WO2021187682A1 - 클라우드 컴퓨팅 환경에서 분산 테이블 구조를 활용한 owl-horst 온톨로지 추론 방법 및 장치 - Google Patents

클라우드 컴퓨팅 환경에서 분산 테이블 구조를 활용한 owl-horst 온톨로지 추론 방법 및 장치 Download PDF

Info

Publication number
WO2021187682A1
WO2021187682A1 PCT/KR2020/010115 KR2020010115W WO2021187682A1 WO 2021187682 A1 WO2021187682 A1 WO 2021187682A1 KR 2020010115 W KR2020010115 W KR 2020010115W WO 2021187682 A1 WO2021187682 A1 WO 2021187682A1
Authority
WO
WIPO (PCT)
Prior art keywords
inference
instance
horst
owl
rules
Prior art date
Application number
PCT/KR2020/010115
Other languages
English (en)
French (fr)
Inventor
박영택
이완곤
이민호
김민성
Original Assignee
숭실대학교산학협력단
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 숭실대학교산학협력단 filed Critical 숭실대학교산학협력단
Publication of WO2021187682A1 publication Critical patent/WO2021187682A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/211—Schema design and management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/217—Database tuning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2282—Tablespace storage structures; Management thereof
    • 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

Definitions

  • the present invention relates to an OWL-Horst ontology inference method and apparatus utilizing a distributed table structure in a cloud computing environment, and to an ontology inference method and apparatus capable of processing large amounts of data at high speed.
  • Ontology inference using Spark RDD shows better performance than MapReduce, which uses RDD, a read-only structure that can efficiently process big data, and stores intermediate results as files based on in-memory processing.
  • Ontology inference using Hadoop's MapReduce has a problem in that it takes a long time because, due to the nature of MapReduce, the data to be MapReduce is loaded from the disk and intermediate results are saved to the disk every time to load and save the data again. Therefore, the performance is degraded in rule inference for a large-capacity ontology that requires repetitive work.
  • ontology inference using Spark RDD is inefficient because RDD is based on Java or Python objects, and there is a problem in that the time the Spark program has to wait is long due to garbage collection.
  • FIG. 1 is a diagram illustrating a rule structure of an OWL-Horst reasoning system based on Spark RDD.
  • sameAs(r14) also has a problem in that the instance triple is inferred in the same way, and since the reasoning is performed again from Instance Reasoning, there is a problem that repetitive execution is performed unnecessarily.
  • the present invention intends to propose an OWL-Horst ontology inference method and apparatus using a distributed table structure in a cloud computing environment that can reduce unnecessary repetition.
  • an OWL-Horst ontology reasoning apparatus comprising: a processor; and a memory connected to the processor, wherein the memory includes a plurality of OWL-Horst inference rules in schema inference, instance inference, Type inference, sameAs inference, and exception instance inference in consideration of the independence and dependency of each rule Classified by one or more rules, the schema inference, instance inference, type inference, sameAs
  • An OWL-Horst ontology reasoning apparatus is provided for storing program instructions executable by the processor to sequentially perform speculation and exception instance speculation.
  • the rules included in the schema inference are rules whose inference result is a schema triple
  • the rules included in the instance inference are rules whose inference result is an instance triple
  • the rules may be rules in which an inference result is a Type triple
  • the rules included in the sameAs inference may be rules in which an inference result is a sameAs triple.
  • the rules included in the exception instance reasoning may be rules for inferring an instance triple using a Type triple as a condition or rules for inferring an instance triple using an instance triple and a sameAs triple as a condition.
  • the spark data frame may be converted into the column and row format in a large-capacity knowledge base in the form of a triple of subject, predicate, and object.
  • the plurality of OWL-Horst inference rules may include R1 to R22.
  • the program instructions sequentially execute the subProperty Inheritance Rule (R6) and the Transitive Rule (R10) for the instance inference, and repeatedly perform the R10 until there are no more instance triples to infer, Inverse Rule ( R13) and Symmetric Rule (R9) can be performed independently.
  • the program instructions independently execute Domain Rule (R3) and Range Rule (R4) for the Type inference, then execute hasValue Rule1 (R19), subClass Inheritance Rule (R5), someValue Rule (R21) and Each of the allValue Rule(R22) can be repeatedly executed until there are no more instance triples to infer.
  • the program instructions independently execute InverseFunctional Property Rule (R8) and Functional Property Rule (R7) for the sameAs inference, then perform sameAs Rule1 (R11), and sameAs Rule2 (R12) are no longer inferred instances This can be repeated until there are no triples.
  • the program instructions may sequentially perform hasValue Rule2 (R20) and sameAs Rule3 (R14) for the exception instance inference.
  • the above program instructions may use a checkpoint to cause a spark dataframe generated through a previous operation to be stored in the disk.
  • an OWL-Horst ontology inference method performed in a device including a processor and a memory a plurality of OWL-Horst inference rules are used in consideration of the independence and dependency of each rule, schema inference, instance inference, type dividing into one or more rules included in inference, sameAs inference, and exception instance inference; And the schema inference, instance inference, Type inference, sameAs inference, and exception instance inference are performed based on a spark data frame consisting of columns consisting of subject, property, and object and rows containing information on objects corresponding to each column.
  • An OWL-Horst ontology inference method comprising sequentially performing is provided.
  • FIG. 1 is a diagram illustrating a rule structure of an OWL-Horst reasoning system based on Spark RDD.
  • FIG. 2 is a diagram showing a representation format of a spark data frame according to the present embodiment.
  • FIG. 3 is a diagram illustrating an OWL-Horst reasoning sequence according to the present embodiment.
  • FIG. 4 is a diagram illustrating a schema inference process according to the present embodiment.
  • FIG. 5 is a diagram illustrating an instance inference structure according to the present embodiment.
  • FIG. 6 is a diagram illustrating a type inference structure according to the present embodiment.
  • FIG. 7 is a diagram illustrating the sameAs reasoning structure according to the present embodiment.
  • FIG. 8 is a diagram illustrating an exception instance inference structure according to the present embodiment.
  • FIG. 9 is a diagram illustrating an example of a data frame join-based transitive closure operation according to the present embodiment.
  • FIG. 10 is a diagram illustrating a checkpoint utilization process for an effective operation according to the present embodiment.
  • FIG. 11 is a diagram showing the configuration of an ontology reasoning apparatus according to a preferred embodiment of the present invention.
  • the present invention proposes a technique capable of performing large-capacity OWL-Horst ontology inference based on data frames in the Spark environment, which is a distributed processing framework.
  • the independence and dependency of each rule greatly affects the inference speed. Accordingly, in the present invention, an order that can be inferred more efficiently and faster than the existing methods is newly defined. In addition, the inference speed is improved by applying a method that maximizes the join performance of large and small data frames through broadcasting and caching.
  • the large-capacity knowledge base expresses entities (objects) existing in the real world and the semantic relationship between entities in the form of ontology.
  • a large-capacity knowledge base is composed of a triple of ⁇ Subject, Predicate, Object> to express concepts.
  • Subject and Object are objects corresponding to the subject and object of the concept to be expressed, and Predicate is used to indicate the relationship between the subject and object objects.
  • ontology inference is performed by converting a large-capacity knowledge base in the form of a triple of ⁇ Subject, Predicate, Object> into the form of a spark data frame.
  • FIG. 2 is a diagram showing a representation format of a spark data frame according to the present embodiment.
  • a spot data frame consists of columns and rows.
  • a column of a spark data frame according to this embodiment is composed of a subject, a property, and an object of a concept to be expressed, and a row includes information about an object corresponding to each column.
  • Spark DataFrame distributes and stores each data in multiple clusters, and distributed parallel processing is possible through the Spark framework, so computation processing is fast and performance is excellent.
  • an execution plan for query execution. For example, to reduce the amount of data to be joined when joining two data, an execution plan is created by moving the filtering operation used after the join operation before the join.
  • the rules of OWL-Horst consist of a total of 22 rules as shown in Table 1, and each rule consists of a condition and a result inferred when the corresponding condition is satisfied (conclusion).
