프로로그 기반 효율적 설명 논리 추론 시스템

초록

DLog는 SHIQ 설명 논리(Description Logic)를 Prolog 프로그램으로 변환하고, Prolog의 내장 실행 메커니즘을 이용해 인스턴스 검색 질의를 효율적으로 처리한다. ABox 데이터를 데이터베이스에 저장함으로써 메모리 사용을 최소화하고 대규모 온톨로지에 대한 확장성을 확보한다.

상세 분석

본 논문은 설명 논리 SHIQ의 전반적인 추론 요구를 만족시키는 ABox 전용 엔진인 DLog를 제안한다. 핵심 아이디어는 TBox(용어 박스)와 RBox(관계 박스)의 규칙을 해석적(semantic) 의미론에 기반한 해석 규칙 집합으로 변환한 뒤, 이를 Prolog 절(clause) 형태로 컴파일하는 것이다. 이렇게 생성된 Prolog 프로그램은 표준 Prolog 인터프리터가 제공하는 백트래킹과 논리 변수 바인딩 메커니즘을 그대로 활용한다는 점에서 구현 복잡도가 크게 낮아진다.

특히 DLog는 ABox(개체 박스) 데이터를 관계형 데이터베이스에 저장하고, Prolog 질의 실행 시 데이터베이스 접근을 SQL 호출로 대체한다. 이는 메모리 기반 추론 엔진이 직면하는 메모리 오버플로우와 캐시 효율 저하 문제를 회피하게 해준다. 논문에서는 데이터베이스와 Prolog 사이의 인터페이스를 ‘외부 데이터베이스 호출(External Database Call)’이라고 명명하고, 이를 위해 Prolog의 ‘foreign predicate’ 기능을 활용한다.

기술적인 관점에서 DLog는 다음과 같은 최적화 기법을 적용한다. 첫째, 규칙 전처리 단계에서 불필요한 중복 절을 제거하고, 역전파(Backward Chaining) 과정에서 사용되는 서브쿼리의 결과를 캐시한다. 둘째, 역할 전이(Role Inheritance)와 전이성 전제(Transitive Role) 처리를 위해 특수한 ‘전이 규칙(transitive rule)’을 도입해 무한 재귀를 방지한다. 셋째, 개체 간 동등성(Equality)과 불일치(Negation)를 다루기 위해 ‘고정점 연산(Fixed‑point computation)’을 사용, 논리 프로그램이 수렴하도록 보장한다.

성능 평가에서는 DLog를 기존의 tableau 기반 DL reasoner인 Pellet 및 FaCT++와 비교하였다. 실험 결과, ABox 규모가 수십만 개체에 달할 때 DLog는 메모리 사용량을 70 % 이상 절감하고, 질의 응답 시간도 평균 2~3배 가량 빠른 것으로 나타났다. 특히 복합 역할 체인(role chain)과 전이성 역할이 포함된 복잡한 SHIQ 온톨로지에서도 일관된 성능을 유지한다는 점이 눈에 띈다.

또한 논문은 DLog가 Prolog의 논리 프로그래밍 특성을 그대로 유지함으로써, 사용자 정의 규칙이나 외부 연산자를 손쉽게 추가할 수 있음을 강조한다. 이는 온톨로지 기반 애플리케이션이 도메인 특화 로직을 삽입하거나, 기존 비즈니스 로직과 통합하는 데 큰 장점을 제공한다.

전체적으로 DLog는 설명 논리 추론을 전통적인 논리 프로그래밍 환경으로 옮겨, 메모리 효율성, 확장성, 구현 용이성 측면에서 의미 있는 진전을 이루었다. 향후 연구 과제로는 OWL 2 RL과 같은 규칙 기반 서브셋에 대한 자동 매핑, 그리고 분산 데이터베이스와의 연계 방안이 제시된다.