맨위로가기

시맨틱 네트워크

"오늘의AI위키"는 AI 기술로 일관성 있고 체계적인 최신 지식을 제공하는 혁신 플랫폼입니다.
"오늘의AI위키"의 AI를 통해 더욱 풍부하고 폭넓은 지식 경험을 누리세요.
목차

1. 개요

시맨틱 네트워크는 개념 간의 관계를 표현하는 데 사용되는 지식 표현 방법이다. 1956년 자연어 기계 번역을 위해 처음 구현되었으며, 이후 인공지능, 언어학, 정보 검색 등 다양한 분야에서 활용되어 왔다. 시맨틱 네트워크는 노드와 링크로 구성되며, 다양한 의미 관계와 연상 관계를 통해 지식을 구조화한다. 이러한 구조는 복잡한 분류나 인과 관계 추론에 유용하지만, 지식 베이스가 커지면 관리의 어려움이 있다.

더 읽어볼만한 페이지

  • 의미 유사도 - 반의어
    반의어는 의미가 반대되는 낱말이나 어구로, 한자 구성 방식이나 의미상 관계에 따라 분류되지만, 품사가 항상 같지 않고 문맥에 따라 관계가 달라지는 모호성을 지니며, 언어의 문화적 배경과 사용 문맥에 의존한다.
  • 의미 유사도 - 민간어원
    민간어원은 단어의 어원에 대한 잘못된 대중적 통념으로 인해 단어의 형태, 발음, 의미가 변화하는 현상으로, 언중의 해석이 언어 변화의 원인이 되며, 한국어에서는 한자어와 관련된 사례가 많고, 언어 변화, 사회문화적 맥락 등 다양한 분야와 관련되어 연구된다.
  • 시맨틱 웹 - 웹 온톨로지 언어
    웹 온톨로지 언어(OWL)는 시맨틱 웹 구축을 위한 지식 표현 언어로, W3C 웹 표준이며, 온톨로지 명시적 표현을 통해 데이터 공유 및 재사용을 가능하게 하고, 기술 논리에 기반하여 표현력 수준에 따라 다양한 종류를 제공한다.
  • 시맨틱 웹 - 울프럼 알파
    울프럼 알파는 자연어 처리 기반 지식 엔진으로, 텍스트 입력을 통해 질문에 대한 답변과 복잡한 계산, 통계 분석, 금융 계산 등의 연산 결과를 제공하고 시각화한다.
  • 지식 표현 - 시소러스
    시소러스는 특정 단어나 개념의 유의어, 상위어, 하위어를 모아놓은 사전으로, 어휘의 의미 관계를 보여주며 글쓰기, 번역 등 다양한 분야에 활용된다.
  • 지식 표현 - 비판적 사고
    비판적 사고는 정보를 객관적으로 분석하고 평가하여 합리적인 결론을 도출하는 사고 과정이며, 문제 해결, 의사 결정, 메타인지 등을 포함하고 오류를 피하며 이해하려는 노력을 강조한다.
시맨틱 네트워크
지도 정보
기본 정보
유형지식 표현
분야인공 지능, 인지 과학, 컴퓨터 과학, 언어학
목적의미 관계 표현 및 추론
구성 요소노드 (개념) 및 링크 (관계)
관련 개념지식 그래프
온톨로지
프레임 의미론
의미 분석
의미 웹
표현 방식
노드개념
객체
사건
속성
링크관계
연관성
상속
구성
분류
특징
장점지식 표현의 유연성 및 확장성
추론 능력 제공
질의 및 검색 효율 향상
다양한 도메인에 적용 가능
단점구축 및 유지보수의 어려움
모호성 및 불확실성 처리의 어려움
복잡한 구조로 인해 효율성 저하 가능성
활용 분야
자연어 처리의미 분석
질의 응답
기계 번역
지식 표현 및 추론지식 기반 시스템
전문가 시스템
온톨로지 구축
정보 검색의미 기반 검색
관련성 평가
데이터 마이닝패턴 발견
관계 분석
인공 지능기계 학습
인지 모델링
역사 및 발전
초기 연구1960년대 앨런 튜링, 마빈 민스키
주요 모델Quillian (1968)의 연상 기억 모델
Shapiro & Myers (1972)의 논리적 의미 네트워크
Findler (1979)의 지식 네트워크
추가 정보
다른 이름의미망
프레임 네트워크
로마자 표기Semantic Network

2. 역사

논리학에서 의미 네트워크의 사용은 기억 보조 도구로서의 무향성 비순환 그래프와 관련이 있으며, 수 세기 전으로 거슬러 올라간다. 가장 초기에 기록된 사용 예시는 3세기경 그리스 철학자 포르피리오스가 아리스토텔레스의 범주론에 대한 주석에서 찾아볼 수 있다.

