KR20200052448A - 지식 그래프에 기초하여 데이터베이스들을 통합하는 시스템 및 방법 - Google Patents
지식 그래프에 기초하여 데이터베이스들을 통합하는 시스템 및 방법 Download PDFInfo
- Publication number
- KR20200052448A KR20200052448A KR1020180131110A KR20180131110A KR20200052448A KR 20200052448 A KR20200052448 A KR 20200052448A KR 1020180131110 A KR1020180131110 A KR 1020180131110A KR 20180131110 A KR20180131110 A KR 20180131110A KR 20200052448 A KR20200052448 A KR 20200052448A
- Authority
- KR
- South Korea
- Prior art keywords
- knowledge graph
- data
- databases
- learning model
- server
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 238000010801 machine learning Methods 0.000 claims abstract description 12
- 238000013135 deep learning Methods 0.000 claims abstract description 11
- 230000000875 corresponding effect Effects 0.000 claims description 54
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 10
- 238000007635 classification algorithm Methods 0.000 claims description 7
- 230000002068 genetic effect Effects 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 230000002596 correlated effect Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims 1
- 108090000623 proteins and genes Proteins 0.000 claims 1
- 238000004891 communication Methods 0.000 description 54
- 238000010586 diagram Methods 0.000 description 47
- 230000004044 response Effects 0.000 description 45
- 238000003860 storage Methods 0.000 description 23
- 238000007781 pre-processing Methods 0.000 description 20
- 238000011156 evaluation Methods 0.000 description 13
- 238000012549 training Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 241001591024 Samea Species 0.000 description 7
- 230000005236 sound signal Effects 0.000 description 7
- 230000001276 controlling effect Effects 0.000 description 6
- 238000010295 mobile communication Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000004091 panning Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9027—Trees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/31—Indexing; Data structures therefor; Storage structures
- G06F16/316—Indexing structures
- G06F16/322—Trees
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
- G06F18/2178—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/778—Active pattern-learning, e.g. online learning of image or video features
- G06V10/7784—Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/778—Active pattern-learning, e.g. online learning of image or video features
- G06V10/7784—Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors
- G06V10/7788—Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors the supervisor being a human, e.g. interactive learning with a human teacher
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9024—Graphs; Linked lists
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
본 개시는 딥러닝 등의 기계 학습 알고리즘을 활용하는 인공지능(AI) 시스템 및 그 응용에 관련된 것이다. 서버가 복수의 데이터베이스들을 통합 관리하는 방법은, 서로 다른 구조를 가지는 복수의 데이터베이스(DB)들로부터 생성된 복수의 DB 지식 그래프들을 획득하는 동작; 상기 복수의 DB 지식 그래프들을, 상기 복수의 DB 내의 데이터 간의 연관 관계를 결정하기 위한 데이터베이스 학습 모델에 입력하는 동작; 및 상기 데이터베이스 학습 모델로부터 출력되는, 상기 복수의 DB 지식 그래프들로부터 추출된 연관 관계에 관한 정보를 포함하는 통합 지식 그래프를 획득하는 동작;을 포함한다.
Description
본 개시는 지식 그래프에 기초하여 데이터베이스들을 통합하는 시스템 및 방법에 관한 것으로서, 보다 상세하게는 인공 지능 학습 모델을 이용하여 획득된, 이종의 데이터베이스들에 포함된 데이터 간 연관 관계를 나타내는 지식 그래프에 기초하여 데이터베이스들을 통합하는 시스템 및 방법에 관한 것이다.
인공지능(Artificial Intelligence, AI) 시스템은 기존 Rule 기반 스마트 시스템과 달리 기계가 스스로 학습하고 판단하며 똑똑해지는 컴퓨터 시스템이다. 인공지능 시스템은 사용할수록 인식률이 향상되고 사용자 취향을 보다 정확하게 이해할 수 있게 되어, 기존 Rule 기반 스마트 시스템은 점차 딥러닝 기반 인공지능 시스템으로 대체되고 있다.
인공지능 기술은 기계학습(딥러닝) 및 기계학습을 활용한 요소 기술들로 구성된다. 기계학습은 입력 데이터들의 특징을 스스로 분류/학습하는 알고리즘 기술이며, 요소기술은 딥러닝 등의 기계학습 알고리즘을 활용하는 기술로서, 언어적 이해, 시각적 이해, 추론/예측, 지식 표현, 동작 제어 등의 기술 분야로 구성된다.
인공지능 기술이 응용되는 다양한 분야는 다음과 같다. 언어적 이해는 인간의 언어/문자를 인식하고 응용/처리하는 기술로서, 자연어 처리, 기계 번역, 대화시스템, 질의 응답, 음성 인식/합성 등을 포함한다. 시각적 이해는 사물을 인간의 시각처럼 인식하여 처리하는 기술로서, 객체 인식, 객체 추적, 영상 검색, 사람 인식, 장면 이해, 공간 이해, 영상 개선 등을 포함한다. 추론 예측은 정보를 판단하여 논리적으로 추론하고 예측하는 기술로서, 지식/확률 기반 추론, 최적화 예측, 선호 기반 계획, 추천 등을 포함한다. 지식 표현은 인간의 경험정보를 지식데이터로 자동화 처리하는 기술로서, 지식 구축(데이터 생성/분류), 지식 관리(데이터 활용) 등을 포함한다. 동작 제어는 차량의 자율 주행, 로봇의 움직임을 제어하는 기술로서, 움직임 제어(항법, 충돌, 주행), 조작 제어(행동 제어) 등을 포함한다.
한편, 최근 네트워크 기술의 발달에 의해, 다양한 분야에서 사용되는 대량의 정보들이 물리적 혹은 논리적으로 상이한 위치에 상이한 형태로 산재하는 환경이 조성되고 있다. 사용자는 필요한 데이터가 어디에 있는지 알기 어려우므로, 이러한 정보 자원들로부터 원하는 정보를 찾기 위해 막대한 시간 및 노력을 들여야 한다. 또한 데이터 간 이질성으로 인해, 연계 및 통합된 형태의 정보를 얻기 위해서는 전문적 지식이 요구되는 어려움이 있다.
이에 분산된 데이터베이스들을 단일한 데이터베이스를 사용하는 것과 같이 통합하기 위한 시도가 여러 방식으로 행해져 왔다. 예를 들어, 별도로 사전 정의된 규칙 또는 프로토콜을 통하여, 분산된 데이터베이스들을 통합한 통합 데이터베이스를 구축할 수 있다.
그러나, 통합 데이터베이스를 구축하는 방법은 미리 정의된 특정 목적에 맞는 구조로만 통합이 가능하며 확장성이 낮다는 문제점이 있다. 예를 들어, 통합 데이터베이스에 신규 데이터베이스를 추가하기 위해서는 새로운 규칙의 정의가 필요하고, 통합 데이터베이스는 데이터베이스들의 실시간 업데이트를 반영하지 못한다. 또한, 전술한 방법은 기존의 데이터베이스와 별개로 통합 데이터베이스를 구축하므로 저장 공간 및 컴퓨팅 자원의 낭비가 발생한다는 문제점이 있다.
따라서, 상기한 문제점들을 해결하면서 상이한 데이터베이스들을 통합할 수 있는 기술이 요구되고 있다.
일부 실시예는, 데이터베이스 학습 모델을 이용하여 복수의 데이터베이스들 내의 데이터 간의 연관 관계를 나타내는 통합 지식 그래프를 획득하는 시스템 및 방법을 제공할 수 있다.
또한, 일부 실시예는, 상기 통합 지식 그래프를 이용하여, 복수의 데이터베이스들에 대한 사용자의 질의에 응답하는 시스템 및 방법을 제공할 수 있다.
또한, 일부 실시예는, 상기 통합 지식 그래프를 이용하여, 복수의 데이터베이스들 간에 존재하는 불일치(conflict)를 인식하고, 불일치하는 데이터를 표준화시키기 위한 시스템 및 방법을 제공할 수 있다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 개시의 제1 측면은 서로 다른 구조를 가지는 복수의 데이터베이스들(DB)들로부터 생성된 복수의 DB 지식 그래프들을 획득하는 동작; 상기 복수의 DB 지식 그래프들을, 상기 복수의 DB 내의 데이터 간의 연관 관계를 결정하기 위한 데이터베이스 학습 모델에 입력하는 동작; 및 상기 데이터베이스 학습 모델로부터 출력되는, 상기 복수의 DB 지식 그래프들로부터 추출된 연관 관계에 관한 정보를 포함하는 통합 지식 그래프를 획득하는 동작;을 포함하는, 서버가 복수의 데이터베이스들을 통합 관리하는 방법을 제안할 수 있다.
또한, 본 개시의 제2 측면은, 하나 이상의 인스트럭션을 저장하는 메모리; 및 상기 하나 이상의 인스트럭션을 실행하는 프로세서를 포함하며, 상기 프로세서는, 각각 서로 다른 구조를 가지는 복수의 데이터베이스들(DB)들로부터 생성된 복수의 DB 지식 그래프들을 획득하고, 복수의 DB 지식 그래프들을, 상기 복수의 DB 내의 데이터 간의 연관 관계를 결정하기 위한 데이터베이스 학습 모델에 입력하고, 상기 데이터베이스 학습 모델로부터 출력되는, 상기 복수의 DB 지식 그래프들로부터 추출된 연관 관계에 관한 정보를 포함하는 통합 지식 그래프를 획득하도록 설정되는, 지식 그래프에 기초하여 복수의 데이터베이스들을 통합 관리하는 서버를 제공할 수 있다.
또한, 본 개시의 제3 측면은, 각각 서로 다른 구조를 가지는 복수의 데이터베이스들(DB)들로부터 생성된 복수의 DB 지식 그래프들을 획득하는 동작; 상기 복수의 DB 지식 그래프들을, 상기 복수의 DB 내의 데이터 간의 연관 관계를 결정하기 위한 데이터베이스 학습 모델에 입력하는 동작; 및 상기 데이터베이스 학습 모델로부터 출력되는, 상기 복수의 DB 지식 그래프들로부터 추출된 연관 관계에 관한 정보를 포함하는 통합 지식 그래프를 획득하는 동작을 수행하도록 하는 프로그램이 저장된 기록매체를 포함하는 컴퓨터 프로그램 제품을 제공할 수 있다.
도 1은 일부 실시예들에 따른 지식 그래프에 기초하여 데이터베이스들을 통합하는 시스템의 개요도이다.
도 2는 일부 실시예들에 따른 학습 모델을 이용하여 데이터베이스들로부터 통합 지식 그래프를 획득하는 시스템의 개요도이다.
도 3은 일부 실시예들에 따른 학습 모델을 이용하여 데이터베이스들로부터 통합 지식 그래프를 획득하는 방법의 흐름도이다.
도 4는 일부 실시예들에 따른 제1 학습 모델 및 제2 학습 모델을 이용하여 데이터베이스들로부터 통합 지식 그래프를 획득하는 방법의 흐름도이다.
도 5는 일부 실시예들에 따른 데이터베이스들 내의 데이터 간의 연관 관계에 대한 정보를 획득하는 방법의 흐름도이다.
도 6은 일부 실시예들에 따른 사용자의 피드백 입력을 기초로 학습 모델을 업데이트하는 방법의 흐름도이다.
도 7은 일부 실시예들에 따른 통합 지식 그래프를 이용하여 복수의 데이터베이스들에 대한 사용자의 질의에 응답하는 방법의 흐름도이다.
도 8은 일부 실시예들에 따른 복수의 데이터베이스들 간에 존재하는 불일치를 인식하고, 불일치하는 데이터를 표준화시키기 위한 방법의 흐름도이다.
도 9a 및 도 9b는 일부 실시예들에 따른 시스템이 학습 모델을 이용하여 데이터베이스들로부터 통합 지식 그래프를 획득하는 방법을 나타내는 도면이다.
도 10a, 도 10b 및 도 10c는 일부 실시예들에 따른 시스템이 통합 지식 그래프를 이용하여 복수의 데이터베이스들에 대한 사용자의 질의에 응답하는 방법을 나타내는 도면이다.
도 11은 일부 실시예들에 따른 데이터베이스들 및 DB 지식 그래프들의 예시를 나타내는 도면이다.
도 12는 일부 실시예들에 따른 데이터 필드(field)들 간의 연관 관계를 나타내는 제1 통합 지식 그래프를 생성하는 예시를 나타내는 도면이다.
도 13은 일부 실시예들에 따른 통합 지식 그래프의 예시를 나타내는 도면이다.
도 14a는 일부 실시예들에 따른 서버가 제1 학습 모델 및 제2 학습 모델을 이용하여 제1 통합 지식 그래프 및 제2 통합 지식 그래프를 생성하는 예시를 나타내는 도면이다.
도 14b는 일부 실시예들에 따른 서버가 제3 학습 모델 및 제4 학습 모델을 이용하여 제1 통합 지식 그래프 및 제2 통합 지식 그래프를 생성하는 예시를 나타내는 도면이다.
도 14c는 일부 실시예들에 따른 디바이스가 제5 학습 모델을 이용하여 통합 지식 그래프를 결정하는 예시를 나타내는 도면이다.
도 14d는 일부 실시예들에 따른 디바이스가 제6 학습 모델을 이용하여 제2 디바이스 지식 그래프를 생성하는 예시를 나타내는 도면이다.
도 15는 일부 실시예들에 따른 서버의 블록도이다.
도 16은 일부 실시예들에 따른 디바이스의 블록도이다.
도 17은 일부 실시예들에 따른 외부 서버의 블록도이다.
도 18은 일부 실시예들에 따른 제어부의 블록도이다.
도 19은 일부 실시예들에 따른 데이터 학습부의 블록도이다.
도 20은 일부 실시예들에 따른 데이터 인식부의 블록도이다.
도 2는 일부 실시예들에 따른 학습 모델을 이용하여 데이터베이스들로부터 통합 지식 그래프를 획득하는 시스템의 개요도이다.
도 3은 일부 실시예들에 따른 학습 모델을 이용하여 데이터베이스들로부터 통합 지식 그래프를 획득하는 방법의 흐름도이다.
도 4는 일부 실시예들에 따른 제1 학습 모델 및 제2 학습 모델을 이용하여 데이터베이스들로부터 통합 지식 그래프를 획득하는 방법의 흐름도이다.
도 5는 일부 실시예들에 따른 데이터베이스들 내의 데이터 간의 연관 관계에 대한 정보를 획득하는 방법의 흐름도이다.
도 6은 일부 실시예들에 따른 사용자의 피드백 입력을 기초로 학습 모델을 업데이트하는 방법의 흐름도이다.
도 7은 일부 실시예들에 따른 통합 지식 그래프를 이용하여 복수의 데이터베이스들에 대한 사용자의 질의에 응답하는 방법의 흐름도이다.
도 8은 일부 실시예들에 따른 복수의 데이터베이스들 간에 존재하는 불일치를 인식하고, 불일치하는 데이터를 표준화시키기 위한 방법의 흐름도이다.
도 9a 및 도 9b는 일부 실시예들에 따른 시스템이 학습 모델을 이용하여 데이터베이스들로부터 통합 지식 그래프를 획득하는 방법을 나타내는 도면이다.
도 10a, 도 10b 및 도 10c는 일부 실시예들에 따른 시스템이 통합 지식 그래프를 이용하여 복수의 데이터베이스들에 대한 사용자의 질의에 응답하는 방법을 나타내는 도면이다.
도 11은 일부 실시예들에 따른 데이터베이스들 및 DB 지식 그래프들의 예시를 나타내는 도면이다.
도 12는 일부 실시예들에 따른 데이터 필드(field)들 간의 연관 관계를 나타내는 제1 통합 지식 그래프를 생성하는 예시를 나타내는 도면이다.
도 13은 일부 실시예들에 따른 통합 지식 그래프의 예시를 나타내는 도면이다.
도 14a는 일부 실시예들에 따른 서버가 제1 학습 모델 및 제2 학습 모델을 이용하여 제1 통합 지식 그래프 및 제2 통합 지식 그래프를 생성하는 예시를 나타내는 도면이다.
도 14b는 일부 실시예들에 따른 서버가 제3 학습 모델 및 제4 학습 모델을 이용하여 제1 통합 지식 그래프 및 제2 통합 지식 그래프를 생성하는 예시를 나타내는 도면이다.
도 14c는 일부 실시예들에 따른 디바이스가 제5 학습 모델을 이용하여 통합 지식 그래프를 결정하는 예시를 나타내는 도면이다.
도 14d는 일부 실시예들에 따른 디바이스가 제6 학습 모델을 이용하여 제2 디바이스 지식 그래프를 생성하는 예시를 나타내는 도면이다.
도 15는 일부 실시예들에 따른 서버의 블록도이다.
도 16은 일부 실시예들에 따른 디바이스의 블록도이다.
도 17은 일부 실시예들에 따른 외부 서버의 블록도이다.
도 18은 일부 실시예들에 따른 제어부의 블록도이다.
도 19은 일부 실시예들에 따른 데이터 학습부의 블록도이다.
도 20은 일부 실시예들에 따른 데이터 인식부의 블록도이다.
아래에서는 첨부한 도면을 참조하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 개시의 실시예를 상세히 설명한다. 그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 개시를 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
본 명세서에서, 데이터베이스(DB)들은 다양한 어플리케이션에서의 사용을 위하여 다양한 기기에서 축적되고 또한 사용될 수 있다. 데이터베이스들은 데이터를 수집하는 기기 내에 저장될 수 있고, 별도의 데이터베이스 서버에 저장되어 네트워크를 이용하여 공유될 수 있다.
데이터베이스들은 그 사용 목적에 따라 서로 다른 구조 또는 형식으로 구성될 수 있다. 예를 들어, 데이터베이스는 계층형 모델, 관계형 모델, 객체지향형 모델, 객체 관계형 모델, 멀티미디어 데이터, 또는 지식 그래프일 수 있다. 예를 들어, 데이터베이스는 서로 다른 스키마(schema)를 가질 수 있다. 스키마는 데이터베이스를 정의한 것으로써, 데이터의 구조, 표현 방법, 데이터 간의 관계, 및 제약 조건들, 데이터베이스를 관리하는 데 필요한 접근 권한, 보안 정책, 무결성 규칙 등을 포함한다.
데이터베이스(DB) 지식 그래프는 데이터베이스를 기초로 생성된 지식 그래프일 수 있다. DB 지식 그래프는 데이터베이스의 스키마(schema) 및 데이터에 기초하여 생성되고, 데이터베이스의 위치, 구조 및 데이터베이스 내 데이터 간의 연관 관계를 포함할 수 있다.
통합 지식 그래프는, 복수의 데이터베이스들로부터 생성된 지식 그래프일 수 있다. 통합 지식 그래프는 복수의 데이터베이스들로부터 생성된 복수의 DB 지식 그래프들을 통합한 것일 수 있다. 통합 지식 그래프는 복수의 데이터베이스들 각각의 위치, 구조 및 서로 다른 데이터베이스에 속한 데이터 간의 연관 관계에 관한 정보를 포함할 수 있다. 통합 지식 그래프는 복수의 데이터베이스들을 물리적으로 통합한 통합 데이터베이스와는 상이하며, 복수의 데이터베이스들을 가상적으로 연계하기 위한 정보를 포함할 수 있다.
학습 모델은, 인공 지능 알고리즘으로서, 기계학습, 신경망, 유전자, 딥러닝, 분류 알고리즘 중 적어도 하나를 이용하여 학습된 학습 모델일 수 있다.
이하 첨부된 도면을 참고하여 본 개시를 상세히 설명하기로 한다.
도 1은 일부 실시예들에 따른 지식 그래프에 기초하여 데이터베이스들을 통합하는 시스템의 개요도이다.
도 1을 참조하면, 지식 그래프에 기초하여 데이터베이스들을 통합하는 시스템은 디바이스(1000), 서버(2000) 및 적어도 하나의 데이터베이스 서버(3000)를 포함할 수 있다.
디바이스(1000)는 사용자가 데이터베이스 서버(3000)에 저장된 복수의 데이터베이스들을 이용하여 서비스를 제공받기 위한 단말일 수 있다.
다양한 실시예들에서, 디바이스(1000)는 복수의 데이터베이스들에 대한 사용자의 질의 입력을 수신할 수 있다. 디바이스(1000)는 상기 질의 입력에 기초하여 사용자의 질의를 서버(2000)에 전송할 수 있다. 디바이스(1000)는 서버(2000)로부터 생성된 상기 질의에 대한 응답 메시지를 수신하고, 상기 수신한 응답 메시지를 출력할 수 있다.
서버(2000)는 복수의 데이터베이스들에 기초하여, 복수의 데이터베이스들 내의 데이터 간의 연관 관계를 나타내는 통합 지식 그래프를 생성할 수 있다. 서버(2000)는 상기 통합 지식 그래프에 기초하여, 사용자에게 복수의 데이터베이스들을 이용한 서비스를 제공할 수 있다.
