[논문 리뷰] Automatic ontology generation for data mining using fca and clustering

Amel Grissa Touzi, Hela Ben Massoud외 1명|arXiv (Cornell University)|2013. 11. 07.

Rough Sets and Fuzzy Logic참고 문헌 25인용 수 6

한 줄 요약

이 논문은 형식개념분석(FCA), 개념군집화, 퍼지 논리의 통합을 통해 데이터 마이닝 분야에서 자동 퍼지 온톨로지 생성을 위한 새로운 방법을 제안한다. 사전에 분류된 데이터 군집에서 온톨로지를 구축함으로써 해석 가능성 향상, 메모리 사용 감소, 데이터 처리 속도 향상을 달성하며, 지식 표현의 효율성과 정밀도 향상이 입증되었다.

ABSTRACT

Motivated by the increased need for formalized representations of the domain of Data Mining, the success of using Formal Concept Analysis (FCA) and Ontology in several Computer Science fields, we present in this paper a new approach for automatic generation of Fuzzy Ontology of Data Mining (FODM), through the fusion of conceptual clustering, fuzzy logic, and FCA. In our approach, we propose to generate ontology taking in consideration another degree of granularity into the process of generation. Indeed, we suggest to define an ontology between classes resulting from a preliminary classification on the data. We prove that this approach optimize the definition of the ontology, offered a better interpretation of the data and optimized both the space memory and the execution time for exploiting this data.

연구 동기 및 목표

• 데이터 마이닝 분야에서 공식화되고 구조화된 표현 방식에 대한 증가하는 수요를 해결하기 위해.
• 다양한 해상도 수준을 고려한 접근 방식을 도입함으로써 기존 온톨로지 생성 기법의 한계를 극복하기 위해.
• 데이터 마이닝 워크플로우에서 데이터의 해석 가능성, 메모리 효율성, 실행 시간을 향상시키기 위해.
• 더 강력한 의미 모델링을 위해 퍼지 논리를 FCA와 군집화와 융합하기 위해.
• 군집화된 데이터로부터 자동으로 데이터 마이닝을 위한 퍼지 온톨로지(FODM)를 생성하기 위해.

제안 방법

• 유사도 기반으로 데이터를 초기 클래스로 군집화하기 위해 개념군집화 기법을 적용하기 위해.
• 군집화된 데이터에서 형식적 개념을 추출하기 위해 형식개념분석(FCA)을 사용하여 온톨로지의 기초를 마련하기 위해.
• 데이터 속성의 불확실성과 부분적 소속 관계를 다루기 위해 퍼지 논리를 통합하기 위해.
• 군집화 결과와 FCA를 융합하여 더 세밀한 해상도 수준에서 온톨로지 개념을 정의하기 위해.
• 형식적 개념의 결과로부터 계층적 퍼지 온톨로지를 구축하기 위해.
• 메모리 사용량을 줄이고 처리 속도를 향상시키기 위해 온톨로지 구조를 최적화하기 위해.

실험 결과

연구 질문

• RQ1 형식개념분석과 군집화를 어떻게 융합하여 자동으로 퍼지 온톨로지를 생성할 수 있는가?
• RQ2 다양한 해상도 수준의 군집화가 생성된 온톨로지의 품질과 해석 가능성에 어떤 영향을 미치는가?
• RQ3 퍼지 논리의 통합이 데이터 마이닝 온톨로지에서 불확실하거나 모호한 데이터의 표현을 어떻게 향상시킬 수 있는가?
• RQ4 기존의 온톨로지 생성 기법과 비교할 때 제안된 방법은 메모리 효율성과 실행 시간에서 어떤가?
• RQ5 온톨로지가 데이터 마이닝 결과의 해석 가능성에 얼마나 기여하는가?

주요 결과

• 제안된 방법은 군집화를 통해 새로운 해상도 수준을 도입함으로써 온톨로지 정의를 최적화한다.
• 퍼지 논리의 통합은 불확실하거나 겹치는 데이터 속성의 표현을 향상시킨다.
• 온톨로지의 효율적인 구조화로 인해 메모리 소비가 감소한다.
• 최적화된 온톨로지 설계 덕분에 데이터 활용에 대한 실행 시간이 크게 단축된다.
• 최종적으로 생성된 데이터 마이닝을 위한 퍼지 온톨로지(FODM)는 데이터의 해석 가능성과 의미 명확성을 향상시킨다.
• 이 방법은 KEOD 2013에서 단편 논문으로 검증되어 분야 내에서 동료가 인정한 기여로 평가되었다.