서울대학교 DSBA 연구실조회 8회

온톨로지 및 지식 그래프 구축: 텍스트 기반 온톨로지 자동 추출

텍스트 데이터에서 개념과 관계를 자동으로 추출하여 온톨로지를 구축하는 방법론과 관련 도구의 분류 체계 및 검증 기법을 다룬다.

이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.

TL;DR

본 강의는 텍스트 데이터에서 개념과 관계를 자동으로 추출하여 온톨로지와 지식 그래프를 구축하는 방법론을 다룬다. 수동 구축의 한계를 극복하기 위해 온톨로지 학습(Ontology Learning) 프로세스를 정의하고, 입력 데이터와 기술적 접근 방식에 따른 분류 체계를 제시한다. 특히 온톨로지 구축의 계층적 구조인 Layer Cake 모델과 도구 선택을 위한 평가 기준을 설명하며, 구축된 온톨로지의 유효성을 검증하기 위한 역량 질문(Competence Questions)과 논리적 추론 기법의 중요성을 강조한다.

챕터별 상세

00:17

커리큘럼 및 학습 목표

온톨로지 및 지식 그래프 구축 시리즈의 세 번째 세션으로, 텍스트 기반 온톨로지 자동 추출 방법론을 다룬다. 사람이 직접 설계하는 방식에서 벗어나 텍스트 데이터를 활용해 온톨로지를 자동 혹은 반자동으로 추출하는 시도와 그 과정을 설명한다. 2018년과 2019년에 발표된 두 편의 논문을 중심으로 온톨로지 학습의 체계화와 도구 활용 방안을 제시한다.

온톨로지 학습(Ontology Learning)은 데이터로부터 온톨로지 구성 요소를 자동으로 생성하는 프로세스를 의미한다.

03:26

온톨로지 학습의 정의

온톨로지는 특정 도메인의 지식을 공유하고 재사용하기 위해 개념과 관계를 명시적·형식적으로 정의한 명세서이다. 온톨로지 학습(OL)은 다양한 데이터 소스로부터 인간 개입을 최소화하여 온톨로지를 구축하거나 확장하는 프로세스를 의미한다. 텍스트 마이닝 기술을 활용하여 비정형 데이터에서 지식을 추출하고 이를 기계가 처리 가능한 형태로 변환하는 것이 핵심이다.

온톨로지는 컴퓨터가 이해할 수 있는 지식의 구조화된 표현 방식이다.

04:54

온톨로지 구축의 한계와 자동화 필요성

전통적인 온톨로지 구축은 도메인 전문가가 수동으로 설계하여 비용과 시간이 많이 소요된다. 또한 전문가의 주관이 개입되어 오류가 발생하기 쉽고, 도메인이 변화할 때 유지보수 부담이 크다. 이러한 지식 습득의 병목 현상을 해결하기 위해 NLP와 머신러닝 기술을 활용한 자동화 접근법이 대두되었다.

지식 습득의 병목 현상은 지식 공학에서 전문가의 시간을 가장 많이 소모하는 단계를 의미한다.

08:12

온톨로지 학습의 계층 구조: Layer Cake

온톨로지 학습은 한 번에 완성되지 않으며, 여러 단계의 태스크가 케이크처럼 쌓이는 구조를 가진다. 최하단에는 용어 추출이 위치하며, 동의어 식별을 거쳐 개념을 형성한다. 이후 계층 구조를 구축하고 비계층적 관계를 식별하며, 최종적으로 추론을 위한 규칙을 정의한다. 상위 단계로 갈수록 추상적이고 복잡한 작업이 요구된다.

Layer Cake 모델은 온톨로지 구축 과정을 단계별로 시각화한 프레임워크이다.

09:46

온톨로지 학습 기법 분류

온톨로지 학습 기법은 크게 세 가지로 분류된다. 통계 기반 접근은 데이터의 분포와 유사도를 활용하며, 언어 기반 접근은 품사 태깅이나 구문 분석을 통해 언어적 구조를 파악한다. 논리 기반 접근은 유도 논리 프로그래밍 등을 사용하여 복잡한 관계와 규칙을 추출한다. 각 기법은 입력 데이터의 특성에 따라 선택적으로 적용된다.

유도 논리 프로그래밍(Inductive Logic Programming)은 예제 데이터로부터 논리 규칙을 학습하는 기법이다.

17:20

온톨로지 구축의 검증: 역량 질문

구축된 온톨로지가 도메인 지식을 충분히 담고 있는지 확인하기 위해 역량 질문(Competence Questions)을 사용한다. 온톨로지 구축 전후에 특정 질문에 대한 답을 할 수 있는지 테스트하여 품질을 검증한다. 논리 기술을 활용하여 시스템이 질문에 대해 정확한 추론 결과를 도출하는지 확인하는 과정이 필수적이다.

역량 질문은 온톨로지가 해결해야 할 문제의 범위를 정의하는 도구이다.

26:44

온톨로지 학습 도구의 분류와 비교

21개의 온톨로지 학습 도구를 분석하여 학습 기법별로 분류하였다. 통계/기계학습 기반, 언어 분석 기반, 텍스트 마이닝 기반, 패턴 활용 기반 등으로 나뉜다. 각 도구는 특정 입력 데이터 형식과 태스크에 최적화되어 있다. 도구 선택 시에는 도구의 목표, 적용된 학습 기법, 데이터 소스, 전문가 개입 여부 등을 고려해야 한다.

도구 분류는 사용자가 자신의 프로젝트에 적합한 도구를 선택하는 가이드라인을 제공한다.

29:43

온톨로지의 형식화 및 추론

온톨로지를 지식 저장소로 활용하기 위해 수학적으로 형식화한다. 도구 집합과 특성 집합의 카테시안 곱을 통해 가능한 조합 공간을 정의하고, 실제 성립하는 관계를 매핑한다. TBox는 개념과 관계를 정의하는 용어 사전 역할을 하며, ABox는 실제 인스턴스 데이터를 담는다. 이를 통해 기계가 논리적 추론을 수행할 수 있다.

TBox(Terminological Box)와 ABox(Assertional Box)는 기술 논리(Description Logic)의 핵심 구성 요소이다.

38:36

결론 및 향후 과제

온톨로지 학습은 데이터의 형태에 따라 적용되는 알고리즘과 전략이 달라진다. 텍스트 데이터는 구조가 없어 다루기 어렵지만 지식의 원천으로서 가치가 높다. 향후 과제로는 대규모 웹 데이터의 노이즈 처리, 사용자 참여형 데이터 활용, 복잡한 온톨로지로의 확장, 그리고 전이 학습을 통한 새로운 도메인 적용 등이 있다.

전이 학습(Transfer Learning)은 한 도메인에서 학습한 지식을 다른 도메인에 적용하는 기법이다.

언급된 리소스

논문Knowledge Systematization for Ontology Learning Methods

논문Knowledge Repository of Ontology Learning Tools from Text

AI 분석 전체 내용 보기

AI 요약 · 북마크 · 개인 피드 설정 — 무료

출처 · 인용 안내

원문 발행 2026. 07. 16.수집 2026. 07. 16.출처 타입 YOUTUBE

인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.