상기 통합 지식 그래프는, 복수의 데이터베이스들로부터 생성된 지식 그래프일 수 있다. 상기 통합 지식 그래프는 복수의 데이터베이스들로부터 생성된 복수의 DB 지식 그래프들을 통합한 것일 수 있다. 상기 통합 지식 그래프는 복수의 데이터베이스들 각각의 위치, 구조 및 서로 다른 데이터베이스에 속한 데이터 간의 연관 관계에 관한 정보를 포함할 수 있다. 상기 통합 지식 그래프는 복수의 데이터베이스들을 물리적으로 통합한 통합 데이터베이스와는 상이하며, 복수의 데이터베이스들을 가상적으로 연계하기 위한 정보를 포함할 수 있다.
다양한 실시예들에서, 서버(2000)는 통합 지식 그래프를 이용하여, 사용자의 질의에 대한 응답 메시지를 생성할 수 있다. 서버(2000)는 생성된 응답 메시지를 디바이스(1000)로 전송할 수 있다.
데이터베이스 서버(3000)는 데이터베이스를 저장 및 관리하는 서버일 수 있다. 다양한 실시예들에서, 데이터베이스 서버(3000)는 데이터베이스를 서버(2000)로 전송할 수 있다. 다른 실시예들에서, 데이터베이스 서버(3000)는 데이터베이스로부터 DB 지식 그래프를 생성하고, 상기 생성된 DB 지식 그래프를 서버(2000)로 전송할 수 있다. 도 1에서는 복수의 데이터베이스들이 데이터베이스 서버(3000) 내에 위치하는 것으로 설명하였지만, 이에 제한되지 않는다. 복수의 데이터베이스들은 각각 별개의 DB 서버(미도시)로 구현될 수도 있다.
디바이스(1000)는, 스마트폰, 태블릿 PC, PC, 스마트 TV, 휴대폰, PDA(personal digital assistant), 랩톱, 미디어 플레이어, 마이크로 서버, GPS(global positioning system) 장치, 전자책 단말기, 디지털방송용 단말기, 네비게이션, 키오스크, MP3 플레이어, 디지털 카메라, 가전기기 및 기타 모바일 또는 비모바일 컴퓨팅 장치일 수 있으나, 이에 제한되지 않는다. 또한, 디바이스(1000)는 통신 기능 및 데이터 프로세싱 기능을 구비한 시계, 안경, 헤어 밴드 및 반지 등의 웨어러블 디바이스일 수 있다. 그러나, 이에 제한되지 않으며, 디바이스(1000)는 서버(2000) 및 콘텐트 제공 서버(3000)와 네트워크를 통하여 데이터를 송수신할 수 있는 모든 종류의 기기를 포함할 수 있다.
디바이스(1000), 서버(2000) 및 데이터베이스 서버(3000)는 네트워크에 의해 서로 연결되어 있을 수 있다. 네트워크는 근거리 통신망(Local Area Network; LAN), 광역 통신망(Wide Area Network; WAN), 부가가치 통신망(Value Added Network; VAN), 이동 통신망(mobile radio communication network), 위성 통신망 및 이들의 상호 조합을 포함하며, 도 1에 도시된 각 네트워크 구성 주체가 서로 원활하게 통신을 할 수 있도록 하는 포괄적인 의미의 데이터 통신망이며, 유선 인터넷, 무선 인터넷 및 모바일 무선 통신망을 포함할 수 있다.
무선 통신은 예를 들어, 무선 랜(Wi-Fi), 블루투스, 블루투스 저 에너지(Bluetooth low energy), 지그비, WFD(Wi-Fi Direct), UWB(ultra wideband), 적외선 통신(IrDA, infrared Data Association), NFC(Near Field Communication) 등이 있을 수 있으나, 이에 한정되는 것은 아니다.
예시적으로 디바이스(1000), 서버(2000) 및 데이터베이스 서버(3000)가 서로 구별되는 별개의 장치들인 경우가 도 1에 도시되어 있으나, 반드시 이에 한정되는 것은 아니다. 디바이스(1000), 서버(2000) 및 데이터베이스 서버(3000)는 물리적으로 구분되는 별개의 장치들일 수 있고, 물리적으로 동일한 장치 내에서 논리적으로 구분되는 별개의 동작 주체일 수 있으며, 완전히 동일한 장치일 수 있다. 예를 들어, 디바이스(1000)는 서버(2000)와 동일한 장치일 수 있다. 예를 들어, 서버(2000)와 데이터베이스 서버(3000)는 동일한 서버일 수 있다.
또한, 예시적으로 디바이스(1000), 서버(2000) 및 데이터베이스 서버(3000)가 각각 하나의 장치로써 도 1에 도시되어 있으나, 반드시 이에 한정되는 것은 아니다. 디바이스(1000), 서버(2000) 및 데이터베이스 서버(3000)는 각각, 기능적으로 연결되어 상술한 동작들을 수행하는 하나 이상의 물리적으로 분리된 장치들의 집합일 수 있다.
도 2는 학습 모델을 이용하여 데이터베이스들로부터 통합 지식 그래프를 획득하는 시스템의 개요도이다.
도 2를 참조하면, 학습 모델을 이용하여 데이터베이스들로부터 통합 지식 그래프를 획득하는 시스템은 디바이스(1000), 서버(2000) 및 데이터베이스 서버(3000)를 포함할 수 있다.
데이터베이스 서버(3000)는 복수의 데이터베이스들을 저장할 수 있다. 데이터베이스들은 각각 상이한 어플리케이션 또는 기기에 의해 이용되는 것일 수 있고, 그 사용 목적에 따라 서로 다른 구조 또는 형식으로 구성될 수 있다.
도 2에는 복수의 데이터베이스들(DB 1, DB 2, DB 3, DB 4)이 하나의 데이터베이스 서버(3000)에 저장되어 있는 실시예가 도시되어 있으나, 이에 한정되지 아니한다. 예를 들어, 물리적 또는 논리적으로 구분되는 복수의 데이터베이스들 서버들이 네트워크를 통해 연결되어 있을 수 있고, 서로 다른 데이터베이스는 각각 다른 데이터베이스 서버에 저장되어 있을 수 있다. 또는, 하나의 데이터베이스가 여러 데이터베이스 서버들에 분산되거나 중복되어 저장되어 있을 수 있다.
서버(2000)는 복수의 데이터베이스들로부터 생성된 복수의 DB 지식 그래프들을 획득할 수 있다. 데이터베이스(DB) 지식 그래프는 데이터베이스를 기초로 생성된 지식 그래프일 수 있다. DB 지식 그래프는 데이터베이스의 스키마(schema) 및 데이터에 기초하여 생성되고, 데이터베이스의 위치, 구조 및 데이터 간의 연관 관계를 포함할 수 있다.
서버(2000)는 상기 복수의 DB 지식 그래프들을, 상기 복수의 데이터베이스들 내의 데이터 간의 연관 관계를 결정하기 위한 데이터베이스 학습 모델에 입력할 수 있다.
상기 데이터베이스 학습 모델은, 상기 복수의 데이터베이스들 내의 데이터 간의 연관 관계를 결정하기 위한 기준 및 방법 등을 학습하는 학습 모델일 수 있다. 다양한 실시예들에서, 상기 데이터베이스 학습 모델은, 인공 지능 알고리즘으로서, 기계학습, 신경망, 유전자, 딥러닝, 분류 알고리즘 중 적어도 하나를 이용하여 학습된 학습 모델일 수 있다.
다양한 실시예들에서, 서버(2000)는 상기 복수의 DB 지식 그래프들 외에도, 추가적인 데이터들을 상기 데이터베이스 학습 모델에 더 입력할 수 있다. 상기 추가 데이터들은 데이터베이스들과는 독립적인 데이터로, 미리 정의된 전문가 지식 또는 외부 데이터 등일 수 있다. 상기 데이터베이스 학습 모델은 추가 데이터와 복수의 데이터베이스들 내의 데이터 간의 연관 관계를 결정할 수 있다.
서버(2000)는 상기 데이터베이스 학습 모델로부터 출력되는, 상기 복수의 DB 지식 그래프들로부터 추출된 연관 관계에 관한 정보를 포함하는 통합 지식 그래프를 획득할 수 있다. 상기 통합 지식 그래프는 복수의 데이터베이스들 각각의 위치, 구조 및 서로 다른 데이터베이스에 속한 데이터 간의 연관 관계에 관한 정보를 포함할 수 있다. 상기 통합 지식 그래프는 복수의 데이터베이스들을 물리적으로 통합한 통합 데이터베이스와는 상이하며, 복수의 데이터베이스들을 가상적으로 연계하기 위한 정보를 포함할 수 있다. 다양한 실시예들에서, 상기 통합 지식 그래프는 서로 다른 데이터베이스에 포함된 데이터 간의 연관 관계에 관한 정보를 포함할 수 있다.
디바이스(1000)는 복수의 데이터베이스들에 대한 사용자의 질의(query) 입력을 수신할 수 있다. 디바이스(1000)는 상기 질의 입력에 기초하여 사용자의 질의를 서버(2000)에 전송할 수 있다.
서버(2000)는 통합 지식 그래프를 이용하여, 사용자의 질의에 대한 응답 메시지를 생성할 수 있다. 서버(2000)는 생성된 응답 메시지를 디바이스(1000)로 전송할 수 있다. 디바이스(1000)는 서버(2000)로부터 상기 응답 메시지를 수신하고, 상기 수신한 응답 메시지를 출력할 수 있다.
도 3은 일부 실시예들에 따른 학습 모델을 이용하여 데이터베이스들로부터 통합 지식 그래프를 획득하는 방법의 흐름도이다. 이러한 동작은 도 1에 도시된 서버(2000), 도 2에 도시된 서버(2000), 또는 도 15에 도시된 서버(2000) 또는 서버(2000)의 프로세서(2300)에 의해 수행될 수 있다.
도 3을 참조하면, 동작 310에서, 서버(2000)는 복수의 데이터베이스들로부터 생성된 복수의 DB 지식 그래프들을 획득할 수 있다. 예를 들어, 서버(2000)는 제1 데이터베이스에 기초하여 생성된 제1 DB 지식 그래프와, 제2 데이터베이스에 기초하여 생성된 제2 DB 지식 그래프를 획득할 수 있다.
데이터베이스는 데이터의 분류를 나타내는 데이터 필드(field)들로 구성될 수 있다. 데이터베이스들은 데이터 필드에 상응하는 값인 데이터 값(value)들을 포함할 수 있다.
데이터베이스(DB) 지식 그래프는 데이터베이스를 기초로 생성된 지식 그래프일 수 있다. DB 지식 그래프는 데이터베이스의 스키마(schema) 및 데이터에 기초하여 생성되고, 데이터베이스의 위치, 구조 및 데이터 간의 연관 관계를 포함할 수 있다.
각각의 DB 지식 그래프는 데이터베이스 내의 데이터 필드(field) 및 데이터 값(valuea)에 대응되는 노드(node)와, 노드 간의 연관 관계에 대응되는 엣지(edge)를 포함할 수 있다. DB 지식 그래프의 노드는 데이터베이스의 데이터 필드에 대응되는 클래스(class) 및 데이터 값에 대응되는 인스턴스(instance)를 포함할 수 있다. 이 경우, 상기 DB 지식 그래프의 엣지는 데이터 필드들 사이(클래스와 클래스 간), 데이터 값들 사이(인스턴스와 인스턴스 간), 또는 데이터 필드와 데이터 값 사이(클래스와 인스턴스 간)의 연관 관계를 나타낼 수 있다.
연관 관계는 지식 그래프에서, 한 쌍의 데이터에 대응되는 한 쌍의 노드들이 서로 관련되는 방법을 나타내는 것일 수 있다. 다양한 실시예들에서, 연관 관계는 한 쌍의 데이터/노드를 각각 주어와 목적어로 하는 술어로 표현될 수 있다. 예를 들어, 연관 관계는 동일 관계(sameAs), 소속 관계(type), 또는 포함 관계(subClassOf) 등을 포함하나, 이에 한정되지 않는다. 연관 관계는 소속 관계, 포함 관계와 같이 일방향 관계일 수 있고, 동일 관계와 같이 쌍방향 관계일 수도 있다.
동작 320에서, 서버(2000)는 상기 복수의 DB 지식 그래프들을, 상기 복수의 데이터베이스들 내의 데이터 간의 연관 관계를 결정하기 위한 데이터베이스 학습 모델에 입력할 수 있다. 서버(2000)는 상기 제1 DB 지식 그래프와 상기 제2 DB 지식 그래프를, 상기 제1 데이터베이스에 포함된 데이터와 상기 제2 데이터베이스에 포함된 데이터 간의 연관 관계를 결정하기 위한 데이터베이스 학습 모델에 입력할 수 있다.
상기 데이터베이스 학습 모델은, 상기 복수의 데이터베이스들 내의 데이터 간의 연관 관계를 결정하기 위한 기준 및 방법 등을 학습하는 학습 모델일 수 있다. 상기 데이터베이스 학습 모델은, DB 지식 그래프 내의 노드들을 추출하고 노드들 간의 연관 관계를 추론할 수 있는 기능을 제공할 수 있다. 다양한 실시예들에서, 상기 데이터베이스 학습 모델은, 인공 지능 알고리즘으로서, 기계학습, 신경망, 유전자, 딥러닝, 분류 알고리즘 중 적어도 하나를 이용하여 학습된 학습 모델일 수 있다.
다양한 실시예들에서, 상기 데이터베이스 학습 모델은, 복수의 데이터베이스들을 구성하는 데이터 필드들 간의 연관 관계를 결정하기 위한 제1 학습 모델 및 복수의 데이터베이스들에 포함된 데이터 값들 간의 연관 관계를 결정하기 위한 제2 학습 모델을 포함할 수 있다. 제1 학습 모델 및 제2 학습 모델에 대해서는 후술할 도 4에 대한 설명에서 구체적으로 기술한다.
다양한 실시예들에서, 서버(2000)는 상기 복수의 DB 지식 그래프들 외에도, 추가적인 데이터들을 상기 데이터베이스 학습 모델에 더 입력할 수 있다. 상기 추가적인 데이터들은 데이터베이스 서버(3000)에 저장된 데이터베이스들과는 독립적인 데이터로, 미리 정의된 전문가 지식, 또는 외부 데이터 등일 수 있다. 예를 들어, 전문가 지식에는 기업의 제품 분류 체계와 같은 것이 있을 수 있고, 외부 데이터에는 표준 국가 코드, 표준 언어 코드 등이 있을 수 있다. 일부 실시예들에서, 상기 추가 데이터들은 지식 그래프들일 수 있고, 또는 지식 그래프 형태로 가공되어 학습 모델에 입력될 수 있다.
동작 330에서, 서버(2000)는 상기 데이터베이스 학습 모델로부터 출력되는, 상기 복수의 DB 지식 그래프들로부터 추출된 연관 관계에 관한 정보를 포함하는 통합 지식 그래프를 획득할 수 있다. 통합 지식 그래프는 복수의 데이터베이스들 각각의 위치, 구조 및 서로 다른 데이터베이스에 속한 데이터 간의 연관 관계에 관한 정보를 포함할 수 있다.
다양한 실시예들에서, 상기 통합 지식 그래프는 복수의 데이터베이스들을 가상적으로 통합 및 연계하기 위한 가상 그래프일 수 있다. 예를 들어, 통합 지식 그래프는 복수의 데이터베이스들을 실질적으로 통합 또는 변경하지 않고, 복수의 데이터베이스들과 다른 층위(layer)에서 데이터베이스들을 가상적으로 통합 및 연계하는 정보를 포함할 수 있다.
다양한 실시예들에서, 상기 통합 지식 그래프는 복수의 데이터베이스들 내의 데이터 간의 연관 관계에 관한 정보만을 포함할 수 있다. 예를 들어, 통합 지식 그래프는 복수의 데이터베이스들 내에 포함된 모든 데이터에 대한 정보를 포함하는 대신, 데이터 간의 연관 관계에 대한 정보만을 포함할 수 있다.
다양한 실시예들에서, 상기 통합 지식 그래프는 서로 다른 데이터베이스에 포함된 데이터 간의 연관 관계에 관한 정보를 포함할 수 있다. 상기 통합 지식 그래프는 서로 다른 DB 지식 그래프에 포함된 노드 간의 연관 관계를 나타내는 엣지를 포함할 수 있다. 예를 들어, 통합 지식 그래프는 상기 제1 DB 지식 그래프의 제1 클래스와 상기 제2 DB 지식 그래프의 제2 클래스 사이의 연관 관계를 나타내는 엣지를 포함할 수 있다. 예를 들어, 통합 지식 그래프는 상기 제1 DB 지식 그래프의 제1 인스턴스와 상기 제2 DB 지식 그래프의 제2 인스턴스 사이의 연관 관계를 나타내는 엣지를 포함할 수 있다.
도 4는 일부 실시예들에 따른 제1 학습 모델 및 제2 학습 모델을 이용하여 데이터베이스들로부터 통합 지식 그래프를 획득하는 방법의 흐름도이다. 이러한 동작은 도 1에 도시된 서버(2000), 도 2에 도시된 서버(2000), 또는 도 15에 도시된 서버(2000) 또는 서버(2000)의 프로세서(2300)에 의해 수행될 수 있다.
도 4의 동작 410은, 도 3의 동작 310에 상응할 수 있다. 도 4의 동작 420 및 430은, 도 3의 동작 320 및 330에 상응할 수 있다.
도 4를 참조하면, 동작 410에서 서버(2000)는 복수의 데이터베이스들로부터 생성된 복수의 DB 지식 그래프들을 획득할 수 있다. 예를 들어, 서버(2000)는 제1 데이터베이스에 기초하여 생성된 제1 DB 지식 그래프와, 제2 데이터베이스에 기초하여 생성된 제2 DB 지식 그래프를 획득할 수 있다.
동작 420에서, 서버(2000)는 상기 복수의 DB 지식 그래프들을, 복수의 데이터베이스들을 구성하는 데이터 필드들 간의 연관 관계를 결정하기 위한 제1 학습 모델에 입력함으로써, 제1 통합 지식 그래프를 획득할 수 있다. 서버(2000)는 상기 복수의 DB 지식 그래프들을, 복수의 DB 지식 그래프들에 포함되는 클래스들 간의 연관 관계를 결정하기 위한 제1 학습 모델에 입력함으로써, 제1 통합 지식 그래프를 획득할 수 있다.
상기 제1 학습 모델은, 데이터베이스 학습 모델에 포함되는 것일 수 있다. 상기 제1 학습 모델은, 상기 복수의 데이터베이스들 내의 데이터 필드들 간의 연관 관계를 결정하기 위한 기준 및 방법 등을 학습하는 학습 모델일 수 있다. 상기 제1 학습 모델은, 데이터베이스의 데이터 필드에 대응되는 DB 지식 그래프 내의 클래스들을 추출하고, 클래스들 간의 연관 관계를 추론할 수 있는 기능을 제공할 수 있다. 다양한 실시예들에서, 상기 제1 학습 모델은, 인공 지능 알고리즘으로서, 기계학습, 신경망, 유전자, 딥러닝, 분류 알고리즘 중 적어도 하나를 이용하여 학습된 학습 모델일 수 있다.
다양한 실시예들에서, 상기 제1 통합 지식 그래프는, 서로 다른 데이터베이스에 속한 데이터 필드들 간의 연관 관계에 관한 정보를 포함하는 것일 수 있다.
일부 실시예들에서, 상기 클래스들 간의 연관 관계는 클래스의 타입에 기초하여 판단되고, 상기 타입은 클래스의 하위 속성(attribute) 또는 클래스에 속한 (상기 클래스에 대해 소속 관계에 있는) 인스턴스 값들의 통계적 분포에 기초하여 식별되는 것일 수 있다.
다양한 실시예들에서, 서버(2000)는 상기 복수의 DB 지식 그래프들 외에도, 추가적인 데이터들을 상기 제1 학습 모델에 더 입력할 수 있다. 상기 추가 데이터들은 데이터베이스들과는 독립적인 데이터로, 미리 정의된 전문가 지식 또는 외부 데이터 등일 수 있다. 일부 실시예들에서, 상기 추가 데이터들은 지식 그래프들일 수 있고, 또는 지식 그래프 형태로 가공되어 상기 제1 학습 모델에 입력될 수 있다. 상기 제1 학습 모델은 상기 추가 데이터에 기초하여 상기 복수의 DB 지식 그래프들의 클래스들 간의 연관 관계를 결정할 수 있다.
일부 실시예들에서, 제1 통합 지식 그래프는 상기 복수의 DB 지식 그래프들 전체를 부분집합으로 포함하고 있는 것일 수 있다. 제1 통합 지식 그래프는 상기 복수의 DB 지식 그래프들을 통합하고 확장함으로써 생성된 것일 수 있다. 예를 들어, 상기 제1 통합 지식 그래프는 상기 복수의 DB 지식 그래프들에, 상기 제1 학습 모델을 통해 판단된 클래스들 간 연관 관계를 나타내는 엣지들을 추가한 것일 수 있다.
다른 실시예들에서, 제1 통합 지식 그래프는 클래스들 간 연관 관계에 관한 정보만을 포함하고 있는 것일 수 있다. 예를 들어, 상기 제1 통합 지식 그래프는 상기 복수의 DB 지식 그래프들 중 제1 학습 모델을 통해 연관 관계가 존재한다고 판단된 클래스들과 그들 사이의 엣지들만을 포함하고 있는 것일 수 있다.
