 것이 아니라 단순한 연결성에 의해서 찾아오는 것으로서 단순 연결에 의한 RDF 트리플에 기반하여 추론 처리가 수행되므로 추론 처리 결과의 품질이 제한적이라는 문제점이 있다.
본 발명이 해결하고자 하는 기술적 과제는, 추론 처리를 위해서 필요한 RDF 데이터들을 추출하는데 있어 단순 키워드 매칭에 의한 RDF 트리플 추출보다 더욱 풍부한 속성 및 자원들을 찾아내어 의미적으로 연관성이 높은 RDF 트리플들을 더 많이 발견해 내고, 이를 기반으로 추론 처리 결과의 완전성을 향상시키기 위한 벡터 공간 모델을 이용한 RDF 트리플 선택 방법, 장치, 및 그 방법을 실행하기 위한 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체를 제공하는 것이다.
상술한 기술적 과제를 해결하기 위하여, 본 발명의 일 실시예에 따른 벡터 공간 모델을 이용한 RDF 트리플 선택 방법은, SPARQL 질의문을 수신하는 단계; 상기 SPARQL 질의문으로부터 키워드를 추출하는 단계; RDF 저장소에 저장된 RDF 트리플들에 대하여, 동일한 주어부, 서술부, 또는 목적부를 가지는 RDF 트리플들을 함께 묶은 집합인 가상문서들을 생성하는 단계; 벡터 공간 모델을 이용하여 상기 키워드 및 상기 가상문서들을 벡터화하고, 상기 벡터화된 키워드 및 상기 벡터화된 가상문서들의 크기 및 각도에 따라서 상기 키워드 및 상기 가상문서들 간의 유사도를 결정하는 단계; 상기 유사도의 결정 결과를 기초로 하여 상기 키워드와 의미적으로 연관된 가상문서들을 선택하는 단계; 및 상기 선택된 가상문서들을 이용하여 상기 키워드에 대한 추론 처리를 실행하는 단계를 포함하는 것을 특징으로 한다.
상기 가상문서들의 각각은, 상기 동일한 주어부와 의미적으로 연관되는 모든 서술부 및 목적부를 포함할 수 있다.
상기 벡터화는, tf-idf (term frequency-inverse document frequency) 가중치를 이용하여 수행될 수 있다.
상기 유사도는, 상기 벡터화된 키워드 및 상기 벡터화된 가상문서들 간의 내적을 계산하고, 상기 내적으로부터 상기 벡터화된 키워드 및 상기 벡터화된 가상문서들 간의 각도의 코사인 값을 계산하여 결정될 수 있다.
상기 키워드와 의미적으로 연관된 가상문서들은, 상기 유사도의 크기 순으로 정책에 따라 결정되는 소정의 개수만큼 선택될 수 있다.
상기 SPARQL 질의문은, 사용자로부터 직접 입력되거나 또는 응용 프로그램을 처리하는 과정에서 생성될 수 있다.
상기 추론 처리의 결과는, 사용자에게 직접 출력되거나 또는 응용 프로그램을 처리하는 과정에서 제공될 수 있다.
상기 RDF 저장소는 분산되어 있는 복수 개의 저장소들일 수 있다.
또한, 상술한 기술적 과제를 해결하기 위하여, 본 발명의 일 실시예에 따른 벡터 공간 모델을 이용한 RDF 트리플 선택 장치는, SPARQL 질의문을 수신하는 질의수신부; 상기 SPARQL 질의문으로부터 키워드를 추출하는 질의분석부; RDF 저장소에 저장된 RDF 트리플들에 대하여, 동일한 주어부, 서술부, 또는 목적부를 가지는 RDF 트리플들을 함께 묶은 집합인 가상문서들을 생성하는 가상문서생성부; 벡터 공간 모델을 이용하여 상기 키워드 및 상기 가상문서들을 벡터화하고, 상기 벡터화된 키워드 및 상기 벡터화된 가상문서들 간의 각도에 따라서 상기 키워드 및 상기 가상문서들 간의 유사도를 결정하는 유사도결정부; 상기 유사도의 결정 결과를 기초로 하여 상기 키워드와 의미적으로 연관된 가상문서들을 선택하는 가상문서선택부; 및 상기 선택된 가상문서들을 이용하여 상기 키워드에 대한 추론 처리를 실행하는 추론처리부를 포함하는 것을 특징으로 한다.
