OWL과 시맨틱 웹 규칙을 Prolog로 변환 설명 논리 프로그램으로의 진화

초록

본 논문은 OWL과 그 규칙 확장인 SWRL을 이용한 통합 온톨로지·규칙 언어와, RuleML과 OWL을 계층적으로 결합하는 두 가지 접근 방식을 비교한다. 이를 위해 우리는 SWORIER 시스템을 개발했으며, 이 시스템은 온톨로지와 규칙을 모두 Prolog로 변환하고, OWL의 의미론을 정확히 포착하는 일반 규칙 집합을 추가함으로써 효율적인 자동 추론을 가능하게 한다. 또한 사용자가 실행 중에 동적으로 지식을 수정할 수 있는 기능을 제공한다. 본 연구는 기존 연구에서 제기된 부정, 보완 클래스, 이산 머리, 카디널리티와 같은 문제들을 해결하고, 지식베이스의 불일치 처리에 대한 여러 대안을 논의한다. 효율성을 높이기 위해 외연화(extensionalization), 재분석 회피, 코드 최소화와 같은 기술을 구현하였다.

상세 요약

이 논문은 시맨틱 웹 환경에서 온톨로지와 규칙을 어떻게 통합하고, 그 통합된 지식을 효율적으로 추론할 수 있는가에 대한 근본적인 질문을 다룬다. 기존에 OWL은 주로 서술적 지식을 표현하는 데 강점을 보였으며, SWRL은 OWL 위에 규칙을 얹는 방식으로 확장성을 제공했지만, 두 체계가 서로 다른 논리적 기반을 가지고 있어 일관된 추론을 수행하기 어려웠다. 반면 RuleML은 규칙 자체를 독립적인 메타모델로 정의하고, OWL과 별도로 결합함으로써 보다 유연한 계층 구조를 가능하게 한다. 저자들은 이러한 두 접근법을 실험적으로 비교하기 위해 모든 온톨로지와 규칙을 Prolog 코드로 변환하는 SWORIER 시스템을 설계하였다. Prolog는 일차 논리 프로그램 언어로서, 비단 논리적 추론뿐 아니라 백트래킹과 비결정적 탐색을 자연스럽게 지원한다는 점에서 선택된 것으로 보인다. 특히 OWL의 복잡한 의미론—예를 들어 클래스 간의 상속 관계, 동등성, 전제조건, 카디널리티 제약—을 Prolog의 사실과 규칙으로 정확히 매핑하기 위해 저자들은 ‘일반 규칙’이라 부르는 메타 규칙 집합을 도입하였다. 이 메타 규칙은 OWL의 서술적 제약을 전통적인 Horn 클라우즈 형태로 변환함으로써, Prolog 엔진이 기존에 지원하지 않던 OWL 전용 기능들을 수행하도록 만든다.

동적 변경 기능은 실시간 애플리케이션, 예컨대 지식 기반이 지속적으로 업데이트되는 웹 서비스에서 매우 중요한데, 이를 위해 SWORIER는 런타임에 사실과 규칙을 삽입·삭제하는 인터페이스를 제공한다. 이는 전통적인 OWL 추론기들이 정적 지식베이스를 전제로 하는 한계를 극복한다는 점에서 의미가 크다. 또한 논문은 부정(Negation) 처리, 보완 클래스(Complementary Classes), 이산 머리(Disjunctive Heads), 카디널리티(Cardinality)와 같은 OWL·SWRL이 흔히 마주치는 난제를 해결한다. 특히 부정에 대해서는 논리적 부정과 비-단정(Negation as Failure)을 구분하고, 보완 클래스를 처리하기 위해 클래스 보완 연산자를 명시적으로 구현한다.

효율성 측면에서 저자들은 ‘외연화(extensionalization)’ 기법을 도입한다. 이는 추론 과정에서 생성된 중간 결과를 사실 집합에 저장해 두고, 동일한 질의가 재요청될 때 재계산을 피하도록 하는 캐시 메커니즘이다. 또한 ‘재분석 회피(avoiding reanalysis)’와 ‘코드 최소화(code minimization)’를 통해 불필요한 규칙 전개와 중복 코드를 제거함으로써 메모리 사용량과 실행 시간을 크게 단축한다. 이러한 최적화는 대규모 온톨로지와 복잡한 규칙 집합을 다루는 실제 환경에서 실용성을 확보하는 데 필수적이다.

전체적으로 이 연구는 OWL·SWRL과 RuleML·OWL 두 가지 패러다임을 Prolog라는 공통 실행 플랫폼 위에 통합함으로써, 시맨틱 웹의 온톨로지와 규칙 사이의 격차를 메우고, 동적·효율적인 추론을 가능하게 하는 중요한 전진을 제시한다. 향후 연구에서는 불일치 해결 전략을 보다 정교화하고, 분산 환경에서의 확장성을 검증하는 것이 과제로 남는다.