동작 430에서, 서버(2000)는 상기 복수의 DB 지식 그래프들 및 상기 제1 통합 지식 그래프를, 복수의 데이터베이스들을 구성하는 데이터 값들 간의 연관 관계를 결정하기 위한 상기 제2 학습 모델에 입력함으로써 제2 통합 지식 그래프를 획득할 수 있다. 서버(2000)는 상기 복수의 DB 지식 그래프들 및 상기 제1 통합 지식 그래프를, 복수의 DB 지식 그래프들에 포함되는 인스턴스들 간의 연관 관계를 결정하기 위한 상기 제2 학습 모델에 입력함으로써 제2 통합 지식 그래프를 획득할 수 있다.
상기 제2 학습 모델은, 데이터베이스 학습 모델에 포함되는 것일 수 있다. 상기 제2 학습 모델은, 상기 복수의 데이터베이스들 내의 데이터 값들 간의 연관 관계를 결정하기 위한 기준 및 방법 등을 학습하는 학습 모델일 수 있다. 상기 제2 학습 모델은, 데이터베이스의 데이터 값들에 대응되는 DB 지식 그래프 내의 인스턴스들을 추출하고 인스턴스들 간의 연관 관계를 추론할 수 있는 기능을 제공할 수 있다. 다양한 실시예들에서, 상기 제2 학습 모델은, 인공 지능 알고리즘으로서, 기계학습, 신경망, 유전자, 딥러닝, 분류 알고리즘 중 적어도 하나를 이용하여 학습된 학습 모델일 수 있다.
다양한 실시예들에서, 상기 제2 통합 지식 그래프는, 서로 다른 데이터베이스에 속한 데이터 값들 간의 연관 관계에 관한 정보를 포함하는 것일 수 있다.
다양한 실시예들에서, 상기 제2 학습 모델은 서로 연관 관계가 있다고 판단된 클래스들에 속한 인스턴스들 간의 연관 관계를 분석할 수 있다. 예를 들어, 상기 제1 통합 지식 그래프에, 제1 DB 지식 그래프에 포함되는 제1 클래스와, 제2 DB 지식 그래프에 포함되는 제2 클래스 간의 연관 관계에 대한 정보가 포함되어 있는 경우, 상기 제2 통합 지식 그래프는, 제1 클래스에 속한 제1 인스턴스와, 제2 클래스에 속한 제2 인스턴스 간의 연관 관계를 나타내는 엣지를 포함할 수 있다.
다양한 실시예들에서, 서버(2000)는 상기 복수의 DB 지식 그래프들 외에도, 추가적인 데이터들을 상기 제2 학습 모델에 더 입력할 수 있다. 상기 추가 데이터들은 데이터베이스들과는 독립적인 데이터로, 미리 정의된 전문가 지식 또는 외부 데이터 등일 수 있다. 일부 실시예들에서, 상기 추가 데이터들은 지식 그래프들일 수 있고, 또는 지식 그래프 형태로 가공되어 상기 제2 학습 모델에 입력될 수 있다. 상기 제1 학습 모델은 상기 추가 데이터에 기초하여 상기 복수의 DB 지식 그래프들의 인스턴스들 간의 연관 관계를 결정할 수 있다.
일부 실시예들에서, 제2 통합 지식 그래프는 상기 복수의 DB 지식 그래프들 및 상기 제1 통합 지식 그래프 전체를 부분집합으로 포함하고 있는 것일 수 있다. 제2 통합 지식 그래프는 상기 복수의 DB 지식 그래프들 및 상기 제1 통합 지식 그래프를 통합하고 확장함으로써 생성된 것일 수 있다. 예를 들어, 상기 제2 통합 지식 그래프는 상기 복수의 DB 지식 그래프들에, 제1 학습 모델을 통해 판단된 클래스 간 연관 관계를 나타내는 엣지들 및 제2 학습 모델을 통해 판단된 인스턴스 간 연관 관계를 나타내는 엣지들을 추가한 것일 수 있다.
다른 실시예들에서, 제2 통합 지식 그래프는 클래스들 및 인스턴스들 간 연관 관계에 관한 정보만을 포함하고 있는 것일 수 있다. 제2 통합 지식 그래프는 상기 제1 통합 지식 그래프를 확장함으로써 생성된 것일 수 있다. 예를 들어, 제2 통합 지식 그래프는 상기 복수의 DB 지식 그래프들 중 제1 학습 모델을 통해 연관 관계가 존재한다고 판단된 클래스들과 클래스들 간의 엣지들, 상기 복수의 DB 지식 그래프들 중 제2 학습 모델을 통해 연관 관계가 존재한다고 판단된 인스턴스들 및 인스턴스들 간의 엣지들, 및 클래스와 인스턴스 간의 엣지들 만을 포함하고 있는 것일 수 있다.
다양한 실시예들에서, 제2 통합 지식 그래프는 도 3의 통합 지식 그래프와 동일한 것일 수 있다.
도 5는 일부 실시예들에 따른 데이터베이스들 내의 데이터 간의 연관 관계에 대한 정보를 획득하는 방법의 흐름도이다. 이러한 동작은 도 1에 도시된 서버(2000), 도 2에 도시된 서버(2000), 또는 도 15에 도시된 서버(2000) 또는 서버(2000)의 프로세서(2300)에 의해 수행될 수 있다.
도 5는 도 3의 동작 330에 대한 상세한 흐름도일 수 있다. 도 5의 동작 510 내지 530은, 도 3의 동작 320을 수행한 후에 수행될 수 있다.
도 5를 참조하면, 동작 510에서, 서버(2000)는 제1 데이터베이스를 구성하는 제1 데이터 필드에 대응되는 제1 DB 지식 그래프의 제1 클래스와, 제2 데이터 베이스를 구성하는 제2 DB 지식 그래프의 제2 데이터 필드에 대응되는 제2 클래스 간의 연관 관계에 관한 정보를 획득할 수 있다. 서버(2000)는 상기 제1 클래스와 제2 클래스 간의 연관 관계에 관한 정보를 데이터베이스 학습 모델로부터 획득할 수 있다.
상기 제1 클래스와 제2 클래스 간의 연관 관계에 관한 정보는 통합 지식 그래프에 포함될 수 있다. 상기 통합 지식 그래프는, 상기 제1 클래스와 상기 제2 클래스 간의 연관 관계를 나타내는 엣지를 포함할 수 있다. 예를 들어, 상기 엣지는 제1 클래스와 제2 클래스가 동일 관계(sameAs)임을 나타낼 수 있다. 이는 상기 제1 클래스에 대응되는 상기 제1 데이터 필드와, 상기 제2 클래스에 대응되는 상기 제2 데이터 필드가 동일한 데이터 분류를 나타낸다는 것을 의미할 수 있다.
다양한 실시예들에서, 서버(2000)는 상기 제1 클래스와 제2 클래스 간의 연관 관계에 관한 정보를 제1 학습 모델로부터 획득할 수 있다. 다양한 실시예들에서, 상기 제1 클래스와 제2 클래스 간의 연관 관계에 관한 정보는 제1 통합 지식 그래프에 포함될 수 있다.
일부 실시예들에서, 상기 클래스들 간의 연관 관계는 클래스의 타입에 기초하여 판단되고, 상기 타입은 클래스의 하위 속성(attribute) 에 기초하여 식별되는 것일 수 있다. 일부 실시예들에서, 상기 타입은 클래스에 속한 (상기 클래스에 대해 소속 관계에 있는) 인스턴스 값들의 통계적 분포에 기초하여 식별되는 것일 수 있다.
동작 520에서, 서버(2000)는 상기 제1 클래스에 속한 인스턴스들과 상기 제2 클래스에 속한 인스턴스들 간의 연관 관계에 관한 정보를 획득할 수 있다. 서버(2000)는 상기 제1 클래스에 속한 인스턴스들과 상기 제2 클래스에 속한 인스턴스들 간의 연관 관계에 관한 정보를 데이터베이스 학습 모델로부터 획득할 수 있다.
상기 제1 클래스에 속한 인스턴스들과 제2 클래스에 속한 인스턴스들 간의 연관 관계에 관한 정보는 통합 지식 그래프에 포함될 수 있다. 상기 통합 지식 그래프는, 제1 클래스에 속한 제1 인스턴스와 상기 제2 클래스에 속한 제2 인스턴스 간의 연관 관계를 나타내는 엣지를 포함할 수 있다. 예를 들어, 상기 엣지는 제1 인스턴스와 제2 인스턴스가 동일 관계(sameAs)임을 나타낼 수 있다. 이는 상기 제1 인스턴스에 대응되는 상기 제1 데이터베이스의 제1 데이터 값과, 상기 제2 인스턴스에 대응되는 상기 제2 데이터베이스의 제2 데이터 값이 동일한 의미의 정보임을 의미할 수 있다.
다양한 실시예들에서, 서버(2000)는 상기 제1 클래스에 속한 인스턴스들과 제2 클래스에 속한 인스턴스들 간의 연관 관계에 관한 정보를 제2 학습 모델로부터 획득할 수 있다. 다양한 실시예들에서, 상기 제1 클래스에 속한 인스턴스들과 제2 클래스에 속한 인스턴스들 간의 연관 관계에 관한 정보는 제2 통합 지식 그래프에 포함될 수 있다.
동작 530에서, 서버(2000)는 상기 제1 클래스, 상기 제2 클래스, 상기 제1 클래스에 속한 인스턴스들, 및 상기 제2 클래스에 속한 인스턴스들 간의 매핑 규칙을 획득할 수 있다. 매핑 규칙은 서로 다른 구조 및 형식을 가지는 복수의 데이터베이스들을 서로 통합 또는 연계하기 위한 규칙이다. 다양한 실시예들에서, 상기 매핑 규칙은 상기 통합 지식 그래프에 포함될 수 있다.
다양한 실시예들에서, 매핑 규칙은 연관 관계가 있는 데이터 필드들에 속한 데이터 값들 간의 대응 관계 및/또는 변환 규칙를 정의하는 것일 수 있다. 일부 실시예에서는, 상기 제1 인스턴스와 상기 제2 인스턴스가 서로 동일 관계인 경우, 상기 제1 인스턴스에 대응하는 데이터 값과 상기 제2 인스턴스에 대응하는 데이터 값이 서로 대응되도록 매핑 규칙이 정의될 수 있다. 일부 실시예들에서, 상기 제1 클래스와 상기 제2 클래스가 서로 동일 관계이나 상기 제1 클래스에 속한 인스턴스와 상기 제2 클래스에 속한 인스턴스의 데이터 형식이 상이할 경우, 데이터 형식을 고려하여 일괄적인 매핑 규칙이 정의될 수 있다.
도 6은 일부 실시예들에 따른 사용자의 피드백 입력을 기초로 학습 모델을 업데이트하는 방법의 흐름도이다. 이러한 동작은 도 1에 도시된 서버(2000), 도 2에 도시된 서버(2000), 또는 도 15에 도시된 서버(2000) 또는 서버(2000)의 프로세서(2300)에 의해 수행될 수 있다.
도 6은 도 3의 동작 330에 대한 상세한 흐름도일 수 있다. 도 6의 동작 610 내지 630은, 도 3의 동작 320을 수행한 후에 수행될 수 있다.
도 6을 참조하면, 동작 610에서, 서버(2000)는 복수의 DB 지식 그래프들에 포함되는 클래스들 중 서로 연관 관계가 있다고 판단되는 복수의 클래스들, 또는 복수의 DB 지식 그래프들에 포함되는 인스턴스들 중 서로 연관 관계가 있다고 판단되는 복수의 인스턴스들을 연관 관계 후보로 결정하고, 상기 연관 관계 후보에 대한 사용자의 피드백 입력을 요청할 수 있다. 상기 연관 관계 후보는 학습 모델에 의해 통합 지식 그래프를 획득하는 과정에서 결정될 수 있다.
예를 들어 상기 학습 모델에 의해 제1 클래스와 제2 클래스가 동일 관계에 있다고 판단되는 경우, 서버(2000)는 사용자에게 상기 제1 클래스와 상기 제2 클래스가 동일 관계가 맞는지 확인하여 줄 것을 요청할 수 있다.
서버(2000)는 상기 피드백 입력 요청을 디바이스(1000)로 전송할 수 있다. 또는, 서버(2000)는 상기 피드백 입력 요청을 서버(2000)의 출력부를 통해 출력할 수 있다.
동작 620에서, 서버(2000)는 상기 연관 관계 후보에 대한 사용자의 피드백 입력을 수신할 수 있다.
서버(2000)가 상기 피드백 입력 요청을 디바이스(1000)로 전송한 경우, 서버(2000)는 디바이스(1000)로부터 상기 연관 관계 후보에 대한 사용자의 피드백 입력을 수신할 수 있다. 서버(2000)가 상기 피드백 입력 요청을 서버(2000)의 출력부를 통해 출력한 경우, 서버(2000)는 서버(2000)의 입력부를 통해 상기 연관 관계 후보에 대한 사용자의 피드백 입력을 수신할 수 있다.
동작 630에서, 서버(2000)는 상기 연관 관계 후보에 대한 사용자의 피드백 입력을 기초로 상기 학습 모델을 업데이트할 수 있다. 예를 들어, 사용자의 피드백 입력이 상기 제1 클래스와 상기 제2 클래스가 동일 관계가 맞다고 승인하는 것이었을 경우, 상기 학습 모델은 이후 제1 클래스 또는 제2 클래스와 동일 또는 유사한 특징을 가진 다른 클래스에 대해, 사용자의 피드백을 요청하지 않고 제1 클래스 및 제2 클래스와 동일 관계라고 결정할 수 있다.
도 7은 일부 실시예들에 따른 통합 지식 그래프를 이용하여 복수의 데이터베이스들에 대한 사용자의 질의에 응답하는 방법의 흐름도이다. 이러한 동작은 도 1에 도시된 서버(2000), 도 2에 도시된 서버(2000), 또는 도 15에 도시된 서버(2000) 또는 서버(2000)의 프로세서(2300)에 의해 수행될 수 있다.
도 7을 참조하면, 동작 710에서, 서버(2000)는 복수의 데이터베이스(DB)들로부터 생성된 복수의 DB 지식 그래프들을 획득할 수 있다. 동작 720에서, 서버(2000)는 상기 복수의 DB 지식 그래프들을 학습 모델에 입력함으로써, 통합 지식 그래프를 획득 할 수 있다. 도 7의 동작 710 및 720은 각각 도 3의 동작 310 및 320에 상응할 수 있다.
동작 730에서, 서버(2000)는 상기 획득한 통합 지식 그래프를 저장할 수 있다. 서버(2000)는 상기 통합 지식 그래프를 서버 자체의 저장 장치에 저장하거나, 또는 외부의 다른 저장 장치에 저장할 수 있다. 서버(2000)는 상기 통합 지식 그래프를 디바이스(1000), 데이터베이스 서버(3000), 또는 서버(2000) 자신에 의해 이용 가능하도록 저장할 수 있다. 서버(2000)는 상기 통합 지식 그래프를 원 데이터베이스를 이용하는 어플리케이션들 및 기기들에 의해 접근 및 이용 가능하도록 저장할 수 있다. 서버(2000)는 상기 통합 지식 그래프를 데이터베이스들 및 DB 지식 그래프들과 별도로 저장할 수 있다.
동작 740에서, 서버(2000)는 상기 복수의 데이터베이스들이 업데이트 되었는지 여부를 판단할 수 있다. 상기 복수의 데이터베이스들 중 업데이트 된 데이터베이스가 적어도 하나 있다고 판단되는 경우, 서버(2000)는 동작 750을 수행할 수 있다. 이와 달리, 상기 복수의 데이터베이스들이 업데이트 되지 않은 경우, 서버(2000)는 동작 760을 수행할 수 있다.
동작 750에서, 서버(2000)는 상기 통합 지식 그래프 및 상기 업데이트된 복수의 데이터베이스들로부터 생성된 업데이트된 복수의 DB 지식 그래프들을 상기 학습 모델에 입력함으로써, 업데이트된 통합 지식 그래프를 획득할 수 있다. 다양한 실시예들에서, 서버(2000)는 상기 복수의 데이터베이스들의 업데이트를 실시간으로 통합 지식 그래프에 반영하여 업데이트된 통합 지식 그래프를 획득할 수 있다.
일부 실시예들에서, 서버(2000)는 데이터베이스 서버(3000)로부터 업데이트된 데이터베이스를 수신할 수 있고, 그에 대응하는 업데이트된 DB 지식 그래프를 생성할 수 있다. 다른 실시예들에서, 서버(2000)는 데이터베이스 서버(3000)로부터 업데이트된 데이터베이스에 대응하는 업데이트된 DB 지식 그래프를 수신할 수 있다.
다양한 실시예들에서, 상기 학습 모델은 상기 업데이트된 DB 지식 그래프 중 상기 통합 지식 그래프에 포함되지 않은 새로운 노드를 추출하고, 상기 새로운 노드와 상기 통합 지식 그래프에 포함된 노드 간의 새로운 연관 관계를 결정할 수 있다. 상기 학습 모델은 상기 새로운 노드와, 상기 새로운 연관 관계를 나타내는 엣지를 상기 통합 지식 그래프에 추가하여 상기 업데이트된 통합 지식 그래프를 생성할 수 있다.
상기 업데이트된 통합 지식 그래프가 획득되면, 서버(2000)는 동작 730을 수행할 수 있다. 서버(2000)는 상기 업데이트된 통합 지식 그래프를 저장할 수 있다.
동작 760에서, 서버(2000)는 상기 저장된 통합 지식 그래프에 기초하여, 상기 복수의 데이터베이스들에 대한 사용자의 질의에 응답할 수 있다. 서버(2000)는 디바이스(1000)로부터 상기 사용자의 질의를 수신받고, 질의에 대한 응답 메시지를 생성하여 디바이스(1000)로 전송할 수 있다.
도 8은 일부 실시예들에 따른 복수의 데이터베이스들 간에 존재하는 불일치를 인식하고, 불일치하는 데이터를 표준화시키기 위한 방법의 흐름도이다. 이러한 동작은 도 1에 도시된 서버(2000), 도 2에 도시된 서버(2000), 또는 도 15에 도시된 서버(2000) 또는 서버(2000)의 프로세서(2300)에 의해 수행될 수 있다.
도 8을 참조하면, 동작 810에서, 서버(2000)는 통합 지식 그래프에 기초하여 복수의 데이터베이스들에 포함되는 데이터들 간의 불일치(conflict)를 식별할 수 있다. 서버(2000)는 상기 통합 지식 그래프에 포함되는 클래스들 및 인스턴스들 중 서로 동일 관계이나, 값 또는 형식이 불일치하는 클래스들 또는 인스턴스들을 식별할 수 있다.
예를 들어, 통합 지식 그래프에 포함된 제1 클래스와 제2 클래스는 모두 '국가 코드' 타입인 클래스들로서 서로 동일 관계이나, 상기 제1 클래스의 이름(label)은 'COUNTRY_CODE'이고, 상기 제2 클래스의 이름은 'H_COUNTRYCODE'로 서로 상이한 경우, 서버(2000)는 상기 제1 클래스와 상기 제2 클래스를 불일치하는 클래스로 식별할 수 있다.
다른 예를 들어, 상기 제1 클래스에 속한 제1 인스턴스와 상기 제2 클래스에 속한 제2 인스턴스는 모두 '한국 국가 코드'타입인 인스턴스로서 서로 동일 관계이나, 상기 제1 인스턴스의 값은 'KOR'이고, 상기 제2 인스턴스의 값은 'KR'로 서로 상이한 경우, 서버(2000)는 상기 제1 인스턴스와 상기 제2 인스턴스를 불일치하는 인스턴스로 식별할 수 있고, 나아가 상기 제1 클래스와 상기 제2 클래스를 불일치하는 클래스로 식별할 수 있다.
또 다른 예를 들어, 통합 지식 그래프에 포함된 제3 클래스와 제4 클래스는 모두 '날짜' 타입의 클래스로서 동일 관계이나, 상기 제3 클래스에 속한 인스턴스들의 값은 dd/Mon/yyyy 형식이고, 상기 제4 클래스에 속한 인스턴스들의 값은 yy-mm-dd 형식으로 서로 상이한 경우, 서버(2000)는 상기 제3 클래스와 제4 클래스를 불일치하는 클래스로 식별할 수 있다.
동작 820에서, 서버(2000)는 상기 불일치하는 데이터 필드 및 데이터 값들을 표준화하기 위한 표준화 후보를 도출할 수 있다. 서버(2000)는 상기 통합 지식 그래프에 기초하여 상기 불일치하는 클래스들 또는 인스턴스들 중 표준화 후보를 도출할 수 있다.