또한, 상술한 기술적 과제를 해결하기 위하여, 본 발명의 일 실시예에 따른 벡터 공간 모델을 이용한 RDF 트리플 선택 방법은 그 방법을 실행하기 위한 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체로 구현될 수 있다.
본 발명의 일 실시예에 따르면, SPARQL 질의문에서 추출된 키워드 및 RDF 저장소에 저장된 RDF 트리플들의 구성요소를 기초로 하여 생성된 가상문서들 간에 벡터 공간 모델을 적용하여 유사도가 높은 가상문서의 RDF 트리플들을 선택함으로써, 추론 처리에 필요한 RDF 데이터들을 추출하는데 있어 단순 키워드 매칭에 의한 RDF 트리플 추출보다 더욱 풍부한 속성 및 자원들을 찾아내어 의미적으로 연관성이 높은 RDF 트리플들을 더 많이 발견해 내고 이를 기반으로 추론 처리 결과의 완전성을 향상시킬 수 있을 뿐만 아니라 검색 속도도 향상시키는 효과가 있다.
도 1은 벡터 공간 모델에 따른 키워드와 문서들 간의 벡터 공간을 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 벡터 공간 모델을 이용한 RDF 트리플 선택 장치를 도시한 블록도이다.
도 3은 도 2의 가상문서 생성부에서 생성되는 가상문서들을 예시적으로 도시한 도면이다.
도 4는 본 발명의 일 실시예에 따른 벡터 공간 모델을 이용한 RDF 트리플 선택 방법을 도시한 흐름도이다.
이하, 첨부한 도면을 참조하여 본 발명의 바람직한 실시예를 상세하게 설명한다.
RDF 트리플은 데이터베이스, 웹 혹은 문서 내로부터 추출되어 생성된 URI 기반의 자원인 주어부(subject), 서술부(predicate), 목적부(object)로 표현된다. 이들 주어부(subject), 서술부(predicate), 목적부(object) 중 같은 자원을 공유함으로써 다른 RDF 트리플과 연관 관계를 가질 수 있다.
예를 들어, 1번 RDF 트리플이 (a, isA, c)이고, 2번 RDF 트리플이 (c, isA, e)이면, c가 같은 자원이므로 1번 RDF 트리플 및 2번 RDF 트리플은 (a, isA, e)의 연관 관계를 가질 수 있다.
SPARQL 질의문에 따른 효율적인 추론 처리를 위해서는 RDF 저장소로부터 의미적으로 연관 관계를 가지는 RDF 트리플들을 더욱 많이 찾아낼 필요가 있다.
도 2는 본 발명의 일 실시예에 따른 벡터 공간 모델을 이용한 RDF 트리플 선택 장치를 도시한 블록도이다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 벡터 공간 모델을 이용한 RDF 트리플 선택 장치(200)는 SPARQL 질의문에서 추출된 키워드 및 RDF 저장소(240)에 저장되어 있는 RDF 트리플들의 구성요소를 기초로 하여 생성된 가상문서들에 대해서 벡터 공간 모델을 적용함으로써 키워드와 유사도가 높은 가상문서들의 RDF 트리플들을 선택하기 위한 장치이다.
이를 위하여, 벡터 공간 모델을 이용한 RDF 트리플 선택 장치(200)는 응용처리부(210), 질의결과생성부(220) 및 RDF 저장소(240)를 포함한다.
응용처리부(210)는 SPARQL 질의문을 수신하여 질의결과생성부(220)로 전달하고, 질의결과생성부(220)에서 수행된 추론 처리의 결과를 수신하는 모듈이다. 이를 위하여, 응용처리부(210)는 예를 들어 질의수신부(212) 및 질의결과처리부(214)를 포함할 수 있다.
질의수신부(212)는 사용자에 의해 직접 입력되거나 또는 응용 프로그램을 처리하는 과정에서 생성되는 SPARQL 질의문을 수신하는 모듈이다.