컴퓨팅 역사에서 명제 논리를 위한 "의미 네트워크"는 1956년 케임브리지 언어 연구소의 리처드 H. 리천스가 자연어의 기계 번역을 위한 "중간 언어"로 컴퓨터에 처음으로 구현했다.[4]

보다 특수한 형태의 의미 네트워크는 특정 용도로 만들어졌는데, 2008년 Fawsy Bendeck의 박사 학위 논문은 특수한 관계와 전파 알고리즘을 포함하는 의미 유사성 네트워크(SSN)를 공식화하여 의미 유사성 표현과 계산을 단순화했다.[33]

2. 1. 초기 연구 (1950년대 ~ 1960년대)

시맨틱 네트워크는 1956년 케임브리지 언어 연구소의 리처드 리첸스(Richard H. Richens)가 자연어를 지식으로 표현하기 위해 처음으로 창안하였다.[4]

1960년대 초, 시스템 디밸롭먼트 코퍼레이션(System_Development_Corporation)의 로버트 사이먼즈(Robert F. Simmons)와 셸던 클라인, 카렌 마코놀로그, M. 로스 퀼리언(M. Ross Quillian)[45] 등이 SYNTHEX 프로젝트의 일환으로 독자적으로 개발하였다.[44] 이후 앨런 M. 콜린스(Allan M. Collins)와 퀼리언의 연구에 의해 널리 알려지게 되었다.[46][47][48][49][50][51][52]

2. 2. 발전 및 응용 (1970년대 ~ 1980년대)

시스템 디밸롭먼트 코퍼레이션(System_Development_Corporation)의 로버트 사이먼즈(Robert F. Simmons)는 1960년대 초 시맨틱 네트워크를 발전시켰고, 이후 앨런 M. 콜린스(Allan M. Collins)와 M. 로스 퀼리언(M. Ross Quillian)이 집중적으로 연구하였다.[7][8][9][10][11][12][13][14] 1960년대부터 1980년대까지 하이퍼텍스트 시스템 안에서 가장 기본 단위인 시맨틱 링크의 개념으로 연구되며 큰 영향을 끼쳤으며, HTML과 XML로의 적용이 시도되었다.

1980년대 후반, 네덜란드의 그로닝겐 대학교(University of Groningen)와 트웬테 대학교(University of Twente)는 공동으로 "지식 그래프" 프로젝트를 시작했다.[16] 이는 의미 네트워크의 일종이지만, 그래프 대수를 활용하기 위해 간선이 제한된 가능한 관계 집합으로 제한된다는 추가적인 제약 조건이 있었다. 이후 수십 년 동안 의미 네트워크와 지식 그래프 간의 구분은 모호해졌다.[17][18]

2. 3. 지식 그래프 등장 (1980년대 후반 ~ 현재)

1980년대 후반, 네덜란드의 그로닝겐 대학교와 트웬테 대학교는 공동으로 "지식 그래프"라는 프로젝트를 시작했다.[16] 이는 의미 네트워크의 일종이지만, 그래프 대수를 활용하기 위해 간선이 제한된 가능한 관계 집합으로 구성된다는 추가적인 제약 조건이 있었다.[16] 이후 수십 년 동안 의미 네트워크와 지식 그래프 간의 구분은 모호해졌다.[17][18] 2012년 구글은 자사의 지식 그래프에 Knowledge Graph라는 이름을 붙였다.[53]

2. 4. 의미 사회 네트워크 연구 (2000년대 ~ 현재)