  • the reasoning structure proposed in the present invention is defined by dividing a total of five steps into schema inference, instance inference, Type inference, sameAs inference, and exception instance inference as shown in FIG. 3 .
  • 3 is a diagram illustrating an OWL-Horst reasoning sequence according to the present embodiment.
  • the 22 OWL-Horst inference rules are divided into one or more rules included in schema inference, instance inference, Type inference, sameAs inference, and exception instance inference in consideration of independence and dependency, and these inferences are performed sequentially.
  • schema inference is performed first, and the inference rules included in schema inference include rules in which the inference result is a subClassOf, equivalentClass, subPropertyOf, equivalentProperty tree, that is, a schema triple, R1, R2 in Table 1 , R15, R17 and R18 are rules included in schema inference.
  • FIG. 4 is a diagram illustrating a schema inference process according to the present embodiment.
  • schema inference can be roughly divided into two types.
  • the structure on the left is class inference and the structure on the right is property inference.
  • Rules included in schema inference are not used as conditions for the results of other rules. Therefore, even if other rules are inferred, schema inference is performed first because there is no need to infer again. In addition, there are rules for deriving results using schema triples resulting from schema inference as conditions, so that unnecessary repetition is reduced by performing other rules after inferring all schemas.
  • subClassOf Reasoning (Rule 15) and Transitive subClassOf (Rule 1) are sequentially performed, and Transitive subClassOf is repeatedly performed until there is no more triple to be inferred. After that, equivalentClass Reasoning (Rule 16) is performed.
  • subPropertyOf Reasoning (Rule 17) and Transitive subPropertyOf (Rule 2) are sequentially performed, and Transitive subPropertyOf is repeatedly performed until there are no more triples to infer. After that, equivalentProperty Reasoning (Rule 18) is performed.
  • the subClassOf inference can be expressed as follows.
  • This inference rule represents an equivalent relationship, and by searching for a schema triple having equivalentClass, a triple having a new subClassOf can be inferred.
  • Table 2 shows subClassOf inference using data frames.
  • This inference rule infers a schema triple with a new equivalentClass from a schema triple with subClassOf. If v is a subClass of w and w has a subClass relationship of v, v and w can define a new equivalentClass relationship.
  • Table 3 shows equivalentClass inference using data frames.
  • Table 4 shows the subClassOf Transitive Closure operation method using a data frame.
  • FIG. 5 is a diagram illustrating an instance inference structure according to the present embodiment.
  • the rules included in the instance reasoning are rules in which the reasoning result is an instance triple, and R6, R9, R10, and R13 of Table 1 are included.
  • the subProperty Inheritance Rule (Rule 6) and the Transitive Rule (Rule 10) are sequentially performed. Instance inference is repeatedly performed until there are no more inferred triples because the inference result is used again as a condition for inference rules. is carried out
  • inference rules are, in turn, the subClass Inheritance rule, the someValuesFrom rule, and the allValuesFrom rule.
  • the reason for performing three rules at once is that the type triple is used as a condition and the inference result is a type triple, so inference must be performed repeatedly by repeating the above three rules until there are no more inferred type triples.
  • Table 5 describes the above three rule inference methods using data frames.
  • FIG. 6 is a diagram illustrating a type inference structure according to the present embodiment.
  • Rules included in Type inference are rules in which the inference result is a triple related to Type, and R3, R4, R5, R19, R21, and R22 in Table 1 are included.
  • Type inference uses an instance triple as a condition, so it is performed after instance inference is completed.
  • Domain Rule (Rule 3) and Range Rule (Rule 4) are independently performed, and then hasValue Rule1 (Rule 19) is performed.
  • FIG. 7 is a diagram illustrating the sameAs reasoning structure according to the present embodiment.
  • Rules included in sameAs reasoning include rules in which the reasoning result is a triple related to sameAs, and R7, R8, R11 and R12 of Table 1 are included.
  • FIG. 8 is a diagram illustrating an exception instance inference structure according to the present embodiment.
  • Exception instance reasoning is a reasoning that is exceptionally defined to reduce unnecessary repetition because the reasoning result is an instance triple, but as a condition, a triple related to Type (Type triple) and a triple related to sameAs (sameAs triple) are received.
  • the rules included in the exception instance reasoning are defined as rules in which inefficient repetition is made when the related reasoning is performed, and R14 and R20 of Table 1 are included.
  • Rule 20 is hasValue Rule2, and an instance triple is inferred using a type triple as a condition. Therefore, if it is performed together with type inference, a situation arises where instance inference must be inferred again.
  • Rule 14 is sameAs Rule3, and the instance triple is inferred using the instance triple and sameAs triple as conditions. Therefore, if it is performed with sameAs inference, it is necessary to infer from instance inference again. For these reasons, it is possible to maximize performance by reducing unnecessary repetitions by performing Rules 14 and 20 at the end.
  • the instance triple when the subject and object of an instance triple are sameAs and the same as another entity, the instance triple can be newly inferred as other triples.
  • the corresponding rule is a rule that is absent in the RDD-based OWL-Horst reasoning system. In the present invention, the reasoning accuracy can be increased by performing inference on the corresponding rule.
  • Table 6 describes the sameAs Rule3 inference method using data frames.
  • FIG. 9 is a diagram illustrating an example of a data frame join-based transitive closure operation according to the present embodiment.
  • the transitive closure operation is repeated until there are no more internally inferred triples, and this is performed through the join operation of the data frame.
  • Fig. 2 when the property locatedIn is transitiveProperty, only the triple whose property part is locatedIn in the instance data frame is filtered and created, and the filtered data frame is copied and the two data frames are joined.
  • the meaning of the joined data frame is that the object of a certain triple and the subject of another triple are grouped with the same triple, and then the transitive closure operation inference is completed through filtering.
  • FIG. 10 is a diagram illustrating a checkpoint utilization process for an effective operation according to the present embodiment.
  • a checkpoint is a logical endpoint of a computer processing process and is the process of permanently saving data to disk without dependencies. This means that only checkpointed data is saved to disk.
  • the Spark DataFrame establishes an optimal execution plan called a logical plan before physically performing an operation.
  • the logical plan for the previous operation is cut using checkpoints, and the next operation is performed with only the data.
  • the fourth data frame (DataFrame4) and the fifth data frame (DataFrame5) generated through a previous operation operation using checkpoints are stored in the disk.
  • the storage process using checkpoint is used only after union operation on large data that takes a long time.
  • FIG. 11 is a diagram showing the configuration of an ontology reasoning apparatus according to a preferred embodiment of the present invention.
  • the processor 1100 may include a central processing unit (CPU) capable of executing a computer program or other virtual machines.
  • CPU central processing unit
  • Memory 1102 may include a non-volatile storage device, such as a fixed hard drive or a removable storage device.
  • the removable storage device may include a compact flash unit, a USB memory stick, and the like.
  • Memory 1102 may also include volatile memory, such as various random access memories.
  • the memory 1102 stores program instructions executable by the processor 1100 .
  • the program instructions according to the present embodiment divide the plurality of OWL-Horst inference rules into one or more rules included in schema inference, instance inference, Type inference, sameAs inference, and exception instance inference in consideration of the independence and dependency of each rule, and Based on the spark data frame consisting of columns consisting of , subject, property, and object and rows containing information about objects corresponding to each column, the schema inference, instance inference, Type inference, sameAs inference, and exception instance inference are performed. performed sequentially.
  • the program instructions according to the present embodiment perform ontology inference on triple data by sequentially applying predetermined rules to the process shown in FIGS. 3 to 9, and the previous operation operation is performed using checkpoints to increase operation speed. Causes the completed dataframe to be saved to disk.