질의결과처리부(214)는 질의결과생성부(220)에 의해 생성되는 추론 처리의 결과를 사용자에게 직접 출력하거나 또는 SPARQL 질의문을 송신한 응용 프로그램으로 제공하는 모듈이다.
질의결과생성부(220)는 응용처리부(210)로부터 수신되는 SPARQL 질의문을 기초로 하여 추론 처리를 수행하고, 수행된 추론 처리의 결과를 응용처리부(210)로 전송하기 위한 모듈이다. 구체적으로, 질의결과생성부(220)는 RDF 저장소(240)에 저장되어 있는 RDF 트리플들을 주어부, 서술부 또는 목적부에 포함된 동일한 자원 단위로 묶은 가상문서들을 생성하고, SPARQL 질의문에서 추출된 키워드 및 가상문서들 간의 유사도를 분석하여 의미적으로 연관성이 높은 가상문서들을 선택한 후에, 선택된 가상문서들을 이용하여 SPARQL 질의문에 대한 추론 처리를 수행할 수 있다.
이를 위하여, 질의결과생성부(220)는 예를 들어 질의분석부(222), 가상문서생성부(224), 유사도결정부(226), 가상문서생성부(228) 및 추론처리부(230)를 포함할 수 있다.
질의분석부(222)는 질의수신부(212)에서 수신되는 SPARQL 질의문으로부터 키워드를 추출한다. 추출되는 키워드는 SPARQL 질의문을 구성하는 트리플들 내의 자원들일 수 있다. 또한, SPARQL 질의문은 복수의 트리플들 또는 복수의 자원들을 포함할 수 있기 때문에, 그에 따라서 추출되는 키워드의 개수도 늘어날 수 있다.
가상문서생성부(224)는, 추론 처리에 필요한 의미적 연결성이 있는 RDF 트리플들을 더욱 많이 추출하기 위해서, RDF 저장소(240)에 저장된 RDF 트리플들에 대하여, 동일한 주어부, 서술부, 또는 목적부를 가지는 RDF 트리플들을 함께 묶은 집합인 가상문서들을 생성한다. 예를 들어, 가상문서생성부(224)는 동일한 주어부를 가지는 RDF 트리플들을 묶은 가상문서를 생성할 수 있고, 이 경우 해당 주어부에 대한 모든 서술부 및 목적부들이 함께 묶일 수 있다.
도 3은 도 2의 가상문서 생성부(224)에서 생성되는 가상문서들을 예시적으로 도시한 도면이다.
도 3을 참조하면, 가상문서 생성부(224,300)가 생성하는 가상문서들은 예를 들어 1번 가상문서(310), 2번 가상문서(320) 및 3번 가상문서(330)일 수 있다.
1번 가상문서(310)는 주어부가 a인 RDF 트리플들을 포함하고 있고, 2번 가상문서(320)는 주어부가 c인 RDF 트리플들을 포함하고 있으며, 3번 가상문서(330)는 주어부가 m인 RDF 트리플들을 포함하고 있다.
또한, 1번 가상문서(310)의 RDF 트리플(a b c)(312)의 목적부와 2번 가상문서(320)의 RDF 트리플(c o u)(322)의 주어부는 동일한 URI 자원으로 연결 가능하기 때문에, 1번 가상문서(310)와 2번 가상문서(320)는 새로운 또 하나의 가상문서로서 RDF 트리플들의 집합이 될 수도 있다.
한편, 가상문서 생성부(224)에서 생성되는 가상문서들은 가상문서 생성부(224) 내부에 저장될 수도 있고, RDF 저장소(240)에 저장될 수도 있으며, 또는 가상문서 생성부(224) 및 RDF 저장소(240)에 분산되어 저장될 수도 있다.
다시 도 2로 돌아오면, 유사도결정부(226)는 벡터 공간 모델을 이용하여 질의분석부(222)에서 추출된 키워드 및 가상문서생성부(224)에서 생성된 가상문서들을 벡터화하고, 벡터화된 키워드(이하, 키워드 벡터) 및 벡터화된 가상문서들(이하, 가상문서 벡터들)의 크기 및 각도에 따라서 키워드 및 가상문서들 간의 유사도를 결정한다.
