서울대 DSBA 세미나 정리 — 텍스트 기반 온톨로지 자동 추출 방법론과 도구 선택 체계

핵심 메시지

• 온톨로지는 전통적으로 도메인 전문가가 직접 설계해 왔는데, 비용과 시간이 많이 들고 개발자 관점에 치우칠 수 있다는 지식 습득 병목이 있었다. 온톨로지 러닝은 이 병목을 줄이려는 접근이다.
• 온톨로지 러닝은 용어 추출에서 시작해 동의어 식별과 개념 형성, 개념 계층, 비계층 관계, 추론 규칙 순으로 쌓이는 레이어 케이크 구조이고, 위로 갈수록 자동화가 어려워진다.
• 2018년 논문은 흩어져 있던 온톨로지 학습 방법론들을 열 개 범주로 나누고, 그 분류 체계 자체를 다시 온톨로지로 모델링해 방법론의 지도를 만들었다.
• 1년 뒤 후속 논문은 범위를 텍스트 기반으로 좁혀 도구 21개를 여덟 개 기준과 57개 하위 지표로 정리하고, 조건을 조합하면 맞는 도구를 추론해 주는 지식 저장소로 확장했다.
• 두 논문 모두 완전한 자동화에는 이르지 못했다. 고수준 추상화와 복잡한 관계 학습에는 여전히 사람의 개입이 필요하다는 것이 발표의 결론이다.

쉽게 이해하기

서울대학교 산업공학과 DSBA 연구실의 온톨로지·지식그래프 스터디 세 번째 세션으로, 석사과정 차수빈 연구원이 발표했다. 앞선 세션이 온톨로지를 어떻게 설계할 것인가라는 원칙을 다뤘다면, 이번에는 한 걸음 나아가 사람이 일일이 설계하는 대신 텍스트 같은 데이터에서 자동 혹은 반자동으로 뽑아내려는 시도들을 살펴본다. 다루는 방법들이 대부분 대규모 언어모델 이전인 2018~2019년의 것이라, 이후 세션에서 다룰 LLM 기반 구축과 비교할 기준선 역할을 한다.

먼저 용어 정리가 필요하다. 온톨로지는 특정 도메인의 지식을 공유하고 재사용할 수 있도록 개념과 관계를 명시적이고 형식적으로 정리한 명세서인데, 여기서 형식적이라는 말은 사람이 읽기 편한 설명이 아니라 기계가 처리하고 추론할 수 있는 형태라는 뜻이다. 온톨로지 러닝은 이를 처음부터 끝까지 손으로 만드는 대신 데이터로부터 반자동 혹은 자동으로 구축·확장하는 과정이고, 택소노미는 무엇이 무엇의 하위 개념인가라는 계층 관계 중심의 구조다. 온톨로지는 여기에 비계층 관계와 규칙까지 포함해 더 풍부하다.

무엇을 뽑아내는가는 레이어 케이크 모델로 설명된다. 가장 아래에 용어 추출이 있고, 그 위로 동의어 식별과 개념 형성, 개념 계층, 계층이 아닌 다양한 관계, 마지막으로 추론에 쓰일 규칙이 쌓인다. 어떻게 뽑는가는 크게 세 갈래로, 군집화와 잠재 분석과 연관규칙 마이닝 같은 통계 기반, 품사 태깅과 구문·의존성 분석 같은 언어 기반, 귀납 논리 프로그래밍처럼 관계나 공리를 다룰 때 중요한 논리 기반이 있다. 여기에 입력 데이터 유형까지 곱해지면 방법론의 조합은 걷잡을 수 없이 복잡해진다.

첫 번째 논문의 문제의식은 새 알고리즘을 하나 더 만들자가 아니라, 이미 파편화된 방법론들을 정리하자는 쪽이다. 흥미로운 것은 그 정리 도구로 다시 온톨로지를 쓴다는 점이다. 사용 기법과 그 기법을 제안한 연구자를 분류 축으로 삼고, 방법론을 입력 데이터 형식과 과제 성격에 따라 열 개 범주로 나눈 뒤 각 범주에 실제 기법과 연구자를 연결했으며, 두 축 아래에는 118개의 하위 속성이 붙는다. 검증은 이미 만들어진 온톨로지가 제대로 작동하는지 확인하는 사후 방식으로, 자연어가 아닌 서술 논리 질의를 던져 조건을 모두 만족하는 범주를 추론하게 했다.

두 번째 논문은 그 결과로 나온 텍스트 기반 영역으로 내려온다. 텍스트는 웹에 쌓이는 정보의 상당 부분을 차지하면서도 비정형이라 가장 다루기 어려운 입력이다. 저자는 도구 21개를 골라 여덟 개 기준과 57개 하위 지표로 평가하고, 이를 집합론으로 형식화한 뒤 92개 클래스로 이뤄진 개념 층과 실제 도구 사례를 담은 인스턴스 층으로 구현했다. 사용자가 학습 기법은 통계, 데이터 소스는 텍스트, 전문가 개입 필요처럼 조건을 지정하면 추론기가 조건을 만족하는 도구의 부분집합을 뽑아 주는데, 한 질의에서는 두 개로 좁혀지고 조건을 바꾼 다른 질의에서는 여섯 개로 넓어지는 식이다.

주요 인사이트

• 이 연구들의 독특한 점은 온톨로지를 만드는 방법론 자체를 온톨로지로 표현했다는 것이다. 잘 정리된 표는 명시적으로 적힌 것만 검색되지만, 온톨로지는 클래스와 관계를 통해 적히지 않은 정보까지 추론하고 여러 조건을 조합한 복합 질의를 처리할 수 있다.
• 컴피턴시 질문은 보통 온톨로지를 만들기 전에 최소한 이 질문들에는 답할 수 있어야 한다는 요구사항으로 쓰인다. 그런데 이 논문들은 특정 사용자의 요구가 아니라 문헌 분석에서 출발했기 때문에, 다 만든 뒤 제대로 작동하는지 확인하는 사후 검증으로 뒤집어 썼다.
• 도구를 기법으로 나누는 분류는 배타적이지 않다. 어떤 도구는 통계와 기계학습을 함께 쓰고 다른 도구는 언어학과 통계를 섞기 때문에, 이 도구는 통계 기반이라는 정보 하나만으로는 내 프로젝트에 맞는지 판단할 수 없다. 입력이 무엇인지, 전문가 개입이 필요한지, 결과가 용어까지인지 관계까지인지를 함께 봐야 한다.
• 저자가 짚은 한계는 지금도 상당 부분 유효하다. 웹 데이터의 형식과 언어가 제각각이고 노이즈가 많다는 점, 개념 간 의미적 일치와 고수준 추상화가 여전히 사람의 판단을 요구한다는 점, 관계 추출이 계층 관계에 치우쳐 있다는 점, 학습된 온톨로지의 품질을 잴 공통 평가 플랫폼이 없다는 점이다.

자주 묻는 질문

관련 AI 소식