[논문 리뷰] Probabilistic Semantic Web Mining Using Artificial Neural Analysis

T. Krishna Kishore, T. Sasi Vardhan외 1명|arXiv (Cornell University)|2010. 04. 11.

Data Mining Algorithms and Applications참고 문헌 7인용 수 3

한 줄 요약

이 논문은 구문적 및 의미적 관련성을 결합함으로써 검색 정확도를 향상시키기 위해 인공 신경망을 의미적 메타데이터와 통합하는 새로운 확률적 의미 웹 마이닝 프레임워크를 제안한다. 메타데이터의 확률적 분석과 신경 처리를 활용함으로써 시스템은 검색 정밀도를 향상시키고, 맥락 기반 순위 매기기를 통해 관련성이 없는 결과를 줄인다.

ABSTRACT

Most of the web user's requirements are search or navigation time and getting correctly matched result. These constrains can be satisfied with some additional modules attached to the existing search engines and web servers. This paper proposes that powerful architecture for search engines with the title of Probabilistic Semantic Web Mining named from the methods used. With the increase of larger and larger collection of various data resources on the World Wide Web (WWW), Web Mining has become one of the most important requirements for the web users. Web servers will store various formats of data including text, image, audio, video etc., but servers can not identify the contents of the data. These search techniques can be improved by adding some special techniques including semantic web mining and probabilistic analysis to get more accurate results. Semantic web mining technique can provide meaningful search of data resources by eliminating useless information with mining process. In this technique web servers will maintain Meta information of each and every data resources available in that particular web server. This will help the search engine to retrieve information that is relevant to user given input string. This paper proposing the idea of combing these two techniques Semantic web mining and Probabilistic analysis for efficient and accurate search results of web mining. SPF can be calculated by considering both semantic accuracy and syntactic accuracy of data with the input string. This will be the deciding factor for producing results.

연구 동기 및 목표

• 확장되는 이질적인 웹 데이터의 볼륨 증가에 따라 정확하고 관련성이 높은 결과를 추출하는 데 발생하는 도전 과제를 해결하기 위해.
• 기존 검색 엔진에 의미적 이해를 통합하여 전통적인 검색 엔진의 노이즈와 부적절한 결과를 줄이기 위해.
• 의미 메타데이터와 확률적 분석 기법을 통합하여 검색 효율성과 정밀도를 향상시키기 위해.
• 인공 신경망과 의미 웹 원칙을 결합한 하이브리드 아키텍처를 개발하기 위해.
• 사용자 쿼리에 대한 데이터의 구문적 및 의미적 정확도를 평가하는 의미-확률 스코링 함수(SPF)를 도입하기 위해.

제안 방법

• 모든 웹 자원에 대해 의미 메타데이터 인덱스를 구축하여 콘텐츠, 형식 및 맥락에 대한 구조화된 기술을 저장한다.
• 의미 메타데이터를 처리하고 분석하기 위해 인공 신경망을 활용하여 사용자 쿼리에서 자원으로의 매핑 패턴을 학습한다.
• 사용자 입력과 인덱싱된 데이터 사이의 구문적 유사성과 의미적 관련성에 기반하여 확률적 스코링 함수(SPF)를 계산한다.
• SPF는 구문 매칭(예: 키워드 겹침)과 의미 매칭(예: 온톨로지 기반 개념 정렬)의 가중치 스코어를 통합한다.
• 시스템은 SPF를 기반으로 결과를 순위 매기며, 높은 통합 의미적 및 구문적 정확도를 가진 문서를 우선순위로 정렬한다.
• 모듈식 아키텍처는 기존 검색 엔진과 웹 서버에 통합하기 위해 전체 재설계 없이도 가능하도록 설계되어 있다.

실험 결과

연구 질문

• RQ1 의미 메타데이터와 확률적 분석을 어떻게 융합하여 웹 검색 결과의 정확도를 향상시킬 수 있는가?
• RQ2 인공 신경망은 웹 콘텐츠의 의미 이해를 마이닝 목적을 위해 어떻게 향상시키는가?
• RQ3 구문적 및 의미적 정확도를 통합함으로써 웹 마이닝에서 검색 정밀도는 어느 정도 향상되는가?
• RQ4 통합 스코링 함수(SPF)는 웹 검색에서 구문적 및 의미적 관련성을 효과적으로 균형 잡을 수 있는가?
• RQ5 모호하거나 복잡한 쿼리를 처리할 때 제안된 프레임워크는 기존의 키워드 기반 검색보다 어떻게 뛰어나게 되는가?

주요 결과

• 제안된 프레임워크는 의미 메타데이터와 확률적 스코링을 통합함으로써 검색 결과의 관련성을 크게 향상시켰다.
• 인공 신경망의 통합은 사용자 쿼리와 웹 자원 간의 의미 관계를 적응적으로 학습할 수 있도록 했다.
• SPF 메트릭은 구문적 및 의미적 정확도를 효과적으로 포착하여 검색된 문서의 정밀한 순위 매기기를 가능하게 하였다.
• 의미 모호성 제거를 통해 낮은 유사도 매칭을 걸러내어 관련 없는 결과의 검색을 줄였다.
• IJCSIS 저널 논문(Vol. 7, No. 3, 2010)에서의 실증 평가 결과, 기준 키워드 기반 시스템 대비 정밀도 향상이 입증되었다.
• 모듈식 설계 덕분에 기존 웹 서버 및 검색 엔진과 원활하게 통합되어 확장성이 향상되었다.