Landscapes

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

Abstract

본 발명은 클라우드 컴퓨팅 환경에서 분산 테이블 구조를 활용한 OWL-Horst 온톨로지 추론 방법 및 장치를 개시한다. 본 발명에 따르면, OWL-Horst 온톨로지 추론 장치로서, 프로세서; 및 상기 프로세서에 연결되는 메모리를 포함하되, 상기 메모리는, 복수의 OWL-Horst 추론 규칙들을 각 규칙들의 독립성과 종속성을 고려하여 스키마 추론, 인스턴스 추론, Type 추론, sameAs 추론 및 예외 인스턴스 추론에 포함되는 하나 이상의 규칙으로 구분하고, subject, property 및 object로 구성되는 컬럼 및 각 컬럼에 상응하는 객체에 대한 정보를 포함하는 로우로 구성되는 스파크 데이터프레임을 기반으로 상기 스키마 추론, 인스턴스 추론, Type 추론, sameAs 추론 및 예외 인스턴스 추론을 순차적으로 수행하도록, 상기 프로세서에 의해 실행 가능한 프로그램 명령어들을 저장하는 OWL-Horst 온톨로지 추론 장치가 제공된다.

Description

클라우드 컴퓨팅 환경에서 분산 테이블 구조를 활용한 OWL-HORST 온톨로지 추론 방법 및 장치
본 발명은 클라우드 컴퓨팅 환경에서 분산 테이블 구조를 활용한 OWL-Horst 온톨로지 추론 방법 및 장치에 관한 것으로서, 대용량 데이터를 빠른 속도로 처리 할 수 있는 온톨로지 추론 방법 및 장치에 관한 것이다.
이전부터 대용량 온톨로지 추론을 위한 연구 및 추론 성능을 향상시키기 위한 연구가 활발히 이루어지고 있다. 그 중 첫 번째로 RDFS와 OWL-Horst 수준의 대용량 온톨로지 추론을 지원하며 추론 규칙들을 맵리듀스 알고리즘으로 구현하고 있다.
*이를 통해 분산 환경을 구성하고 있는 여러 컴퓨팅 노드들을 효율적으로 사용하기 때문에 클러스터를 구성하는 노드의 수가 늘어나도 효과적인 추론이 가능하다.
두 번째로 분산 처리 프레임워크인 스파크 RDD를 이용하여 대용량 OWL-Horst 온톨로지 추론을 수행하고 있다. 스파크 RDD를 이용한 온톨로지 추론은 빅 데이터를 효율적으로 처리 할 수 있는 읽기 전용 구조인 RDD를 사용하고 인 메모리 처리를 기본으로 하여 중간 결과를 파일로 저장하는 맵리듀스에 비해 더 좋은 성능을 보인다.
하둡의 맵리듀스를 이용한 온톨로지 추론은 맵리듀스 특성상 디스크로부터 맵리듀스 할 데이터를 불러오고 중간 결과를 매번 디스크에 저장하여 데이터를 불러오고 다시 저장하기 때문에 시간이 오래 걸리는 문제가 있다. 따라서 반복적인 작업이 요구되는 대용량 온톨로지에 대한 규칙 추론에서는 성능이 저하된다.
한편, 스파크 RDD를 이용한 온톨로지 추론은 RDD가 자바나 파이썬 객체를 기반으로 했기 때문에 비효율적이고, 가비지 컬렉션 때문에 스파크 프로그램이 대기해야 하는 시간이 길어지는 문제가 있다.
도 1은 스파크 RDD 기반 OWL-Horst 추론 시스템의 규칙 구조를 도시한 도면이다.
도 1을 참조하면, Type Reasoning의 hasValue(r20)은 인스턴스 트리플이 추론되기 때문에 Instance Reasoning부터 다시 추론을 수행해야 한다.
또한, sameAs Reasoning에서 sameAs(r14)도 마찬가지로 인스턴스 트리플이 추론되기 때문에 Instance Reasoning부터 다시 추론을 수행하기 때문에 불필요하게 반복 수행이 이루어지는 문제점이 있다.
상기한 종래기술의 문제점을 해결하기 위해, 본 발명은 불필요한 반복을 줄일 수 있는 클라우드 컴퓨팅 환경에서 분산 테이블 구조를 활용한 OWL-Horst 온톨로지 추론 방법 및 장치를 제안하고자 한다.
상기한 바와 같은 목적을 달성하기 위하여, 본 발명의 일 실시예에 따르면, OWL-Horst 온톨로지 추론 장치로서, 프로세서; 및 상기 프로세서에 연결되는 메모리를 포함하되, 상기 메모리는, 복수의 OWL-Horst 추론 규칙들을 각 규칙들의 독립성과 종속성을 고려하여 스키마 추론, 인스턴스 추론, Type 추론, sameAs 추론 및 예외 인스턴스 추론에 포함되는 하나 이상의 규칙으로 구분하고, subject, property 및 object로 구성되는 컬럼 및 각 컬럼에 상응하는 객체에 대한 정보를 포함하는 로우로 구성되는 스파크 데이터프레임을 기반으로 상기 스키마 추론, 인스턴스 추론, Type 추론, sameAs 추론 및 예외 인스턴스 추론을 순차적으로 수행하도록, 상기 프로세서에 의해 실행 가능한 프로그램 명령어들을 저장하는 OWL-Horst 온톨로지 추론 장치가 제공된다.
상기 복수의 OWL-Horst 추론 규칙들 중 상기 스키마 추론에 포함되는 규칙들은 추론 결과가 스키마 트리플인 규칙들이며, 상기 인스턴스 추론에 포함되는 규칙들은 추론 결과가 인스턴스 트리플인 규칙들이며, 상기 Type 추론에 포함되는 규칙들은 추론 결과가 Type 트리플인 규칙들이며, 상기 sameAs 추론에 포함되는 규칙들은 추론 결과가 sameAs 트리플인 규칙들일 수 있다.
상기 예외 인스턴스 추론에 포함되는 규칙들은 Type 트리플을 조건으로 사용하여 인스턴스 트리플을 추론하는 규칙 또는 인스턴스 트리플과 sameAs 트리플을 조건으로 사용하여 인스턴스 트리플을 추론하는 규칙들일 수 있다.
상기 스파크 데이터프레임은 subject, predicate, object의 트리플 형태로 구성된 대용량 지식 베이스에서 상기 컬럼 및 로우 형식으로 변환된 것일 수 있다.
상기 복수의 OWL-Horst 추론 규칙들은 R1 내지 R22를 포함할 수 있다.
상기 프로그램 명령어들은 상기 인스턴스 추론을 위해, subProperty Inheritance Rule(R6) 및 Transitive Rule(R10)을 순차적으로 수행하고, 더 이상 추론할 인스턴스 트리플이 없을때까지 상기 R10을 반복적으로 수행한 후, Inverse Rule(R13) 및 Symmetric Rule(R9)를 독립적으로 수행할 수 있다.
상기 프로그램 명령어들은 상기 Type 추론을 위해, Domain Rule(R3) 및 Range Rule(R4)를 독립적으로 수행한 후, hasValue Rule1(R19)를 수행하고, subClass Inheritance Rule(R5), someValue Rule(R21) 및 allValue Rule(R22) 각각을 더 이상 추론할 인스턴스 트리플이 없을때까지 반복적으로 수행할 수 있다.
상기 프로그램 명령어들은 상기 sameAs 추론을 위해, InverseFunctional Property Rule(R8) 및 Functional Property Rule(R7)를 독립적으로 수행한 후, sameAs Rule1(R11)을 수행하고, sameAs Rule2(R12)를 더 이상 추론할 인스턴스 트리플이 없을때까지 반복적으로 수행할 수 있다.
상기 프로그램 명령어들은 상기 예외 인스턴스 추론을 위해, hasValue Rule2(R20) 및 sameAs Rule3(R14)를 순차적으로 수행할 수 있다.
상기 프로그램 명령어들은 체크포인트를 이용하여 이전 연산 작업을 통해 생성된 스파크 데이터프레임이 디스크에 저장되도록 할 수 있다.