서버(2000)는 중요성, 활용률, 대표성 및/또는 트렌드를 고려하여 표준화 후보를 도출할 수 있다. 예를 들어, 상기 제1 클래스와 상기 제2 클래스의 예시에서, 서버(2000)는 '한국 국가 코드'타입의 인스턴스들 중'KOR'을 사용하는 경우가 가장 많음에 기초하여, 'KOR'를 '한국 국가 코드'에 대한 표준화 후보로 도출할 수 있다.
다양한 실시예들에서, 서버(2000)는 상기 도출한 표준화 후보를 저장할 수 있다. 서버(2000)는 데이터베이스가 업데이트 되는 경우 및/또는 새로운 데이터베이스가 추가되는 경우, 상기 표준화 후보에 기초하여 데이터베이스가 표준에 부합하는지 판단할 수 있다. 데이터베이스가 표준에 부합하지 않는다고 판단되는 경우, 서버(2000)는 상기 표준화 후보에 기초하여 사용자에게 표준화 제안을 제공할 수 있다.
도 9a는 일부 실시예들에 따른 시스템이 학습 모델을 이용하여 데이터베이스들로부터 통합 지식 그래프를 획득하는 방법을 나타내는 도면이다.
도 9a를 참조하면, 동작 S900a에서 서버(2000)는 제1 외부 서버(3000)로부터 제1 데이터베이스를 수신할 수 있다. 동작 S910a에서 서버(2000)는 제2 외부 서버(3500)으로부터 제2 데이터베이스를 수신할 수 있다. 제2 데이터베이스는 제1 데이터베이스와 다른 어플리케이션 또는 기기에 의해 이용되는 것일 수 있고, 제1 데이터베이스와 상이한 구조 또는 형식을 가진 것일 수 있다.
상기 제1 외부 서버(3000)와 상기 제2 외부 서버(3500)는 물리적 또는 논리적으로 구분되는 별개의 서버일 수 있고, 동일한 서버일 수도 있다.
동작 S920a에서 서버(2000)는 상기 수신한 제1 데이터베이스로부터 제1 DB 지식 그래프를 생성할 수 있다. 동작 S930a에서 서버(2000)는 상기 수신한 제2 데이터베이스로부터 제2 DB 지식 그래프를 생성할 수 있다.
동작 S940a에서 서버(2000)는 상기 제1 DB 지식 그래프와 상기 제2 DB 지식 그래프를, 상기 제1 데이터베이스에 포함된 데이터와 상기 제2 데이터베이스에 포함된 데이터 간의 연관 관계를 결정하기 위한 데이터베이스 학습 모델에 입력할 수 있다.
일부 실시예들에 따르면, 상기 데이터베이스 학습 모델은, 복수의 데이터베이스들을 구성하는 데이터 필드들 간의 연관 관계를 결정하기 위한 제1 학습 모델 및 복수의 데이터베이스들에 포함된 데이터 값들 간의 연관 관계를 결정하기 위한 제2 학습 모델을 포함할 수 있다.
동작 S950a에서, 서버(2000)는 복수의 DB 지식 그래프들에 포함되는 클래스들 중 서로 연관 관계가 있다고 판단되는 복수의 클래스들, 또는 복수의 DB 지식 그래프들에 포함되는 인스턴스들 중 서로 연관 관계가 있다고 판단되는 복수의 인스턴스들을 연관 관계 후보로 결정할 수 있다. 상기 연관 관계 후보는 상기 데이터베이스 학습 모델에 의해 결정될 수 있다.
동작 S960a에서, 서버(2000)는 상기 연관 관계 후보에 대한 사용자의 피드백 입력 요청을 디바이스(1000)로 전송할 수 있다. 동작 S970a에서, 디바이스(1000)는 상기 연관 관계 후보에 대한 사용자의 피드백 입력을 수신할 수 있다. 동작 S980a에서, 서버(2000)는 디바이스(1000)로부터 상기 연관 관계 후보에 대한 사용자의 피드백 입력을 수신할 수 있다.
동작 S990a에서, 서버(2000)는 상기 연관 관계 후보에 대한 사용자의 피드백 입력을 상기 데이터베이스 학습 모델에 입력할 수 있다. 서버(2000)는 상기 연관 관계 후보에 대한 사용자의 피드백 입력을 기초로 상기 데이터베이스 학습 모델을 업데이트할 수 있다.
동작 S995a에서, 서버(2000)는 상기 데이터베이스 학습 모델로부터 출력되는, 상기 복수의 DB 지식 그래프들로부터 추출된 연관 관계에 관한 정보를 포함하는 통합 지식 그래프를 획득할 수 있다.
상기 통합 지식 그래프는 서로 다른 데이터베이스에 포함된 데이터 간의 연관 관계에 관한 정보를 포함할 수 있다. 상기 통합 지식 그래프는 서로 다른 DB 지식 그래프에 포함된 노드 간의 연관 관계를 나타내는 엣지를 포함할 수 있다. 예를 들어, 상기 통합 지식 그래프는 상기 제1 DB 지식 그래프의 제1 클래스와 상기 제2 DB 지식 그래프의 제2 클래스 사이의 연관 관계를 나타내는 엣지를 포함할 수 있다. 예를 들어, 상기 통합 지식 그래프는 상기 제1 DB 지식 그래프의 제1 인스턴스와 상기 제2 DB 지식 그래프의 제2 인스턴스 사이의 연관 관계를 나타내는 엣지를 포함할 수 있다.
도 9b는 일부 실시예들에 따른 시스템이 학습 모델을 이용하여 데이터베이스들로부터 통합 지식 그래프를 획득하는 방법을 나타내는 도면이다.
도 9b를 참조하면, 동작 S900b에서 제1 외부 서버(3000)는 제1 데이터베이스로부터 제1 DB 지식 그래프를 생성할 수 있다. 동작 S910b에서 제2 외부 서버(3000)는 제2 데이터베이스로부터 제2 DB 지식 그래프를 생성할 수 있다. 상기 제1 외부 서버(3000)와 상기 제2 외부 서버(3500)는 물리적 또는 논리적으로 구분되는 별개의 서버일 수 있고, 동일한 서버일 수도 있다.
상기 제1 데이터베이스와 상기 제2 데이터베이스는 각각 제1 외부 서버와 제2 외부 서버에 저장되어 있는 것일 수 있고, 미도시된 제3의 서버로부터 제1 외부 서버와 제2 외부 서버에 전송된 것일 수 있다. 상기 제1 데이터베이스와 상기 제2 데이터베이스는 서로 다른 어플리케이션 또는 기기에 의해 이용되는 것일 수 있고, 서로 상이한 구조 또는 형식을 가진 것일 수 있다.
동작 S920b에서 서버(2000)는 제1 외부 서버(3000)로부터 제1 DB 지식 그래프를 수신할 수 있다. 동작 S930b에서 서버(2000)는 제2 외부 서버(3500)으로부터 제2 DB 지식 그래프를 수신할 수 있다.
도 9b의 동작 S940b 내지 S995b는 도 9a의 동작 S940a 내지 S995a에 상응할 수 있다.
이상 상술한 실시예들은 복수의 DB 지식 그래프들을 데이터베이스 학습 모델에 입력함으로써 통합 지식 그래프를 획득하는 방법에 관하여 기술하고 있으나, 반드시 이에 한정되지만은 않으며, 원 데이터베이스들을 데이터베이스 학습 모델에 입력함으로써 이들을 각각의 DB 지식 그래프들로 변환하지 않고 곧바로(directly) 데이터베이스들 간의 연관 관계를 포함하는 통합 지식 그래프를 획득할 수도 있다. 본 개시가 속하는 기술분야의 통상의 지식을 가진 자는 상술한 실시예들이 원 데이터베이스들로부터 곧바로 통합 지식 그래프를 획득하기 위하여 변형되고 적용될 수 있음을 이해할 것이다.
도 10a는 일부 실시예들에 따른 시스템이 통합 지식 그래프를 이용하여 복수의 데이터베이스들에 대한 사용자의 질의에 응답하는 방법을 나타내는 도면이다.
도 10a를 참조하면, 동작 S1000a에서, 서버(2000)는 복수의 데이터베이스들에 기초하여, 복수의 데이터베이스들 내의 데이터 간의 연관 관계를 나타내는 통합 지식 그래프를 획득할 수 있다. 상기 통합 지식 그래프는 도 3 내지 도 7, 및 도 9a 도 9b에서 설명된 방법에 의하여 획득된 것일 수 있다. 서버(2000)는 복수의 데이터베이스들로부터 생성된 복수의 DB 지식 그래프들을 획득하고, 상기 복수의 DB 지식 그래프들을, 상기 복수의 데이터베이스들 내의 데이터 간의 연관 관계를 결정하기 위한 데이터베이스 학습 모델에 입력함으로써, 상기 복수의 DB 지식 그래프들로부터 추출된 연관 관계에 관한 정보를 포함하는 통합 지식 그래프를 획득할 수 있다.
동작 S1010a에서, 디바이스(1000)는 복수의 데이터베이스들에 대한 사용자의 질의(query) 입력을 수신할 수 있다. 다양한 실시예들에서, 상기 질의 입력은 텍스트, 핸드라이팅(handwriting), 이미지, 또는 음성 형태를 포함할 수 있으나, 이에 한정되지 아니한다. 일부 실시예들에서, 상기 질의 입력은 특정 데이터베이스의 구조 및 형식에 대응되지 않는 추상적인 표현을 포함할 수 있다. 일부 실시예들에서, 상기 질의 입력은 자연어 형태일 수 있다
동작 S1020a에서, 디바이스(1000)는 상기 질의 입력에 기초하여 사용자의 질의를 서버(2000)에 전송할 수 있다. 일부 실시예들에서, 디바이스(1000)는 상기 질의 입력을 분석하여 지식 그래프에 적용할 수 있는 질의를 추출할 수 있다. 다양한 실시예들에서, 상기 질의는 상기 복수의 데이터베이스들 내에서 특정 데이터의 위치를 조회하기 위한 것, 특정 조건의 데이터를 검색하기 위한 것, 또는 특정 조건의 데이터의 통계를 획득하기 위한 것 등을 포함하나, 그러나 이에 한정되지는 아니한다.
동작 S1030a에서, 서버(2000)는 상술한 통합 지식 그래프를 이용하여, 사용자의 질의에 대한 응답 메시지를 생성할 수 있다. 다양한 실시예들에서, 서버(2000)는 상기 통합 지식 그래프만을 이용하여 상기 질의에 대한 응답 메시지를 생성할 수 있다. 일부 실시예들에서, 서버(2000)는 사용자의 질의를 분석하여 통합 지식 그래프에 대한 질의어를 추출할 수 있다. 서버(2000)는 상기 질의어에 대한 통합 지식 그래프의 응답 데이터에 기초하여 응답 메시지를 생성할 수 있다.
동작 S1040a에서, 서버(2000)는 생성된 응답 메시지를 디바이스(1000)로 전송할 수 있다. 동작 S1050a에서, 디바이스(1000)는 서버(2000)로부터 수신한 상기 응답 메시지를 출력할 수 있다.
도 10b는 일부 실시예들에 따른 시스템이 통합 지식 그래프를 이용하여 복수의 데이터베이스들에 대한 사용자의 질의에 응답하는 다른 방법을 나타내는 도면이다.
도 10b를 참조하면, 동작 S1000b에서, 서버(2000)는 복수의 데이터베이스들에 기초하여, 복수의 데이터베이스들 내의 데이터 간의 연관 관계를 나타내는 통합 지식 그래프를 획득할 수 있다. 상기 통합 지식 그래프는 도 3 내지 도 7, 및 도 9a 도 9b에서 설명된 방법에 의하여 획득된 것일 수 있다. 서버(2000)는 복수의 데이터베이스들로부터 생성된 복수의 DB 지식 그래프들을 획득하고, 상기 복수의 DB 지식 그래프들을, 상기 복수의 데이터베이스들 내의 데이터 간의 연관 관계를 결정하기 위한 데이터베이스 학습 모델에 입력함으로써, 상기 복수의 DB 지식 그래프들로부터 추출된 연관 관계에 관한 정보를 포함하는 통합 지식 그래프를 획득할 수 있다.
동작 S1010b에서, 디바이스(1000)는 복수의 데이터베이스들에 대한 사용자의 질의(query) 입력을 수신할 수 있다. 다양한 실시예들에서, 상기 질의 입력은 텍스트, 핸드라이팅(handwriting), 이미지, 또는 음성 형태를 포함할 수 있으나, 이에 한정되지 아니한다. 일부 실시예들에서, 상기 질의 입력은 특정 데이터베이스의 구조 및 형식에 대응되지 않는 추상적인 표현을 포함할 수 있다. 일부 실시예들에서, 상기 질의 입력은 자연어 형태일 수 있다.
동작 S1020b에서, 디바이스(1000)는 상기 질의 입력에 기초하여 사용자의 질의를 서버(2000)에 전송할 수 있다. 다양한 실시예들에서, 디바이스(1000)는 상기 질의 입력을 분석하여 지식 그래프에 적용할 수 있는 질의를 추출할 수 있다. 다양한 실시예들에서, 상기 질의는 상기 복수의 데이터베이스들 내에서 특정 데이터의 위치를 조회하기 위한 것, 특정 조건의 데이터를 검색하기 위한 것, 또는 특정 조건의 데이터의 통계를 획득하기 위한 것 등을 포함하나, 그러나 이에 한정되지는 아니한다.
동작 S1030b에서, 서버(2000)는 상기 통합 지식 그래프를 이용하여, 제1 외부 서버(3000)에 상기 질의에 대한 응답 데이터를 요청할 수 있다. 예를 들어, 서버(2000)는 사용자의 질의를 분석하여 제1 외부 서버의 제1 데이터베이스에 대한 질의어를 추출할 수 있다. 동작 S1035b에서, 서버(2000)는 상기 통합 지식 그래프를 이용하여, 제2 외부 서버(3000)에 상기 질의에 대한 응답 데이터를 요청할 수 있다. 예를 들어, 서버(2000)는 사용자의 질의를 분석하여 제2 외부 서버의 제2 데이터베이스에 대한 질의어를 추출할 수 있다.
동작 S1040b에서, 서버(2000)는 제1 외부 서버(3000)로부터 응답 데이터를 수신할 수 있다. 상기 응답 데이터는 제1 외부 서버의 제1 데이터베이스에 대한 질의어에 대한 응답 데이터일 수 있다. 동작 S1045b에서, 서버(2000)는 제2 외부 서버(3000)로부터 응답 데이터를 수신할 수 있다. 상기 응답 데이터는 제2 외부 서버의 제2 데이터베이스에 대한 질의어에 대한 응답 데이터일 수 있다.
동작 S1050b에서, 서버(2000)는 상기 통합 지식 그래프를 이용하여, 상기 응답 데이터로부터 응답 메시지를 생성할 수 있다. 동작 S1040a에서, 서버(2000)는 생성된 응답 메시지를 디바이스(1000)로 전송할 수 있다. 동작 S1050a에서, 디바이스(1000)는 서버(2000)로부터 수신한 상기 응답 메시지를 출력할 수 있다.
도 10c는 일부 실시예들에 따른 시스템이 통합 지식 그래프를 이용하여 서비스를 제공하는 방법을 나타내는 도면이다.
도 10c를 참조하면, 동작 S1000c에서, 서버(2000)는 복수의 데이터베이스들에 기초하여, 복수의 데이터베이스들 내의 데이터 간의 연관 관계를 나타내는 통합 지식 그래프를 획득할 수 있다. 상기 통합 지식 그래프는 도 3 내지 도 7, 및 도 9a 도 9b에서 설명된 방법에 의하여 획득된 것일 수 있다. 서버(2000)는 복수의 데이터베이스들로부터 생성된 복수의 DB 지식 그래프들을 획득하고, 상기 복수의 DB 지식 그래프들을, 상기 복수의 데이터베이스들 내의 데이터 간의 연관 관계를 결정하기 위한 데이터베이스 학습 모델에 입력함으로써, 상기 복수의 DB 지식 그래프들로부터 추출된 연관 관계에 관한 정보를 포함하는 통합 지식 그래프를 획득할 수 있다.
동작 S1010c에서, 디바이스(1000)는 서버(2000)에 상기 통합 지식 그래프를 요청할 수 있다. 디바이스(1000)는 통합 지식 그래프를 이용할 서비스와 관련된 정보를 서버(2000)에게 전송하면서 서버(2000)에게 통합 지식 그래프를 요청할 수 있다. 상기 서비스와 관련된 정보는 서비스를 제공하는 어플리케이션과 관련된 정보, 서비스에 연관된 데이터베이스와 관련된 정보, 서비스를 제공받을 디바이스 및 사용자와 관련된 정보를 포함할 수 있다.
동작 S1020c에서, 디바이스(1000)는 서버(2000)로부터 생성된 통합 지식 그래프를 수신할 수 있다. 서버(2000)는 디바이스(1000)에 통합 지식 그래프 전체를 전송할 수 있다. 서버(2000)는 상기 서비스와 관련된 정보에 기초하여, 상기 서비스에 필요한 통합 지식 그래프의 일부만을 전송할 수도 있다.
동작 S1030c에서, 디바이스(1000)는 상기 수신한 통합 지식 그래프를 이용하여 사용자에게 서비스를 제공할 수 있다. 예를 들어, 디바이스(1000)는 상기 수신한 통합 지식 그래프를 이용하여, 복수의 데이터베이스들에 대한 사용자의 질의에 응답할 수 있다.
도 11은 일부 실시예들에 따른 데이터베이스들 및 DB 지식 그래프들의 예시를 나타내는 도면이다. 이하 도 11을 참조하여, 데이터베이스로부터 DB 지식 그래프를 획득하는 구체적인 방법을 설명한다.
데이터베이스는 데이터의 분류를 나타내는 데이터 필드(field)들로 구성될 수 있다. 데이터베이스들은 데이터 필드에 상응하는 값인 데이터 값(value)들을 포함할 수 있다.
예를 들어, 제1 데이터베이스(3001)는'IP', 'IP_COUNTRY', 'DATE', 'GUID' 등의 데이터 필드들로 구성되고, '123.456.78.9', 'United States', '20180114', '1' 등과 같은 데이터 값들을 포함할 수 있다.
데이터베이스(DB) 지식 그래프는 데이터베이스를 기초로 생성된 지식 그래프일 수 있다. DB 지식 그래프는 데이터베이스의 스키마(schema) 및 데이터에 기초하여 생성되고, 데이터베이스의 위치, 구조 및 데이터 간의 연관 관계를 포함할 수 있다.
각각의 DB 지식 그래프는 데이터베이스 내의 데이터 필드(field) 및 데이터 값(valuea)에 대응되는 노드(node)와, 노드 간의 연관 관계에 대응되는 엣지(edge)를 포함할 수 있다. DB 지식 그래프의 노드는 데이터베이스의 데이터 필드에 대응되는 클래스(class) 및 데이터 값에 대응되는 인스턴스(instance)를 포함할 수 있다. 이 경우, 상기 DB 지식 그래프의 엣지는 데이터 필드들 사이(클래스와 클래스 간), 데이터 값들 사이(인스턴스와 인스턴스 간), 또는 데이터 필드와 데이터 값 사이(클래스와 인스턴스 간)의 연관 관계를 나타낼 수 있다.
연관 관계는 지식 그래프에서, 한 쌍의 데이터에 대응되는 한 쌍의 노드들이 서로 관련되는 방법을 나타내는 것일 수 있다. 다양한 실시예들에서, 연관 관계는 한 쌍의 데이터/노드를 각각 주어와 목적어로 하는 술어로 표현될 수 있다. 예를 들어, 연관 관계는 동일 관계(sameAs), 소속 관계(type), 또는 포함 관계(subClassOf) 등을 포함하나, 이에 한정되지 않는다. 연관 관계는 소속 관계, 포함 관계와 같이 일방향 관계일 수 있고, 동일 관계와 같이 쌍방향 관계일 수도 있다.
제1 DB 지식 그래프(3011)는 제1 데이터베이스(3001)를 기초로 생성된 DB 지식 그래프의 한 예시로, 일부만이 도시되어 있다. 노드는 꼭지점(마디)로, 엣지는 꼭지점들을 잇는 선(변)으로 도시된다.
예를 들어, 상기 제1 데이터베이스를 구성하는 제1 데이터 필드 "IP_COUNTRY"는 상기 제1 DB 지식 그래프의 제1 클래스, 즉'IP_COUNTRY'로 표시된 노드에 대응될 수 있다. 상기 제1 데이터베이스에 포함되는 제1 데이터 값 "United State"는 상기 제1 DB 지식 그래프의 제1 인스턴스, 즉'United States'로 표시된 노드에 대응될 수 있다.
상기 제1 데이터베이스의 상기 제1 데이터 값이 상기 제1 데이터 필드에 속한 경우, 상기 제1 DB 지식 그래프는 상기 제1 인스턴스가 상기 제1 클래스에 대해 소속 관계(type)임을 나타내는 엣지를 포함할 수 있다. 상기 엣지는 제1 인스턴스와 제1 클래스를 잇는 선으로 시각화될 수 있다.
이와 같이 데이터베이스의 데이터 필드들과 데이터 값들을 각각 DB 지식 그래프의 클래스들 및 인스턴스들에 대응시키는 방법으로, 각각의 데이터베이스로부터 DB 지식 그래프가 생성될 수 있다.