유사도 결정을 위한 벡터 공간 모델에서의 벡터화는 tf-idf (term frequency-inverse document frequency) 가중치를 이용하여 수행될 수 있다. tf-idf 가중치는 tf * idf이고, 여기서 tf는 문서 내에서 해당 키워드가 나타나는 횟수이고, idf는 전체 문서의 수에 대해 해당 키워드가 포함된 문서들의 수로 나눈 값의 로그값이다.
벡터 공간 모델을 이용한 문서 또는 키워드 간의 유사도는 벡터의 내적 공식에서 코사인 값이 0에 가까우면 유사성이 없고 1에 가까우면 유사성이 높은 것이다. 예를 들어, 문서 d1 및 키워드 w의 벡터를 V(d1), V(w)라 표현하면 유사도 Sim(d1, w) = V(d1)?V(w) / |V(d1)||V(w)|가 된다.
예를 들어, 유사도결정부(226)는 키워드 벡터와 각 가상문서 벡터들과의 내적들을 계산하고, 계산된 내적들로부터 키워드 벡터와 각 가상문서 벡터들 간의 각도들의 코사인 값들을 계산하여 키워드와 각 가상문서들 간의 유사도를 결정할 수 있다. 벡터들 간의 각도의 코사인 값이 1에 가까우면 키워드와 해당 가상문서는 유사한 것으로 결정된다.
유사도결정부(226)의 유사도 결정에 관하여 도 3의 예시를 참조하여 설명한다. 만일 SPARQL 질의문 내의 키워드로서 a와 u 자원이 있다고 가정하면, 1번 가상문서(310)와 3번 가상문서(330)는 a 자원과 u 자원을 모두 포함하고 있는데 비하여(314,332,334), 2번 가상문서(320)는 u 자원만을 포함하고 있기 때문에(322), 유사도결정부(226)의 유사도 판단에 의하면 2번 가상문서(320)에 비해서 1번 가상문서(310)와 3번 가상문서(330)의 유사도가 높을 가능성이 많다. 한편, SPARQL 질의문 내의 자원이 많을수록 그 자원을 모두 포함하는 문서들의 수는 줄어들고, 그 문서들은 SPARQL 질의문과 연관성이 높은 정보를 많이 가지고 있을 것이므로 유사도 높은 가상문서를 발견할 가능성이 높아질 것이다.
가상문서선택부(228)는 유사도결정부(226)에서의 유사도 결정 결과를 기초로 하여 SPARQL 질의문에서 추출된 키워드와 의미적으로 연관된 가상문서들을 선택한다. 키워드와 의미적으로 연관된 가상문서들은 유사도결정부(226)에서 결정된 유사도의 크기 순서에 따라서 선택될 수 있다. 또한 키워드와 의미적으로 연관된 가상문서들은 가상문서선택부(228)를 제어하는 사용자의 정책에 따라서 소정의 개수만큼 선택되도록 설정될 수 있다.
추론처리부(230)는 가상문서선택부(228)에서 선택된 가상문서들을 이용하여 키워드에 대한 추론 처리를 실행한다. 추론 처리는 공리(Axiom) 기반 추론이나 규칙(Rule) 기반 추론 등 다양한 방식에 의해 수행될 수 있다. 추론 처리의 결과는 사용자에게 직접 출력되거나(예를 들어, 사용자 단말기 등을 통하여) 또는 응용 프로그램을 처리하는 과정에서 제공될 수 있다.
상술한 바에 따르면, 추론처리부(230)는 해당 키워드와 의미적으로 연관되는 매우 풍부한 RDF 트리플들을 대상으로 하여 추론 처리를 실행할 수 있기 때문에, 추론 결과의 완전성을 향상시킬 수 있다.
RDF 저장소(240)는 이질적이고 분산되어 있는 데이터베이스, 웹 혹은 문서 등으로부터 변환되어 생성된 RDF 트리플들을 저장하기 위한 모듈이다. 웹 상의 데이터들은 다양한 변환 엔진들에 의해서 RDF 트리플의 형태로 변환될 수 있다. 웹 상의 데이터들을 수집하여 RDF 트리플의 형태로 RDF 저장소(240)에 저장하는 과정에 대해서는 본 발명의 범위를 벗어나는 것이므로 구체적인 설명은 생략된다. 다만, RDF 저장소(240)는 하나의 저장소일 수도 있고, 혹은 분산되어 있는 복수 개의 저장소들을 포함할 수도 있다.