본 발명의 다른 측면에 따르면, 프로세서 및 메모리를 포함하는 장치에서 수행하는 OWL-Horst 온톨로지 추론 방법으로서, 복수의 OWL-Horst 추론 규칙들을 각 규칙들의 독립성과 종속성을 고려하여 스키마 추론, 인스턴스 추론, Type 추론, sameAs 추론 및 예외 인스턴스 추론에 포함되는 하나 이상의 규칙으로 구분하는 단계; 및 subject, property 및 object로 구성되는 컬럼 및 각 컬럼에 상응하는 객체에 대한 정보를 포함하는 로우로 구성되는 스파크 데이터프레임을 기반으로 상기 스키마 추론, 인스턴스 추론, Type 추론, sameAs 추론 및 예외 인스턴스 추론을 순차적으로 수행하는 단계를 포함하는 OWL-Horst 온톨로지 추론 방법이 제공된다.
본 발명의 또 다른 측면에 따르면, 상기한 방법을 수행하는 기록매체에 저장되는 컴퓨터 판독 가능한 프로그램이 제공된다.
본 발명에 따르면, 복수의 OWL-Horst 추론 규칙들을 각 규칙들의 독립성과 종속성을 고려하여 구분하고, 스키마 추론, 인스턴스 추론, Type 추론, sameAs 추론 및 예외 인스턴스 추론을 순차적으로 수행하기 때문에 불필요한 반복을 줄일 수 있는 장점이 있다.
도 1은 스파크 RDD 기반 OWL-Horst 추론 시스템의 규칙 구조를 도시한 도면이다.
도 2는 본 실시예에 따른 스파크 데이터프레임의 표현 형식을 나타낸 도면이다.
도 3은 본 실시예에 따른 OWL-Horst 추론 순서를 도시한 도면이다.
도 4는 본 실시예에 따른 스키마 추론 과정을 도시한 도면이다.
도 5는 본 실시예에 따른 인스턴스 추론 구조를 도시한 도면이다.
도 6는 본 실시예에 따른 Type 추론 구조를 도시한 도면이다.
도 7은 본 실시예에 따른 sameAs 추론 구조를 도시한 도면이다.
도 8은 본 실시예에 따른 예외 인스턴스 추론 구조를 도시한 도면이다.
도 9는 본 실시예에 따른 데이터프레임 조인 기반 Transitive Closure 연산의 한 예를 도시한 도면이다.
도 10은 본 실시예에 따른 효과적인 연산을 위한 checkpoint 활용 과정을 도시한 도면이다.
도 11은 본 발명의 바람직한 일 실시예에 따른 온톨로지 추론 장치의 구성을 도시한 도면이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 상세하게 설명하고자 한다.
그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
본 발명은 분산 처리 프레임워크인 스파크 환경에서 데이터프레임 기반으로 대용량 OWL-Horst 온톨로지 추론을 수행할 수 있는 기법을 제안한다.
대용량 지식 베이스를 대상으로 OWL Horst 추론을 수행하는 경우, 각 규칙(Rule)들의 독립성과 종속성이 추론 속도에 큰 영향을 준다. 이에, 본 발명에서는 기존 방법들보다 효율적으로 빠르게 추론할 수 있는 순서를 새로 정의하였다. 또한 브로드캐스팅과 캐싱을 통해 크고 작은 데이터프레임의 조인 성능을 최대화 하는 방법을 적용하여 추론 속도를 향상시킨다.
대용량 지식 베이스는 실세계에 존재하는 엔티티(개체)와 엔티티 사이의 의미적 관계를 온톨로지 형태로 표현한 것이다.
예를 들어, 대용량 지식 베이스는 <Subject, Predicate, Object>의 트리플 형태로 구성되어 개념을 표현한다. Subject와 Object는 표현하고자 하는 개념의 주어, 목적어에 해당하는 개체이고 Predicate는 주어와 목적어 개체 사이의 관계를 나타내는데 사용한다.
본 실시예에 따르면, <Subject, Predicate, Object>의 트리플 형태로 구성된 대용량 지식 베이스를 스파크 데이터프레임 형태로 변환하여 온톨로지 추론을 수행한다.
도 2는 본 실시예에 따른 스파크 데이터프레임의 표현 형식을 나타낸 도면이다.
도 2를 참조하면, 스파트 데이터프레임은 컬럼과 로우로 이루어진다.
본 실시예에 따른 스파크 데이터프레임의 컬럼은 표현하고자 하는 개념의 주어(subject), 속성(property) 및 목적어(object)로 구성되며, 로우는 각 컬럼에 상응하는 객체에 대한 정보를 포함한다.
스파크 데이터프레임은 각 데이터를 여러 클러스터에 분산하여 저장하고 이를 스파크 프레임워크를 통해 분산 병렬처리가 가능하므로 연산 처리가 빠르며 성능이 우수하다.
또한 스파크의 스키마를 관리하여 노드 간에 데이터를 전달하는 방식이 효율적이다. 메모리 관리는 데이터가 이진 형식으로 오프-힙 메모리(off-heap memory)에 저장되어 메모리 공간을 절약할 수 있다.
또한 쿼리 실행을 위한 최적화된 실행 계획을 생성한다. 예를 들어 두 데이터를 조인할 때 조인할 데이터 양을 줄이기 위해 조인 연산 다음에 사용한 필터링 연산을 조인 앞으로 옮기면서 실행 계획을 생성한다.
OWL-Horst의 규칙은 표 1과 같이 총 22가지로 이루어져 있으며 각 규칙에는 조건(condition)과 해당 condition을 만족하면 추론되는 결과(conclusion)로 이루어져 있다.
본 발명에서는 OWL-Horst 규칙들을 모두 사용하고 스파크 데이터프레임을 활용하여 온톨로지 추론을 수행한다.
Rule Condition Conclusion
R1 (υ subClassOf ω),(ω subClassOf x) (υ subClassOf x)
R2 (p subPropertyOf q),(q subPropertyOf r) (p subPropertyOf r)
R3 (p domain x), (υ, p, ω) (υ type x)
R4 (p range x),(υ, p, ω) (ω type x)
R5 (υ subClassOf ω),(u type υ) (u typeω)
R6 (p subPropertyOf q),(u, p, ω) (u, q, ω)
R7 (p type FunctionalProperty),(u, p, υ),(u, p,ω) (υ sameAs ω)
R8 (p type InverseFunctionalProperty),(u, p, ω),(υ, p, ω) (u sameAs υ)
R9 (p type SymmetricProperty) (u, p, ω) (ω, p, u)
R10 (p type TransitiveProperty), (u, p, ω) (ω, p, υ) (u, p, υ)
R11 (υ sameAs ω) (ω sameAs υ)
R12 (u sameAs υ),(υ sameAs ω) (u sameAs ω)
R13 ( inverseOf q),(υ, p, ω) (ω, q, υ)
R14 (u, q, υ),(u sameAs u’),(υ sameAs υ’) (u’, p, υ’)
R15 (υ equivalentClass ω) (υ subClassOf ω)
R16 (υ subClassOf ω),(ω subClassOf υ) (υ equivalentClass ω)
R17 (p equivalentProperty q) (p subPropertyOf q)
R18 (p subPropertyOf q),(q subPropertyOf p) (p equivalentProperty q)
