효율적인 온톨로지 디버깅을 위한 쿼리 기반 진단 전략

온톨로지는 시맨틱 웹과 지식 기반 시스템에서 핵심적인 역할을 수행하지만, 사용자가 직접 작성하거나 수정하는 과정에서 논리적 오류가 발생하기 쉽다. 기존 디버깅 방법은 모델 기반 진단을 통해 오류가 포함된 axiom 집합을 찾아내지만, 실제로는 최소 진단이 수백에서 수천 개에 달해 사용자가 직접 선택하기에는 비현실적이다. 본 논문은 이러한 문제를 해결하기 위해, 진단 집합을 단계적으로 축소시키는 질의(oracle query) 기반 접근법을 제안한다. 먼저, 온톨로지 O와 배경 이론 B, 요구사항 집합 P(필수 추론)와 N(금지 추론)을 정의하고, 진단 D는 O에서 제거해야 할 최소 axiom 집합으로 설정한다. 목표 온톨로지 O_t는 B를 포함하고, P를 모두 만족하며, N를 전혀 포함하지 않는 일관적·가능한 온톨로지이다. 진단 D_i를 적용한 O_i = O \ D_i는 각각 다른 추론 결과를 생성한다는 점을 이용한다. 질의 생성은 온톨로지 추론 엔진(분류·실현 서비스)을 통해 가능한 논리 문장을 추출하고, “O_t가 이 문장을 추론해야 하는가?” 형태로 만든다. 사용자는 이 질의에 대해 ‘예’ 혹은 ‘아니오’로 답한다. 답변에 따라 진단 집합은 두 부분으로 나뉘며, 하나는 질의를 만족하는 진단, 다른 하나는 만족하지 않는 진단이다. 두 가지 쿼리 선택 전략이 제안된다. 첫 번째는 ‘split‑in‑half’ 전략으로, 현재 남은 진단 수를 가능한 한 동등하게 나누는 질의를 탐색한다. 이는 진단 집합을 절반으로 감소시키는 단순한 탐욕적 방법이다. 두 번째는 엔트로피 기반 전략이다. 각 axiom에 사전 오류 확률을 부여하고, 이를 통해 진단 D에 대한 사전 확률을 계산한다. 특정 질의에 대한 답변이 주어졌을 때 기대 엔트로피(불확실성)를 계산하고, 엔트로피 감소가 가장 큰 질의를 선택한다. 이 과정은 베이즈 정리를 사용해 답변 후 진단 확률을 업데이트한다. 실험은 두 단계로 진행된다. 첫 번째 실험에서는 인공적으로 만든 온톨로지에 충돌을 삽입해 진단 수를 조절하고, ‘split‑in‑half’, 엔트로피, 무작위 전략을 비교한다. 결과는 엔트로피 전략이 평균 30~60% 적은 질문으로 목표 진단을 찾으며, 무작위 전략보다 현저히 우수함을 보여준다. 두 번째 실험에서는 실제 대규모 온톨로지(Transportation, NCI Thesaurus 등)를 사용해 사전 확률 분포와 품질을 다양하게 설정한다. 사전 확률이 균등, 중간 변동, 극단 변동인 경우와, 확률 추정이 좋은 경우, 보통인 경우, 나쁜 경우를 모두 고려한다. 대부분의 경우 엔트로피 전략이 ‘split‑in‑half’보다 적은 질문을 필요로 한다. 특히 초기 확률이 부정확하더라도 베이즈 업데이트를 통해 점차 정확한 확률 분포를 형성하고, 질문 수가 10회를 초과하면 엔트로피 전략이 항상 우수한다. 대규모 온톨로지(33,000개 이상의 axiom)에서도 평균 5회의 질문으로 목표 진단을 식별했으며, 전체 실행 시간은 190초 이내에 수렴했다. 이는 제안된 방법이 실시간 인터랙티브 디버깅에 충분히 적용 가능함을 의미한다. 결론적으로, 이 논문은 온톨로지 디버깅에 쿼리 기반 인터랙션을 도입함으로써, 사용자가 직접 진단을 선택해야 하는 부담을 크게 줄이고, 사전 오류 모델을 활용한 엔트로피 최적화가 실제 환경에서도 강인하고 효율적임을 입증한다. 향후 연구에서는 사용자 피드백을 통한 동적 확률 모델링 및 다양한 지식 표현 언어에 대한 확장을 제안한다.