의미 링크 네트워크는 의미 사회 네트워킹 방법으로 체계적으로 연구되었다. 기본 모델은 의미 노드, 노드 간의 의미 링크, 노드와 링크의 의미 및 의미 링크에 대한 추론 규칙을 정의하는 의미 공간으로 구성된다. 체계적인 이론과 모델은 2004년에 발표되었다.[19] 이 연구는 1998년 효율적인 모델 검색을 위한 상속 규칙의 정의[20]와 활성 문서 프레임워크 ADF[21]로 거슬러 올라갈 수 있다. 2003년 이후로 연구는 사회적 의미 네트워킹으로 발전해 왔으며,[22] 이 연구는 의미 네트워크의 응용 프로그램이나 단순한 확장이 아니라 월드 와이드 웹과 글로벌 사회 네트워킹 시대의 체계적인 혁신이다. 그 목적과 범위는 의미 네트워크와 다르다.[23] 추론과 진화에 대한 규칙, 그리고 암시적 링크의 자동 발견은 의미 링크 네트워크에서 중요한 역할을 한다.[24][25] 최근에는 사이버-물리-사회 지능을 지원하도록 개발되었다.[26] 일반적인 요약 방법을 만드는 데 사용되었다.[27] 자기 조직적인 의미 링크 네트워크는 다차원 범주 공간과 통합되어 다차원 추상화와 자기 조직적인 의미 링크를 지원하는 고급 애플리케이션을 지원하는 의미 공간을 형성한다.[28][29] 의미 링크 네트워크는 텍스트 요약 애플리케이션을 통해 이해와 표현에 중요한 역할을 한다는 것이 확인되었다.[30][31] 의미 링크 네트워크는 사이버 공간에서 사이버-물리-사회 공간으로 확장되었다. 진화하는 사회에서의 역할뿐만 아니라 경쟁 관계와 공생 관계도 신흥 주제인 사이버-물리-사회 지능에서 연구되었다.[32]

3. 기본 구조 및 특징

시맨틱 네트워크는 개념 간의 관계를 이해하는 데 유용한 지식 표현 방법이다. 대부분 인지 과학에 기반을 두고 있으며, 분류 계층 구조를 가진다.

공동 출현 네트워크를 활용하여 시맨틱 네트워크를 구성할 수 있다. 텍스트에서 핵심 단어를 찾고, 단어들이 함께 나타나는 빈도를 계산하여 네트워크를 분석하면 중심 단어와 주제 묶음을 파악할 수 있다.[34]

시맨틱 네트워크는 사건들이 서로 어떻게 관련되어 있는지 개념적으로 이해하는 데 적합하며, 인지에 기반한다. 활성화 확산 모델, 상속, 프로토타입 등의 개념이 시맨틱 네트워크에서 나왔다.

Python이나 JSON 등을 사용하여 시맨틱 네트워크를 구현할 수 있다.[56] 인간의 기억은 컴퓨터와 구조가 다르므로, 비트나 바이트로 정보량을 표현할 수 없다. 따라서 시맨틱 네트워크와 같은 모델이 필요하며, 집합론 기반 모델 등도 존재한다.

3. 1. 기본 구조

시맨틱 네트워크는 대부분 인지적으로 기반을 두고 있다. 시맨틱 네트워크는 호(arc, 스포크)와 노드(node, 허브)로 구성되며, 분류 계층 구조로 구성될 수 있다. 서로 다른 의미 네트워크는 브리지 노드를 통해 연결될 수도 있다. 시맨틱 네트워크는 확산 활성화, 상속, 그리고 노드를 원형 객체로 보는 아이디어에 기여했다.[34]

노드(원)는 개념을, 링크(화살표)는 관계를 나타낸다. 링크에는 "이다(is-a)", "가지다(has-a)" 등이 있다.

의미 네트워크 데이터베이스를 구현하려면, 다음과 같은 상하 관계 목록을 작성한다.

  • "타로는 일본인이다"
  • "일본인은 인종이다"
  • "인간은 인종을 가진다"
  • "인간은 동물이다"


그 위에서 "타로는 동물인가?"라고 데이터베이스에 질의하면, 노드 "타로"에서 상향으로 탐색하여 노드 "동물"에 도달하므로, 답은 "타로는 동물이다" 또는 "그렇습니다"가 된다. 이와 같이 의미 네트워크를 응용하면, 간단한 응답형 로봇 대화 프로그램을 작성할 수 있다.

3. 2. 특징

의미 네트워크는 개념들 간의 관계를 이해하는 데 가장 적합한 지식을 다룰 때 사용된다. 대부분의 의미 네트워크는 인지적으로 기반을 두고 있으며, 호(arc, 스포크)와 노드(node, 허브)로 구성되고, 분류 계층 구조로 구성될 수 있다. 서로 다른 의미 네트워크는 브리지 노드를 통해 연결될 수도 있다. 의미 네트워크는 확산 활성화, 상속, 그리고 노드를 원형 객체로 보는 아이디어에 기여했다.[34]

