온톨로지 자동 추출: 텍스트에서 용어와 관계를 자동으로 학습하는 두 가지 전통 방법론 정리

핵심 메시지

• 온톨로지는 특정 분야의 지식을 사람과 기계가 함께 해석할 수 있도록 개념·계층 관계·비계층 관계로 구조화한 것이다.
• 전문가 수작업 구축은 규모·비용·변화 속도라는 세 벽에 부딪히기 때문에, 텍스트에서 자동으로 학습하는 방법이 필요하다.
• 온톨로지 자동 학습은 용어→동의어→개념→분류 관계→비분류 관계→규칙 순으로 층층이 쌓이는 '레이어 케이크' 구조로 이해할 수 있다.
• 이날 소개된 두 논문은 각각 '용어 추출'과 '비분류 관계 추출' 층을 다루지만, 둘 다 언어적 기법으로 후보를 넓게 모으고 통계적 기법으로 걸러내는 같은 뼈대를 공유한다.

쉽게 이해하기

발표는 온톨로지의 정의에서 출발합니다. 온톨로지란 어떤 도메인의 지식을 '형식적·명시적으로 규정된 공유된 개념화'로 표현한 것으로, 핵심 개념(클래스), 개념 사이의 계층 관계(예: '폐암은 암이다'), 그리고 인과·목적·속성 같은 비계층 관계(예: '흡연은 폐암을 유발한다')로 구성됩니다. 계층 관계는 종류가 하나로 고정되어 트리 구조를 이루지만, 비계층 관계는 종류가 무한해 관계의 이름까지 정해야 하므로 그물망 형태가 됩니다.

전통적으로 온톨로지는 도메인 전문가와 공학자가 협업해 수작업으로 만들어 왔습니다. 그러나 한 분야 안에서도 개념과 관계가 수천~수만 개에 이르러 사람이 일일이 나열하기 어렵고(규모), 완성도 높은 구축에는 막대한 노동이 들며(비용), 의학·생의학처럼 빠르게 발전하는 분야에서는 새 용어를 따라가지 못해 지식 베이스가 금세 뒤처집니다(변화 속도). 결국 텍스트에서 자동으로 학습하는 방법이 필요하다는 것이 세미나의 문제의식입니다.

첫 번째 논문은 대규모 코퍼스에서 새로운 전문 용어를 찾는 연구입니다. 생의학 초록 약 51만 건(약 1억 400만 단어)으로 코퍼스를 구성하고, 품사 태깅과 명사구 인식으로 용어 후보를 넓게 확보한 뒤 통계적으로 추립니다. 핵심 아이디어는 '진짜 용어는 그것을 이루는 단어를 다른 단어로 바꾸기 어렵다'는 성질(paradigmatic modifiability)입니다. 단순 빈도로는 'long terminal repeat' 같은 실제 용어가 'T-cell response' 같은 비용어보다 오히려 적게 나와 오판되지만, 자리 대체 난이도를 지표화하면 진짜 용어를 더 정확히 골라냅니다. 정답은 UMLS 표준 용어 체계로 두고, 정밀도·재현율과 McNemar 검정으로 기존 T-test·C-value보다 우수함을 통계적으로 입증했습니다.

두 번째 논문은 개념 사이의 비분류 관계를 자동으로 학습합니다. 기존 연구가 개념과 계층 관계에 치우쳐 온 반면, 이 연구는 관계에 '이름표'를 붙이는 문제에 집중합니다. 웹을 거대한 코퍼스로 삼아, 비분류 관계가 주로 동사로 표현된다는 점에 착안해 동사(구)를 관계 라벨 후보로 뽑고, 키워드와 얼마나 자주 붙어 나오는지를 웹 규모 통계로 계산해 도메인에 맞는 관계를 선별합니다. 이렇게 찾은 개념을 다시 씨앗으로 삼아 확장하는 재귀·부트스트래핑 방식으로 온톨로지를 밑바닥부터 넓혀 갑니다. 평가는 WordNet 정의문을 벡터로 만들어 유사도를 재는 방식으로 진행했는데, WordNet에 없거나 정의가 부실한 관계는 제대로 채점되지 않는 한계도 함께 드러났습니다.

발표자는 두 논문이 레이어 케이크의 서로 다른 층에 있지만 방법의 원리는 동일하다는 점을 강조하며 마무리합니다. 언어적 기법으로 후보를 넓게 모아 재현율을 확보하고, 통계적 기법으로 좁혀 정밀도를 확보하는 2단계 파이프라인이 그것입니다.

주요 인사이트

• 빈도(자주 등장함)는 전문 용어를 가려내는 좋은 기준이 아니다. '얼마나 자주 나오는가'보다 '단어를 바꿀 수 있는가'라는 언어적 성질이 용어다움을 더 잘 포착한다.
• 자동 구축의 공통 설계는 '넓게 뽑고(재현율) 좁혀 거른다(정밀도)'이다. 어떤 층을 다루든 이 2단계 구조가 반복된다.
• 평가 기준을 무엇으로 삼느냐가 결과 해석을 좌우한다. UMLS나 WordNet 같은 외부 기준의 커버리지가 부족하면, 방법이 옳아도 성능이 낮게 나올 수 있다.
• 비분류 관계를 동사로 라벨링하는 접근은 사람이 정답을 미리 달지 않아도(비지도) 도메인에 무관하게 작동한다는 장점이 있지만, 정작 그 동사 라벨의 정확성 자체는 평가하기 어렵다는 숙제를 남긴다.

자주 묻는 질문

관련 AI 소식