도 4는 본 발명의 일 실시예에 따른 벡터 공간 모델을 이용한 RDF 트리플 선택 방법을 도시한 흐름도이다.
도 4를 참조하면, 단계 402에서, 벡터 공간 모델을 이용한 RDF 트리플 선택 장치는, SPARQL 질의문을 수신한다. SPARQL 질의문은 사용자로부터 직접 입력되거나 또는 응용 프로그램을 처리하는 과정에서 생성될 수 있다.
단계 404에서, 벡터 공간 모델을 이용한 RDF 트리플 선택 장치는, 단계 402에서 수신된 SPARQL 질의문으로부터 키워드를 추출한다. 키워드는 SPARQL 질의문을 구성하는 적어도 하나의 트리플의 구성요소들로부터 추출될 수 있다.
단계 406에서, 벡터 공간 모델을 이용한 RDF 트리플 선택 장치는, RDF 저장소에 저장된 RDF 트리플들에 대하여, 동일한 주어부, 서술부, 또는 목적부를 가지는 RDF 트리플들을 함께 묶은 집합인 가상문서들을 생성한다. 예를 들어, 가상문서는 동일한 주어부를 가지는 RDF 트리플들을 함께 묶은 집합일 수 있고, 이 경우에 가상문서에는 동일한 주어부와 의미적으로 연관되는 모든 서술부 및 목적부가 포함될 수 있다. 또한, RDF 저장소는 하나일 수도 있고 혹은 분산되어 있는 복수 개의 저장소들일 수도 있다.
단계 408에서, 벡터 공간 모델을 이용한 RDF 트리플 선택 장치는, 벡터 공간 모델을 이용하여 키워드 및 가상문서들을 벡터화하고, 벡터화된 키워드 및 벡터화된 가상문서들의 크기 및 각도에 따라서 키워드 및 가상문서들 간의 유사도를 결정한다. 여기서, 벡터화는 예를 들어 tf-idf (term frequency-inverse document frequency) 가중치를 이용하여 수행될 수 있다. 또한, 유사도는 예를 들어 벡터화된 키워드 및 벡터화된 가상문서들 간의 내적을 계산하고, 계산된 내적으로부터 벡터화된 키워드 및 벡터화된 가상문서들 간의 각도의 코사인 값을 계산하여 결정될 수 있다.
단계 410에서, 벡터 공간 모델을 이용한 RDF 트리플 선택 장치는, 단계 408에서의 유사도 결정 결과를 기초로 하여 키워드와 의미적으로 연관된 가상문서들을 선택한다. 키워드와 의미적으로 연관된 가상문서들은 유사도의 크기 순으로 정책에 따라서 설정된 소정의 개수만큼 선택될 수 있다.
단계 412에서, 벡터 공간 모델을 이용한 RDF 트리플 선택 장치는, 단계 410에서 선택된 가상문서들을 이용하여 키워드에 대한 추론 처리를 실행한다. 추론 처리의 결과는 사용자에게 직접 출력되거나 또는 응용 프로그램을 처리하는 과정에서 제공될 수 있다.
본 발명의 일 실시예에 따른 벡터 공간 모델을 이용한 RDF 트리플 선택 방법은 컴퓨터로 읽을 수 있는 기록 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록 매체는 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 저장 장치를 포함한다. 컴퓨터가 읽을 수 있는 기록 매체의 예로는 ROM, RAM, CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있다. 또한 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 시스템에 분산되어, 분산방식으로 컴퓨터가 읽을 수 있는 코드로서 저장되고 실행될 수 있다.
이제까지 본 발명에 대하여 그 바람직한 실시예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시 예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.

