[논문 리뷰] A Comprehensive Survey of Ontology Summarization: Measures and Methods

Seyed Amin Pouriyeh, Mehdi Allahyari외 2명|arXiv (Cornell University)|2018. 01. 05.

Semantic Web and Ontologies참고 문헌 31인용 수 5

한 줄 요약

이 논문은 온톨로지 요약 기법에 대한 종합적인 서베이를 제시하며, 차수 중심성, 가까움 중심성, 그리고 중간 중심성과 같은 핵심 측정치를 분석하여 온톨로지 내 중요한 노드를 식별한다. 구조적, 언어적, 의미적 특징을 활용하는 방법을 평가하여 대규모 의미 웹 응용 프로그램에서 온톨로지 이해를 향상시키기 위해 유연하고 사용자 설정이 가능한 모델의 필요성을 강조한다.

ABSTRACT

The Semantic Web is becoming a large scale framework that enables data to be published, shared, and reused in the form of ontologies. The ontology which is considered as basic building block of semantic web consists of two layers including data and schema layer. With the current exponential development of ontologies in both data size and complexity of schemas, ontology understanding which is playing an important role in different tasks such as ontology engineering, ontology learning, etc., is becoming more difficult. Ontology summarization as a way to distill knowledge from an ontology and generate an abridge version to facilitate a better understanding is getting more attention recently. There are various approaches available for ontology summarization which are focusing on different measures in order to produce a proper summary for a given ontology. In this paper, we mainly focus on the common metrics which are using for ontology summarization and meet the state-of-the-art in ontology summarization.

연구 동기 및 목표

• 대규모 의미 웹 온톨로지용 기존 온톨로지 요약 기법을 분석하고 분류하는 것.
• 온톨로지 내 노드 중요도를 측정하기 위한 핵심 지표—예: 차수 중심성, 가까움 중심성, 중간 중심성—를 식별하고 평가하는 것.
• 구조적, 언어적, 의미적 특징이 효과적인 온톨로지 요약에 어떻게 기여하는지 검토하는 것.
• 현재의 정적, 추출 기반 요약 접근 방식의 한계를 부각하고 더 유연하고 사용자 설정이 가능한 모델의 필요성을 주장하는 것.
• 비추출적 요약을 온톨로지 태깅과 지식 표현의 미래 방향으로 탐색하는 것.

제안 방법

• 온톨로지를 G = (V, E)로 그래프 기반 모델링하며, 여기서 V는 노드(개념/엔티티)를 나타내고 E는 관계를 나타낸다.
• 차수 중심성을 사용하여 유입/유출 간선 수를 통해 局소적 중요도를 측정한다 (식 1–2).
• 가까움 중심성을 적용하여 모든 다른 노드까지의 평균 최단 경로 길이를 계산하여 글로벌 접근 가능성의 정도를 평가한다 (식 3).
• 중간 중심성을 사용하여 다른 노드들 사이의 가장 많은 최단 경로를 지나는 노드를 식별한다 (식 4).
• 이름의 단순성과 인기, 밀도 및 참조 수와 같은 구조적 특징과 함께 언어적 특징을 통합한다 (Li 등 [29]).
• 차수 중심성과 빈도를 조합한 하이브리드 관련성 점수를 제안하며, 임계값 기반 필터링을 통해 후보 선택을 수행한다 (식 21).

실험 결과

연구 질문

• RQ1 온톨로지 요약에서 핵심 개념을 식별하는 데 가장 효과적인 측정치는 무엇인가?
• RQ2 구조적, 언어적, 의미적 특징은 온톨로지 요약의 품질에 어떻게 기여하는가?
• RQ3 현재의 추출적 방법은 온톨로지 복잡성을 줄이면서도 의미 있는 부분 그래프를 얼마나 잘 유지하는가?
• RQ4 사용자 특정 요구사항은 온톨로지 요약에 어떻게 통합되어 유연성과 사용성 향상에 기여할 수 있는가?
• RQ5 정적, 사전 정의된 요약 모델의 한계는 무엇이며, 비추출적 방법은 요약 품질을 어떻게 향상시킬 수 있는가?

주요 결과

• 차수 중심성은 특히 유ERIC 방향 그래프에서 높은 연결성을 가진 노드를 효과적으로 식별한다.
• 가까움 중심성은 온톨로지 그래프 전반에서 빠른 전파가 가능한 글로벌 중심 노드를 파악하는 데 도움이 된다.
• 중간 중심성은 온톨로지의 서로 다른 부분을 연결하는 다리 역할을 하는 노드를 부각시키며, 주로 탐색과 통합에 핵심적인 역할을 한다.
• 차수 중심성과 빈도 측정치를 조합한 하이브리드 모델(예: 관련성 = λ·DC + β·Fr)은 단일 측정치 접근 방식보다 더 잘 대표되는 개념을 포괄하는 데 뛰어난 성능을 보인다.
• 현재의 방법들은 주로 추출 기반으로 작동하여 원본 온톨로지의 기존 노드를 선택함으로써 민감도와 의미적 풍부함에 제한을 받는다.
• 비추출적 요약은 온톨로지 태깅 및 지식 기반 요약과 같은 작업에서 유망한 대안으로 부상하고 있다.