도 12는 일부 실시예들에 따른 데이터 필드들 간의 연관 관계를 나타내는 제1 통합 지식 그래프를 생성하는 예시를 나타내는 도면이다. 이하 도 12를 참조하여, 제1 학습 모델이 데이터 필드들 간의 연관 관계를 결정하는 구체적인 방법을 설명한다.
예시적으로, 제1 데이터베이스(DB 1), 제2 데이터베이스(DB 2) 및 제3 데이터베이스(DB 3)과 함께 도시된 표들은 각 데이터베이스를 구성하는 데이터 필드들을 나타낸다. 예를 들어, 제1 데이터베이스는 'IP', 'IP_COUNTRY', 'DATE', 'GUID' 등의 데이터 필드들로 구성되고, 상기 데이터 필드들은 제1 DB 지식 그래프의 클래스들에 대응될 수 있다. 마찬가지로 제2 데이터베이스 및 제3 데이터베이스의 데이터 필드들도, 각각 제2 DB 지식 그래프 및 제3 DB 지식 그래프의 클래스들에 대응될 수 있다.
제1 학습 모델은 상기 DB 지식 그래프들을 입력받아, 데이터 필드들 또는 데이터 필드에 대응되는 클래스들 간의 연관 관계를 분석할 수 있다.
일부 실시예들에서, 상기 클래스들 간의 연관 관계는 클래스의 타입에 기초하여 판단되고, 상기 타입은 클래스의 하위 속성(attribute) 에 기초하여 식별되는 것일 수 있다. 상기 하위 속성은 이름(label), 데이터 형식(datatype), 상위 클래스(superClass), 하위 클래스(subClass), 또는 설명(comment) 등을 포함할 수 있으나, 이에 한정되지 아니한다.
일부 실시예들에서, 상기 타입은 클래스에 속한 (상기 클래스에 대해 소속 관계에 있는) 인스턴스 값들의 통계적 분포에 기초하여 식별되는 것일 수 있다. 상기 통계적 분포는 범위, 평균, 중간값, 편차, 또는 빈도 등과 같은 정량적인 수치와, 인스턴스 값들의 유사성 및 규칙성과 같은 정성적인 평가를 포함할 수 있다.
예를 들어, 상기 제1 학습 모델은, 스키마 매핑 120에 예시된 것과 같이, 제1 데이터베이스의 'IP_COUNTRY' 데이터 필드에 대응되는 제1 클래스, 제2 데이터베이스의 'H_COUNTRYCODE' 데이터 필드에 대응되는 제2 클래스, 및 제3 데이터베이스의 'COUNTRY_CODE' 데이터 필드에 대응되는 제3 클래스가 서로 동일 관계에 있다고 판단할 수 있다.
상기 클래스들이 동일 관계에 있다는 판단은, 상기 클래스들의 타입이 '국가 코드 필드'로 동일하다는 것에 기초할 수 있다. 상기 타입은 클래스의 하위 속성(attribute) 에 기초하여 식별될 수 있다. 예를 들어, 상기 제1 학습 모델은 상기 제1 클래스의 이름이 'IP_COUNTRY' 임에 기초하여, 상기 클래스가 '국가 코드 필드' 타입임을 식별할 수 있다. 또는, 예를 들어, 상기 제1 학습 모델은 상기 제2클래스에 속한 인스턴스 값들이 {US, KR, CN, UK, CA,?}와 같은 집합을 구성한다는 것에 기초하여, 상기 제2 클래스가 '국가 코드 필드' 타입임을 식별할 수 있다.
상기 복수의 DB 지식 그래프들 외에 사전 정의된 표준 국가 코드 정보가 추가 데이터로 상기 제1 학습 모델에 입력될 수 있다. 상기 제1 학습 모델은 상기 표준 국가 코드 정보에 기초하여 상기 DB 지식 그래프들의 클래스들 간의 연관 관계를 결정할 수 있다. 예를 들어, 상기 제1 학습 모델은 상기 표준 국가 코드 정보와 제3 클래스에 속한 인스턴스 값들이 유사하다는 것에 기초하여, 상기 제3 클래스가 '표준 국가 코드 필드' 타입임을 식별할 수 있다.
상기 제1 학습 모델은 상기 클래스들 간의 연관 관계를 나타내는 정보에 기초하여 제1 통합 지식 그래프를 생성할 수 있다. 예를 들어, 상기 제1 학습 모델은 상기 클래스들이 동일 관계에 있다는 판단에 기초하여, 제1 데이터베이스의 'IP_COUNTRY'에 대응되는 제1 클래스, 제2 데이터베이스의 'H_COUNTRYCODE' 데이터 필드에 대응되는 제2 클래스, 및 제3 데이터베이스의 'COUNTRY_CODE' 데이터 필드에 대응되는 제3 클래스 사이에 동일 관계가 있음을 나타내는 엣지(sameAs)들을 포함하는 제1 통합 지식 그래프(122)를 생성할 수 있다.
상기 제1 통합 지식 그래프는 클래스들의 타입에 관한 정보도 포함할 수 있다. 예를 들어, 상기 제1 통합 지식 그래프는 제1 클래스, 제2 클래스 및 제3 클래스는 '국가 코드 필드' 클래스와 소속 관계에 있음을 나타내는 엣지(type)들을 포함할 수 있다.
도 13은 일부 실시예들에 따른 데이터 값들 간의 연관 관계를 나타내는 통합 지식 그래프를 생성하는 예시를 나타내는 도면이다. 이하 도 13를 참조하여, 제2 학습 모델이 데이터 값들 간의 연관 관계를 결정하는 구체적인 방법을 설명한다.
도 13은 도 12의 예시와 이어진다고 가정한다. 도 13의 제1 데이터베이스(DB 1), 제2 데이터베이스(DB 2) 및 제3 데이터베이스(DB 3)는 도 12의 제1 데이터베이스(DB 1), 제2 데이터베이스(DB 2) 및 제3 데이터베이스(DB 3)와 동일하다고 가정한다. 또한 제1 데이터베이스의 'IP_COUNTRY' 데이터 필드에 대응되는 제1 클래스, 제2 데이터베이스의 'H_COUNTRYCODE' 데이터 필드에 대응되는 제2 클래스, 및 제3 데이터베이스의 'COUNTRY_CODE' 데이터 필드에 대응되는 제3 클래스는 서로 동일 관계(sameAs)에 있고, 이러한 연관 관계에 대한 정보를 포함하는 제1 통합 지식 그래프가 생성되었다고 가정한다.
제1 데이터베이스(DB 1), 제2 데이터베이스(DB 2) 및 제3 데이터베이스(DB 3)과 함께 도시된 표들은 전체 데이터베이스 중 서로 동일 관계에 있다고 판단된 데이터 필드들과 그에 속한 데이터 값들만을 발췌하여 나타낸다. 예를 들어, 제1 데이터베이스의'IP_COUNTRY'데이터 필드에는 'United States', 'Korea', 'Japan' 등의 데이터 값들이 속하여 있고, 제2 데이터베이스의 'H_COUNTRYCODE' 데이터 필드에는 'KR', 'US', 'CN' 등의 데이터 값들이 속하여 있으며, 제3 데이터베이스의 'COUNTRY_CODE' 데이터 필드에는 'USA', 'CHN', 'KOR' 등의 데이터 값들이 속하여 있을 수 있다. 동일 관계에 있는 데이터 필드들이라도, 데이터 필드에 속한 데이터 값들은 각각 상이한 값 또는 형식을 가질 수 있다.
상기 제1 데이터베이스의 데이터 값들은 제1 DB 지식 그래프의 인스턴스들에 대응될 수 있고, 마찬가지로 제2 데이터베이스 및 제3 데이터베이스의 데이터 값들도 각각 제2 DB 지식 그래프 및 제3 DB 지식 그래프의 인스턴스들에 대응될 수 있다. 상기 인스턴스들은 데이터 필드에 대응되는 클래스에 대해 소속 관계에 있을 수 있다.
제2 학습 모델은 상기 DB 지식 그래프들을 입력받아, 데이터 값들 또는 데이터 값들에 대응되는 인스턴스들 간의 연관 관계를 분석할 수 있다. 예를 들어, 상기 제2 학습 모델은, 제1 데이터베이스의 'Korea' 데이터 값에 대응되는 제1 인스턴스, 제2 데이터베이스의 'KR' 데이터 값에 대응되는 제2 인스턴스, 및 제3 데이터베이스의 'KOR' 데이터 필드에 대응되는 제3 인스턴스가 서로 동일 관계에 있다고 판단할 수 있다.
일부 실시예들에서, 상기 복수의 DB 지식 그래프들 외에 사전 정의된 표준 국가 코드 정보가 추가 데이터로 상기 제2 학습 모델에 입력될 수 있다. 상기 제2 학습 모델은 상기 표준 국가 코드 정보에 포함된 한국 표준 코드와 인스턴스 값들이 동일하다는 것에 기초하여, 상기 인스턴스들이 '한국 표준 코드' 타입임을 식별할 수 있다.
상기 제2 학습 모델은 상기 클래스들이 동일 관계에 있다는 판단에 기초하여, 제1 데이터베이스의 'Korea' 데이터 값에 대응되는 제1 인스턴스, 제2 데이터베이스의 'KR' 데이터 값에 대응되는 제2 인스턴스, 및 제3 데이터베이스의 'KOR' 데이터 필드에 대응되는 제3 인스턴스 사이에 동일 관계가 있음을 나타내는 엣지(sameAs)들을 포함하는 제2 통합 지식 그래프(130)를 생성할 수 있다.
상기 제2 통합 지식 그래프는 인스턴스들의 타입에 관한 정보를 포함할 수 있다. 예를 들어, 상기 제2 통합 지식 그래프는 제1 클래스는 제1 인스턴스와, 제2 클래스는 제2 인스턴스와, 제3 클래스는 제3 인스턴스와 소속 관계에 있음을 나타내는 엣지(type)들을 포함할 수 있다. 또한, 예를 들어, 상기 제2 통합 지식 그래프는 제1 인스턴스, 제2 인스턴스, 및 제3 인스턴스가 '한국 표준 코드' 클래스와 소속 관계에 있음을 나타내는 엣지(type)를 포함할 수 있다.
상기 제2 통합 지식 그래프는 복수의 데이터베이스들을 가상적으로 통합 및 연계하기 위한 가상 그래프일 수 있다. 예를 들어, 상기 제2 통합 지식 그래프는 제1, 제2, 및 제3 데이터베이스를 실질적으로 통합하거나, 원 데이터베이스에 데이터를 추가하거나 또는 원 데이터베이스를 변경함으로써 획득되는 것이 아니라, 복수의 데이터베이스들과 다른 층위(layer)에서 각각의 데이터베이스들을 가상적으로 통합 및 연계하는 정보를 포함할 수 있다.
도 14a는 일부 실시예들에 따른 서버가 제1 학습 모델 및 제2 학습 모델을 이용하여 제1 통합 지식 그래프 및 제2 통합 지식 그래프를 생성하는 예시를 나타내는 도면이다.
도 14a를 참조하면, 제1 학습 모델(140)은 복수의 데이터베이스들을 입력받고, 제1 통합 지식 그래프를 출력할 수 있다. 또한, 제1 학습 모델(140)은 상기 복수의 데이터베이스들과는 독립적인 외부 데이터를 더 입력받을 수 있다. 제1 통합 지식 그래프는, 서로 다른 데이터베이스를 구성하는 데이터 필드들 간의 연관 관계에 관한 정보를 포함하는 것일 수 있다.
또한, 제2 학습 모델(141)은 상기 제1 통합 지식 그래프를 입력받고 제2 통합 지식 그래프를 출력할 수 있다. 또한, 제2 학습 모델(141)은 상기 복수의 데이터베이스들과는 독립적인 외부 데이터를 더 입력받을 수 있다. 또한, 제2 학습 모델(141)은 상기 복수의 데이터베이스들을 더 입력받을 수도 있다. 제2 통합 지식 그래프는, 서로 다른 데이터베이스에 포함되는 데이터 값들 간의 연관 관계에 관한 정보를 포함하는 것일 수 있다. 제2 학습 모델은 제1 통합 지식 그래프를 확장시킴으로써 제2 통합 지식 그래프를 출력할 수 있다.
도 14b는 일부 실시예들에 따른 서버가 제3 학습 모델 및 제4 학습 모델을 이용하여 제1 통합 지식 그래프 및 제2 통합 지식 그래프를 생성하는 예시를 나타내는 도면이다.
도 14b를 참조하면, 제3 학습 모델(142)은 복수의 데이터베이스들로부터 생성된 복수의 DB 지식 그래프들을 입력받고, 제1 통합 지식 그래프를 출력할 수 있다. 상기 복수의 DB 지식 그래프들은 데이터베이스의 위치, 구조 및 데이터 간의 연관 관계를 포함하는 것일 수 있다. 또한, 제3 학습 모델(140)은 상기 복수의 데이터베이스들과는 독립적인 외부 데이터를 더 입력받을 수 있다. 상기 외부 데이터는 지식 그래프 형태로 가공되어 상기 제1 학습 모델에 입력될 수 있다. 제1 통합 지식 그래프는, 서로 다른 DB 지식 그래프에 포함되는 클래스들 간의 연관 관계에 관한 정보를 포함하는 것일 수 있다.
또한, 제4 학습 모델(143)은 상기 제1 통합 지식 그래프를 입력받고 제2 통합 지식 그래프를 출력할 수 있다. 또한, 제4 학습 모델(144)은 상기 복수의 데이터베이스들과는 독립적인 외부 데이터를 더 입력받을 수 있다. 상기 외부 데이터는 지식 그래프 형태로 가공되어 상기 제1 학습 모델에 입력될 수 있다. 또한, 제4 학습 모델(141)은 상기 DB 지식 그래프들을 더 입력받을 수도 있다. 제4 통합 지식 그래프는, 서로 다른 DB 지식 그래프들에 포함되는 인스턴스들 간의 연관 관계에 관한 정보를 포함하는 것일 수 있다. 제2 학습 모델은 제1 통합 지식 그래프를 확장시킴으로써 제2 통합 지식 그래프를 출력할 수 있다.
도 14c는 일부 실시예들에 따른 디바이스가 제5 학습 모델을 이용하여 통합 지식 그래프를 결정하는 예시를 나타내는 도면이다.
도 14c를 참조하면, 제5 학습 모델(144)은 복수의 데이터베이스들을 입력받고, 통합 지식 그래프를 출력할 수 있다. 또한, 제5 학습 모델(140)은 상기 복수의 데이터베이스들과는 독립적인 외부 데이터를 더 입력받을 수 있다. 통합 지식 그래프는, 서로 다른 데이터베이스에 속한 데이터들 간의 연관 관계에 관한 정보를 포함하는 것일 수 있다.
도 14d는 일부 실시예들에 따른 디바이스가 제6 학습 모델을 이용하여 제2 디바이스 지식 그래프를 생성하는 예시를 나타내는 도면이다.
도 14d를 참조하면, 제6 학습 모델(145)은 복수의 데이터베이스들로부터 생성된 복수의 DB 지식 그래프들을 입력받고, 통합 지식 그래프를 출력할 수 있다. 상기 복수의 DB 지식 그래프들은 각각 데이터베이스의 위치, 구조 및 데이터 간의 연관 관계를 포함하는 것일 수 있다. 또한, 제6 학습 모델(145)은 상기 복수의 데이터베이스들과는 독립적인 외부 데이터를 더 입력받을 수 있다. 상기 외부 데이터는 지식 그래프 형태로 가공되어 상기 제6 학습 모델에 입력될 수 있다. 통합 지식 그래프는, 서로 다른 DB 지식 그래프들에 포함되는 노드들 간의 연관 관계에 관한 정보를 포함하는 것일 수 있다.
도 15는 일부 실시예들에 따른 서버의 블록도이다.
도 15에 도시된 바와 같이, 일부 실시예들에 따른 서버(2000)는, 사용자 통신부(2100), 저장부(메모리)(2200), 제어부(2300), 입력부(2400) 및 출력부(2500)를 포함할 수 있다. 그러나, 도 15에 도시된 구성 요소 모두가 서버(2000)의 필수 구성 요소인 것은 아니다. 도 15에 도시된 구성 요소보다 많은 구성 요소에 의해 서버(2000)가 구현될 수도 있고, 도 15에 도시된 구성 요소보다 적은 구성 요소에 의해 서버(2000)가 구현될 수도 있다.
통신부(2100)는, 디바이스(1000) 및 콘텐트 제공 서버(3000)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 예를 들어, 통신부(2100)는, 근거리 통신부, 이동 통신부, 및 방송 수신부를 포함할 수 있다.
통신부(2100)는, 통합 지식 그래프를 생성하기 위해 필요한 정보를 디바이스(1000) 및 데이터베이스 서버(3000)와 송수신할 수 있다. 통신부(2100)는 데이터베이스 서버(3000)로부터 데이터베이스 또는 DB 지식 그래프를 수신할 수 있다.
다양한 실시예들에서, 통신부(2100)는, 통합 지식 그래프를 생성하기 위해 디바이스(1000)에 연관 관계 후보에 대한 사용자 피드백 요청을 송신하고, 디바이스(1000)로부터 상기 연관 관계 후보에 대한 사용자 피드백을 수신할 수 있다.
다양한 실시예들에서, 통신부(2100)는, 복수의 데이터베이스들에 대한 사용자 질의에 응답하기 위해 필요한 정보를 디바이스(1000) 및 데이터베이스 서버(3000)와 송수신할 수 있다. 통신부(2100)는, 디바이스(1000)로부터 사용자 질의를 수신하고 디바이스(1000)에 상기 질의에 대한 응답 메시지를 송신할 수 있다. 통신부(2100)는, 데이터베이스 서버(3000)에 사용자 질의에 대한 응답 데이터 요청을 송신하고 데이터베이스 서버(3000)로부터 응답 데이터를 수신할 수 있다. 통신부(2100)는, 디바이스(1000)로부터 통합 지식 그래프 요청을 수신하고 디바이스(1000)에 통합 지식 그래프를 송신할 수 있다.
저장부(2200)는, 프로세서(2300)의 처리 및 제어를 위한 프로그램을 저장할 수 있고, 서버(2000)로 입력되거나 서버(2000)로부터 출력되는 데이터를 저장할 수 있다.
다양한 실시예들에서, 저장부(2200)는 통합 지식 그래프를 저장할 수 있다. 저장부(2200)는 상기 통합 지식 그래프를 디바이스(1000), 데이터베이스 서버(3000), 또는 서버(2000) 자신에 의해 이용 가능하도록 저장할 수 있다. 저장부(2200)는 상기 통합 지식 그래프를 원 데이터베이스를 이용하는 어플리케이션들 및 기기들에 의해 접근 및 이용 가능하도록 저장할 수 있다. 저장부(2200)는 상기 통합 지식 그래프를 데이터베이스들 및 DB 지식 그래프들과 별도로 저장할 수 있다.
프로세서(2300)는, 통상적으로 서버(2000)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(2300)는, 저장부(2300)에 저장된 프로그램들을 실행함으로써, 통신부(2100), 저장부(2200), 입력부(2400), 및 출력부(2500) 등을 전반적으로 제어할 수 있다. 프로세서(2300)는, 통신부(2100), 저장부(2200), 입력부(2400), 및 출력부(2500) 등을 제어함으로써, 본 명세서에서의 서버(2000)의 동작을 제어할 수 있다.
구체적으로, 프로세서(2300)는, 복수의 데이터베이스들로부터 생성된 복수의 DB 지식 그래프들을 획득할 수 있다. 다양한 실시예들에서, 프로세서(2300)는 데이터베이스 서버(3000)로부터 데이터베이스를 수신하고, 상기 수신한 데이터베이스로부터 DB 지식 그래프를 생성할 수 있다. 다른 실시예들에서, 프로세서(2300)는 데이터베이스 서버(3000) 또는 제3의 서버가 생성한 DB 지식 그래프를 수신할 수 있다.
다양한 실시예들에서, 프로세서(2300)는, 상기 복수의 DB 지식 그래프들을, 상기 복수의 데이터베이스들 내의 데이터 간의 연관 관계를 결정하기 위한 데이터베이스 학습 모델에 입력할 수 있다. 프로세서(2300)는 상기 복수의 DB 지식 그래프들 외에도, 추가적인 데이터들을 상기 데이터베이스 학습 모델에 더 입력할 수 있다.
다양한 실시예들에서, 프로세서(2300)는 상기 데이터베이스 학습 모델로부터 출력되는, 상기 복수의 DB 지식 그래프들로부터 추출된 연관 관계를 포함하는 통합 지식 그래프를 획득할 수 있다. 통합 지식 그래프는 복수의 데이터베이스들 각각의 위치, 구조 및 서로 다른 데이터베이스에 속한 데이터 간의 연관 관계에 관한 정보를 포함할 수 있다.