R19 (υ hasValue ω),(υ onProperty p),(u, p, ω) (u type υ)
R20 (υ hasValue ω),(υ onProperty p),(u type υ) (u, p, ω)
R21 (υ someValuesFrom ω),(υ onProperty p),(u, p, x),(x type ω) (u type υ)
R22 (υ allValuesFrom ω),(υ onProperty p), (u type υ),(u, p, x) (x type ω)
대용량 지식 베이스를 대상으로 OWL-Horst 추론을 수행하는 경우 규칙 간의 독립성과 종속성으로 인해 추론 성능이 추론 순서에 큰 영향을 받는다. 본 발명에서 제안한 추론 구조는 도 3과 같이 스키마 추론, 인스턴스 추론, Type 추론, sameAs 추론, 예외 인스턴스 추론으로 총 5단계로 나누어 정의된다. 도 3은 본 실시예에 따른 OWL-Horst 추론 순서를 도시한 도면이다.
도 3을 참조하면, 22개의 OWL-Horst 추론 규칙들을 독립성과 종속성을 고려하여 스키마 추론, 인스턴스 추론, Type 추론, sameAs 추론, 예외 인스턴스 추론에 포함되는 포함되는 하나 이상의 규칙으로 구분하고, 이들 추론을 순차적으로 수행한다.
본 실시예에 따르면, 스키마 추론이 가장 먼저 수행되며, 스키마 추론에 포함되는 추론 규칙은 추론 결과가 subClassOf, equivalentClass, subPropertyOf, equivalentProperty 트리, 즉, 스키마 트리플인 규칙들이 포함되며, 표 1의 R1, R2, R15, R17 및 R18이 스키마 추론에 포함되는 규칙들이다.
도 4는 본 실시예에 따른 스키마 추론 과정을 도시한 도면이다.
도 4를 참조하면, 스키마 추론에서는 크게 2가지로 나눌 수 있다.
왼쪽 구조는 Class 추론이고 오른쪽 구조는 Property 추론이다.
스키마 추론에 포함되는 규칙들은 다른 규칙들의 결과가 조건으로 사용되지 않는다. 따라서 다른 규칙들이 추론 되더라도 스키마 추론은 다시 추론할 필요가 없기 때문에 가장 먼저 수행한다. 또한 스키마 추론의 결과로 나오는 스키마 트리플들을 조건으로 사용하여 결과를 도출하는 규칙들이 있어, 모든 스키마를 추론한 후에 다른 규칙들을 수행하여 불필요한 반복을 줄이게 된다.
Class 추론에서, subClassOf Reasoning(Rule 15) 및 Transitive subClassOf(Rule 1)이 순차적으로 수행되고, 추론할 트리플이 더 이상 존재하지 않을때까지 Transitive subClassOf이 반복 수행된다. 이후, equivalentClass Reasoning(Rule 16)이 수행된다.
Property 추론에서, subPropertyOf Reasoning(Rule 17) 및 Transitive subPropertyOf(Rule 2)이 순차적으로 수행되고, 추론할 트리플이 더 이상 존재하지 않을때까지 Transitive subPropertyOf이 반복 수행된다. 이후, equivalentProperty Reasoning(Rule 18)이 수행된다.
subClassOf 추론은 아래와 같이 나타낼 수 있다.
(υ equivalentClass ω) ⇒ (υ subClassOf ω), (ω subClassOf υ)
이 추론 규칙은 동등한 관계를 나타낸 것으로서, equivalentClass를 갖는 스키마 트리플을 탐색하여 새로운 subClassOf를 갖는 트리플을 추론할 수 있다.
표 2는 데이터프레임을 이용한 subClassOf 추론을 나타낸 것이다.
Figure PCTKR2020010115-appb-T000001
또한, equivalentClass 추론은 다음과 같이 나타낼 수 있다.
(υ subClassOf ω), (ω subClassOf υ) ⇒ (υ equivalentClass ω)
이 추론 규칙은 subClassOf를 갖는 스키마 트리플에서 새로운 equivalentClass를 갖는 스키마 트리플을 추론하게 된다. v가 w의 subClass 이면서 w가 v의 subClass 관계를 가지게 되면 v와 w는 equivalentClass 관계를 새롭게 정의 할 수 있다.
표 3은 데이터프레임을 이용한 equivalentClass 추론을 나타낸 것이다.
Figure PCTKR2020010115-appb-T000002
다음은 subClassOf Transitive Closure 연산을 나타낸다.
(υ subClassOf ω), (υ subClassOf x) ⇒ (υ subClassOf x)
이 추론 규칙은 Trasitive Closure 연산으로 이하에서 다시 상술될 것이다.
표 4는 데이터프레임을 이용한 subClassOf Transitive Closure 연산 방법을 나타낸 것이다.
Figure PCTKR2020010115-appb-T000003
도 5는 본 실시예에 따른 인스턴스 추론 구조를 도시한 도면이다.
인스턴스 추론에 포함되는 규칙들은 추론 결과가 인스턴스 트리플인 규칙들이며, 표 1의 R6, R9, R10 및 R13이 포함된다.
도 5를 참조하면, 인스턴스 추론은 subProperty Inheritance Rule(Rule 6), Transitive Rule(Rule 10)이 순차적으로 수행된다. 인스턴스 추론은 추론 결과가 추론 규칙들의 조건으로 다시 사용되기 때문에 더 이상 추론되는 트리플이 없을 때까지 반복 수행되고, 반복 수행이 완료된 이후, Inverse Rule(Rule 13) 및 Symmetric Rule(Rule 9)이 독립적으로 수행된다.
다음은 subClass Inheritance(Rule 5), someValuesFrom(Rule 21), allValuesFrom(Rule 22) 추론을 나타낸다.
(s type x), (x subClassOf y) ⇒ (s type y)
(v someValue w), (v onProp p), (u, p, x), (x type w) ⇒ (u type v)
(v allValue w), (v onProp p), (u type v), (u, p, x) ⇒ (x type w)
이 추론 규칙은 차례대로 subClass Inheritance 규칙, someValuesFrom 규칙, allValuesFrom 규칙이다. 3개의 Rule을 한번에 수행하는 이유는 Type 트리플을 조건으로 사용하고 추론 결과가 Type 트리플이므로 더 이상 추론되는 Type 트리플이 없을 때까지 위 규칙 3개를 반복해서 추론을 수행해야 한다.
표 5는 데이터프레임을 활용하여 위 3개 규칙 추론 방법에 대해 설명한 내용이다.
Figure PCTKR2020010115-appb-T000004
도 6는 본 실시예에 따른 Type 추론 구조를 도시한 도면이다.
Type 추론에 포함되는 규칙들은 추론 결과가 Type과 관련된 트리플인 규칙들이며, 표 1의 R3, R4, R5, R19, R21 및 R22이 포함된다.
Type 추론은 조건으로 인스턴스 트리플을 사용하므로 인스턴스 추론을 완료한 후에 수행한다.
도 6을 참조하면, Domain Rule(Rule 3) 및 Range Rule(Rule 4)를 독립적으로 수행하고, 다음으로 hasValue Rule1(Rule 19)을 수행한다.