의미 네트워크를 구성하는 한 가지 과정은 공동 출현 네트워크로도 알려져 있으며, 텍스트에서 키워드를 식별하고, 공동 출현 빈도를 계산하고, 네트워크를 분석하여 네트워크의 중심 단어와 주제 클러스터를 찾는 것을 포함한다.[34]

의미 네트워크는 어떤 사건이 다른 사건들과 관계되는 개념의 집합으로 가장 잘 이해할 수 있는 지식을 가질 때 사용할 수 있다. 대부분의 의미 네트워크는 인지에 기반하며, 분류 계층 내에서 체계화할 수 있는 호나 절로 구성된다. 의미 네트워크는 활성화 확산 모델, 상속, 프로토타입으로서의 절 등의 아이디어에 기여했다.

구현은 Python이나 JSON 등으로 가능하다.[56] 인간의 기억은 컴퓨터의 기억과 구조가 다르기 때문에 비트나 바이트와 같은 정보량으로 표현할 수 없다. 따라서 이러한 모델이 필요하게 된다. 집합론을 기반으로 한 모델 등도 있다.

노드(원)는 개념을, 링크(화살표)는 관계를 나타낸다. 링크에는 "이다(is-a)", "가지다(has-a)" 등이 있다.

의미 네트워크의 데이터베이스를 구현하려면, 다음과 같은 상하 관계 목록을 작성한다.

  • "타로는 일본인이다"
  • "일본인은 인종이다"
  • "인간은 인종을 가진다"
  • "인간은 동물이다"


그 위에서 "타로는 동물인가?"라고 데이터베이스에 질의하면, 노드 "타로"에서 상향으로 탐색하면 노드 "동물"에 도달하므로, 답은 "타로는 동물이다" 또는 "그렇습니다"가 된다. 이와 같이 의미 네트워크를 응용하면, 간단한 응답형 로봇의 대화 프로그램을 작성할 수 있다.

4. 언어학에서의 의미 네트워크

언어학에서 의미 네트워크는 인간의 마음이 연관된 개념들을 어떻게 처리하는지를 나타낸다.[56] 의미 네트워크의 개념들은 의미 관계 또는 연상 관계 중 하나를 가질 수 있다.

의미 관계는 동의어, 반의어, 상위어, 하위어, 전체와 부분의 관계, 부분과 전체의 관계, 은유, 다의어 등과 같이 두 개념이 의미적으로 연결되는 것이다.

연상 관계는 두 개념이 함께 나타나는 빈도에 따라 연결되는 것으로, 우연적이며 의미적인 연관성을 요구하지 않는다. 예를 들어 돼지와 농장, 돼지와 여물통, 돼지와 진흙과 같은 관계가 있다.

초기 단어가 주어지면, 가장 밀접하게 관련된 개념이 활성화되어 덜 연관된 개념으로 확산된다. 예를 들어 '돼지'라는 단어는 포유류, 동물, 호흡을 유발한다.

이러한 관계는 프라이밍을 통해 뇌에 제시될 수 있다. 목표 단어 제시 전에 관련 단어를 보여주면 반응 시간이 빨라지는 효과를 통해 확인할 수 있다.

의미 네트워크 손상은 의미 결손을 초래할 수 있으며, 이는 의미성 치매와는 다르다.[56]

4. 1. 의미 관계와 연상 관계

언어학에서 의미 네트워크는 관련된 개념들을 인간의 마음이 어떻게 처리하는지를 나타낸다. 의미 네트워크의 개념들은 의미 관계 또는 연상 관계 중 하나의 관계를 가질 수 있다.

의미 관계의 경우, 두 개념은 동의어, 반의어, 상위어, 하위어, 전체와 부분의 관계, 부분과 전체의 관계, 은유, 다의어 등으로 연결된다.[56]

연상 관계의 경우, 두 개념은 함께 나타나는 빈도에 따라 연결된다. 돼지와 농장, 돼지와 여물통, 돼지와 진흙과 같이 주제적 관계는 의미 네트워크에서 흔하며, 자유 연상 검사의 주목할 만한 결과이다.[56]

초기 단어가 주어지면 가장 밀접하게 관련된 개념의 활성화가 시작되어 덜 연관된 개념으로 확산된다. 예를 들어 '돼지'라는 초기 단어는 포유류, 동물, 호흡을 유발한다. 이는 분류학적 관계가 의미 네트워크에 내재되어 있음을 보여준다. 가장 밀접하게 관련된 개념은 일반적으로 의미 특징을 공유하며, 이는 의미 유사도 점수를 결정하는 요소이다. 유사도 점수가 높은 단어일수록 의미 네트워크에서 가까운 단어일 가능성이 높다.[56]

