[논문 리뷰] Knowledge forest: a novel model to organize knowledge fragments

Qinghua Zheng, Jun Liu외 4명|arXiv (Cornell University)|2019. 12. 14.

Data Stream Mining Techniques참고 문헌 10인용 수 5

한 줄 요약

이 논문은 교육적 맥락에서 지식의 분산 문제를 해결하기 위해 분류수목과 학습 의존성을 통합한 새로운 지식 조직 모델인 지식 숲(Knowledge Forest)을 제안한다. 지식 표현을 위해 RDF를 사용하며, 분류 전파, 학습 의존성 추출, CNN 기반 조각 조립 기법을 활용하여 산산이 흩어진 지식 조각들을 체계화한다. 제안된 방법은 지식 조각 레이블링에서 83% 이상의 매크로-F1 성능을 달성했으며, 통제 실험에서 학습 성과를 크게 향상시켰다.

ABSTRACT

With the rapid growth of knowledge, it shows a steady trend of knowledge fragmentization. Knowledge fragmentization manifests as that the knowledge related to a specific topic in a course is scattered in isolated and autonomous knowledge sources. We term the knowledge of a facet in a specific topic as a knowledge fragment. The problem of knowledge fragmentization brings two challenges: First, knowledge is scattered in various knowledge sources, which exerts users' considerable efforts to search for the knowledge of their interested topics, thereby leading to information overload. Second, learning dependencies which refer to the precedence relationships between topics in the learning process are concealed by the isolation and autonomy of knowledge sources, thus causing learning disorientation. To solve the knowledge fragmentization problem, we propose a novel knowledge organization model, knowledge forest, which consists of facet trees and learning dependencies. Facet trees can organize knowledge fragments with facet hyponymy to alleviate information overload. Learning dependencies can organize disordered topics to cope with learning disorientation. We conduct extensive experiments on three manually constructed datasets from the Data Structure, Data Mining, and Computer Network courses, and the experimental results show that knowledge forest can effectively organize knowledge fragments, and alleviate information overload and learning disorientation.

연구 동기 및 목표

• 주제 관련 지식이 고립된 자료원에 산재해 있는 지식 분산 문제를 해결하기 위해.
• 지식 조각들을 하위관계가 있는 분류수목으로 정리하여 정보 과부하를 줄이기 위해.
• 주제 간 학습 의존성을 모델링하고 노출시켜 학습의 방향성 혼란을 완화하기 위해.
• 자연어 처리와 기계학습 기법을 활용해 지식 숲의 자동 구축 방법을 개발하기 위해.
• 伝통적 학습 방법과 비교해 지식 숲의 효과성을 평가하기 위해.

제안 방법

• 부모-자식 및 형제 주제 쌍 간 유사도를 활용해 분류 전파 알고리즘을 적용하여 분류수목를 구성한다.
• 핵심어의 분포 비대칭성과 의존성의 국소성이라는 두 가지 가설을 기반으로 한 분류 모델을 사용해 학습 의존성을 추출한다.
• 지식 조각들을 분류라벨 텍스트(FaLTs)와의 코사인 유사도를 계산하는 3채널 CNN을 통해 분류수목에 조립한다.
• 조각 표현은 단어 임베딩을 바탕으로 하며, 1-그램, 2-그램, 3-그램 특징 행렬을 생성하기 위해 세 개의 합성곱 및 풀링 레이어를 적용한다.
• 위키백과에서 유도된 FaLTs와 지식 조각을 정렬하기 위한 텍스트 매칭 전략을 사용하여 분류 이질성을 감소시킨다.
• 지식 숲은 (MFT, LD)의 튜플로 표현되며, MFT는 구현된 분류수목을 포함하고, LD는 주제 간 학습 우선순서 관계를 인코딩한다.

실험 결과

연구 질문

• RQ1 분류하위관계와 학습 의존성을 통합한 지식 조직 모델이 산산이 흩어진 지식으로 인한 정보 과부하를 효과적으로 줄일 수 있는가?
• RQ2 분류수목 및 학습 의존성의 자동 구축이 지식 조각 레이블링 정확도를 어느 정도 향상시킬 수 있는가?
• RQ3 지식 숲의 활용이 전통적 학습 방법과 비교해 측정 가능한 학습 성과 향상 효과를 낼 수 있는가?
• RQ4 주제와 조각 복잡도가 다양한 과정에 걸쳐 제안된 방법이 얼마나 잘 일반화되는가?
• RQ5 인지적으로 일치하는 구조(분류수목)와 교육적 의존성(학습 순서)의 통합이 학습자 방향 감각 향상과 방향 감각 상실 감소에 기여하는가?

주요 결과

• 분류수목 구축 과정에서 nDCG 점수가 82% 이상을 기록하여 고품질의 분류 순서와 지식 조각의 효과적 조직을 입증했다.
• CNN 기반 지식 조각 조립 방법은 평가된 세 과정 전반에서 매크로-F1 점수가 83% 이상을 달성하여 뛰어난 일반화 능력과 정확도를 입증했다.
• 지식 숲 시스템(Yotta)을 사용한 참가자들은 유의미하게 높은 후측정 점수를 기록했으며, p < 0.05로 유의미한 학습 성과 향상을 보였다.
• 사전측정 점수에서 두 그룹 간 유의미한 차이가 없었으며(p > 0.05), 초기 지식 수준이 유사했음을 확인했고, 성과 향상은 시스템의 영향으로 기인함을 입증했다.
• 실험군의 성취도 향상 점수는 대조군보다 뚜렷이 높았으며, 이는 지식 숲이 학습의 방향 감각 상실과 정보 과부하를 효과적으로 줄임을 확인했다.
• 결과적으로 지식 숲이 분류수목과 학습 의존성의 이중 구조를 통해 산산이 흩어진 지식을 조직하고 교육적 성과를 향상시키는 데 효과적임을 검증했다.