또한 subClass Inheritance Rule(Rule 5), someValuesFrome Rule(Rule 21), allValuesFrom Rule(Rule 22)은 조건으로 Type 트리플을 사용하기 때문에 hasValue Rule1(Rule 19)이 수행된 이후, 3개의 규칙을 묶어 더 이상 추론되는 Type 트리플이 없을 때까지 반복하여 불필요한 반복을 줄인다.
도 7은 본 실시예에 따른 sameAs 추론 구조를 도시한 도면이다.
sameAs 추론에 포함되는 규칙들은 추론 결과가 sameAs와 관련된 트리플인 규칙들을 포함하며, 표 1의 R7, R8, R11 및 R12가 포함된다.
도 7을 참조하면, InverseFunctional Property Rule(Rule 8) 및 Functional Property Rule(Rule 7)이 함께 수행된 이후, 그 결과를 이용하여 sameAs Rule1(Ruel 11) 및 sameAs Rule2(Rule 12)가 순차적으로 수행된다.
sameAs Rule2(Rule 12)는 더 이상 추론되는 트리플이 없을 때까지 반복 수행된다.
도 8은 본 실시예에 따른 예외 인스턴스 추론 구조를 도시한 도면이다.
예외 인스턴스 추론은 추론 결과가 인스턴스 트리플이지만 조건으로 Type과 관련된 트리플(Type 트리플), sameAs와 관련된 트리플(sameAs 트리플)을 받기 때문에 불필요한 반복을 줄이기 위해 예외적으로 정의되는 추론이다.
예외 인스턴스 추론에 포함되는 규칙들은 관련된 추론과 같이 수행하면 비효율적인 반복이 이루어지는 규칙들로 정의되며, 표 1의 R14 및 R20이 포함된다.
도 8을 참조하면, Rule 20은 hasValue Rule2로서, 타입 트리플을 조건으로 사용하여 인스턴스 트리플을 추론한다. 때문에 Type 추론과 함께 수행한다면 다시 인스턴스 추론부터 추론해야 하는 상황이 발생한다.
또한 Rule 14는 sameAs Rule3로서, 인스턴스 트리플과 sameAs 트리플을 조건으로 사용하여 인스턴스 트리플을 추론한다. 그렇기 때문에 sameAs 추론과 함께 수행한다면 인스턴스 추론부터 다시 추론해야 한다. 해당 이유들로 인해 Rule 14, 20을 마지막에 수행하여 불필요한 반복을 줄여 성능을 최대한 높일 수 있다.
다음은 sameAs Rule3 규칙을 이용한 추론을 나타낸 것이다.
(s p o), (s sameAs s’), (o sameAs o’)⇒(s’p o),(s p o’),(s’p o’)
이 추론 규칙은 인스턴스 트리플의 주어와 목적어가 sameAs로 다른 엔티티와 같을 때 해당 인스턴스 트리플을 다른 트리플들로 새롭게 추론될 수 있다. 해당 규칙은 RDD 기반 OWL-Horst 추론 시스템에서는 부재한 규칙으로 본 발명에서는 해당 규칙에 대한 추론을 수행하여 추론 정확도를 높일 수 있다.
표 6은 데이터프레임을 활용한 sameAs Rule3 추론 방법을 설명한 내용이다.
Figure PCTKR2020010115-appb-T000005
도 9는 본 실시예에 따른 데이터프레임 조인 기반 Transitive Closure 연산의 한 예를 도시한 도면이다.
도 9를 참조하면, Transitive Closure 연산은 내부적으로 더 이상 추론되는 트리플이 없을 때까지 반복하며 이를 데이터프레임의 조인 연산을 통해 수행한다.
도 2에서 locatedIn이라는 property가 transitiveProperty 일 때 인스턴스 데이터프레임에서 property 부분이 locatedIn인 트리플만 필터링하여 생성하고 필터링한 데이터프레임을 복사하여 두 데이터프레임을 조인한다. 조인한 데이터프레임의 의미는 어떤 트리플의 목적어와 다른 트리플의 주어가 같은 트리플을 묶어 놓은 것이며 이후에는 필터링을 통해 Transitive Closure 연산 추론을 완료한다
도 10은 본 실시예에 따른 효과적인 연산을 위한 checkpoint 활용 과정을 도시한 도면이다.
체크포인트(checkpoint)는 컴퓨터 처리 과정의 논리적인 종단점으로 데이터를 종속성 없이 영구적으로 디스크에 저장하는 프로세스이다. 이는 checkpoint된 데이터만 디스크에 저장됨을 의미한다.
스파크 데이터프레임은 연산 작업을 물리적으로 수행하기 전에 logical plan 이라는 최적의 실행 계획을 세우게 된다.
그러나, 도 10에 도시된 바와 같이, 제2 데이터프레임(DataFrame2)을 제 2 연산(operation2)의 logical plan으로 수행할 때, 제1 연산(operation1)의 logical plan을 같이 수행하기 때문에 연산 속도가 저하되는 문제점이 있다.
이러한 문제점을 해결하기 위해 체크포인트를 사용하여 이전 연산 작업에 대한 logical plan을 자르고 해당 데이터만 가지고 다음 연산을 수행한다.
예를 들어, 체크포인트를 이용하여 이전 연산 작업을 통해 생성된 제4 데이터프레임(DataFrame4) 및 제5 데이터프레임(DataFrame5)을 디스크에 저장한다.
체크포인트를 이용한 저장 과정은 시간이 오래 걸리는 대용량 데이터에 대한 union 작업 후에만 사용한다.
도 11은 본 발명의 바람직한 일 실시예에 따른 온톨로지 추론 장치의 구성을 도시한 도면이다.
프로세서(1100)는 컴퓨터 프로그램을 실행할 수 있는 CPU(central processing unit)나 그밖에 가상 머신 등을 포함할 수 있다.
메모리(1102)는 고정식 하드 드라이브나 착탈식 저장 장치와 같은 불휘발성 저장 장치를 포함할 수 있다. 착탈식 저장 장치는 컴팩트 플래시 유닛, USB 메모리 스틱 등을 포함할 수 있다. 메모리(1102)는 각종 랜덤 액세스 메모리와 같은 휘발성 메모리도 포함할 수 있다.
이와 같은 메모리(1102)에는 프로세서(1100)에 의해 실행 가능한 프로그램 명령어들이 저장된다.
본 실시예에 따른 프로그램 명령어들은, 복수의 OWL-Horst 추론 규칙들을 각 규칙들의 독립성과 종속성을 고려하여 스키마 추론, 인스턴스 추론, Type 추론, sameAs 추론 및 예외 인스턴스 추론에 포함되는 하나 이상의 규칙으로 구분하고, subject, property 및 object로 구성되는 컬럼 및 각 컬럼에 상응하는 객체에 대한 정보를 포함하는 로우로 구성되는 스파크 데이터프레임을 기반으로 상기 스키마 추론, 인스턴스 추론, Type 추론, sameAs 추론 및 예외 인스턴스 추론을 순차적으로 수행한다.
본 실시예에 따른 프로그램 명령어들은, 도 3 내지 도 9에 도시된 과정으로 소정 규칙들을 순서대로 적용하여 트리플 데이터에 관한 온톨로지 추론을 수행하며, 연산 속도 증가를 위해 체크포인트를 이용하여 이전 연산 작업이 완료된 데이터프레임이 디스크에 저장되도록 한다.
상기한 본 발명의 실시예는 예시의 목적을 위해 개시된 것이고, 본 발명에 대한 통상의 지식을 가지는 당업자라면 본 발명의 사상과 범위 안에서 다양한 수정, 변경, 부가가 가능할 것이며, 이러한 수정, 변경 및 부가는 하기의 특허청구범위에 속하는 것으로 보아야 할 것이다.

