지식그래프 기반 연관문서 추천 기능을 활용한 기업 정보시스템 지능화 방안
A Proposal for Intelligentizing Business Information Systems by Deploying Knowledge Graph-based Relevant Document Recommendation
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
지능적 서비스를 가능하게 하는 다양한 정보기술의 등장에 힘입어 많은 분야의 업무방식과 도구 또한 지능화되어 가고 있다. 그러나 기업 업무 수행에 있어 제1의 도구로불리는 정보시스템은 이러한 시류와는 관계없이 기존의 기능과 활용 범위를 벗어나지못하고 있다. 기업 정보시스템이 수행하는 많고 다양한 문서 관리 기능에 대한 지능화는 향상된 업무 효율과 만족도를 위한 필수적인 조치로 볼 수 있다. 따라서 본 연구는, 관리하는 문서 간 내용적 유사성을 기초로 연관문서를 추출 및 추천하는, 지식그래프기반 연관문서 추천 시스템의 구축 방법론을 제시한다. 제시하는 방법론은 문서 관리에사용되는 기존 데이터베이스를 그대로 유지하되, 문서에 포함된 텍스트에 대한 벡터값을 기준으로 문서 간 내용적 연관성을 파악하여 이를 문서별 메타데이터와 함께 그래프데이터베이스에 저장하여 지식그래프를 구축한다. 또한 지식그래프 기반 연관문서 추천시스템의 프로토타입을 구현하며, 구현된 프로토타입에 대한 필수 기능 수행 테스트를통해 제시된 방법론의 유효성을 검증한다.
Abstract
With the advent of various information technologies enabling intelligent services, many tools and methods in various fields are becoming increasingly intelligent. However, business information systems, regarded as the primary tool for corporate tasks, have not kept pace with this trend, remaining within the confines of their traditional functions and scope. Intelligentizing the diverse document management functions performed by business information systems is essential for improving work efficiency and satisfaction. Therefore, this study proposes a methodology for building a knowledge graph-based relevant document recommendation system, which extracts and recommends related documents based on content similarity. The proposed methodology maintains the existing database used for document management while analyzing the textual content of documents to determine their content-related relevance. The relationships between documents, along with their metadata, are stored in a graph database to build a knowledge graph. Additionally, a prototype of the knowledge graph-based recommendation system is implemented, and its essential functionalities are tested to validate the proposed methodology’s validity.
참고문헌 (27)
- 유기동, "Keyword-based networked knowledge map expressing content relevance between knowledge", 지능정보연구, 24(3), pp.119~134 (2018)
- 유기동, "지식 간 내용적 연관성 파악 기법의 지식 서비스 관리 접목을 위한 정량적", 정성적 고려사항 검토, 2021, pp.26(3), 119~132
- Brin, S., "The anatomy of a large-scale hypertextual web search engine", Computer networks and ISDN systems, 30, pp.107~117 (1998)
- Guo, Q., "A survey on knowledge graph-based recommender systems", IEEE Transactions on Knowledge and Data Engineering, 34(8), pp.3549~3568 (2022)
- "How to Implement Graph RAG Using Knowledge Graphs and Vector Databases" (2024)[URL]
- "Most successful Transformer variants: Introducing BERT and GPT" (2024)[URL]
- OECD, "OECD Economic Outlook, Interim Report September 2024: Turning the Corner" (2024), OECD Publishing
- "Why you need a knowledge graph and how to build it" (2023)[URL]
- Radford, A., "Improving language understanding by generative pre-training", OpenAI Blog, ~ (2018)
- Singhal, A., "Modern information retrieval : A brief overview", IEEE Data Engineering Bulletin, 24(4), pp.35~43 (2001)
- Sparck Jones, K., "A Statistical interpretation of term specificity and its application in retrieval", Journal of Documentation, 28(1), pp.11~21 (1972)
- A survey of collaborative filtering techniques, "Su, X.", Advances in Artificial Intelligence, 1~19 (2009)
- Sun, C., "How to fine-tune BERT for text classification?", Proceedings of the 18th China national conference of computational linguistics, pp.194~206 (2019)
- Sun, Z., "Research commentary on recommendations with side information : A survey and research directions", Electronic Commerce Research and Applications, 37, pp.100879~ (2019)
- Wang, H., "Ripplenet: Propagating user preferences on the knowledge graph for recommender systems", Proceedings of the 27th ACM international conference on information and knowledge management, pp.417~426 (2018)
- Zhang, F., "Collaborative knowledge base embedding for recommender systems", Proceedings of the 22nd ACM SIGKDD international conference on knowledge discovery and data mining, pp.353~362 (2016)