메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
김민성 (숭실대학교) 이민호 (숭실대학교) 이완곤 (숭실대학교) 박영택 (숭실대학교)
저널정보
Korean Institute of Information Scientists and Engineers Journal of KIISE Journal of KIISE Vol.47 No.7
발행연도
2020.7
수록면
674 - 681 (8page)
DOI
10.5626/JOK.2020.47.7.674

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
최근에 웹으로부터 얻은 데이터들을 통해 온톨로지를 확장하는 많은 기계 학습법들이 연구되고 있다. 그리고 웹으로부터 얻는 데이터들은 계속 증가하기 때문에 대용량 온톨로지 추론 방법에 대한 관심도 증가하고 있다. 하지만 점점 증가하는 데이터의 양은 처리 속도가 저하되는 문제점이 있다. 본 논문에서는 대용량 데이터 처리속도 저하 문제점을 해결하기 위해 분산 테이블 구조 데이터프레임을 사용하여 대용량 OWL-Horst 추론 성능 개선 방법에 대해 설명하고, OWL-Horst 추론순서 구조를 정확도와 속도를 고려하여 효과적으로 설계한 방법에 대해 설명한다. 또 추론 성능을 높이기 위한 분산 병렬 추론 알고리즘 및 최적화 방법에 관해 설명한다. 본 논문에서 제안하는 분산 테이블 구조 데이터프레임을 사용한 추론 시스템의 성능을 평가하기 위해 LUBM1000, LUBM2000, LUBM3000, LUBM4000 대상으로 실험을 진행했고, 기존 RDD(Resilient Distrbuted DataSet), SQL(Structured Query Language) 기반 추론엔진을 비교하여 가장 우수한 성능을 얻었다.

목차

요약
Abstract
1. 서론
2. 관련 연구
3. 연구 내용
4. 실험
5. 결론
References

참고문헌 (16)

참고문헌 신청

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-ECN-0101-2020-569-000892582