웹에 분산된 모든 윈 페이지는 구조가 서로 다르다. 시멘틱 웹 환경은 이형적인 구조를 갖는 웹 페이지들의 메타데이터 바탕으로 시멘틱 검색이 가능하다. 그러나 일반적으로 사용자의 요구에 따른 시멘틱 김색은 상황에 따라 엄청난 수의 검색 결과를 내놓는다. 따라서 검색 결과에 대해 각 사용자에 맞는 검색 결과 순위를 적용할 필요가 있다. Culture Finder는 시멘틱 웹 검색 에이전트들이 개인화 된 문화 정보를 검색할 수 있도록 도움을 준다. Culture Finder는 웹에 존재하는 각 웹 페이지에 대한 메타 데이터를 작성하고, 시멘틱 검색을 이행하며 사용자 프로파일을 기반으로 삼아 검색 결과에 대한 순위 점수를 계산한다. Culture Finder에는 개인화 된 시멘틱 검색을 효율적으로 실행하기 위해 중요한 5가지 기법이 적용되었다. 사용자의 검색 행위로부터 사용자 프로파일을 생성하기 위한 기계 학습기법, 시멘틱 웹 검색 에이전트를 위한 효율적인 시멘틱 검색 기법, 사용자 질의의 효과적인 파악을 위한 질의 분석 기법, 각 사용자에게 적합한 검색 결과를 제공하기 위한 순위 적용 기술, 메타데이터를 생성하기 위한 상위 온톨로지 표현 방법, 본 논문에서는 Culture Finder의 구조를 통해서 시멘틱 개인화 검색에 대한 기법을 제안한다.
웹에 분산된 모든 윈 페이지는 구조가 서로 다르다. 시멘틱 웹 환경은 이형적인 구조를 갖는 웹 페이지들의 메타데이터 바탕으로 시멘틱 검색이 가능하다. 그러나 일반적으로 사용자의 요구에 따른 시멘틱 김색은 상황에 따라 엄청난 수의 검색 결과를 내놓는다. 따라서 검색 결과에 대해 각 사용자에 맞는 검색 결과 순위를 적용할 필요가 있다. Culture Finder는 시멘틱 웹 검색 에이전트들이 개인화 된 문화 정보를 검색할 수 있도록 도움을 준다. Culture Finder는 웹에 존재하는 각 웹 페이지에 대한 메타 데이터를 작성하고, 시멘틱 검색을 이행하며 사용자 프로파일을 기반으로 삼아 검색 결과에 대한 순위 점수를 계산한다. Culture Finder에는 개인화 된 시멘틱 검색을 효율적으로 실행하기 위해 중요한 5가지 기법이 적용되었다. 사용자의 검색 행위로부터 사용자 프로파일을 생성하기 위한 기계 학습기법, 시멘틱 웹 검색 에이전트를 위한 효율적인 시멘틱 검색 기법, 사용자 질의의 효과적인 파악을 위한 질의 분석 기법, 각 사용자에게 적합한 검색 결과를 제공하기 위한 순위 적용 기술, 메타데이터를 생성하기 위한 상위 온톨로지 표현 방법, 본 논문에서는 Culture Finder의 구조를 통해서 시멘틱 개인화 검색에 대한 기법을 제안한다.
The semantic web environment promise semantic search of heterogeneous data from distributed web page. Semantic search would resuit in an overwhelming number of results for users is increased, therefore elevating the need for appropriate personalized ranking schemes. Culture Finder helps semantic web...
The semantic web environment promise semantic search of heterogeneous data from distributed web page. Semantic search would resuit in an overwhelming number of results for users is increased, therefore elevating the need for appropriate personalized ranking schemes. Culture Finder helps semantic web agents obtain personalized culture information. It extracts meta data for each web page(culture news, culture performance, culture exhibition), perform semantic search and compute result ranking point to base user profile. In order to work efficient, Culture Finder uses five major technique: Machine learning technique for generating user profile from user search behavior and meta data repository, an efficient semantic search system for semantic web agent, query analysis for representing query and query result, personalized ranking method to provide suitable search result to user, upper ontology for generating meta data. In this paper, we also present the structure used in the Culture Finder to support personalized search service.