일부 실시예들에서, 프로세서(2300)는, 제1 데이터베이스를 구성하는 제1 데이터 필드에 대응되는 제1 DB 지식 그래프의 제1 클래스와, 제2 데이터 베이스를 구성하는 제2 DB 지식 그래프의 제2 데이터 필드에 대응되는 제2 클래스 간의 연관 관계에 관한 정보를 획득할 수 있다. 프로세서(2300)는, 상기 제1 클래스에 속한 인스턴스들과 상기 제2 클래스에 속한 인스턴스들 간의 연관 관계에 관한 정보를 획득할 수 있다. 프로세서(2300)는, 상기 제1 클래스, 상기 제2 클래스, 상기 제1 클래스에 속한 인스턴스들, 및 상기 제2 클래스에 속한 인스턴스들 간의 매핑 규칙을 획득할 수 있다.
일부 실시예들에서, 프로세서(2300)는, 상기 복수의 DB 지식 그래프들을, 복수의 데이터베이스들을 구성하는 데이터 필드들 간의 연관 관계를 결정하기 위한 제1 학습 모델에 입력함으로써, 제1 통합 지식 그래프를 획득할 수 있다. 프로세서(2300)는 상기 복수의 DB 지식 그래프들 외에도, 추가적인 데이터들을 상기 제1 학습 모델에 더 입력할 수 있다. 상기 제1 통합 지식 그래프는, 서로 다른 데이터베이스에 속한 데이터 필드들 간의 연관 관계에 관한 정보를 포함하는 것일 수 있다.
일부 실시예들에서, 프로세서(2300)는 상기 복수의 DB 지식 그래프들 및 상기 제1 통합 지식 그래프를, 복수의 데이터베이스들을 구성하는 데이터 값들 간의 연관 관계를 결정하기 위한 상기 제2 학습 모델에 입력함으로써 제2 통합 지식 그래프를 획득할 수 있다. 상기 제2 통합 지식 그래프는, 서로 다른 데이터베이스에 속한 데이터 값들 간의 연관 관계에 관한 정보를 포함하는 것일 수 있다.
일부 실시예들에서, 프로세서(2300)는 복수의 DB 지식 그래프들에 포함되는 클래스들 중 서로 연관 관계가 있다고 판단되는 복수의 클래스들, 또는 복수의 DB 지식 그래프들에 포함되는 인스턴스들 중 서로 연관 관계가 있다고 판단되는 복수의 인스턴스들을 연관 관계 후보로 결정하고, 상기 연관 관계 후보에 대한 사용자의 피드백 입력을 요청할 수 있다. 프로세서(2300)는 상기 연관 관계 후보에 대한 사용자의 피드백 입력을 수신할 수 있다. 프로세서(2300)는 상기 연관 관계 후보에 대한 사용자의 피드백 입력을 기초로 상기 학습 모델을 업데이트할 수 있다.
일부 실시예들에서, 프로세서(2300)는 상기 복수의 데이터베이스들이 업데이트 되었는지 여부를 판단할 수 있다. 상기 복수의 데이터베이스들 중 업데이트 된 데이터베이스가 적어도 하나 있다고 판단되는 경우, 프로세서(2300)는 상기 통합 지식 그래프 및 상기 업데이트된 복수의 데이터베이스들로부터 생성된 업데이트된 복수의 DB 지식 그래프들을 상기 학습 모델에 입력함으로써, 업데이트된 통합 지식 그래프를 획득할 수 있다.
다양한 실시예들에서, 프로세서(2300)는 상기 저장된 통합 지식 그래프에 기초하여, 상기 복수의 데이터베이스들에 대한 사용자의 질의에 응답할 수 있다. 프로세서(2300)는 상기 사용자의 질의를 디바이스(1000)로부터 수신할 수 있고, 상기 질의에 대한 응답 메시지를 생성하여 디바이스(1000)로 전송할 수 있다.
일부 실시예들에서, 프로세서(2300)는 상기 통합 지식 그래프만을 이용하여 상기 질의에 대한 응답 메시지를 생성할 수 있다.
다른 실시예들에서, 프로세서(2300)는 상기 통합 지식 그래프를 이용하여, 데이터베이스 서버(3000)에 질의에 대한 응답 데이터 요청을 전송할 수 있다. 프로세서(2300)는 데이터베이스 서버(3000)로부터 응답 데이터를 수신하고, 상기 통합 지식 그래프를 이용하여, 상기 응답 데이터로부터 응답 메시지를 생성할 수 있다.
다양한 실시예들에서, 프로세서(2300)는 통합 지식 그래프에 기초하여 복수의 데이터베이스들에 포함되는 데이터들 간의 불일치(conflict)를 식별할 수 있다. 프로세서(2300)는 상기 불일치하는 데이터 필드 및 데이터 값들을 표준화하기 위한 표준화 후보를 도출할 수 있다. 프로세서(2300)는 상기 도출한 표준화 후보를 저장할 수 있다. 프로세서(2300)는 데이터베이스가 업데이트 되는 경우 및/또는 새로운 데이터베이스가 추가되는 경우, 상기 표준화 후보에 기초하여 데이터베이스가 표준에 부합하는지 판단할 수 있다. 데이터베이스가 표준에 부합하지 않는다고 판단되는 경우, 프로세서(2300)는 상기 표준화 후보에 기초하여 사용자에게 표준화 제안을 제공할 수 있다.
입력부(2400)는, 사용자가 프로세서(2300)를 제어하기 위한 데이터를 입력하는 수단을 의미한다. 예를 들어, 입력부(2400)에는 키 패드(key pad), 돔 스위치 (dome switch), 터치 패드(접촉식 정전 용량 방식, 압력식 저항막 방식, 적외선 감지 방식, 표면 초음파 전도 방식, 적분식 장력 측정 방식, 피에조 효과 방식 등), 조그 휠, 조그 스위치 등이 있을 수 있으나 이에 한정되는 것은 아니다.
다양한 실시예들에서, 입력부(2400)는, 연관 관계 후보에 대한 사용자의 피드백 입력을 수신할 수 있다.
출력부(2500)는, 오디오 신호 또는 비디오 신호 또는 진동 신호를 출력할 수 있으며, 출력부(2500)는 디스플레이부 및 음향 출력부를 포함할 수 있다.
다양한 실시예들에서, 출력부(2500)는, 연관 관계 후보에 대한 사용자의 피드백 입력 요청을 출력할 수 있다
도 16은 일부 실시예들에 따른 디바이스의 블록도이다.
도 16에 도시된 바와 같이, 일부 실시예들에 따른 디바이스(1000)는, 사용자 입력부(1100), 출력부(1200), 제어부(1300), 센싱부(1400), 통신부(1500), A/V 입력부(1600), 및 메모리(1700)를 포함할 수 있다. 그러나, 도 16에 도시된 구성 요소 모두가 디바이스(1000)의 필수 구성 요소인 것은 아니다. 도 16에 도시된 구성 요소보다 많은 구성 요소에 의해 디바이스(1000)가 구현될 수도 있고, 도 16에 도시된 구성 요소보다 적은 구성 요소에 의해 디바이스(1000)가 구현될 수도 있다.
사용자 입력부(1100)는, 사용자가 디바이스(1000)를 제어하기 위한 데이터를 입력하는 수단을 의미한다. 예를 들어, 사용자 입력부(1100)에는 키 패드(key pad), 돔 스위치 (dome switch), 터치 패드(접촉식 정전 용량 방식, 압력식 저항막 방식, 적외선 감지 방식, 표면 초음파 전도 방식, 적분식 장력 측정 방식, 피에조 효과 방식 등), 조그 휠, 조그 스위치 등이 있을 수 있으나 이에 한정되는 것은 아니다.
다양한 실시예들에서, 사용자 입력부(1100)는, 연관 관계 후보에 대한 사용자의 피드백 입력을 수신할 수 있다.
다양한 실시예들에서, 사용자 입력부(1100)는, 복수의 데이터베이스들에 대한 사용자의 질의(query) 입력을 수신할 수 있다. 사용자 입력부(1100)는 텍스트, 이미지, 또는 음성 형태로 상기 질의 입력을 수신할 수 있으나, 이에 한정되지는 아니한다.
출력부(1200)는, 오디오 신호 또는 비디오 신호 또는 진동 신호를 출력할 수 있으며, 출력부(1200)는 디스플레이부(1210), 음향 출력부(1220), 및 진동 모터(1230)를 포함할 수 있다.
디스플레이부(1210)는 디바이스(1000)에서 처리되는 정보를 표시 출력한다. 예를 들어, 디스플레이부(1210)는, 복수의 데이터베이스들에 대한 사용자의 질의(query) 입력을 수신하기 위한 인터페이스를 표시할 수 있다.
다양한 실시예들에서, 디스플레이부(1210)는, 상기 질의에 대한 응답 메시지를 출력할 수 있다.
한편, 디스플레이부(1210)와 터치패드가 레이어 구조를 이루어 터치 스크린으로 구성되는 경우, 디스플레이부(1210)는 출력 장치 이외에 입력 장치로도 사용될 수 있다.
음향 출력부(1220)는 통신부(1500)로부터 수신되거나 메모리(1700)에 저장된 오디오 데이터를 출력한다. 또한, 음향 출력부(1220)는 디바이스(1000)에서 수행되는 기능(예를 들어, 호신호 수신음, 메시지 수신음, 알림음)과 관련된 음향 신호를 출력한다. 이러한 음향 출력부(1220)에는 스피커(speaker), 버저(Buzzer) 등이 포함될 수 있다.
진동 모터(1230)는 진동 신호를 출력할 수 있다. 예를 들어, 진동 모터(1230)는 오디오 데이터 또는 비디오 데이터(예컨대, 호신호 수신음, 메시지 수신음 등)의 출력에 대응하는 진동 신호를 출력할 수 있다. 또한, 진동 모터(1230)는 터치스크린에 터치가 입력되는 경우 진동 신호를 출력할 수도 있다.
제어부(1300)는, 통상적으로 디바이스(1000)의 전반적인 동작을 제어한다. 예를 들어, 제어부(1300)는, 메모리(1700)에 저장된 프로그램들을 실행함으로써, 사용자 입력부(1100), 출력부(1200), 센싱부(1400), 통신부(1500), A/V 입력부(1600) 등을 전반적으로 제어할 수 있다. 제어부(1300)는, 사용자 입력부(1100), 출력부(1200), 센싱부(1400), 통신부(1500), A/V 입력부(1600) 등을 제어함으로써, 본 명세서에서의 디바이스(1000)의 동작을 제어할 수 있다.
구체적으로, 제어부(1300)는, 복수의 데이터베이스들에 대한 사용자의 질의(query) 입력을 수신할 수 있다. 제어부(1300)는 상기 질의 입력에 기초하여 사용자의 질의를 서버(2000)에 전송할 수 있다. 제어부(1300)는 서버(2000)로부터 상기 질의에 대한 응답 메시지를 수신하고, 상기 수신한 응답 메시지를 출력할 수 있다.
다양한 실시예들에서, 제어부(1300)는, 서버(2000)에 통합 지식 그래프를 요청하고, 서버(2000)로부터 생성된 통합 지식 그래프를 수신할 수 있다. 제어부(1300)는, 상기 수신한 통합 지식 그래프를 이용하여 사용자에게 서비스를 제공할 수 있다.
다양한 실시예들에서, 제어부(1300)는, 서버(2000)로부터 연관 관계 후보에 대한 사용자의 피드백 입력 요청을 수신할 수 있다. 제어부(1300)는 상기 연관 관계 후보에 대한 사용자의 피드백 입력을 수신하고, 상기 수신한 피드백 입력을 서버(2000)로 송신할 수 있다.
센싱부(1400)는, 디바이스(1000)의 상태 또는 디바이스(1000) 주변의 상태를 감지하고, 감지된 정보를 제어부(1300)로 전달할 수 있다.
센싱부(1400)는, 지자기 센서(Magnetic sensor)(1410), 가속도 센서(Acceleration sensor)(1420), 온/습도 센서(1430), 적외선 센서(1440), 자이로스코프 센서(1450), 위치 센서(예컨대, GPS)(1460), 기압 센서(1470), 근접 센서(1480), 및 RGB 센서(illuminance sensor)(1490) 중 적어도 하나를 포함할 수 있으나, 이에 한정되는 것은 아니다. 각 센서들의 기능은 그 명칭으로부터 당업자가 직관적으로 추론할 수 있으므로, 구체적인 설명은 생략하기로 한다.
통신부(1500)는, 서버(2000) 및 콘텐트 제공 서버(3000)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 예를 들어, 통신부(1500)는, 근거리 통신부(1510), 이동 통신부(1520), 방송 수신부(1530)를 포함할 수 있다.
근거리 통신부(short-range wireless communication unit)(1510)는, 블루투스 통신부, BLE(Bluetooth Low Energy) 통신부, 근거리 무선 통신부(Near Field Communication unit), WLAN(와이파이) 통신부, 지그비(Zigbee) 통신부, 적외선(IrDA, infrared Data Association) 통신부, WFD(Wi-Fi Direct) 통신부, UWB(ultra wideband) 통신부, Ant+ 통신부 등을 포함할 수 있으나, 이에 한정되는 것은 아니다.
이동 통신부(1520)는, 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다. 여기에서, 무선 신호는, 음성 호 신호, 화상 통화 호 신호 또는 문자/멀티미디어 메시지 송수신에 따른 다양한 형태의 데이터를 포함할 수 있다.
방송 수신부(1530)는, 방송 채널을 통하여 외부로부터 방송 신호 및/또는 방송 관련된 정보를 수신한다. 방송 채널은 위성 채널, 지상파 채널을 포함할 수 있다. 구현 예에 따라서 디바이스(1000)가 방송 수신부(1530)를 포함하지 않을 수도 있다.
다양한 실시예들에서, 통신부(2100)는, 통합 지식 그래프를 생성하기 위해 서버(2000)로부터 연관 관계 후보에 대한 사용자 피드백 요청을 수신하고, 서버(2000)에 상기 연관 관계 후보에 대한 사용자 피드백을 송신할 수 있다.
다양한 실시예들에서, 통신부(2100)는, 서버(2000)에 복수의 데이터베이스들에 대한 사용자 질의를 송신하고, 서버(2000)로부터 상기 질의에 대한 응답 메시지를 수신할 수 있다. 일 실시예에서, 통신부(2100)는, 서버(2000)에 통합 지식 그래프를 요청하고, 서버(2000)로부터 생성된 통합 지식 그래프를 수신할 수 있다.
A/V(Audio/Video) 입력부(1600)는 오디오 신호 또는 비디오 신호 입력을 위한 것으로, 이에는 카메라(1610)와 마이크로폰(1620) 등이 포함될 수 있다. 카메라(1610)는 화상 통화모드 또는 촬영 모드에서 이미지 센서를 통해 정지영상 또는 동영상 등의 화상 프레임을 얻을 수 있다. 이미지 센서를 통해 캡쳐된 이미지는 제어부(1300) 또는 별도의 이미지 처리부(미도시)를 통해 처리될 수 있다.
카메라(1610)에서 처리된 화상 프레임은 메모리(1700)에 저장되거나 통신부(1500)를 통하여 외부로 전송될 수 있다. 카메라(1610)는 단말기의 구성 태양에 따라 2개 이상이 구비될 수도 있다.
마이크로폰(1620)은, 외부의 음향 신호를 입력 받아 전기적인 음성 데이터로 처리한다. 예를 들어, 마이크로폰(1620)은 외부 디바이스 또는 화자로부터 음향 신호를 수신할 수 있다. 마이크로폰(1620)은 외부의 음향 신호를 입력 받는 과정에서 발생 되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘을 이용할 수 있다.
메모리(1700)는, 제어부(1300)의 처리 및 제어를 위한 프로그램을 저장할 수 있고, 디바이스(1000)로 입력되거나 디바이스(1000)로부터 출력되는 데이터를 저장할 수도 있다.
메모리(1700)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
메모리(1700)에 저장된 프로그램들은 그 기능에 따라 복수 개의 모듈들로 분류할 수 있는데, 예를 들어, UI 모듈(1710), 터치 스크린 모듈(1720), 알림 모듈(1730) 등으로 분류될 수 있다.
UI 모듈(1710)은, 애플리케이션 별로 디바이스(1000)와 연동되는 특화된 UI, GUI 등을 제공할 수 있다. 터치 스크린 모듈(1720)은 사용자의 터치 스크린 상의 터치 제스처를 감지하고, 터치 제스처에 관한 정보를 제어부(1300)로 전달할 수 있다. 일부 실시예들에 따른 터치 스크린 모듈(1720)은 터치 코드를 인식하고 분석할 수 있다. 터치 스크린 모듈(1720)은 컨트롤러를 포함하는 별도의 하드웨어로 구성될 수도 있다.
터치스크린의 터치 또는 근접 터치를 감지하기 위해 터치스크린의 내부 또는 근처에 다양한 센서가 구비될 수 있다. 터치스크린의 터치를 감지하기 위한 센서의 일례로 촉각 센서가 있다. 촉각 센서는 사람이 느끼는 정도로 또는 그 이상으로 특정 물체의 접촉을 감지하는 센서를 말한다. 촉각 센서는 접촉면의 거칠기, 접촉 물체의 단단함, 접촉 지점의 온도 등의 다양한 정보를 감지할 수 있다.
또한, 터치스크린의 터치를 감지하기 위한 센서의 일례로 근접 센서가 있다.
근접 센서는 소정의 검출면에 접근하는 물체, 혹은 근방에 존재하는 물체의 유무를 전자계의 힘 또는 적외선을 이용하여 기계적 접촉이 없이 검출하는 센서를 말한다. 사용자의 터치 제스처에는 탭, 터치&홀드, 더블 탭, 드래그, 패닝, 플릭, 드래그 앤드 드롭, 스와이프 등이 있을 수 있다.
알림 모듈(1730)은 디바이스(1000)의 이벤트 발생을 알리기 위한 신호를 발생할 수 있다. 알림 모듈(1730)은 디스플레이부(1210)를 통해 비디오 신호 형태로 알림 신호를 출력할 수도 있고, 음향 출력부(1220)를 통해 오디오 신호 형태로 알림 신호를 출력할 수도 있고, 진동 모터(1230)를 통해 진동 신호 형태로 알림 신호를 출력할 수도 있다.
도 17은 일부 실시예들에 따른 외부 서버의 블록도이다.
도 17에 도시된 바와 같이, 일부 실시예들에 따른 외부 서버(3000)는, 통신부(3100), 저장부(3200), 및 제어부(3300)를 포함할 수 있다. 그러나, 도 17에 도시된 구성 요소 모두가 외부 서버(3000)의 필수 구성 요소인 것은 아니다. 도 17에 도시된 구성 요소보다 많은 구성 요소에 의해 외부 서버(3000)가 구현될 수도 있고, 도 17에 도시된 구성 요소보다 적은 구성 요소에 의해 외부 서버(3000)가 구현될 수도 있다.
통신부(3100)는, 외부 서버(3000)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 예를 들어, 통신부(3100)는, 근거리 통신부, 이동 통신부, 및 방송 수신부를 포함할 수 있다.
다양한 실시예들에서, 통신부(3100)는 서버(2000)에 데이터베이스 또는 DB 지식 그래프를 송신할 수 있다.
다양한 실시예들에서, 통신부(3100)는, 서버(2000)로부터 사용자 질의에 대한 응답 데이터 요청을 수신하고 서버(2000)에 응답 데이터를 송신할 수 있다.
저장부(3200)는, 프로세서(3300)의 처리 및 제어를 위한 프로그램을 저장할 수 있고, 외부 서버(3000)로 입력되거나 외부 서버(3000)로부터 출력되는 데이터를 저장할 수 있다.
다양한 실시예들에서, 저장부(3200)는 적어도 하나의 데이터베이스를 저장할 수 있다. 일부 실시예들에서, 저장부(3200)는 상기 적어도 하나의 데이터베이스로부터 생성된 DB 지식 그래프를 저장할 수 있다.
프로세서(3300)는, 통상적으로 외부 서버(3000)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(3300)는, 저장부(3300)에 저장된 프로그램들을 실행함으로써, 통신부(3100) 및 저장부(3200) 등을 전반적으로 제어할 수 있다. 프로세서(3300)는, 통신부(3100) 및 저장부(3200) 등을 제어함으로써, 본 명세서에서의 외부 서버(3000)의 동작을 제어할 수 있다.
다양한 실시예들에서, 프로세서(3300)는, 서버(2000)에 데이터베이스를 송신할 수 있다. 프로세서(3300)는, 데이터베이스로부터 DB 지식 그래프를 생성하고, 생성된 DB 지식 그래프를 서버(2000)로 송신할 수 있다.
다양한 실시예들에서, 프로세서(3300)는 서버(2000)로부터, 사용자 질의에 대한 응답 데이터 요청을 수신할 수 있다. 프로세서(3300)는 상기 응답 데이터 요청에 따라 서버(2000)에 응답 데이터를 송신할 수 있다.
도 18은 일부 실시예들에 따른 제어부의 블록도이다.
도 18을 참조하면, 일부 실시예들에 따른 제어부(2300)는 데이터 학습부(2310) 및 데이터 인식부(2320)를 포함할 수 있다.