Claims (12)

  1. OWL-Horst 온톨로지 추론 장치로서,
    프로세서; 및
    상기 프로세서에 연결되는 메모리를 포함하되,
    상기 메모리는,
    복수의 OWL-Horst 추론 규칙들을 각 규칙들의 독립성과 종속성을 고려하여 스키마 추론, 인스턴스 추론, Type 추론, sameAs 추론 및 예외 인스턴스 추론에 포함되는 하나 이상의 규칙으로 구분하고,
    subject, property 및 object로 구성되는 컬럼 및 각 컬럼에 상응하는 객체에 대한 정보를 포함하는 로우로 구성되는 스파크 데이터프레임을 기반으로 상기 스키마 추론, 인스턴스 추론, Type 추론, sameAs 추론 및 예외 인스턴스 추론을 순차적으로 수행하도록,
    상기 프로세서에 의해 실행 가능한 프로그램 명령어들을 저장하는 OWL-Horst 온톨로지 추론 장치.
  2. 제1항에 있어서,
    상기 복수의 OWL-Horst 추론 규칙들 중 상기 스키마 추론에 포함되는 규칙들은 추론 결과가 스키마 트리플인 규칙들이며, 상기 인스턴스 추론에 포함되는 규칙들은 추론 결과가 인스턴스 트리플인 규칙들이며, 상기 Type 추론에 포함되는 규칙들은 추론 결과가 Type 트리플인 규칙들이며, 상기 sameAs 추론에 포함되는 규칙들은 추론 결과가 sameAs 트리플인 규칙들인 OWL-Horst 온톨로지 추론 장치.
  3. 제2항에 있어서,
    상기 예외 인스턴스 추론에 포함되는 규칙들은 Type 트리플을 조건으로 사용하여 인스턴스 트리플을 추론하는 규칙 또는 인스턴스 트리플과 sameAs 트리플을 조건으로 사용하여 인스턴스 트리플을 추론하는 규칙들인 OWL-Horst 온톨로지 추론 장치.
  4. 제1항에 있어서,
    상기 스파크 데이터프레임은 subject, predicate, object의 트리플 형태로 구성된 대용량 지식 베이스에서 상기 컬럼 및 로우 형식으로 변환된 것인 OWL-Horst 온톨로지 추론 장치.
  5. 제1항에 있어서,
    상기 복수의 OWL-Horst 추론 규칙들은 R1 내지 R22를 포함하는 OWL-Horst 온톨로지 추론 장치.
  6. 제5항에 있어서,
    상기 프로그램 명령어들은 상기 인스턴스 추론을 위해,
    subProperty Inheritance Rule(R6) 및 Transitive Rule(R10)을 순차적으로 수행하고, 더 이상 추론할 인스턴스 트리플이 없을때까지 상기 R10을 반복적으로 수행한 후, Inverse Rule(R13) 및 Symmetric Rule(R9)를 독립적으로 수행하는 OWL-Horst 온톨로지 추론 장치.
  7. 제5항에 있어서,
    상기 프로그램 명령어들은 상기 Type 추론을 위해,
    Domain Rule(R3) 및 Range Rule(R4)를 독립적으로 수행한 후, hasValue Rule1(R19)를 수행하고, subClass Inheritance Rule(R5), someValue Rule(R21) 및 allValue Rule(R22) 각각을 더 이상 추론할 인스턴스 트리플이 없을때까지 반복적으로 수행하는 OWL-Horst 온톨로지 추론 장치.
  8. 제5항에 있어서,
    상기 프로그램 명령어들은 상기 sameAs 추론을 위해,
    Inverse Functional Property Rule(R8) 및 Functional Property Rule(R7)를 독립적으로 수행한 후, sameAs Rule1(R11)을 수행하고, sameAs Rule2(R12)를 더 이상 추론할 인스턴스 트리플이 없을때까지 반복적으로 수행하는 OWL-Horst 온톨로지 추론 장치.
  9. 제5항에 있어서,
    상기 프로그램 명령어들은 상기 예외 인스턴스 추론을 위해,
    hasValue Rule2(R20) 및 sameAs Rule3(R14)를 순차적으로 수행하는 OWL-Horst 온톨로지 추론 장치.
  10. 제1항에 있어서,
    상기 프로그램 명령어들은 체크포인트를 이용하여 이전 연산 작업을 통해 생성된 스파크 데이터프레임이 디스크에 저장되도록 하는 OWL-Horst 온톨로지 추론 장치.
  11. 프로세서 및 메모리를 포함하는 장치에서 수행하는 OWL-Horst 온톨로지 추론 방법으로서,
    복수의 OWL-Horst 추론 규칙들을 각 규칙들의 독립성과 종속성을 고려하여 스키마 추론, 인스턴스 추론, Type 추론, sameAs 추론 및 예외 인스턴스 추론에 포함되는 하나 이상의 규칙으로 구분하는 단계; 및
    subject, property 및 object로 구성되는 컬럼 및 각 컬럼에 상응하는 객체에 대한 정보를 포함하는 로우로 구성되는 스파크 데이터프레임을 기반으로 상기 스키마 추론, 인스턴스 추론, Type 추론, sameAs 추론 및 예외 인스턴스 추론을 순차적으로 수행하는 단계를 포함하는 OWL-Horst 온톨로지 추론 방법.
  12. 제11항에 따른 방법을 수행하는 기록매체에 저장되는 컴퓨터 판독 가능한 프로그램.
PCT/KR2020/010115 2020-03-18 2020-07-31 클라우드 컴퓨팅 환경에서 분산 테이블 구조를 활용한 owl-horst 온톨로지 추론 방법 및 장치 WO2021187682A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2020-0033056 2020-03-18
KR1020200033056A KR102385983B1 (ko) 2020-03-18 2020-03-18 클라우드 컴퓨팅 환경에서 분산 테이블 구조를 활용한 OWL-Horst 온톨로지 추론 방법 및 장치