The semantic web environment promise semantic search of heterogeneous data from distributed web page. Semantic search would resuit in an overwhelming number of results for users is increased, therefore elevating the need for appropriate personalized ranking schemes. Culture Finder helps semantic web agents obtain personalized culture information. It extracts meta data for each web page(culture news, culture performance, culture exhibition), perform semantic search and compute result ranking point to base user profile. In order to work efficient, Culture Finder uses five major technique: Machine learning technique for generating user profile from user search behavior and meta data repository, an efficient semantic search system for semantic web agent, query analysis for representing query and query result, personalized ranking method to provide suitable search result to user, upper ontology for generating meta data. In this paper, we also present the structure used in the Culture Finder to support personalized search service.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문의 주 내용은 Culture Finder 구조 및 제안된 기 술이다. 따라서 본 논문은 Culture Finder의 구조, 효율적인 시멘틱 개인화 검색을 위한 메타데이터 구축, 시멘틱 검색 기법, 메타데이터 기반의 사용자 프로파일 구축을 위한 방 법, 각 사용자의 프로파일을 기반으로 개인에 맞게 검색 결 과에 순위를 적용하는 방법에 대해 설명한다.
그래서 본 논문이 제안하는 Culture Finder의 적용 가능성을 평가하기 위해 PDA에서 영화 정보를 간편하게 검색 할 수 있도록 구현된 음성 인식 기반의 클 라이언트 프로그램을 Culture Finder에 연결하여 영화 정보를 검색하는 과정을 보인다. 또한 검색 결과에 대한 만족도의 증감 수치를 측정하여 이를 바탕으로 Culture Finder에서 제공하는 시멘틱 개인화 검색에 대한 효율성을 실험해 보았다.
Semantic search의 기본 아이디어는 시멘틱 웹 상에 존재하는 다양한 페이지들 .로부터 연관된 데이터만을 획득하는 검색 방식을 채택함으 로써, 향상된 메타데이터 검색을 실행하는 것이 목적이다. Swoo이e[l]은 키워드를 사용하여 메타 데이터가 저장된 지 식 베이스를 검색한다.
본 논문에서는 문화 정보에 관련된 다양한 웹 페이지로부터 시멘틱 검색을 효과적으로 실행하는 Culture Finder의 구조를 통해서 시멘틱 개인화 검색에 대한 기법을 제안한다. Culture Finder는 개인화된 시멘틱 검색을 효율적으로 실행 하기 위해 중요한 5가지 기법을 적용한다.
본 논문에서는, 문화 정보에 대한 시멘틱 개인화 검색을 실행하는 Culture Finder의 구조를 제안하고, 이러한 구조를 통해서 시멘틱 개인화 검색에 적용되는 여러가지 기술에 대해 설명하였다. Culture Finder를 설계하기 위해서, 본 논문에서는 웹 온톨로지 기술 언어인 OWL을 기반으로 효율적으로 메타데이터를 구축하기 위한 방안, 질의 분석 및 시 멘틱 검색 방법과 사용자 프로파일 구축 및 검색 결과에 대한 순위 계산 방안을 고려하였다.
본 논문에서 제안하는 시멘틱 개인화 검색 기법은 검색 에이전트가 키워드나 구문으로 표현된 검색 질의를 시멘틱 검색 서버에 전송하고, 시멘틱 검색 서버는 메타 데이터를 기반으로 개인화가 적용된 검색 결과를 검색 에이전트에 전 송한다. 효과적인 시멘틱 개인화 검색을 위해서 본 논문에서는 웹 온톨로지 기술 언어인 OWL을 기반으로 효율적으로 메타데이터를 구축하기 위한 방안과 사용자 프로파일 구 축 및 검색 결과에 대한 순위 계산 방안을 고려하였다.
가설 설정
사용자 모니터 테이블은 사용자가 관심을 갖는 검색 결과들 을 사용자의 직접적인 개입 없이 마우스 클릭 유무로서 표 현한다. 즉, 마우스 클릭을 통해서 사용자가 검색된 페이지 중 특정페이지를 열어보았다면 사용자가 그 페이지에 관심이 있다고 판단하고, 반면에 열어보지 않은 페이지는 모두 비 관심 페이지로 가정한다. 이러한 방법은 신뢰성이 다소 떨어지지만, 웹 환경에서 사용자의 관심을 가장 쉽게 측정 할 수 있다.
제안 방법
본 논문에서는, 문화 정보에 대한 시멘틱 개인화 검색을 실행하는 Culture Finder의 구조를 제안하고, 이러한 구조를 통해서 시멘틱 개인화 검색에 적용되는 여러가지 기술에 대해 설명하였다. Culture Finder를 설계하기 위해서, 본 논문에서는 웹 온톨로지 기술 언어인 OWL을 기반으로 효율적으로 메타데이터를 구축하기 위한 방안, 질의 분석 및 시 멘틱 검색 방법과 사용자 프로파일 구축 및 검색 결과에 대한 순위 계산 방안을 고려하였다.