데이터 학습부(2310)는 통합 지식 그래프를 생성하기 위한 기준을 학습할 수 있다. 데이터 학습부(2310)는 통합 지식 그래프를 생성하기 위하여 어떤 데이터를 이용할 지, 데이터를 이용하여 통합 지식 그래프를 어떻게 생성할 지에 관한 기준을 학습할 수 있다. 데이터 학습부(2310)는 학습에 이용될 데이터를 획득하고, 획득된 데이터를 학습 모델에 적용함으로써, 통합 지식 그래프를 생성하기 위한 기준을 학습할 수 있다.
또는, 데이터 학습부(2310)는 제1 통합 지식 그래프 및 제2 통합 지식 그래프를 생성하기 위한 기준을 학습할 수 있다. 데이터 학습부(2310)는 제1 통합 지식 그래프를 생성하기 위하여 어떤 데이터를 이용할 지, 데이터를 이용하여 제1 통합 지식 그래프를 어떻게 생성할 지에 관한 기준을 학습할 수 있다. 데이터 학습부(2310)는 학습에 이용될 데이터를 획득하고, 획득된 데이터를 제1 학습 모델에 적용함으로써, 제1 통합 지식 그래프를 생성하기 위한 기준을 학습할 수 있다. 데이터 학습부(2310)는 제2 통합 지식 그래프를 생성하기 위하여 어떤 데이터를 이용할 지, 데이터를 이용하여 제2 통합 지식 그래프를 어떻게 생성할 지에 관한 기준을 학습할 수 있다. 데이터 학습부(2310)는 학습에 이용될 데이터를 획득하고, 획득된 데이터를 제2 학습 모델에 적용함으로써, 제2 통합 지식 그래프를 생성하기 위한 기준을 학습할 수 있다.
데이터 인식부(2320)는 통합 지식 그래프를 출력할 수 있다. 데이터 인식부(2320)는 학습된 학습 모델을 이용하여, 소정의 데이터로부터 통합 지식 그래프를 출력할 수 있다. 데이터 인식부(2320)는 학습에 의한 기 설정된 기준에 따라 소정의 데이터를 획득하고, 획득된 데이터를 입력 값으로 하여 학습 모델을 이용함으로써, 통합 지식 그래프를 출력할 수 있다. 또한, 획득된 데이터를 입력 값으로 하여 데이터 인식 모델에 의해 출력된 결과 값은, 학습 모델을 갱신하는데 이용될 수 있다.
또는, 데이터 인식부(2320)는 제1 통합 지식 그래프 및 제2 통합 지식 그래프를 출력할 수 있다. 데이터 인식부(2320)는 학습된 제1 학습 모델을 이용하여, 소정의 데이터로부터 제1 통합 지식 그래프를 출력할 수 있다. 데이터 인식부(2320)는 학습에 의한 기 설정된 기준에 따라 소정의 데이터를 획득하고, 획득된 데이터를 입력 값으로 하여 제1 학습 모델을 이용함으로써, 제1 통합 지식 그래프를 출력할 수 있다. 또한, 획득된 데이터를 입력 값으로 하여 데이터 인식 모델에 의해 출력된 결과 값은, 제1 학습 모델을 갱신하는데 이용될 수 있다. 데이터 인식부(2320)는 학습된 제2 학습 모델을 이용하여, 소정의 데이터로부터 제2 통합 지식 그래프를 출력할 수 있다. 데이터 인식부(2320)는 학습에 의한 기 설정된 기준에 따라 소정의 데이터를 획득하고, 획득된 데이터를 입력 값으로 하여 제2 학습 모델을 이용함으로써, 제2 통합 지식 그래프를 출력할 수 있다. 또한, 획득된 데이터를 입력 값으로 하여 데이터 인식 모델에 의해 출력된 결과 값은, 제2 학습 모델을 갱신하는데 이용될 수 있다.
데이터 학습부(2310) 및 데이터 인식부(2320) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 학습부(2310) 및 데이터 인식부(2320) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.
이 경우, 데이터 학습부(2310) 및 데이터 인식부(2320)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 학습부(2310) 및 데이터 인식부(2320) 중 하나는 전자 장치에 포함되고, 나머지 하나는 서버에 포함될 수 있다. 또한, 데이터 학습부(2310) 및 데이터 인식부(2320)는 유선 또는 무선으로 통하여, 데이터 학습부(2310)가 구축한 모델 정보를 데이터 인식부(2320)로 제공할 수도 있고, 데이터 인식부(2320)로 입력된 데이터가 추가 학습 데이터로서 데이터 학습부(2310)로 제공될 수도 있다.
한편, 데이터 학습부(2310) 및 데이터 인식부(2320) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 학습부(2310) 및 데이터 인식부(2320) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
도 19는 일부 실시예들에 따른 데이터 학습부의 블록도이다.
도 19를 참조하면, 일부 실시예들에 따른 데이터 학습부(2310)는 데이터 획득부(2310-1), 전처리부(2310-2), 학습 데이터 선택부(2310-3), 모델 학습부(2310-4) 및 모델 평가부(2310-5)를 포함할 수 있다.
데이터 획득부(2310-1)는 통합 지식 그래프의 생성을 위한 데이터를 획득할 수 있다. 데이터 획득부(2310-1)는 통합 지식 그래프의 생성을 위한 학습을 위하여 필요한 데이터를 획득할 수 있다. 예를 들어, 데이터 획득부(2310-1)는 데이터베이스 서버(3000)로부터 복수의 데이터베이스들을 수신할 수 있다. 예를 들어, 데이터 획득부(2310-1)는 상기 복수의 데이터베이스들과는 독립적인 추가 데이터를 획득할 수 있다.
전처리부(2310-2)는 통합 지식 그래프의 생성을 위한 학습에 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(2310-2)는 후술할 모델 학습부(2310-4)가 통합 지식 그래프의 생성을 위한 학습을 위하여 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다. 예를 들어, 전처리부(2310-2)는 상기 복수의 데이터베이스들에 기초한 복수의 DB 지식 그래프들을 생성할 수 있다.
학습 데이터 선택부(2310-3)는 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 모델 학습부(2310-4)에 제공될 수 있다. 학습 데이터 선택부(2310-3)는 통합 지식 그래프의 생성을 위한 기 설정된 기준에 따라, 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 또한, 학습 데이터 선택부(2310-3)는 후술할 모델 학습부(2310-4)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.
모델 학습부(2310-4)는 학습 데이터에 기초하여 통합 지식 그래프의 생성을 어떻게 수행할 지에 관한 기준을 학습할 수 있다. 또한, 모델 학습부(2310-4)는 통합 지식 그래프의 생성을 위하여 어떤 학습 데이터를 이용해야 하는 지에 대한 기준을 학습할 수도 있다.
또한, 모델 학습부(2310-4)는 통합 지식 그래프의 생성에 이용되는 학습 모델을 학습 데이터를 이용하여 학습시킬 수 있다. 이 경우, 학습 모델은 미리 구축된 모델일 수 있다. 예를 들어, 학습 모델은 기본 학습 데이터를 입력 받아 미리 구축된 모델일 수 있다.
또는, 모델 학습부(1310-4)는 학습 모델을 생성하고, 생성된 학습 모델을 학습시킬 수도 있다. 또한, 학습 모델은, 복수의 학습 모델을 포함할 수 있다. 예를 들어, 학습 모델은, 복수의 데이터베이스들을 구성하는 데이터 필드들 간의 연관 관계를 결정하기 위한 제1 학습 모델 및 복수의 데이터베이스들에 포함된 데이터 값들 간의 연관 관계를 결정하기 위한 제2 학습 모델을 포함할 수 있다.
학습 모델은, 인식 모델의 적용 분야, 학습의 목적 또는 장치의 컴퓨터 성능 등을 고려하여 구축될 수 있다. 학습 모델은, 예를 들어, 신경망(Neural Network)을 기반으로 하는 모델일 수 있다. 예컨대, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network)과 같은 모델이 학습 모델로서 사용될 수 있으나, 이에 한정되지 않는다.
다양한 실시예들에서, 모델 학습부(2310-4)는 미리 구축된 학습 모델이 각각 복수 개가 존재하는 경우, 입력된 학습 데이터와 기본 학습 데이터의 관련성이 큰 학습 모델을 선택할 수 있다. 이 경우, 기본 학습 데이터는 데이터의 타입 별로 기 분류되어 있을 수 있으며, 학습 모델은 데이터의 타입 별로 미리 구축되어 있을 수 있다. 예를 들어, 기본 학습 데이터는 학습 데이터가 생성된 지역, 학습 데이터가 생성된 시간, 학습 데이터의 크기, 학습 데이터의 장르, 학습 데이터의 생성자, 학습 데이터 내의 오브젝트의 종류 등과 같은 다양한 기준으로 기 분류되어 있을 수 있다.
또한, 모델 학습부(2310-4)는, 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient descent)을 포함하는 학습 알고리즘 등을 이용하여 데이터 인식 모델을 학습시킬 수 있으나, 이에 제한되지 않는다.
또한, 모델 학습부(2310-4)는, 예를 들어, 학습 데이터를 입력 값으로 하는 지도 학습(supervised learning) 을 통하여, 학습 모델을 학습시킬 수 있다. 또한, 모델 학습부(2310-4)는, 예를 들어, 별다른 지도없이 필요한 데이터의 종류를 스스로 학습하는 비지도 학습(unsupervised learning)을 통하여, 학습 모델을 학습시킬 수 있다. 또한, 모델 학습부(2310-4)는, 예를 들어, 학습에 따른 출력 결과가 올바른 지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, 학습 모델을 학습시킬 수 있다.
예를 들어, 모델 학습부(2310-4)는 복수의 DB 지식 그래프들에 포함되는 클래스들 중 서로 연관 관계가 있다고 판단되는 복수의 클래스들, 또는 복수의 DB 지식 그래프들에 포함되는 인스턴스들 중 서로 연관 관계가 있다고 판단되는 복수의 인스턴스들을 연관 관계 후보로 결정하고, 상기 연관 관계 후보에 대한 사용자의 피드백 입력을 요청할 수 있다. 모델 학습부(2310-4)는 상기 연관 관계 후보에 대한 사용자의 피드백 입력을 기초로 상기 학습 모델을 학습시킬 수 있다.
또한, 학습 모델이 학습되면, 모델 학습부(2310-4)는 학습된 학습 모델을 저장할 수 있다. 이 경우, 모델 학습부(2310-4)는 학습된 학습 모델을 데이터 인식부(2320)를 포함하는 전자 장치의 메모리에 저장할 수 있다. 또는, 모델 학습부(2310-4)는 학습된 학습 모델을 후술할 데이터 인식부(2320)를 포함하는 전자 장치의 메모리에 저장할 수 있다. 또는, 모델 학습부(2310-4)는 학습된 학습 모델을 전자 장치와 유선 또는 무선 네트워크로 연결되는 서버의 메모리에 저장할 수도 있다.
이 경우, 학습된 학습 모델이 저장되는 메모리는, 예를 들면, 전자 장치의 적어도 하나의 다른 구성요소에 관계된 명령 또는 데이터를 함께 저장할 수도 있다. 또한, 메모리는 소프트웨어 및/또는 프로그램을 저장할 수도 있다. 프로그램은, 예를 들면, 커널, 미들웨어, 어플리케이션 프로그래밍 인터페이스(API) 및/또는 어플리케이션 프로그램(또는 "어플리케이션") 등을 포함할 수 있다.
모델 평가부(2310-5)는 학습 모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(2310-4)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 학습 모델을 평가하기 위한 기 설정된 데이터일 수 있다.
한편, 데이터 학습부(2310) 내의 데이터 획득부(2310-1), 전처리부(2310-2), 학습 데이터 선택부(2310-3), 모델 학습부(2310-4) 및 모델 평가부(2310-5) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(2310-1), 전처리부(2310-2), 학습 데이터 선택부(2310-3), 모델 학습부(2310-4) 및 모델 평가부(2310-5) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.
또한, 데이터 획득부(2310-1), 전처리부(2310-2), 학습 데이터 선택부(2310-3), 모델 학습부(2310-4) 및 모델 평가부(2310-5)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(2310-1), 전처리부(2310-2), 학습 데이터 선택부(2310-3), 모델 학습부(2310-4) 및 모델 평가부(2310-5) 중 일부는 전자 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.
또한, 데이터 획득부(2310-1), 전처리부(2310-2), 학습 데이터 선택부(2310-3), 모델 학습부(2310-4) 및 모델 평가부(2310-5) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(2310-1), 전처리부(2310-2), 학습 데이터 선택부(2310-3), 모델 학습부(2310-4) 및 모델 평가부(2310-5) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
도 20은 일부 실시예들에 따른 데이터 인식부의 블록도이다.
도 20을 참조하면, 일부 실시예들에 따른 데이터 인식부(2320)는 데이터 획득부(2320-1), 전처리부(2320-2), 인식 데이터 선택부(2320-3), 인식 결과 제공부(2320-4) 및 모델 갱신부(2320-5)를 포함할 수 있다.
데이터 획득부(2320-1)는 통합 지식 그래프의 생성을 위한 데이터를 획득할 수 있으며, 전처리부(2320-2)는 통합 지식 그래프의 생성을 위해, 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 전처리부(2320-2)는 인식 결과 제공부(2320-4)가 통합 지식 그래프의 생성을 위하여, 획득된 데이터를 이용할 수 있도록, 획득된 데이터를 기 설정된 포맷으로 가공할 수 있다. 예를 들어, 데이터 획득부(2320-1)는 데이터베이스 서버(3000)로부터 복수의 데이터베이스들을 수신할 수 있고, 전처리부(2320-2)는 상기 복수의 데이터베이스들에 기초한 복수의 DB 지식 그래프들을 생성할 수 있다.
인식 데이터 선택부(2320-3)는 전처리된 데이터 중에서 통합 지식 그래프의 생성에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 인식 결과 제공부(2320-4)에게 제공될 수 있다. 인식 데이터 선택부(2320-3)는 통합 지식 그래프의 생성을 위한 기 설정된 기준에 따라, 전처리된 데이터 중에서 일부 또는 전부를 선택할 수 있다. 또한, 인식 데이터 선택부(2320-3)는 후술할 모델 학습부(2310-4)에 의한 학습에 의해 기 설정된 기준에 따라 데이터를 선택할 수도 있다.
인식 결과 제공부(2320-4)는 선택된 데이터를 데이터 인식 모델에 적용하여 통합 지식 그래프의 생성을 수행할 수 있다. 인식 결과 제공부(2320-4)는 인식 데이터 선택부(2320-3)에 의해 선택된 데이터를 입력 값으로 이용함으로써, 선택된 데이터를 학습 모델에 적용할 수 있다. 또한, 통합 지식 그래프의 생성은 학습 모델에 의해 수행될 수 있다.
예를 들어, 학습 모델은 제1 학습 모델 및 제2 학습 모델을 포함할 수 있다. 또한 예를 들어, 통합 지식 그래프는 제1 학습 모델로부터 생성되는 제1 통합 지식 그래프와 제2 학습 모델로부터 생성되는 제2 통합 지식 그래프에 기초하여 생성될 수 있다.
모델 갱신부(2320-5)는 인식 결과 제공부(2320-4)에 의해 제공되는 출력 값에 대한 평가에 기초하여, 데이터 인식 모델이 갱신되도록 할 수 있다. 예를 들어, 모델 갱신부(2320-5)는 인식 결과 제공부(2320-4)에 의해 제공되는 출력 결과를 모델 학습부(2310-4)에게 제공함으로써, 모델 학습부(2310-4)가 데이터 인식 모델을 갱신하도록 할 수 있다.
한편, 데이터 인식부(2320) 내의 데이터 획득부(2320-1), 전처리부(2320-2), 인식 데이터 선택부(2320-3), 인식 결과 제공부(2320-4) 및 모델 갱신부(2320-5) 중 적어도 하나는, 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치에 탑재될 수 있다. 예를 들어, 데이터 획득부(2320-1), 전처리부(2320-2), 인식 데이터 선택부(2320-3), 인식 결과 제공부(2320-4) 및 모델 갱신부(2320-5) 중 적어도 하나는 인공 지능(AI; artificial intelligence)을 위한 전용 하드웨어 칩 형태로 제작될 수도 있고, 또는 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.
또한, 데이터 획득부(2320-1), 전처리부(2320-2), 인식 데이터 선택부(2320-3), 인식 결과 제공부(2320-4) 및 모델 갱신부(2320-5)는 하나의 전자 장치에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 데이터 획득부(2320-1), 전처리부(2320-2), 인식 데이터 선택부(2320-3), 인식 결과 제공부(2320-4) 및 모델 갱신부(2320-5) 중 일부는 전자 장치에 포함되고, 나머지 일부는 서버에 포함될 수 있다.
또한, 데이터 획득부(2320-1), 전처리부(2320-2), 인식 데이터 선택부(2320-3), 인식 결과 제공부(2320-4) 및 모델 갱신부(2320-5) 중 적어도 하나는 소프트웨어 모듈로 구현될 수 있다. 데이터 획득부(2320-1), 전처리부(2320-2), 인식 데이터 선택부(2320-3), 인식 결과 제공부(2320-4) 및 모델 갱신부(2320-5) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 또한, 이 경우, 적어도 하나의 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 적어도 하나의 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
일부 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체 및 통신 매체를 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다. 통신 매체는 전형적으로 컴퓨터 판독가능 명령어, 데이터 구조, 또는 프로그램 모듈과 같은 변조된 데이터 신호의 기타 데이터를 포함할 수 있다.
또한, 본 명세서에서, "부"는 프로세서 또는 회로와 같은 하드웨어 구성(hardware component), 및/또는 프로세서와 같은 하드웨어 구성에 의해 실행되는 소프트웨어 구성(software component)일 수 있다.
전술한 본 개시의 설명은 예시를 위한 것이며, 본 개시가 속하는 기술분야의 통상의 지식을 가진 자는 본 개시의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 개시의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 개시의 범위에 포함되는 것으로 해석되어야 한다.
Claims (20)
- 서버가 복수의 데이터베이스들을 통합 관리하는 방법에 있어서,
서로 다른 구조를 가지는 복수의 데이터베이스(DB)들로부터 생성된 복수의 DB 지식 그래프들을 획득하는 동작;
상기 복수의 DB 지식 그래프들을, 상기 복수의 DB 내의 데이터 간의 연관 관계를 결정하기 위한 데이터베이스 학습 모델에 입력하는 동작; 및
상기 데이터베이스 학습 모델로부터 출력되는, 상기 복수의 DB 지식 그래프들로부터 추출된 연관 관계에 관한 정보를 포함하는 가상의 통합 지식 그래프를 획득하는 동작;
을 포함하는, 방법.
- 제1항에 있어서, 상기 학습 모델은, 인공 지능 알고리즘으로서, 기계학습, 신경망, 유전자, 딥러닝, 분류 알고리즘 중 적어도 하나를 이용하여 학습된 학습 모델인 것인, 방법.
- 제1항에 있어서,
상기 복수의 DB 지식 그래프들은,
상기 복수의 데이터베이스들을 구성하는 데이터 필드(field)들에 대응되는 클래스(class)들; 및
상기 복수의 데이터베이스들에 포함된 데이터 값(value)들에 대응되는 인스턴스(instance)들; 을 포함하는 것을 특징으로 하는, 방법.
- 제3항에 있어서,
상기 통합 지식 그래프를 획득하는 동작은,
상기 복수의 DB 지식 그래프들을, 상기 클래스들 간의 연관 관계를 결정하기 위한 제1 학습 모델에 입력함으로써, 제1 통합 지식 그래프를 획득하는 동작; 및
상기 복수의 DB 지식 그래프들 및 상기 제1 통합 지식 그래프를 상기 인스턴스들 간의 연관 관계를 결정하기 위한 제2 학습 모델에 입력함으로써, 제2 통합 지식 그래프를 획득하는 동작;
을 포함하는, 방법.
- 제4항에 있어서, 상기 제1 통합 지식 그래프는, 상기 복수의 데이터베이스들 중 제1 데이터베이스를 구성하는 데이터 필드에 대응되는 제1 클래스, 및 상기 복수의 데이터베이스들 중 제2 데이터베이스를 구성하는 데이터 필드에 대응되는 제2 클래스 간의 연관 관계에 관한 정보를 포함하고,
상기 제2 통합 지식 그래프는, 상기 제1 클래스에 속한 인스턴스들과 상기 제2 클래스에 속한 인스턴스들 간의 연관 관계에 관한 정보를 포함하는, 방법.
- 제5항에 있어서, 상기 제1 클래스, 상기 제2 클래스, 상기 제1 클래스에 속한 인스턴스들, 및 상기 제2 클래스에 속한 인스턴스들 간의 매핑 규칙을 획득하는 동작을 더 포함하는, 방법.
- 제4항에 있어서, 상기 클래스들 간의 연관 관계는, 상기 클래스들의 타입에 기초하여 판단되고, 상기 타입은 상기 클래스의 하위 속성(attribute) 또는 상기 클래스에 속한 인스턴스 값들의 통계적 분포에 기초하여 식별되는 것인, 방법.