이러한 관계는 프라이밍을 통해 뇌에 제시될 수 있으며, 의미 네트워크 연결에 대한 프라이밍의 효과는 단어에 대한 반응 시간의 속도를 통해 확인할 수 있다. 프라이밍은 의미 네트워크의 구조와 어떤 단어가 원래 단어와 가장 밀접하게 연관되어 있는지 밝히는 데 도움이 될 수 있다.[56]

4. 2. 뇌와 의미 네트워크

언어학에서 의미 네트워크는 인간의 마음이 서로 관련된 개념들을 어떻게 처리하는지를 나타낸다. 의미 네트워크의 개념들은 의미 관계 또는 연상 관계를 가질 수 있다.[56]

의미 관계는 동의어, 반의어, 상위어, 하위어, 전체와 부분의 관계 등과 같이 두 개념이 의미적으로 연결되는 것이다. 연상 관계는 돼지와 농장처럼 두 개념이 함께 자주 나타나는 빈도에 따라 연결되는 것으로, 우연적이며 의미적인 연관성을 요구하지 않는다.[56]

초기 단어가 주어지면 가장 밀접하게 관련된 개념이 활성화되고, 덜 연관된 개념으로 확산된다. 돼지라는 단어는 포유류, 동물, 호흡을 연상시키는 것처럼, 분류학적 관계가 의미 네트워크에 내재되어 있음을 보여준다. 의미 유사도 점수가 높은 단어일수록 의미 네트워크에서 더 가깝게 위치한다.[56]

프라이밍은 뇌에 의미 관계를 제시하는 방법으로, 목표 단어 제시 전에 관련 단어를 보여주면 반응 시간이 빨라진다. 이를 통해 의미 네트워크의 구조와 단어 간 연관성을 파악할 수 있다.[56]

의미 네트워크 손상은 의미 결손을 초래할 수 있으며, 이는 의미성 치매와는 다르다. 뇌에는 의미 관계의 물리적 형태가 존재하는데, 범주 특정 의미 회로는 서로 다른 범주에 속하는 단어들이 뇌의 다른 위치에서 처리됨을 보여준다. 예를 들어, '핥다'와 같은 얼굴 관련 단어와 '차다'와 같은 다리 관련 단어는 뇌의 다른 부위에서 처리된다. 이는 프리데만 풀버뮬러(Friedemann Pulvermüller)의 연구 결과이다. 이러한 의미 회로는 뇌의 감각 운동 영역과 연결되어 있으며, 구현된 의미(embodied semantics)라고 불리는 구현된 언어 처리(embodied language processing)의 하위 주제이다.[56]

뇌 손상은 의미 네트워크의 정상적인 처리를 방해하여 특정 관계 유형에 대한 선호로 이어질 수 있다. 의미 네트워크는 사건들이 서로 관련된 개념의 집합으로 이해될 수 있는 지식을 다룰 때 유용하며, 인지에 기반하여 분류 계층 내에서 체계화될 수 있다. 의미 네트워크는 활성화 확산 모델, 상속 등의 개념에 기여했다.[56]

5. 구현 및 활용

지식 엔지니어링에 사용되는 의미 네트워크에는 관련 소프트웨어 도구 집합과 연결된 정교한 유형도 있다. 예를 들어 스튜어트 C. 샤피로의 의미 네트워크 처리 시스템(SNePS)[41]이나 헤르만 헬비히의 MultiNet 패러다임[42]은 자연어 표현의 의미 표현에 특히 적합하며 여러 NLP 애플리케이션에 사용된다.

의미 네트워크는 표절 검출과 같은 특수 정보 검색 작업에 사용된다. 의미 네트워크는 계층적 관계에 대한 정보를 제공하여 의미 압축을 사용하여 언어 다양성을 줄이고, 시스템이 사용된 단어 집합과 관계없이 단어 의미를 일치시킬 수 있도록 한다.

2012년 구글에서 제안한 지식 그래프는 검색 엔진에 의미 네트워크를 적용한 것이다.

임베딩 형태를 통해 저차원 공간에서 의미 네트워크와 같은 다중 관계 데이터를 모델링하면 엔티티 관계를 표현하고 텍스트와 같은 매체에서 관계를 추출하는 데 이점이 있다. 이러한 임베딩을 학습하는 방법은 많이 있으며, 특히 베이지안 클러스터링 프레임워크 또는 에너지 기반 프레임워크를 사용하고, 최근에는 TransE[43](NeurIPS 2013)를 사용한다. 지식베이스 데이터 임베딩의 응용 분야에는 사회 네트워크 분석과 관계 추출이 포함된다.