그러나 아직까지 시멘틱 웹의 특징과 개인 화 정보가 동시에 적용된 시멘틱 개인화 검색 서비스에 관한 관련연구들은 아직 진행 중에 있다. 따라서 본 논문에서 제안한 Culture Finder는 위의 설명된 여러 시스템들의 특 징들을 기반으로 시멘틱 개인화 검색 서비스를 위한 여러가지 방법들을 정의함으로써 설계되었다.
Culture Finder는 시멘틱 웹 검색 에이전트가 문화(문화 뉴스, 공연, 전시)에 관련된 다양한 정보들에 대해서 개인화 된 검색을 하는데 도움을 준다. 본 논문에서 제안된 구조는 웹 콘텐츠 및 서비스를 일괄적으로 자동(또는 반 자동)통합 하여, 웹 상에 존재하는 자원을 정확하게 사용하는 시멘틱 웹, 웹 서비스 및 다중 에이전트 기술에 적용될 수 있다. 본 논문에서 제안된 시멘틱 개인화 검색 시스템은 현재 계 속 진행 중인 연구로서, 향후에는 온톨로지 기반의 사용자의 정보 성향 학습과 사용자 프로파일을 기반의 검색 결과 순위 적용 기법에 대해서 보다 자세한 연구가 진행될 것이다.
본 논문에서 제안하는 Culture Finder는 시멘틱 웹 환경을 지원하는 여러가지 서비스 시스템중의 하나인 시멘틱 검색 시스템에 적용되어 사용자에게 기호에 맞는 정보를 제공할 수 있다. 이와 같은 기능은 수시로 변하는 사용자의 검색 행 위와 사용자가 제공받은 정보의 특징을 파악하고, 이러한 사 실들을 정량화된 데이터로 정제하여 사용자 프로파일을 학습 함으로써 가능하다.
본 논문에서 제안하는 Culture Finder에 적용된 시멘틱 검색 엔진은 다음 두 가지 사항에 중점을 두고 설계되었다. 첫 번째 사항은 양질의 검색 결과를 내기 위해 메타데이터와 검색 질의간의 효율적인 매치를 기반으로 하는 검색 방법이고 두 번째 사항은 검색 결과를 요청하기 위한 사용자 또는 검색 에이전트의 검색 질의어의 의미를 파악하는 것이다.
행위 기반 프로파일 구축 방법은 보통 기계 학습(Machine Learning)기법을 사용하여 사용자 행위의 패턴 을 학습하고, 이러한 행위 패턴을 기반으로 프로파일을 구축한다. 본 논문에서 제안하는 Culture Finder의 사용자 프로파일 생성 모듈은 행위 기반 프로파일 구축 기법을 기반으로 한다. 사용자 모니터 테이블에 저장된 상세 데이터는 검색된.
사용자의 검색 행위로부터 사용자 프로파일을 생성하기 위한 기계 학습기 법, 시멘틱 웹 검색 에이전트를 위한 효율적인 시멘틱 검색 시스템 사용자 질의의 효과적인 파악을 위한 질의 분석, 각 사용자에게 적합한 검색 결과를 제공하기 위한 순위 적용 기술, 메타데이터를 생성하기 위한 상위 온톨로지 표현. 본 논문에서 제안하는 시멘틱 개인화 검색 기법은 검색 에이전트가 키워드나 구문으로 표현된 검색 질의를 시멘틱 검색 서버에 전송하고, 시멘틱 검색 서버는 메타 데이터를 기반으로 개인화가 적용된 검색 결과를 검색 에이전트에 전 송한다. 효과적인 시멘틱 개인화 검색을 위해서 본 논문에서는 웹 온톨로지 기술 언어인 OWL을 기반으로 효율적으로 메타데이터를 구축하기 위한 방안과 사용자 프로파일 구 축 및 검색 결과에 대한 순위 계산 방안을 고려하였다.
본 연구에서 시멘틱 검색을 위한 메타데이터를 구축하기 위해 몇 가지 사항을 고려한 시멘틱 메타데이터 생성모듈을 Culture Finder에 적용하였다. 적용된 시멘틱 메타데이터 생 성모듈은 온톨로지 파일을 읽어 들인 후 온톨로지를 구성하는 클래스의 특징에 맞는 속성들의 동적 변화, 키보드를 통한 객체 프로퍼티 값의 직접 입력, 시멘틱 검색 엔진이 편리하게 검색할 수 있는 데이터 포맷으로 메타데이터를 저장해 주는 지에 대한 여부를 고려하여 구현되었다.
