$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

Research of Semantic Considered Tree Mining Method for an Intelligent Knowledge-Services Platform 원문보기

韓國컴퓨터情報學會論文誌 = Journal of the Korea Society of Computer and Information, v.25 no.5, 2020년, pp.27 - 36  

Paik, Juryon (Dept. of Digital Information and Statistics, Pyeongtaek University)

초록
AI-Helper 아이콘AI-Helper

본 논문은 지식기반의 서비스 융합을 추구하는 4차산업혁명의 핵심 기반인 데이터로부터 유용하지만 드러나지 않는 정보들을 추출하는 방식을 제안한다. IoT로 대표되는 초연결사회에서 빅데이터의 생성은 필연적이며 그로부터 최적의 서비스를 도출하기 위해서는 가치있는 데이터를 찾아내는 것은 최우선으로 수행되어야 한다. 다양한 디바이스로부터 엄청난 양의 데이터를 수집·저장·관리하고 통합하는 데이터중심 IoT 플랫폼은 일종의 미들웨어 솔루션으로, 플랫폼의 궁극적인 목적은 빅데이터를 적시적소에 맞게 가공 및 분석수행 후 가치 있는 결과를 도출하여 최적의 답안을 제시하는 것이다. 이는 데이터를 분석하는 효율적이고 정확한 알고리즘을 필요로 한다. 이를 위해 본 논문은 분산되어 생성되는 IoT 데이터로부터 유용 정보 추출을 위해 시맨틱을 고려하여 원데이터를 저장하는 특화된 구조체를 설계하고 제안한 구조체에 기반하여 가치있는 정보를 찾아내기 위한 알고리즘을 다양한 정의와 증명을 사용하여 제시한다.

Abstract ▼ AI-Helper 아이콘AI-Helper

In this paper, we propose a method to derive valuable but hidden infromation from the data which is the core foundation in the 4th Industrial Revolution to pursue knowledge-based service fusion. The hyper-connected societies characterized by IoT inevitably produce big data, and with the data in orde...

주제어

#지식기반   #비정형데이터   #트리데이터   #비트표현   #이진코드   #페어세트  

표/그림 (11)

AI 본문요약
AI-Helper 아이콘 AI-Helper

문제 정의

  • 데이터중심 IoT 플랫폼의 궁극적인 목적은 생성된 빅데이터를 적시적소에 맞게 가공 및 분석을 수행하여 가치 있는 결과를 도출하여 최적의 답안을 제시하는 것으로 사물에서 수집하는 데이터의 가치는 데이터를 분석하는 효율적이고 정확한 알고리즘에 기인한다고 할 수 있다. 본 논문은 분산되어 생성되는 IoT 데이터로부터 시맨틱을 고려한 유용 정보 추출을 수행하는 방식 및 알고리즘을 제시하고 해당 방법을 모듈로 적용한 지능형 지식서비스를 위한 플랫폼 설계를 제안한다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
4차산업혁명을 요약할 수 있는 키워드는 무엇인가? 초연결·초융합·초지능이라는 3가지 키워드로 요약할 수 있는 4차산업혁명은 결국 지식기반의 서비스 융합을 추구하는 산업으로의 확장과 그 확장의 핵심이자 기반은 ‘데이터’이며 그 데이터로부터 최적의 의사결정을 도출하는 기술이라고 할 수 있다. 빅데이터는 IoT(Internet of Things, 사물인터넷)로 대표되는 초연결사회에서 필연적으로 생성될 수밖에 없다.
4차산업혁명이란 무엇인가? 초연결·초융합·초지능이라는 3가지 키워드로 요약할 수 있는 4차산업혁명은 결국 지식기반의 서비스 융합을 추구하는 산업으로의 확장과 그 확장의 핵심이자 기반은 ‘데이터’이며 그 데이터로부터 최적의 의사결정을 도출하는 기술이라고 할 수 있다. 빅데이터는 IoT(Internet of Things, 사물인터넷)로 대표되는 초연결사회에서 필연적으로 생성될 수밖에 없다.
데이터중심 IoT 플랫폼의 궁극적인 목적은 어떤 것에 기인하는가? 데이터중심 IoT 플랫폼의 궁극적인 목적은 생성된 빅데이터를 적시적소에 맞게 가공 및 분석을 수행하여 가치 있는 결과를 도출하여 최적의 솔루션을 제시하는 것이다. 이는 대량의 데이터를 분석하는 효율적이고 정확한 알고리즘에 기인한다. 본 논문은 분산되어 생성되는 대량의 비정형 데이터들을 트리라는 구조를 형성한다는 근거를 바탕으로 처리에 있어서 빠른 속도와 적은 공간을 차지하는 이진코드로 변형하여 저장 후 동음이의어라는 시맨틱을 고려하여 빈번하게 발생하는 데이터를 추출하는 방법을 제시하고 이에 대한 알고리즘을 수립하였다.
질의응답 정보가 도움이 되었나요?

