Latent Knowledge-based Pragmatic-aware Hypothesis Generation for Structural Health Monitoring = 구조물 건전성 평가 가설생성을 위한 잠재지식기반 자연어처리 기술 개발

다국어 초록 (Multilingual Abstract)

Structural health monitoring (SHM) domain continuously generates large volumes of textual data whose knowledge remains largely implicit. Most existing natural language processing (NLP) applications in this field emphasize syntactic or semantic information extraction, providing limited support for pragmatic-level understanding. This study proposes a pragmatic NLP framework that uncovers latent domain knowledge by integrating an NER component based on a BERT–BiLSTM–CRF architecture, a domain-specific knowledge graph (KG), and a hypothesis generation (HG) module driven by contextual reasoning. A corpus of SHM-related literature was manually annotated into five entity categories and used to fine-tune the NER model, achieving 0.8998 accuracy and 0.8705 F1-score. To analyze complex knowledge within the SHM domain, a novel dataset was constructed. The extracted entities were represented as nodes, and a top-k relationship assignment strategy was used to define weighted edges, yielding a KG comprising 3,509 nodes and 5,660,655 edges that aggregate information from various structural and SHM studies. Within this KG, path-finding algorithms identified candidate hypothesis paths, and additional intermediate nodes were introduced to form richer, multi-step relational patterns that approximate scientific reasoning chains. To evaluate their plausibility, each hypothesis path was converted into a textual statement and compared with sentences in the source corpus using a Sentence-BERT model, which quantified semantic alignment. The generated hypotheses closely aligned with relevant literature, indicating that the framework can uncover meaningful, previously unexplored connections across studies and highlight underexplored combinations of mechanisms, conditions, and responses. Overall, the proposed approach demonstrates the potential of pragmatic NLP to support automated hypothesis reasoning and latent knowledge discovery in SHM research, while providing a scalable foundation for future integration with interactive decision-support and design tools.

국문 초록 (Abstract)

구조물 상태 모니터링은 방대한 양의 텍스트 데이터를 지속적으로 생성하지만, 그 지식은 대체로 잠재되어 있다. 기존 자연어처리 연구는 주로 통사적·의미적 정보 추출에 집중하여 화용 수준의 이해를 충분히 지원하지 못한다. 본 연구는 BERT–BiLSTM–CRF 기반의 개체명 인식 모듈, 도메인 특화 지식 그래프, 문맥 추론에 의해 구현되는 가설 생성 모듈을 통합한 화용 기반 자연어처리 프레임워크를 제안한다. 구조물 상태 모니터링 분야의 문헌들은 다섯 개의 범주로 라벨링되었고, 이를 이용해 개체명 인식 모델을 미세 조정하여 정확도 0.8998, F1-score 0.8705를 달성하였다. 구조물 상태 모니터링 도메인의 복합 지식을 분석하기 위해 신규 데이터셋이 구축되었다. 추출된 엔티티를 정점으로, 의미 유사도와 top-k 관계 할당 전략을 통한 관계 엔티티를 간선으로 정의하여 3,509개 노드와 5,660,655개의 엣지로 이루어진 지식 그래프를 구성하였다. 이 그래프에서 경로 탐색 알고리즘으로 후보 가설 경로를 식별하고, 과학적 추론 사슬을 근사하는 다단계 관계 패턴을 형성하도록 중간 노드를 추가하였다. 각 가설 경로를 문장 형태로 변환한 후, Sentence-BERT를 통해 원본 문장과의 의미 정합성을 정량화하여 타당성을 평가하였다. 생성된 가설은 관련 문헌과 높은 정합성을 보였으며, 선행 연구 간 숨은 연결을 드러낼 수 있음을 확인하였다. 전반적으로 제안 프레임워크는 구조물 상태 모니터링 연구에서 자동 가설 추론과 잠재 지식 발굴을 지원하는 화용 기반 자연어처리의 잠재력을 보여 주며, 향후 상호작용형 의사결정·설계 도구와의 통합을 위한 확장 가능한 기반을 제공할 수 있다.

목차 (Table of Contents)

• Abstract i
• Contents iii
• List of Tables v
• List of Figures vi
• Chapter 1. Introduction 1
• Chapter 2. Literature Review 6
• 2.1 Natural Language Processing in the AEC Fields 6
• 2.2 Named Entity Recognition (NER) with Deep Learning 13
• 2.2.1 Overview of NER in Scientific Literature 13
• 2.2.2 Traditional Approaches for NER 13
• 2.2.3 Deep Learning Approaches for NER 14
• 2.3 Knowledge Graph Construction 17
• 2.3.1 Network Analysis Approaches 18
• 2.3.2 Knowledge Graphs 18
• 2.4 Hypothesis Generation 19
• 2.5 Summary 25
• Chapter 3. Methodology 26
• 3.1 Fine-tuning Context-aware NER Model 28
• 3.1.1 Data Preparation 28
• 3.1.2 Model Architecture for Context Comprehension 31
• 3.1.3 Context-aware NER Model Development 34
• 3.2 Knowledge Graph Construction for the SHM 35
• 3.2.1 Entity Extraction for Nodes via Context-aware NER Model 35
• 3.2.2 Assignment for Pairs of Entity-entity and Entity-relation 36
• 3.3 Representative Hypothesis Generation Strategy for Pragmatic-level NLP 42
• Chapter 4. Results 45
• 4.1 Data Preparation 45
• 4.2 Fine-tuning Context-aware NER Model 49
• 4.3 Knowledge Graph Construction for the SHM 54
• 4.4 Representative Hypothesis Generation 57
• Chapter 5. Conclusion 68
• References 71
• 초 록 84