Culture Finder는 개인화된 시멘틱 검색을 효율적으로 실행 하기 위해 중요한 5가지 기법을 적용한다. 사용자의 검색 행위로부터 사용자 프로파일을 생성하기 위한 기계 학습기 법, 시멘틱 웹 검색 에이전트를 위한 효율적인 시멘틱 검색 시스템 사용자 질의의 효과적인 파악을 위한 질의 분석, 각 사용자에게 적합한 검색 결과를 제공하기 위한 순위 적용 기술, 메타데이터를 생성하기 위한 상위 온톨로지 표현. 본 논문에서 제안하는 시멘틱 개인화 검색 기법은 검색 에이전트가 키워드나 구문으로 표현된 검색 질의를 시멘틱 검색 서버에 전송하고, 시멘틱 검색 서버는 메타 데이터를 기반으로 개인화가 적용된 검색 결과를 검색 에이전트에 전 송한다.
시멘틱 검색 엔진은 시멘틱 웹 관련 기술과 정보 관리 기 술을 바탕으로 구현되었다. Culture Finder에 적용된 시멘틱 검색 엔진은 질의 분석기와 함께 메타데이터 지식 베이스 (Metadata Knowledge Base), 시멘틱 웹 검색 모듈 (Semantic Web Search Module), 시멘틱 웹 질의 모듈 (Semantic Web Query Module)로 구성 된다.
에서 제공하는 시멘틱 개인화 검색 에 대한 효율성을 실험해 보았다. 이를 위해 50명의 임의의 사용자를 선정하고, 사용자 프로파일이 만들어 지기 일주일 전의 사용 만족도와 사용자 프로파일이 만들어 지기 시작한 후의 일주일 동안의 사용만족도를 비교해보았다. 다음 도표 는 측정된 사용자 만족도의 변화를 보여준다.
본 연구에서 시멘틱 검색을 위한 메타데이터를 구축하기 위해 몇 가지 사항을 고려한 시멘틱 메타데이터 생성모듈을 Culture Finder에 적용하였다. 적용된 시멘틱 메타데이터 생 성모듈은 온톨로지 파일을 읽어 들인 후 온톨로지를 구성하는 클래스의 특징에 맞는 속성들의 동적 변화, 키보드를 통한 객체 프로퍼티 값의 직접 입력, 시멘틱 검색 엔진이 편리하게 검색할 수 있는 데이터 포맷으로 메타데이터를 저장해 주는 지에 대한 여부를 고려하여 구현되었다. (그림 2)는 Culture Finder에 적용된 시멘틱 메타데이터 생성모듈을 보여준다.
앞 장에서 서술했듯이 트리플로 표현된 메타데이터는 검색 질의와 검색 결과와의 연결 관계 (의미)를 나타내기 때문에, 메타데이터 참조에 의해 구축된 메타색인에는 검색 질의어와 질의어의 의미가 기록된다. 질 의 분석기는 두 개의 변수(질의 변수, 의미변수)를 사용하여 메타 색인을 인덱싱 하는 과정을 통해서 검색 질의어의 의 미를 파악한다. 즉, 질의 분석기는 질의 변수에 저장되는 질 의어를 메타색인에 인덱싱 함으로써 질의어가 갖는 의미를 의미 변수를 통해 알아낼 수 있다.
대상 데이터
본 논문의 주 내용은 Culture Finder 구조 및 제안된 기 술이다. 따라서 본 논문은 Culture Finder의 구조, 효율적인 시멘틱 개인화 검색을 위한 메타데이터 구축, 시멘틱 검색 기법, 메타데이터 기반의 사용자 프로파일 구축을 위한 방 법, 각 사용자의 프로파일을 기반으로 개인에 맞게 검색 결 과에 순위를 적용하는 방법에 대해 설명한다.
이론/모형
본 논문에서는 메타 데이터 구축 대상이 되는 문화 관련 웹 페이지를 효과적으로 수집하기 위해서, 몇 가지 휴리스 틱한 방법(분류 키워드와 시드 페이지 URL 입력)을 적용하여 웹 페이지를 선별해서 찾는 포커스 크롤러 방식을 Culture Finder에 적용하였다. Culture Finder에 적용된 크롤 러는 효과적인 웹 페이지 수집을 위해 다음과 같은 작업을 수행한다.
시멘틱 웹 검색 모듈은 단일화(Unification)을 기반으로 Rete 알고리즘을 사용하여 시멘틱 검색을 실행한다. 단일화 는 두 개의 문장이 동일한 표현이 될 수 있도록 변수부호에 항을 대치하는 것을 말한다[12].