Claims (10)

  1. SPARQL 질의문을 수신하는 단계;
    상기 SPARQL 질의문으로부터 키워드를 추출하는 단계;
    RDF 저장소에 저장된 RDF 트리플들에 대하여, 동일한 주어부, 서술부, 또는 목적부를 가지는 RDF 트리플들을 함께 묶은 집합인 가상문서들을 생성하는 단계;
    벡터 공간 모델을 이용하여 상기 키워드 및 상기 가상문서들을 벡터화하고, 상기 벡터화된 키워드 및 상기 벡터화된 가상문서들의 크기 및 각도에 따라서 상기 키워드 및 상기 가상문서들 간의 유사도를 결정하는 단계;
    상기 유사도의 결정 결과를 기초로 하여 상기 키워드와 의미적으로 연관된 가상문서들을 선택하는 단계; 및
    상기 선택된 가상문서들을 이용하여 상기 키워드에 대한 추론 처리를 실행하는 단계를 포함하는 것을 특징으로 하는 벡터 공간 모델을 이용한 RDF 트리플 선택 방법.
  2. 제1항에 있어서,
    상기 가상문서들의 각각은, 상기 동일한 주어부와 의미적으로 연관되는 모든 서술부 및 목적부를 포함하는 것을 특징으로 하는 벡터 공간 모델을 이용한 RDF 트리플 선택 방법.
  3. 제1항에 있어서,
    상기 벡터화는, tf-idf (term frequency-inverse document frequency) 가중치를 이용하여 수행되는 것을 특징으로 하는 벡터 공간 모델을 이용한 RDF 트리플 선택 방법.
  4. 제1항에 있어서,
    상기 유사도는, 상기 벡터화된 키워드 및 상기 벡터화된 가상문서들 간의 내적을 계산하고, 상기 내적으로부터 상기 벡터화된 키워드 및 상기 벡터화된 가상문서들 간의 각도의 코사인 값을 계산하여 결정되는 것을 특징으로 하는 벡터 공간 모델을 이용한 RDF 트리플 선택 방법.
  5. 제1항에 있어서,
    상기 키워드와 의미적으로 연관된 가상문서들은, 상기 유사도의 크기 순으로 정책에 따라 결정되는 소정의 개수만큼 선택되는 것을 특징으로 하는 벡터 공간 모델을 이용한 RDF 트리플 선택 방법.
  6. 제1항에 있어서,
    상기 SPARQL 질의문은, 사용자로부터 직접 입력되거나 또는 응용 프로그램을 처리하는 과정에서 생성되는 것을 특징으로 하는 벡터 공간 모델을 이용한 RDF 트리플 선택 방법.
  7. 제1항에 있어서,
    상기 추론 처리의 결과는, 사용자에게 직접 출력되거나 또는 응용 프로그램을 처리하는 과정에서 제공되는 것을 특징으로 하는 벡터 공간 모델을 이용한 RDF 트리플 선택 방법.
  8. 제1항에 있어서,
    상기 RDF 저장소는 분산되어 있는 복수 개의 저장소들인 것을 특징으로 하는 벡터 공간 모델을 이용한 RDF 트리플 선택 방법.
  9. SPARQL 질의문을 수신하는 질의수신부;
    상기 SPARQL 질의문으로부터 키워드를 추출하는 질의분석부;
    RDF 저장소에 저장된 RDF 트리플들에 대하여, 동일한 주어부, 서술부, 또는 목적부를 가지는 RDF 트리플들을 함께 묶은 집합인 가상문서들을 생성하는 가상문서생성부;
    벡터 공간 모델을 이용하여 상기 키워드 및 상기 가상문서들을 벡터화하고, 상기 벡터화된 키워드 및 상기 벡터화된 가상문서들 간의 각도에 따라서 상기 키워드 및 상기 가상문서들 간의 유사도를 결정하는 유사도결정부;
    상기 유사도의 결정 결과를 기초로 하여 상기 키워드와 의미적으로 연관된 가상문서들을 선택하는 가상문서선택부; 및
    상기 선택된 가상문서들을 이용하여 상기 키워드에 대한 추론 처리를 실행하는 추론처리부를 포함하는 것을 특징으로 하는 벡터 공간 모델을 이용한 RDF 트리플 선택 장치.
  10. 프로세서에서 SPARQL 질의문을 수신하는 단계;
    상기 SPARQL 질의문으로부터 키워드를 추출하는 단계;
    RDF 저장소에 저장된 RDF 트리플들에 대하여, 동일한 주어부, 서술부, 또는 목적부를 가지는 RDF 트리플들을 함께 묶은 집합인 가상문서들을 생성하는 단계;
    벡터 공간 모델을 이용하여 상기 키워드 및 상기 가상문서들을 벡터화하고, 상기 벡터화된 키워드 및 상기 벡터화된 가상문서들 간의 각도에 따라서 상기 키워드 및 상기 가상문서들 간의 유사도를 결정하는 단계;
    상기 유사도의 결정 결과를 기초로 하여 상기 키워드와 의미적으로 연관된 가상문서들을 선택하는 단계; 및
    상기 선택된 가상문서들을 이용하여 상기 키워드에 대한 추론 처리를 실행하는 단계를 포함하는 벡터 공간 모델을 이용한 RDF 트리플 선택 방법을 실행하기 위한 프로그램이 기록된 컴퓨터로 읽을 수 있는 기록매체.
KR1020110017313A 2011-02-25 2011-02-25 벡터 공간 모델을 이용한 ｒｄｆ 트리플 선택 방법, 장치, 및 그 방법을 실행하기 위한 프로그램 기록매체 KR101267038B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020110017313A KR101267038B1 (ko) 2011-02-25 2011-02-25 벡터 공간 모델을 이용한 ｒｄｆ 트리플 선택 방법, 장치, 및 그 방법을 실행하기 위한 프로그램 기록매체