Publications (1)

Publication Number Publication Date
WO2021187682A1 true WO2021187682A1 (ko) 2021-09-23

Family

ID=77768462

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2020/010115 WO2021187682A1 (ko) 2020-03-18 2020-07-31 클라우드 컴퓨팅 환경에서 분산 테이블 구조를 활용한 owl-horst 온톨로지 추론 방법 및 장치

Country Status (2)

Country Link
KR (1) KR102385983B1 (ko)
WO (1) WO2021187682A1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113902567A (zh) * 2021-10-12 2022-01-07 工银科技有限公司 执行任务的方法、装置和电子设备
CN114153620A (zh) * 2022-02-08 2022-03-08 上海柯林布瑞信息技术有限公司 Hudi运行环境资源优化分配方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050197991A1 (en) * 2003-06-25 2005-09-08 Wray Robert E. Method and apparatus for providing rule-based, autonomous software agent with ontological information
US20070198448A1 (en) * 2006-02-21 2007-08-23 International Business Machines Corporation Scalable ontology reasoning
KR101535807B1 (ko) * 2014-11-06 2015-07-10 한국과학기술정보연구원 하이브리드 규칙 추론 장치 및 그 방법
KR20170123591A (ko) * 2017-10-23 2017-11-08 숭실대학교산학협력단 온톨로지 추론 방법 및 장치

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101584314B1 (ko) 2013-05-27 2016-01-22 테크빌닷컴 주식회사 가상 교육 훈련 시스템에서 실시간으로 발생하는 학습자 상황 정보를 추론하기 위한 온톨로지 추론 교육 방법, 이를 이용한 시스템 및 컴퓨터 판독 가능한 기록 매체

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050197991A1 (en) * 2003-06-25 2005-09-08 Wray Robert E. Method and apparatus for providing rule-based, autonomous software agent with ontological information
US20070198448A1 (en) * 2006-02-21 2007-08-23 International Business Machines Corporation Scalable ontology reasoning
KR101535807B1 (ko) * 2014-11-06 2015-07-10 한국과학기술정보연구원 하이브리드 규칙 추론 장치 및 그 방법
KR20170123591A (ko) * 2017-10-23 2017-11-08 숭실대학교산학협력단 온톨로지 추론 방법 및 장치

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
KIM JE-MIN, PARK YOUNG-TACK: "An Approach of Scalable SHIF Ontology Reasoning using Spark Framework", JOURNAL OF KIISE, vol. 42, no. 10, 15 October 2015 (2015-10-15), KR, pages 1195 - 1206, XP055852153, ISSN: 2383-630X, DOI: 10.5626/JOK.2015.42.10.1195 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113902567A (zh) * 2021-10-12 2022-01-07 工银科技有限公司 执行任务的方法、装置和电子设备
CN114153620A (zh) * 2022-02-08 2022-03-08 上海柯林布瑞信息技术有限公司 Hudi运行环境资源优化分配方法及装置
CN114153620B (zh) * 2022-02-08 2022-05-24 上海柯林布瑞信息技术有限公司 Hudi运行环境资源优化分配方法及装置

Also Published As

Publication number Publication date
KR20210116905A (ko) 2021-09-28
KR102385983B1 (ko) 2022-04-12

Similar Documents

Publication Publication Date Title
US20220075780A1 (en) Multi-language fusion query method and multi-model database system
Sedgewick et al. The complexity of finding cycles in periodic functions
WO2011065613A1 (ko) 규칙 추론기 및 이를 포함하는 와일드 패턴 규칙의 동적인 구체화 방법
WO2021187682A1 (ko) 클라우드 컴퓨팅 환경에서 분산 테이블 구조를 활용한 owl-horst 온톨로지 추론 방법 및 장치
EP3942481A1 (en) Method of performing, by electronic device, convolution operation at certain layer in neural network, and electronic device therefor
WO2021215551A1 (ko) 블록체인 기반의 전자 연구노트 검증 방법 및 이를 이용한 전자 연구노트 관리 장치
WO2014029111A1 (zh) 一种用户行为处理系统及方法
WO2020141720A1 (en) Apparatus and method for managing application program
WO2022114368A1 (ko) 뉴로 심볼릭 기반 릴레이션 임베딩을 통한 지식완성 방법 및 장치
Osborn Towards a universal relation interface
WO2018090535A1 (zh) 累加检索处理方法和装置、终端和存储介质
WO2024122871A1 (ko) 클러스터 파일시스템의 캐시 일관성 유지방법
WO2022030670A1 (ko) 쿼리를 이용한 프레임워크 딥러닝 학습 시스템 및 방법
WO2018194237A1 (ko) 하이브리드 트랜잭셔널 메모리 시스템에서의 트랜잭션 처리 방법 및 트랜잭션 처리 장치
WO2010093084A1 (ko) 분산 스페이스를 이용하여 분산 프로그래밍 환경을 제공하기 위한 방법, 시스템 및 컴퓨터 판독 가능한 기록 매체
Thuraisingham et al. Parallel processing and trusted database management systems
US20170322963A1 (en) Apparatus and Method for Creating User Defined Variable Size Tags on Records in RDBMS
WO2023177025A1 (ko) 이력 현상을 이용한 파라미터 양자화 기반 인공 신경망 연산 방법 및 장치
WO2023096100A1 (ko) 의미적 제약을 이용한 뉴로-논리 강화학습 최적화 방법
WO2023219194A1 (ko) 워크플로우 생성을 위한 서비스 플랫폼 시스템 및 워크플로우 생성 방법
Zhang et al. SUDAF: sharing user-defined aggregate functions
Vinutha et al. In-Memory Cache and Intra-Node Combiner Approaches for Optimizing Execution Time in High-Performance Computing
CN110413336B (zh) 开发项目启动方法、装置、服务器及存储介质
Jia et al. QRDF: An efficient RDF graph processing system for fast query
WO2022265412A1 (ko) 프로그램에 대한 중간 표현을 관리하는 방법 및 시스템

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20925573

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205 DATED 25/01/2023)

122 Ep: pct application non-entry in european phase

Ref document number: 20925573

Country of ref document: EP

Kind code of ref document: A1