성능/효과
이와 같은 기능은 수시로 변하는 사용자의 검색 행 위와 사용자가 제공받은 정보의 특징을 파악하고, 이러한 사 실들을 정량화된 데이터로 정제하여 사용자 프로파일을 학습 함으로써 가능하다. 그래서 본 논문이 제안하는 Culture Finder의 적용 가능성을 평가하기 위해 PDA에서 영화 정보를 간편하게 검색 할 수 있도록 구현된 음성 인식 기반의 클 라이언트 프로그램을 Culture Finder에 연결하여 영화 정보를 검색하는 과정을 보인다. 또한 검색 결과에 대한 만족도의 증감 수치를 측정하여 이를 바탕으로 Culture Finder에서 제공하는 시멘틱 개인화 검색에 대한 효율성을 실험해 보았다.
com/"으로 시 작하면 그 페이지는 크롤링 범위에 속하게 된다. 두 번째로, 반복적인 크롤링 현상을 막기 위해서 해당 웹 사이트의 크 롤링 로그 정보를 저장하여, 크롤링 수행 시 이를 기반으로 무한 반복 크롤링 문제를 해결한다. 마지막으로 크롤링을 수행 할 때 마다 해당 사이트의 모든 웹 페이지를 수집하는 방식을 탈피하여 수집 대상 페이지의 히스토리 정보를 저장 함으로써, 새로 업데이트(Update) 되거나 추가된 페이지만을 수집하여 DB에 추가하는 방식을 사용한다.
다음 도표 는 측정된 사용자 만족도의 변화를 보여준다. 먼저 만족도 는 사용자 프로파일이 적용되어 개인화 정보 서비스를 제공 한 이 후, 15% 이상 상승하였다. 이는 Culture Finder가 제공하는 시멘틱 개인화 검색이 어느 정도 효율성이 있다는 것을 증명한다.
사용자 모니터 테이블은 사용자가 관심을 갖는 검색 결과들 을 사용자의 직접적인 개입 없이 마우스 클릭 유무로서 표 현한다. 즉, 마우스 클릭을 통해서 사용자가 검색된 페이지 중 특정페이지를 열어보았다면 사용자가 그 페이지에 관심이 있다고 판단하고, 반면에 열어보지 않은 페이지는 모두 비 관심 페이지로 가정한다.
후속연구
본 논문에서 제안된 구조는 웹 콘텐츠 및 서비스를 일괄적으로 자동(또는 반 자동)통합 하여, 웹 상에 존재하는 자원을 정확하게 사용하는 시멘틱 웹, 웹 서비스 및 다중 에이전트 기술에 적용될 수 있다. 본 논문에서 제안된 시멘틱 개인화 검색 시스템은 현재 계 속 진행 중인 연구로서, 향후에는 온톨로지 기반의 사용자의 정보 성향 학습과 사용자 프로파일을 기반의 검색 결과 순위 적용 기법에 대해서 보다 자세한 연구가 진행될 것이다.
이는 사용자 기호를 학습하는 방법이 아직은 완전치 않다는 것을 반영해준다. 본 논문에서 제안된 시멘틱 개인화 검색 시스템은 현재 계속 진행 중인 연구로서 사용자의 정보 성 향 학습 기법에 대해서 보다 자세한 연구가 진행될 것이다,
참고문헌 (14)
Li Ding, Tim Finin, 'Swoogle: A Search and Metadata Engine for the semantic web', CIKM'04, November 8 13, 2004, Washington DC, USA
Semantic web, http://www.w3.org/2001/sw/
RDF Site Summary (RSS) 1.0, http://web.resource.org/ rss/1.0/
Atom, http://www.mnot.net/drafts/draft nottingham atom format 02.html
Guha, R. V,. McCool, R. and Miller, E. 'Semantic search', Proceedings of the twelfth international conference on World Wide Web(WWW203), ACM Press, 2003
D. Quan and D.R.karger, 'How to make a semantic web browser', WWW 2004
Haibo Yu, Tsunenori Mine, Makoto Amamiya, 'An Architecture for Personal Semantic Web Information Retrieval System', WWW 2005, May. 10-14, 2005, Chiba, Japan
RDQL A Query Language for RDF, http://www.w3.org/ Submission/2004/SUBM RDQL 20040109/, January 2004
George F Luger, 'ARTIFICIAL INTELLIGENCE', Addison -Wesley, pp.67-68, 1994
The RETE Algorithm, http://www.w3.org/Submission/ 2004/SUBM RDQL 20040109/
Stuart. E. Middleton, Nigel. R. Shadbolt, David C de Roure, 'Ontological User Profiling in Recommender System', ACM Transaction on Information System, Vol. 22, No.1, January 2004, pp.54-88
※ AI-Helper는 부적절한 답변을 할 수 있습니다.