선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 저하시킨다. 따라서 본 논문에서는 버켓을 사용하여 중복된 시그니처가 시그니처 트리에 나타나지 않도록 하였다. 그림 2는 버켓을 사용한 시그니처 트리의 예제이다.
- 버켓을 사용한 구조에서는 삽입시에 중복된 시그니처를 검색하는 과정이 필요하기 때문에 시그니처 구성 시간이 증가하지만 이는 질의 처리 성능 향상 정도에 비해 미미한 수준이다. 또한 시그니처 트리를 구성할 때 변수가 되는 노드 크기와 노드 분할 알고리즘의 선택에 대해서 다양한 실험을 통해 이들 변수가 질의 성능에 미치는 영향에 대해서 살펴보았다.
- 본 논문에서는 시그니처 트리 (signature tree)[8]를 사용한 의미적 유사성 검색 기법을 제안한다. 시그니처 트리는 집합 유사성 검색에서도 많이 사용된 색인 기법으로 분기 한정 (branch and bound) 방식의 검색 알고리즘을 사용한다.
- 본 논문에서는 시그니처 트리를 사용한 의미적 유사성 질의 처리의 기법을 제안하였다. 시그니처 트리는 B-트리와 같은 디스크 기반의 균형 트리로서 집합 유사성 문제에서 많이 사용되고 있다.
- 분야에서 활용이 가능하다. 본 논문에서는 이런 의미적 유사성 질의 처리를 위한 기법을 제안한다. 의미 적정 보는 주로 온톨로지의 용어를 통해 제공되며 온톨로지는 용어간의 관계 정보를 제공한다.
- 시그니처 트리는 기본적으로 2절에서 설명한 구조를 갖도록 구성한다. 여기서는 시그니처 트리의 구조와 관련해서 질의 처리를 효율적으로 하기 위한 기법에 대해 논하도록 한다.
- 우선 우리가 다루고자 하는 의미적 유사성 질의를 위한 데이타 모델과 의미적 유사성 측정함수에 대해 알아보자. Ont=<T, E>는 용어의 집합 T, 용어 간의 관계 집합 E를 갖는 온톨로지를 나타낸다.
- 우선 제안한 시그니처 트리가 유사성 질의 성능을 향상시키는지 실험하였다. 이를 위해 기존의 시그니처 트리와 버켓을 이용한 시그니처 트리를 구성하였다.
- 실험에서는 제안한 기법의 성능 측정뿐만 아니라 시그니처트리의 여러 변수를 조정한 결과도 제시하였다. 우선 질의 크기에 따른 성능 변화와 노드 크기에 따른 성능 변화 결과를 제시한다. 또한 시그니처 트리 구성시 사용하는 노드 분할 알고리즘은 질의 처리 성능에 많은 영향을 주기 때문에 [1 이 여러 노드 분할 알고리즘을 사용하여 노드 분할 알고리즘에 따른 질의 처리 성능 변화도 제시하였다.
- 이번 절에서는 의미적 유사성 질의 처리를 위한 시그니처 트리의 구성 방법에 대해 설명한다. 우선 객체의 주석 정보의 시그니처는 다음과 같이 정의한다.
- 분기 한정 방식의 알고리즘을 사용하기 위해서는 자식 노드로 탐색을 하였을 때 찾을 수 있는 최대의 유사도를 예측하여야 한다. 이에 우리는 의미적 유사도 함수의 예측 최대값을 구하는 기법을 제안하였다. 또한 기존의 시그니처 트리에서는 동일한 시그니처가 중복 저장될 수 있는데, 이는 시그니처 트리의 사이즈를 증가시킬 뿐만 아니라 검색의 互율성을 떨어뜨린다.
- 이제 정의 3의 함수가 실제로 조건 1을 만족하는지에 대해 알아보자. 우선 유사도 함수를 구성하는 BM 값은 다음과 같은 성질을 갖는다.
가설 설정
- . 시그니처 트리의 사이즈가 증가한다. 중복된 시그니처를 모두 저장하게 되면 |S|개의 말단 노드가 생기게 된다.
- 두 용어 t, t'£T 사이에 is-a 관계가 있을 때 이다. 용어간 관계는 모두 is-a관계로 가정한다. £ = {Oi, .
※ AI-Helper는 부적절한 답변을 할 수 있습니다.