5. 1. 구현 예시

다음은 Lisp 프로그래밍 언어에서 연관 목록을 사용한 의미 네트워크의 예시 코드이다.

```lisp

(setq *database*

'((canary (is-a bird)

(color yellow)

(size small))

(penguin (is-a bird)

(movement swim))

(bird (is-a vertebrate)

(has-part wings)

(reproduction egg-laying))))

```

"canary"에 대한 모든 정보를 추출하려면 "canary"를 키로 하는 `assoc` 함수를 사용한다.[35]

의미 네트워크의 한 예로, 영어의 어휘 데이터베이스인 WordNet이 있다. WordNet은 영어 단어들을 동의어 집합으로 그룹화하고, 짧고 일반적인 정의를 제공하며, 이러한 동의어 집합들 간의 다양한 의미 관계를 기록한다. 정의된 가장 일반적인 의미 관계에는 부분-전체 관계, 전체-부분 관계, 하위어 관계(구체어 관계), 상위어 관계, 동의어 관계, 반의어 관계 등이 있다.

존재 그래프는 논리적 기술을 표현하는 데 사용될 수 있는 의미 네트워크이다. 찰스 샌더스 피어스의 존재 그래프 또는 관련된 개념 그래프는 일계 술어 논리와 동등하거나 그 이상의 표현력을 가진다. WordNet 등과 달리, 이러한 의미 네트워크는 신뢰할 수 있는 자동화된 논리적 추론에 사용될 수 있다.

겔리시(Gellish) 모델도 의미 네트워크의 한 예시이다. 겔리시 영어와 그 겔리시 영어 사전은 개념과 개념 이름 사이의 관계 네트워크로 정의되는 형식 언어이다.

SciCrunch는 과학적 자원을 위해 공동으로 편집되는 지식 베이스이다. 소프트웨어, 실험실 도구 등에 대해 명확한 식별자(연구 자원 식별자 또는 RRID)를 제공한다.

범주론(category theory)을 기반으로 하는 의미 네트워크의 또 다른 예는 olog이다. 여기서 각 유형은 사물의 집합을 나타내는 객체이고, 각 화살표는 함수를 나타내는 사상이다.

사회 과학에서 의미 네트워크라는 용어는 공동 출현 네트워크(co-occurrence networks)를 지칭하는 데 사용되기도 한다.[38][39] 문장과 같은 텍스트 단위에 공동으로 나타나는 단어는 서로 의미적으로 관련되어 있다는 기본적인 아이디어를 바탕으로 한다.

구현은 Python이나 JSON 등으로 가능하다.[56]

의미 네트워크의 데이터베이스를 구현하려면 다음과 같은 상하 관계 목록을 작성한다.

  • "타로는 일본인이다"
  • "일본인은 인종이다"
  • "인간은 인종을 가진다"
  • "인간은 동물이다"


이러한 목록을 바탕으로 "타로는 동물인가?"라는 질문을 데이터베이스에 질의하면, 노드 "타로"에서 상향으로 탐색하여 노드 "동물"에 도달하므로 "타로는 동물이다" 또는 "그렇습니다"라는 답을 얻을 수 있다. 이러한 방식으로 의미 네트워크를 응용하여 간단한 응답형 로봇의 대화 프로그램을 작성할 수 있다.

5. 2. 활용 분야

의미 네트워크는 다양한 분야에서 활용되고 있다.