참고문헌 (15)

  1. Jae-Ho Kim, Jae-Seok Yun, Seong-Chan Choe, and Min-U Ryu, "IoT Platform Technology Trends and Developments," Information and Communications Magazine, 30(8), 29-35, July 2013. 

  2. Teik-Boon Tan and Wai_Khuen Cheng, "Software Testing Levels in Internet of Things (IoT) Architecture," 23rd International Computer Symposium, ICS 2018, Communications in Computer and Information Science 1013, pp. 385-390, Yunlin, Taiwan, December 2018. DOI: 10.1007/978-981-13-9190-3_40. 

  3. Yu Liu, "A Data-centric Internet of Things Framework Based on Public Cloud," Linkoping Studies in Science and Technology Licentiate Thesis No. 1850, September 2019. DOI: 10.3384/lic.diva-159770. 

  4. J. Paik, "Weighted or Non-Weighted Negative Tree Pattern Discovery from Sensor-Rich Environments," Intelligent Automation And Soft Computing, Vol. 26, No. 1, pp. 193-204, March 2020. DOI: 10.31209/2019.100000140. 

  5. Y. Chi, S. Nijssen, R. R. Muntz, and J. N. Kok, "Frequent Subtree Mining - an Overview," Fundamental Informaticae, Vol. 66, No. 1-2, pp. 161-198, November 2004. 

  6. M. J. Zaki, "Efficiently Mining Frequent Trees in a Forest: Algorithms and Applications," IEEE Transactions on Knowledge and Data Engineering, Vol. 17, No. 8, pp. 1021-1035, August 2005, DOI: 10.1109/TKDE.2005.125 

    상세보기 crossref

  7. J. Paik, J. Nam, U. M. Kim, and D. Won, "Method for Extracting Valuable Common Structures from Heterogeneous Rooted and Labeled Tree Data," J. of Information Science and Engineering, Vol. 30, No. 3, pp. 787-817, March 2014. 

  8. A. Inokuchi, T. Washio, and H. Motoda, "An Apriori-based Algorithm for Mining Frequent Substructures from Graph Data," Proceedings of the 4th European Conference on Principles of Data Mining and Knowledge Discovery, LNCS, Vol. 1920, pp. 13-23, Lyon, France, September 2000, DOI: 10.1007/3-540-45372-5_2 

  9. M. Kuramochi and G. Karypis, "Frequent Subgraph Discovery," Proceedings of IEEE International Conference on Data Mining, pp. 313-320, San Jose, California, 29 Nov.-2 December 2001, DOI: 10.1109/ICDM.2001.989534. 

  10. Harmanjit Singh and Richa Sharma, "Role of Adjacency Matrix & Adjacency List in Graph Theory," International Journal of Computers & Technology , Vol. 3, No. 1, pp. 1021-1035, August 2012, DOI: 10.24297/ijct.v3i1c.2775 

  11. Fengying Li, Enyi Yang, Anqiao Ma, Rongsheng Dong, "Optimal Representation of Large-Scale Graph Data Based on Grid Clustering and K2-Tree," Mathematical Problems in Engineering, Vol. 2020, Article ID 2354875, 8 pages, January 2020, doi.org/10.1155/2020/2354875. 

    상세보기

  12. T. Miyahara, T. Suzuki, T. Shoudai, T. Uchida, K. Takahashi, and H. Ueda, "Discovery of Frequent Tag Tree Patterns in Semistructured Web Documents," Proceedings of the 6th Pacific-Asia Conference of Advances in Knowledge Discovery and Data Mining, LNCS, Vol. 2336, pp. 341-355, Taipei, Taiwan, May 2002, DOI: 10.1007/3-540-47887-6_35 

  13. Kunihiko Sadakane and Gonzalo Navarro, "Fully-Functional Succinct Trees," Proceedings of the Twenty-First Annual ACM-SIAM Symposium on Discrete Algorithms, SODA 2010, pp. 134-149, Austin, Texas, USA, January 2010, DOI: 10.1137/1.9781611973075.13 

  14. Reuven Cohen, Pierre Fraigniaud, David Ilcinkas, Amos Korman, and David Peleg, "Labeling Schemes for Tree Representation," 7th International Workshop on Distributed Computing IWDC 2005, LNCS, Vol. 3741, pp. 13-24, Kharagpur, India, December 2005, DOI: doi.org/10.1007/11603771_2 

  15. J. Paik, J. Nam, U. M. Kim, and D. Won, "Fast Extraction of Maximal Frequent Subtrees Using Bits Representation," J. of Information Science and Engineering, Vol. 25, No. 2, pp. 435-464, March 2009, DOI: 10.1.1.423.292. 

관련 콘텐츠

오픈액세스(OA) 유형

FREE

Free Access. 출판사/학술단체 등이 허락한 무료 공개 사이트를 통해 자유로운 이용이 가능한 논문

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로