문제 해결 시점에 적응 지식 자동 획득

본 논문은 케이스 기반 추론(CBR) 시스템에서 가장 어려운 문제 중 하나인 적응 지식(AK) 획득을 효율적으로 수행하기 위한 새로운 방법론을 제시한다. 먼저, CBR의 기본 구조와 적응 단계가 도메인‑특화 지식에 의존한다는 점을 설명하고, 기존의 오프라인 AK 획득 방식이 설계 단계에서 대량의 전문가 인터뷰와 사전 학습을 필요로 하여 비용이 높고, 실제 사용 상황과의 괴리가 발생한다는 한계를 지적한다. 이를 보완하기 위해 두 가지 전략을 결합한다. 첫 번째는 ‘지식 발견(KD)’ 기법을 활용해 케이스 베이스 내 사례 간 차이를 분석하고, 빈번 아이템 집합 추출 알고리즘을 적용해 잠재적인 적응 규칙을 자동으로 도출한다. 여기서는 변형 언어에 부분 순서를 정의해 규칙의 일반화·특수화 관계를 체계화한다. 두 번째는 ‘기회주의적(opportunistic)’ 접근으로, 문제 해결 과정에서 유사도 경로나 적응 경로가 실패할 경우 즉시 사용자와 인터랙션을 통해 부족한 규칙을 획득한다. 사용자는 현재 상황에 맞는 규칙 후보를 검증·수정함으로써, 작은 단위의 지식을 빠르게 축적할 수 있다. 두 전략을 통합한 프레임워크는 인간‑기계 인터페이스를 통해 자동 생성된 규칙을 전문가가 최소한의 피드백만으로 승인하도록 설계되었다. 연구는 요리 레시피 추천 시스템인 Taaable에 이 방법을 적용한다. Taaable은 레시피를 프로포지션 논리식으로 표현하고, 요리 온톨로지(O)를 이용해 기본적인 일반화(예: leek ⇒ onion)와 부정(예: ¬peanut oil) 규칙을 제공한다. 그러나 실제 사용자는 ‘땅콩유’를 ‘참기름’으로 교체하거나, ‘녹색 양파’를 ‘대파와 고추’로 대체하는 등 보다 복합적인 적응을 원한다. 시스템은 케이스 베이스 내 레시피 간 차이를 분석해 이러한 복합 규칙을 자동 생성하고, 사용자가 직접 검증·보완함으로써 AKB를 점진적으로 확장한다. 실험 결과, 기회주의적 AK 획득이 기존 오프라인 방식에 비해 적응 성공률을 크게 높였으며, 전문가가 매번 새로운 규칙을 설계해야 하는 부담을 크게 줄였다. 또한, 자동 학습된 규칙이 온톨로지 기반 규칙과 결합될 때, 보다 정교하고 상황에 맞는 레시피 변형이 가능함을 확인하였다. 논문은 이러한 접근이 다른 도메인에도 일반화될 수 있음을 제시하며, 향후 연구 방향으로 규칙의 자동 평가 메트릭 도입과 대규모 케이스 베이스에 대한 확장성을 제시한다.