  • '''WordNet''': 영어 단어를 동의어 그룹으로 묶고, 의미 관계를 기록한 어휘 데이터베이스이다. 부분-전체, 전체-부분, 하위어, 상위어, 동의어, 반의어 등의 관계를 정의한다. 네트워크 이론 관점에서 소세계 구조를 가진 것으로 연구되었다.[36]
  • '''존재 그래프(existential graph)''', '''개념 그래프(conceptual graph)''': 찰스 샌더스 피어스(Charles Sanders Peirce)가 개발한 논리적 기술 표현 방식으로, 일계 술어 논리와 동등하거나 그 이상의 표현력을 가진다. 신뢰할 수 있는 자동 추론에 사용될 수 있다.
  • '''겔리시(Gellish)''': 개념과 이름 사이의 관계 네트워크로 정의되는 형식 언어이다. 겔리시 영어(Gellish English)와 겔리시 영어 사전(Gellish English dictionary)이 대표적이며, 여러 언어가 동일한 개념을 공유한다.
  • '''SciCrunch''': 과학적 자원을 위한 지식 베이스로, 소프트웨어, 실험실 도구 등에 대한 명확한 식별자(연구 자원 식별자, RRID)를 제공한다.
  • '''olog''': 범주론(category theory) 기반 의미 네트워크로, 객체는 사물의 집합, 사상은 함수를 나타낸다.
  • '''공동 출현 네트워크(co-occurrence networks)''': 사회 과학에서 텍스트 내 단어 간 의미적 관련성을 파악하는 데 사용된다.[38][39] 텍스트에서 키워드를 식별하고, 공동 출현 네트워크를 구성하여 분석한다.[40]
  • '''SNePS(Semantic Network Processing System)''',[41] '''MultiNet''':[42] 지식 엔지니어링에 사용되는 소프트웨어 도구로, NLP 애플리케이션에 활용된다.
  • '''표절 검출''': 의미 네트워크는 계층적 관계 정보를 제공하여 의미 압축을 통해 언어 다양성을 줄이고, 단어 의미를 일치시키는 데 사용된다.
  • '''지식 그래프''': 2012년 구글에서 제안한 검색 엔진에 의미 네트워크를 적용한 것이다.
  • '''임베딩''': 저차원 공간에서 의미 네트워크와 같은 다중 관계 데이터를 모델링하는 방법으로, 사회 네트워크 분석과 관계 추출에 응용된다. TransE[43](NeurIPS 2013) 등이 있다.


의미 네트워크는 인지 기반 분류 계층 내에서 체계화할 수 있는 호나 절로 구성된다. 활성화 확산 모델, 상속 등의 아이디어에 기여했다.

구현은 Python이나 JSON 등으로 가능하다.[56] 인간의 기억은 컴퓨터의 기억과 구조가 다르므로, 이러한 모델이 필요하다.

의미 네트워크의 데이터베이스를 구현하려면, 상하 관계 목록을 작성하고, 이를 기반으로 질의에 응답하는 방식으로 활용할 수 있다.

6. 장점과 단점

시맨틱 네트워크는 복잡한 분류나 인과관계를 갖는 추론을 자연스럽게 표현할 수 있지만, 지식베이스가 커지면 너무 복잡해져 다루기 힘들다는 단점이 있다.

6. 1. 장점

매우 복잡한 분류나 인과관계를 갖는 추론에 자연스러운 표현이 가능하다.

6. 2. 단점

지식베이스의 크기가 커지면 너무 복잡해져 다루기 힘들다는 단점이 있다.

