http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
남상하(Sangha Nam),김인철(Incheol Kim) 한국정보과학회 2015 정보과학회논문지 Vol.42 No.5
미국의 Jeopardy! 퀴즈쇼와 같은 DeepQA 환경에서 인간을 대신해 컴퓨터가 효과적으로 답하기 위해서는, 광범위한 지식 베이스와 빠른 시공간 추론 능력이 요구된다. 본 논문에서는 방향 및 위상 관계 추론을 위한 효율적인 공간 추론 방법 중 하나로, 혼합 공간 추론 알고리즘을 제안한다. 본 알고리즘은 전향 추론과 후향 추론을 결합한 혼합 추론 방식을 취함으로써, 불필요한 추론 계산을 줄여 질의 처리 속도도 향상될 뿐 아니라 공간 지식 베이스의 변화에 효과적인 대처가 가능하도록 설계하였다. 본 연구에서는 이 알고리즘을 기반으로 구현한 혼합 공간 추론기와 샘플 공간 지식베이스를 이용하여 성능 분석 실험들을 수행하였고, 이를 통해 본 논문에서 제안한 혼합 공간 추론 알고리즘의 높은 성능을 확인할 수 있었다. In order to answer questions successfully on behalf of the human contestant in DeepQA environments such as ‘Jeopardy!’, the American quiz show, the computer needs to have the capability of fast temporal and spatial reasoning on a large-scale commonsense knowledge base. In this paper, we present a hybrid spatial reasoning algorithm, among various efficient spatial reasoning methods, for handling directional and topological relations. Our algorithm not only improves the query processing time while reducing unnecessary reasoning calculation, but also effectively deals with the change of spatial knowledge base, as it takes a hybrid method that combines forward and backward reasoning. Through experiments performed on the sample spatial knowledge base with the hybrid spatial reasoner of our algorithm, we demonstrated the high performance of our hybrid spatial reasoning algorithm.
김지호(Jiho Kim),남상하(Sangha Nam),최기선(Key-Sun Choi) 한국정보과학회 2018 정보과학회논문지 Vol.45 No.9
지식베이스는 기계가 이해할 수 있도록 세상에 존재하는 모든 지식을 데이터베이스화 하는 것에 그 목적이 있다. 지식베이스가 유용하게 사용될 수 있기 위해서는 지속적으로 새로운 지식을 획득하여 추가해야 하는데, 지식 획득 능력의 부족으로 항상 지식 부족 문제에 시달리고 있다. 지식 획득은 주로 자연언어문장을 분석하여 새로운 지식을 추출하는 외부적인 지식 획득에 의해서 이루어지지만, 지식베이스 내부에 있는 지식만을 이용하여 내부적으로 지식을 확장해 나가는 방법에 대해서는 연구가 소홀이 이루어지고 있다. 따라서 본 논문에서는 음수 미포함 행렬 분해를 통한 내부적인 지식베이스 확장에 관하여 소개한다. 본 논문에서 소개하는 모델은 지식베이스를 행렬로 변환한 뒤에 음수 미포함 행렬 분해를 통해 개체쌍과 관계의 특징 벡터들을 학습하고, 이를 다시 재조합하여 새로운 지식에 대한 신뢰도를 계산한다. 모델의 실효성을 입증하기 위하여 한국어 디비피디아를 대상으로 한 실험 및 분석 결과를 소개한다. The purpose of a knowledge base is to incorporate all the knowledge in the world in a format that machines can understand. In order for a knowledge base to be useful, it must continuously acquire and add new knowledge. However, it cannot if it lacks knowledge-acquisition ability. Knowledge is mainly acquired by analyzing natural language sentences. However, studies on internal knowledge acquisition are being neglected. In this paper, we introduce a non-negative matrix factorization method for knowledge base population. The model introduced in this paper transforms a knowledge base into a matrix and then learns the latent feature vector of each entity tuple and relation by decomposing the matrix and reassembling the vectors to score the reliability of the new knowledge. In order to demonstrate the effectiveness and superiority of our method, we present results of experiments and analysis performed with Korean DBpedia.