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020110017313A KR101267038B1 (ko) 2011-02-25 2011-02-25 벡터 공간 모델을 이용한 ｒｄｆ 트리플 선택 방법, 장치, 및 그 방법을 실행하기 위한 프로그램 기록매체

Publications (2)

Publication Number Publication Date
KR20120097840A true KR20120097840A (ko) 2012-09-05
KR101267038B1 KR101267038B1 (ko) 2013-05-24

Family

ID=47108989

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020110017313A KR101267038B1 (ko) 2011-02-25 2011-02-25 벡터 공간 모델을 이용한 ｒｄｆ 트리플 선택 방법, 장치, 및 그 방법을 실행하기 위한 프로그램 기록매체

Country Status (1)

Country Link
KR (1) KR101267038B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210000952A (ko) * 2019-06-26 2021-01-06 주식회사 카카오 지식그래프 색인 방법 및 장치
WO2022108206A1 (ko) * 2020-11-19 2022-05-27 숭실대학교산학협력단 설명 가능한 지식그래프 완성 방법 및 장치
KR20220083424A (ko) * 2020-12-11 2022-06-20 경희대학교 산학협력단 Rdf 그래프 임베딩 방법 및 이를 실행하는 장치

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102442422B1 (ko) * 2020-11-23 2022-09-08 숭실대학교산학협력단 질의문과 지식 그래프 관계 학습을 이용한 지식 완성 방법 및 장치

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210000952A (ko) * 2019-06-26 2021-01-06 주식회사 카카오 지식그래프 색인 방법 및 장치
WO2022108206A1 (ko) * 2020-11-19 2022-05-27 숭실대학교산학협력단 설명 가능한 지식그래프 완성 방법 및 장치
KR20220083424A (ko) * 2020-12-11 2022-06-20 경희대학교 산학협력단 Rdf 그래프 임베딩 방법 및 이를 실행하는 장치

Also Published As

Publication number Publication date
KR101267038B1 (ko) 2013-05-24

Similar Documents

Publication Publication Date Title
US10031973B2 (en) Method and system for identifying a sensor to be deployed in a physical environment
JP5638616B2 (ja) 情報検索方法およびシステム
US11520800B2 (en) Extensible data transformations
US9406020B2 (en) System and method for natural language querying
JP5698222B2 (ja) 検索方法、装置およびシステム
JP5995409B2 (ja) コンピュータ解析のためにテキスト文書を表現するためのグラフィカル・モデル
KR101107760B1 (ko) 지능형 질의 응답 검색 시스템 및 방법
US9659004B2 (en) Retrieval device and method
US20240028607A1 (en) Facilitating data transformations
KR20130060720A (ko) 목적 기반 시맨틱 서비스 디스커버리를 위한 서비스 목적 해석 장치 및 방법
JP2009087339A (ja) オントロジーデータのインポート／エクスポートのための方法および装置
KR101267038B1 (ko) 벡터 공간 모델을 이용한 ｒｄｆ 트리플 선택 방법, 장치, 및 그 방법을 실행하기 위한 프로그램 기록매체
Lian et al. Keyword search over probabilistic RDF graphs
KR101446154B1 (ko) 사용자 질의 확장 기법을 이용한 시맨틱 콘텐츠 검색 시스템 및 방법
Freitas et al. A distributional structured semantic space for querying rdf graph data
WO2012091541A1 (en) A semantic web constructor system and a method thereof
KR101476225B1 (ko) 자연어 및 수식 색인화 방법과 그를 위한 장치 및 컴퓨터로 읽을 수 있는 기록매체
Abramowicz et al. Supporting topic map creation using data mining techniques
US20170270127A1 (en) Category-based full-text searching
JP6173958B2 (ja) 複数のハッシュテーブルを用いて検索するプログラム、装置及び方法
Firozbakht et al. Cloud computing service discovery framework for IaaS and PaaS models
Priyadarshini et al. Semantic clustering approach for documents in distributed system framework with multi-node setup
CN114391142A (zh) 使用结构化和非结构化数据的解析查询
Cuzzocrea et al. Graph-based matching of composite OWL-S services
Chakraborty et al. Searching and establishment of SPO relationships for linked RDF Graphs: An adaptive approach

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: 20180515

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20190515

Year of fee payment: 7