참조

[1] 논문 Unsupervised semantic parsing https://aclanthology[...] Association for Computational Linguistics 2009
[2] 논문 Word sense disambiguation for free-text indexing using a massive semantic network https://sites.ualber[...] ACM 1993
[3] 서적 Semantic Network Analysis in Social Sciences https://www.routledg[...] Routledge 2022-12-05
[4] 서적 Semantic networks in artificial intelligence Pergamon Press 1992
[5] 학술지 Synthetic language behavior 1963
[6] 웹사이트 Themes From 1972 https://www.aclweb.o[...] 1982
[7] 간행물 A notation for representing conceptual information: An application to semantics and mechanical English paraphrasing System Development Corporation 1963
[8] 학술지 Retrieval time from semantic memory 1969
[9] 학술지 Does category size affect categorization time? 1970
[10] 학술지 A spreading-activation theory of semantic processing 1975
[11] 간행물 Word concepts: A theory and simulation of some basic semantic capabilities 1967
[12] 간행물 Semantic memory 1968
[13] 학술지 The teachable language comprehender: a simulation program and theory of language 1969
[14] 논문 Semantic Memory Carnegie Institute of Technology 1966
[15] 서적 Knowledge Representation and the Semantics of Natural Language http://14.139.206.50[...] 2018-03-19
[16] 서적 Linguistic Instruments in Knowledge Engineering Elsevier Science Publishers 1992
[17] 학술대회 Path-Based Semantic Relatedness on Linked Data and Its Use to Word and Entity Disambiguation https://books.google[...] Springer International Publishing 2015
[18] 웹사이트 What is a Knowledge Graph? https://www.authorea[...] 2016-06-15
[19] 서적 Knowledge Grid World Scientific Publishing Co. 2004
[20] 학술지 Inheritance rules for flexible model retrieval 1998
[21] 학술지 Active e-document framework ADF: model and tool 2003
[22] 학술대회 Ranking Semantic-linked Network 2003
[23] 서적 The Semantic Link Network World Scientific Publishing Co. 2012
[24] 학술대회 An automatic semantic relationships discovery approach 2004
[25] 학술지 Communities and Emerging Semantics in Semantic Link Network: Discovery and Learning 2009
[26] 학술지 Semantic linking through spaces for cyber-physical-socio intelligence: A methodology 2011
[27] 서적 Multi-Dimensional Summarization in Cyber-Physical Society Morgan Kaufmann 2016
[28] 서적 The Web Resource Space Model Springer 2008
[29] 학술지 Probabilistic Resource Space Model for Managing Resources in Cyber-Physical Society 2012
[30] 학술지 Summarization of Scientific Paper through Reinforcement Ranking on Semantic Link Network 2018
[31] 학술지 The contribution of cause-effect link to representing the core of scientific paper—The role of Semantic Link Network 2018
[32] 서적 Cyber-Physical-Social Intelligence on Human-Machine-Nature Symbiosis Springer 2020
[33] 서적 WSM-P workflow semantic matching platform Verl. Dr. Hut 2008
[34] 서적 Semantic Network Analysis in Social Sciences https://www.routledg[...] Routledge 2022-12-05
[35] 웹사이트 Semantic.ppt https://web.archive.[...] 2011-03-23
[36] 논문 The Large-Scale Structure of Semantic Networks: Statistical Analyses and a Model of Semantic Growth
[37] 백과사전 Semantic Networks http://www.jfsowa.co[...] 2008-04-29
[38] 서적 Semantic Network Analysis: Techniques for Extracting, Representing, and Querying Media Content http://vanatteveldt.[...] BookSurge Publishing 2021-11-28
[39] 논문 Textual network analysis: Detecting prevailing themes and biases in international news and social media https://onlinelibrar[...] 2021-12-05
[40] 서적 Semantic Network Analysis in Social Sciences https://www.routledg[...] Routledge 2021-12-05
[41] 웹사이트 Stuart C. Shapiro http://www.cse.buffa[...] 2006-08-29
[42] 웹사이트 Hermann Helbig http://pi7.fernuni-h[...] 2006-03-14
[43] 논문 Translating Embeddings for Modeling Multi-relational Data http://papers.nips.c[...] Curran Associates, Inc. 2018-11-29
[44] 논문 Synthetic language behavior
[45] 간행물 A notation for representing conceptual information: An application to semantics and mechanical English paraphrasing System Development Corporation
[46] 논문 Retrieval time from semantic memory
[47] 논문 Does category size affect categorization time?
[48] 논문 A spreading-activation theory of semantic processing
[49] 간행물 Word concepts: A theory and simulation of some basic semantic capabilities
[50] 간행물 Semantic memory
[51] 논문 The teachable language comprehender: a simulation program and theory of language
[52] 논문 Semantic Memory Carnegie Institute of Technology
[53] 서적 Linguistic Instruments in Knowledge Engineering http://www.stokman.o[...] Elsevier Science Publishers 1992
[54] 학회발표 Path-Based Semantic Relatedness on Linked Data and Its Use to Word and Entity Disambiguation https://books.google[...] Springer International Publishing 2015
[55] 웹사이트 What is a Knowledge Graph? https://www.authorea[...] 2016-06-15
[56] 웹사이트 Network Analysis for Marketing Analytics https://www.coursera[...] 2023-04-07
[57] 논문 Parallel architectures for AI semantic network processing https://www.scienced[...] 1988-12


본 사이트는 AI가 위키백과와 뉴스 기사,정부 간행물,학술 논문등을 바탕으로 정보를 가공하여 제공하는 백과사전형 서비스입니다.
모든 문서는 AI에 의해 자동 생성되며, CC BY-SA 4.0 라이선스에 따라 이용할 수 있습니다.
하지만, 위키백과나 뉴스 기사 자체에 오류, 부정확한 정보, 또는 가짜 뉴스가 포함될 수 있으며, AI는 이러한 내용을 완벽하게 걸러내지 못할 수 있습니다.
따라서 제공되는 정보에 일부 오류나 편향이 있을 수 있으므로, 중요한 정보는 반드시 다른 출처를 통해 교차 검증하시기 바랍니다.

문의하기 : help@durumis.com