- 제3항에 있어서, 상기 통합 지식 그래프를 획득하는 동작은,
상기 학습 모델을 이용하여, 상기 클래스들 중 서로 연관 관계가 있다고 판단되는 복수의 클래스들, 또는 상기 인스턴스들 중 서로 연관 관계가 있다고 판단되는 복수의 인스턴스들을 연관 관계 후보로 결정하는 동작;
상기 연관 관계 후보에 대한 사용자의 피드백 입력을 수신하는 동작; 및
상기 연관 관계 후보에 대한 사용자의 피드백 입력을 기초로 상기 학습 모델을 업데이트하는 동작;
을 포함하는, 방법.
- 제1항에 있어서,
상기 복수의 데이터베이스들이 업데이트되는 경우, 상기 통합 지식 그래프 및 상기 업데이트된 복수의 데이터베이스들로부터 생성된 업데이트된 복수의 DB 지식 그래프들을 상기 학습 모델에 입력함으로써, 업데이트된 통합 지식 그래프를 획득하는 동작을 더 포함하는 방법.
- 제1항에 있어서,
상기 통합 지식 그래프를 저장하는 동작을 더 포함하는 방법.
- 제1항에 있어서,
상기 통합 지식 그래프에 기초하여, 상기 복수의 데이터베이스들에 대한 사용자의 질의에 응답하는 동작을 더 포함하는 방법.
- 제1항에 있어서,
상기 통합 지식 그래프에 포함되는 클래스들 및 인스턴스들 중 서로 동일 관계이나 값 또는 형식이 불일치하는 클래스들 또는 인스턴스들을 식별하는 동작; 및
상기 통합 지식 그래프에 기초하여, 상기 불일치하는 클래스들 또는 인스턴스들에 대응하는 데이터 필드들 및 데이터 값들을 표준화하기 위한 표준화 후보를 도출하는 동작;
을 더 포함하는 방법.
- 지식 그래프에 기초하여 복수의 데이터베이스들을 통합 관리하는 서버에 있어서,
하나 이상의 인스트럭션을 저장하는 메모리; 및
상기 하나 이상의 인스트럭션을 실행하는 프로세서;
를 포함하며,
상기 프로세서는,
각각 서로 다른 구조를 가지는 복수의 데이터베이스(DB)들로부터 생성된 복수의 DB 지식 그래프들을 획득하고,
복수의 DB 지식 그래프들을, 상기 복수의 DB 내의 데이터 간의 연관 관계를 결정하기 위한 데이터베이스 학습 모델에 입력하고,
상기 데이터베이스 학습 모델로부터 출력되는, 상기 복수의 DB 지식 그래프들로부터 추출된 연관 관계에 관한 정보를 포함하는 통합 지식 그래프를 획득하도록 설정되는, 서버.
- 제13항에 있어서, 상기 학습 모델은, 인공 지능 알고리즘으로서, 기계학습, 신경망, 유전자, 딥러닝, 분류 알고리즘 중 적어도 하나를 이용하여 학습된 학습 모델인 것인, 서버.
- 제13항에 있어서,
상기 복수의 DB 지식 그래프들은,
상기 복수의 데이터베이스들을 구성하는 데이터 필드(field)들에 대응되는 클래스들; 및
상기 복수의 데이터베이스들에 포함된 데이터 값(value)들에 대응되는 인스턴스들; 을 포함하는 것을 특징으로 하는, 서버.
- 제15항에 있어서, 상기 프로세서는,
상기 복수의 DB 지식 그래프들을, 상기 클래스들 간의 연관 관계를 결정하기 위한 제1 학습 모델에 입력함으로써, 제1 통합 지식 그래프를 획득하고,
상기 복수의 DB 지식 그래프들 및 상기 제1 통합 지식 그래프를 상기 인스턴스들 간의 연관 관계를 결정하기 위한 제2 학습 모델에 입력함으로써, 제2 통합 지식 그래프를 획득하도록 더 설정되는, 서버.
- 제16항에 있어서, 상기 제1 통합 지식 그래프는, 상기 복수의 데이터베이스들 중 제1 데이터베이스를 구성하는 데이터 필드에 대응되는 제1 클래스, 및 상기 복수의 데이터베이스들 중 제2 데이터베이스를 구성하는 데이터 필드에 대응되는 제2 클래스 간의 연관 관계에 관한 정보를 포함하고,
상기 제2 통합 지식 그래프는, 상기 제1 클래스에 속한 인스턴스들과 상기 제2 클래스에 속한 인스턴스들 간의 연관 관계에 관한 정보를 포함하는, 서버.
- 제15항에 있어서, 상기 프로세서는,
상기 학습 모델을 이용하여, 상기 클래스들 중 서로 연관 관계가 있다고 판단되는 복수의 클래스들, 또는 상기 인스턴스들 중 서로 연관 관계가 있다고 판단되는 복수의 인스턴스들을 연관 관계 후보로 결정하고,
상기 연관 관계 후보에 대한 사용자의 피드백 입력을 수신하고,
상기 연관 관계 후보에 대한 사용자의 피드백 입력을 기초로 상기 학습 모델을 학습시키도록 더 설정되는, 서버.
- 제13항에 있어서, 상기 프로세서는, 상기 복수의 데이터베이스들이 업데이트되는 경우, 상기 통합 지식 그래프 및 상기 업데이트된 복수의 데이터베이스들로부터 생성된 업데이트된 복수의 DB 지식 그래프들을 상기 학습 모델에 입력함으로써, 업데이트된 통합 지식 그래프를 획득하도록 더 설정되는, 서버.
- 각각 서로 다른 구조를 가지는 복수의 데이터베이스(DB)들로부터 생성된 복수의 DB 지식 그래프들을 획득하는 동작;
상기 복수의 DB 지식 그래프들을, 상기 복수의 DB 내의 데이터 간의 연관 관계를 결정하기 위한 데이터베이스 학습 모델에 입력하는 동작; 및
상기 데이터베이스 학습 모델로부터 출력되는, 상기 복수의 DB 지식 그래프들로부터 추출된 연관 관계에 관한 정보를 포함하는 통합 지식 그래프를 획득하는 동작;
을 수행하도록 하는 프로그램이 저장된 기록매체를 포함하는 컴퓨터 프로그램 제품.
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180131110A KR20200052448A (ko) | 2018-10-30 | 2018-10-30 | 지식 그래프에 기초하여 데이터베이스들을 통합하는 시스템 및 방법 |
| PCT/KR2019/011267 WO2020091210A1 (en) | 2018-10-30 | 2019-09-02 | System and method of integrating databases based on knowledge graph |
| US16/558,993 US11507851B2 (en) | 2018-10-30 | 2019-09-03 | System and method of integrating databases based on knowledge graph |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020180131110A KR20200052448A (ko) | 2018-10-30 | 2018-10-30 | 지식 그래프에 기초하여 데이터베이스들을 통합하는 시스템 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20200052448A true KR20200052448A (ko) | 2020-05-15 |
Family
ID=70327038
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020180131110A KR20200052448A (ko) | 2018-10-30 | 2018-10-30 | 지식 그래프에 기초하여 데이터베이스들을 통합하는 시스템 및 방법 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US11507851B2 (ko) |
| KR (1) | KR20200052448A (ko) |
| WO (1) | WO2020091210A1 (ko) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112925723A (zh) * | 2021-04-02 | 2021-06-08 | 上海复深蓝软件股份有限公司 | 测试服务推荐方法、装置、计算机设备及存储介质 |
| WO2022005140A1 (ko) * | 2020-06-30 | 2022-01-06 | 카페24 주식회사 | 통합 고객 식별자 생성을 기반으로 하는 고객 빅데이터 구축 방법, 장치 및 시스템 |
| WO2022025527A1 (ko) * | 2020-07-29 | 2022-02-03 | 삼성전자 주식회사 | 서비스의 제공을 위한 지식 그래프를 수정하는 시스템 및 방법 |
| KR102380518B1 (ko) * | 2021-06-22 | 2022-04-01 | 한국과학기술정보연구원 | 이종 데이터 통합 서비스 방법 및 이종 데이터 통합 서비스 시스템 |
| KR102391885B1 (ko) * | 2020-11-13 | 2022-04-28 | 한국과학기술정보연구원 | 이종분류체계연계장치 및 그 동작 방법 |
| KR20220066615A (ko) * | 2020-11-16 | 2022-05-24 | 이현주 | 온톨로지에 기초한 데이터베이스 구축 방법, 이를 이용한 사용자 질의 응답 방법, 및 그 방법들이 구현된 시스템 |
| KR20220066554A (ko) * | 2020-11-16 | 2022-05-24 | 주식회사 포티투마루 | Qa 모델을 이용하여 지식 그래프를 구축하는 방법, 장치 및 컴퓨터 프로그램 |
| KR102422325B1 (ko) * | 2021-10-28 | 2022-07-19 | 한국과학기술정보연구원 | 지식 그래프 관리 방법 및 장치 |
| KR102522089B1 (ko) * | 2022-02-04 | 2023-04-14 | 주식회사 에스투더블유 | 분산 그래프를 이용하여 통합 그래프 생성하는 방법 |
| KR102519094B1 (ko) * | 2022-10-18 | 2023-04-14 | 주식회사 페블러스 | 합성 데이터 생성을 위한 가상 환경을 제공하는 전자 장치, 전자 장치의 동작 방법 및 전자 장치를 포함하는 시스템 |
| WO2024085552A1 (ko) * | 2022-10-18 | 2024-04-25 | 주식회사 페블러스 | 합성 데이터 생성을 위한 가상 환경을 제공하는 전자 장치, 전자 장치의 동작 방법 및 전자 장치를 포함하는 시스템 |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10943172B1 (en) * | 2020-11-05 | 2021-03-09 | Birdview Films, LLC | Real-time predictive knowledge pattern machine |
| CN112925916A (zh) * | 2021-01-27 | 2021-06-08 | 北京一帆新媒网络科技有限公司 | 基于nlp和知识图谱的机器学习训练架构设计方法 |
| US11966485B2 (en) * | 2021-06-09 | 2024-04-23 | Microsoft Technology Licensing, Llc | Property-level visibilities for knowledge-graph objects |
| CN113342938B (zh) * | 2021-06-21 | 2024-03-08 | 南京农业大学 | 一种结合知识图谱的玉米选种与精准播种决策方法 |
| US12026203B1 (en) * | 2022-09-26 | 2024-07-02 | Amazon Technologies, Inc. | Knowledge graph alignment |
| CN117235929B (zh) * | 2023-09-26 | 2024-06-04 | 中国科学院沈阳自动化研究所 | 基于知识图谱和机器学习的三维cad生成式设计方法 |
Family Cites Families (30)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10303999B2 (en) * | 2011-02-22 | 2019-05-28 | Refinitiv Us Organization Llc | Machine learning-based relationship association and related discovery and search engines |
| KR101226162B1 (ko) * | 2012-07-30 | 2013-01-24 | 한국과학기술정보연구원 | 온톨로지 데이터를 그래프 데이터로 변환하기 위한 방법 및 그 장치 |
| CN105431839A (zh) * | 2013-03-15 | 2016-03-23 | 罗伯特·哈多克 | 具有提供对知识的一步访问的自适应用户接口的智能互联网*** |
| US20150095303A1 (en) * | 2013-09-27 | 2015-04-02 | Futurewei Technologies, Inc. | Knowledge Graph Generator Enabled by Diagonal Search |
| US9542412B2 (en) | 2014-03-28 | 2017-01-10 | Tamr, Inc. | Method and system for large scale data curation |
| US10402453B2 (en) * | 2014-06-27 | 2019-09-03 | Nuance Communications, Inc. | Utilizing large-scale knowledge graphs to support inference at scale and explanation generation |
| US9507824B2 (en) * | 2014-08-22 | 2016-11-29 | Attivio Inc. | Automated creation of join graphs for unrelated data sets among relational databases |
| US20160098645A1 (en) * | 2014-10-02 | 2016-04-07 | Microsoft Corporation | High-precision limited supervision relationship extractor |
| US9953081B2 (en) * | 2015-02-26 | 2018-04-24 | Accenture Global Services Limited | System for linking diverse data systems |
| US10078651B2 (en) * | 2015-04-27 | 2018-09-18 | Rovi Guides, Inc. | Systems and methods for updating a knowledge graph through user input |
| US10198491B1 (en) * | 2015-07-06 | 2019-02-05 | Google Llc | Computerized systems and methods for extracting and storing information regarding entities |
| US10102291B1 (en) * | 2015-07-06 | 2018-10-16 | Google Llc | Computerized systems and methods for building knowledge bases using context clouds |
| US10628490B2 (en) * | 2015-11-05 | 2020-04-21 | Microsoft Technology Licensing, Llc | Techniques for digital entity correlation |
| US10031967B2 (en) * | 2016-02-29 | 2018-07-24 | Rovi Guides, Inc. | Systems and methods for using a trained model for determining whether a query comprising multiple segments relates to an individual query or several queries |
| US11507629B2 (en) * | 2016-10-28 | 2022-11-22 | Parexel International, Llc | Dataset networking and database modeling |
| US10997244B2 (en) * | 2017-07-14 | 2021-05-04 | Phylot Inc. | Method and system for identifying and discovering relationships between disparate datasets from multiple sources |
| US10534362B2 (en) * | 2017-08-17 | 2020-01-14 | International Business Machines Corporation | Drone captcha |
| US10783185B2 (en) * | 2017-08-30 | 2020-09-22 | Pearson Education, Inc. | System and method for automated hybrid sequencing database generation |
| AU2018241092B2 (en) * | 2017-10-04 | 2019-11-21 | Accenture Global Solutions Limited | Knowledge enabled data management system |
| US10990988B1 (en) * | 2017-12-29 | 2021-04-27 | Intuit Inc. | Finding business similarities between entities using machine learning |
| US10803394B2 (en) * | 2018-03-16 | 2020-10-13 | Accenture Global Solutions Limited | Integrated monitoring and communications system using knowledge graph based explanatory equipment management |
| US10963743B2 (en) * | 2018-06-01 | 2021-03-30 | Accenture Global Solutions Limited | Machine learning with small data sets |
| US10915820B2 (en) * | 2018-08-09 | 2021-02-09 | Accenture Global Solutions Limited | Generating data associated with underrepresented data based on a received data input |
| US20200097601A1 (en) * | 2018-09-26 | 2020-03-26 | Accenture Global Solutions Limited | Identification of an entity representation in unstructured data |
| KR20200042739A (ko) * | 2018-10-16 | 2020-04-24 | 삼성전자주식회사 | 지식 그래프에 기초하여 콘텐트를 제공하는 시스템 및 방법 |
| US20200117737A1 (en) * | 2018-10-16 | 2020-04-16 | LeapAnalysis Inc. | Fast heterogeneous multi-data source search and analytics |
| KR102669026B1 (ko) * | 2018-10-26 | 2024-05-27 | 삼성전자주식회사 | 전자 장치 및 이의 제어 방법 |
| US11308104B2 (en) * | 2020-06-25 | 2022-04-19 | Microsoft Technology Licensing, Llc | Knowledge graph-based lineage tracking |
| US11875390B2 (en) * | 2020-11-03 | 2024-01-16 | Ebay Inc. | Computer search engine ranking for accessory and sub-accessory requests systems, methods, and manufactures |
| US20220156599A1 (en) * | 2020-11-19 | 2022-05-19 | Accenture Global Solutions Limited | Generating hypothesis candidates associated with an incomplete knowledge graph |
-
2018
- 2018-10-30 KR KR1020180131110A patent/KR20200052448A/ko not_active Application Discontinuation
-
2019
- 2019-09-02 WO PCT/KR2019/011267 patent/WO2020091210A1/en active Application Filing
- 2019-09-03 US US16/558,993 patent/US11507851B2/en active Active
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022005140A1 (ko) * | 2020-06-30 | 2022-01-06 | 카페24 주식회사 | 통합 고객 식별자 생성을 기반으로 하는 고객 빅데이터 구축 방법, 장치 및 시스템 |
| WO2022025527A1 (ko) * | 2020-07-29 | 2022-02-03 | 삼성전자 주식회사 | 서비스의 제공을 위한 지식 그래프를 수정하는 시스템 및 방법 |
| KR102391885B1 (ko) * | 2020-11-13 | 2022-04-28 | 한국과학기술정보연구원 | 이종분류체계연계장치 및 그 동작 방법 |
| KR20220066554A (ko) * | 2020-11-16 | 2022-05-24 | 주식회사 포티투마루 | Qa 모델을 이용하여 지식 그래프를 구축하는 방법, 장치 및 컴퓨터 프로그램 |
| KR20220066615A (ko) * | 2020-11-16 | 2022-05-24 | 이현주 | 온톨로지에 기초한 데이터베이스 구축 방법, 이를 이용한 사용자 질의 응답 방법, 및 그 방법들이 구현된 시스템 |
| CN112925723B (zh) * | 2021-04-02 | 2022-03-15 | 上海复深蓝软件股份有限公司 | 测试服务推荐方法、装置、计算机设备及存储介质 |
| CN112925723A (zh) * | 2021-04-02 | 2021-06-08 | 上海复深蓝软件股份有限公司 | 测试服务推荐方法、装置、计算机设备及存储介质 |
| KR102380518B1 (ko) * | 2021-06-22 | 2022-04-01 | 한국과학기술정보연구원 | 이종 데이터 통합 서비스 방법 및 이종 데이터 통합 서비스 시스템 |
| KR102422325B1 (ko) * | 2021-10-28 | 2022-07-19 | 한국과학기술정보연구원 | 지식 그래프 관리 방법 및 장치 |
| KR102522089B1 (ko) * | 2022-02-04 | 2023-04-14 | 주식회사 에스투더블유 | 분산 그래프를 이용하여 통합 그래프 생성하는 방법 |
| US12001482B2 (en) | 2022-02-04 | 2024-06-04 | S2W Inc. | Method of generating integrated graph using distributed graph |
| KR102519094B1 (ko) * | 2022-10-18 | 2023-04-14 | 주식회사 페블러스 | 합성 데이터 생성을 위한 가상 환경을 제공하는 전자 장치, 전자 장치의 동작 방법 및 전자 장치를 포함하는 시스템 |
| WO2024085552A1 (ko) * | 2022-10-18 | 2024-04-25 | 주식회사 페블러스 | 합성 데이터 생성을 위한 가상 환경을 제공하는 전자 장치, 전자 장치의 동작 방법 및 전자 장치를 포함하는 시스템 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20200134477A1 (en) | 2020-04-30 |
| US11507851B2 (en) | 2022-11-22 |
| WO2020091210A1 (en) | 2020-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11507851B2 (en) | System and method of integrating databases based on knowledge graph | |
| US11170201B2 (en) | Method and apparatus for recognizing object | |
| KR102428920B1 (ko) | 전자 장치 및 그 동작 방법 | |
| US20200118010A1 (en) | System and method for providing content based on knowledge graph | |
| KR102556492B1 (ko) | 텍스트와 연관된 이미지 제공 방법 및 이를 위한 전자 장치 | |
| KR20180055708A (ko) | 이미지를 처리하는 전자 장치 및 방법 | |
| KR20190016367A (ko) | 객체를 인식하는 방법 및 장치 | |
| KR102606287B1 (ko) | 애플리케이션의 번역 정보를 제공하는 디바이스 및 방법 | |
| US20190228294A1 (en) | Method and system for processing neural network model using plurality of electronic devices | |
| KR20190107621A (ko) | 상황 인식에 기반한 어플리케이션 추천을 위한 장치 및 제어 방법 | |
| KR102628042B1 (ko) | 연락처 정보를 추천하는 방법 및 디바이스 | |
| KR20190117837A (ko) | 사용자 입력에 대한 답변 메시지를 제공하는 디바이스 및 방법 | |
| US20230036080A1 (en) | Device and method for providing recommended words for character input | |
| KR102430567B1 (ko) | 텍스트와 연관된 이미지 제공 방법 및 이를 위한 전자 장치 | |
| CN114514517A (zh) | 用于基于知识图谱来提供内容的方法和装置 | |
| US11106913B2 (en) | Method and electronic device for providing object recognition result | |
| KR20200085143A (ko) | 외부 장치를 등록하는 대화형 제어 시스템 및 방법 | |
| US20200202068A1 (en) | Computing apparatus and information input method of the computing apparatus | |
| KR102630820B1 (ko) | 메신저 피싱 또는 보이스 피싱을 감지하는 전자 장치 및 그 동작 방법 | |
| KR102423754B1 (ko) | 디바이스 사용 문의에 대한 응답을 제공하는 디바이스 및 방법 | |
| KR102464906B1 (ko) | 패션 상품을 추천하는 전자 장치, 서버 및 그 동작 방법 | |
| US11531912B2 (en) | Electronic apparatus and server for refining artificial intelligence model, and method of refining artificial intelligence model | |
| US20210004702A1 (en) | System and method for generating information for interaction with a user | |
| US20200327451A1 (en) | Electronic apparatus and server for refining artificial intelligence model, and method of refining artificial intelligence model | |
| US11961512B2 (en) | System and method for providing voice assistance service |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal |