Understanding Wikidata Qualifiers: An Analysis and Taxonomy

이 논문은 위키데이터의 한정자 (qualifiers) 사용과 의미 분석을 바탕으로 빈도와 다양성을 고려한 수정된 섀넌 엔트로피 지수를 적용하여, 한정자 선정과 질의, 추론을 지원하기 위한 새로운 분류 체계를 제시합니다.

핵심

📚 비유: 거대한 도서관과 책의 주석

상상해 보세요. 위키데이터는 전 세계의 모든 지식을 담고 있는 거대한 도서관입니다.

• 주장 (Statement): "조지 C. 스콧은 콜린 더허스트와 결혼했다"라는 문장입니다.
• 수식어 (Qualifier): 하지만 이 문장만으로는 정보가 부족할 수 있죠? "언제부터?" "언제까지?" "왜 끝났을까?" 같은 정보가 필요합니다.
  • 예: "1960 년부터 1965 년까지 (이혼으로 끝남)"

이 1960 년, 1965 년, 이혼 같은 추가 정보가 바로 **'수식어 (Qualifier)'**입니다.

🧐 문제점: 너무 많은 주석들

이 도서관에는 수백 개의 다른 '주석' 종류가 있습니다.

• "시간", "장소", "신뢰도", "원인", "순서" 등등...
• 문제는 -contributor(기여자) 들이 어떤 주석을 써야 할지 몰라 당황한다는 것입니다.
• 또한, 검색할 때 "1960 년부터 1965 년까지의 결혼"만 찾고 싶을 때, 복잡한 주석들을 어떻게 처리해야 할지 헷갈립니다.

🔍 연구의 핵심: "가장 중요한 주석 300 개"를 분석하다

저자들은 도서관에 있는 모든 주석 (약 2,240 개) 을 다 분석하는 대신, 가장 많이 쓰이고 다양한 곳에 쓰이는 'Top 300' 주석을 뽑아냈습니다.

그리고 이 300 개를 4 가지 큰 카테고리로 나누어 정리했습니다. 마치 책갈피를 색깔별로 분류하는 것처럼요.

1. 🕰️ 맥락 (Context) - "언제, 어디서, 누구에게?"

이 주석들은 진실의 유효 범위를 정해줍니다.

• 비유: "이 약은 어린이에게는 먹으면 안 됩니다."
• 역할: "이 사실은 특정 시간이나 특정 지역에서만 맞다"라고 제한합니다. (예: 1990 년까지 유효함, 독일에서만 유효함)

2. 🤔 지식과 불확실성 (Epistemic/Uncertainty) - "얼마나 확실한가?"

이 주석들은 정보의 신뢰도를 알려줍니다.

• 비유: "그는 약 1980 년경에 태어났다" 또는 "이 사실은 가설 단계다."
• 역할: "정확한 날짜는 모르지만 대략 이 정도다" 혹은 "다른 출처로 확인되지 않았다"는 것을 표현합니다.

3. 🏗️ 구조 (Structural) - "데이터의 조각"

이 주석들은 하나의 정보를 여러 조각으로 나눌 때 쓰입니다.

• 비유: "이 유전자의 위치는 염색체 1 번에 100 번이다."
• 역할: 숫자 하나만으로는 의미가 없는 경우, '어떤 염색체'인지, '어떤 필터'인지 같은 부속 정보를 붙여줍니다.

4. 📝 추가 정보 (Additional) - "그 외의 부가 설명"

진실의 의미를 바꾸지 않는 보조 설명들입니다.

• 비유: "이 사람은 과학자로서 일했다" (역할), "이 자료는 2018 년 인구조사에서 나왔다" (출처), "이 목록의 3 번째 항목이다" (순서).
• 역할: 누가, 어디서, 어떤 순서로, 어떤 이유로 이 정보가 나왔는지 설명합니다.

💡 이 연구가 가져온 변화 (왜 중요한가?)

저자들은 이렇게 정리된 분류표 (Taxonomy) 를 통해 다음과 같은 문제를 해결할 수 있다고 말합니다.

1. 기여자 (도서관 사서) 를 돕습니다:
   • "어떤 주석을 써야 할지 모르겠다?" →分类표에서 '시간'이 필요하면 '맥락' 카테고리, '신뢰도'가 필요하면 '불확실성' 카테고리를 보면 됩니다.
2. 검색을 똑똑하게 만듭니다:
   • "1960 년~1965 년 사이의 결혼 정보만 찾아줘!"라고 검색할 때, 복잡한 주석 코드를 일일이 외울 필요 없이 '시간 범주'를 검색하면 됩니다.
3. 새로운 도서관을 설계할 때 참고합니다:
   • 위키데이터처럼 지식을 저장하는 새로운 시스템을 만들 때, 이 분류표를 참고하면 더 체계적인 시스템을 설계할 수 있습니다.

🎯 결론

이 논문은 **"위키데이터의 수많은 부가 설명 (수식어) 들을 혼란스러운 나뭇잎처럼 방치하지 말고, 나무의 가지처럼 체계적으로 분류하자"**는 이야기입니다.

이렇게 분류함으로써, 우리는 더 쉽게 정보를 찾고, 더 정확하게 검색하며, 더 신뢰할 수 있는 지식을 쌓을 수 있게 됩니다. 마치 도서관에서 책갈피 색깔만 보고도 원하는 책을 빠르게 찾을 수 있게 되는 것과 같습니다.

기술 요약

1. 문제 정의 (Problem Statement)

위키데이터 (Wikidata) 는 주체 (Subject), 속성 (Property), 값 (Value) 으로 구성된 진술 (Statement) 의 집합이며, 각 진술은 추가적인 속성 - 값 쌍인 **한정자 (Qualifiers)**를 통해 맥락, 불확실성, 구조적 정보 등을 부가할 수 있습니다. 하지만 한정자의 광범위한 사용은 다음과 같은 심각한 도전 과제를 야기합니다:

• 적절한 한정자 선택의 어려움: 새로운 진술을 작성할 때, contributors(기여자) 가 어떤 한정자를 선택해야 할지 판단하기 어렵습니다.
• 쿼리 및 추론의 복잡성: 한정자가 진술의 유효성 (시간, 공간, 조직 등) 이나 불확실성을 제한하는 경우, 이를 고려하지 않은 쿼리는 의미 없는 결과를 초래할 수 있으며, 논리적 추론을 위해서는 한정자의 의미와 전환 규칙을 명확히 해야 합니다.
• 분류 체계의 부재: 기존 연구 (예: Patel-Schneider) 는 한정자를 '맥락적 (Contextual)'과 '추가적 (Additional)'으로만 이분화했으나, 이는 실제 위키데이터의 복잡한 사용 사례를 충분히 반영하지 못했습니다.

2. 방법론 (Methodology)

이 연구는 위키데이터의 실제 사용 패턴을 기반으로 한정자의 중요성을 평가하고 새로운 분류 체계 (Taxonomy) 를 구축하기 위해 다음과 같은 단계를 거쳤습니다.

2.1 데이터 수집 및 전처리

• 데이터셋: 2025 년 1 월 1 일 기준의 위키데이터 전체 덤프 (Dump) 를 사용했습니다.
• 정의: '예시 진술 (Example statements)'과 '속성 범위 제약 (Property scope constraint)'을 위반하는 잘못된 한정자 사용은 제외하고, 실제 진술에 사용된 1,357 개의 속성을 한정자로 간주했습니다.

2.2 중요도 평가 지표 개발

한정자의 중요성을 평가하기 위해 **빈도 (Frequency)**와 다양성 (Diversity) 두 가지 차원을 고려했습니다.

• 빈도 (Frequency): 해당 한정자가 포함된 진술의 총 수.
• 다양성 (Diversity): 한정자가 어떤 속성 (Properties) 들에 걸쳐 사용되는지.
  • 단순한 고유 속성 수 계산은 '긴 꼬리 (Long tail)' 현상 (일부 속성에만 집중되는 경우) 으로 인해 왜곡될 수 있음.
  • 해결책: 생태학에서 유래한 **힐 수 (Hill numbers, order 1)**를 적용. 이는 샤논 엔트로피 (Shannon entropy) 의 지수 형태로, 상대적 빈도를 고려하여 다양성을 측정합니다.
  • 비례 빈도 (Proportional Frequency) 도입: 특정 한정자가 특정 속성 전체에서 차지하는 비율을 고려하여, 한 속성에 지나치게 치중된 한정자의 다양성 지수를 보정했습니다.

2.3 상위 300 개 한정자 선정 및 분석

• 빈도와 다양성을 곱한 '중요도 점수'를 계산하여 상위 300 개의 한정자를 선정했습니다 (이들 300 개는 전체 한정자 - 값 쌍의 99.6% 를 커버함).
• 선정된 한정자들의 텍스트 설명, 가장 빈번하게 한정하는 속성 (Properties), 그리고 실제 값 (Values) 을 분석하여 분류 체계를 정립했습니다.

3. 주요 기여 및 분류 체계 (Key Contributions & Taxonomy)

기존의 '맥락적'과 '추가적' 이분법을 확장하고 세분화한 4 가지 주요 범주와 하위 범주로 구성된 새로운 분류 체계를 제안했습니다 (그림 4 참조).

3.1 맥락 한정자 (Context / Validity)

진술의 유효성을 특정 맥락으로 제한합니다.

• 시간적 (Temporal): 시점, 시작/종료 시간, 유효 기간 등.
• 공간적 (Spatial): 국가, 유효 지역 등.
• 주체 수정자 (Subject Modifiers): 적용 대상 부분, 포함/제외 대상 등.

3.2 인식론적/불확실성 (Epistemic / Uncertainty)

진술에 대한 지식의 상태나 검증 정도를 나타냅니다.

• 인식론적: 출처 상황 (sourcing circumstances), 진술의 성격 (nature of statement) 등.
• 불확실성 정량화: 가장 최근/최초 날짜, 불확실한 범위 등.

3.3 구조적 (Structural)

데이터 구조의 정의나 값의 필드 구성에 관여합니다.

• 메타모델링 (Metamodeling): 카테고리 정의, 리스트 유형, 제약 조건 (Constraint) 정의에 사용.
• 구조화된 값의 필드 (Field of structured value): 객체가 위키데이터 항목이 아닌 경우 (예: 유전자의 위치, 분자의 끓는점), 해당 값을 구성하는 필드 (예: 염색체, 압력) 를 지정.

3.4 추가 정보 (Additional Information)

진술의 의미는 변경하지 않지만 추가 정보를 제공합니다.

• 순서 (Sequence): 순서, 대체 관계, 후보 번호 등.
• 출처 (Provenance): 이름 표기, 결정 방법, 등급 이유, 지원 출처 등.
• 인과성 (Causality): 원인, 결과, 종료 원인 등.
• 주체/객체 - 진술 관계: 역할 (Role), 위치 등.
• 하위 속성/값 (Sub-property/Value Refinement): 기준, 매핑 관계 유형 등.
• 외부 개체 설명 (External Object Description): URL, DOI 등 위키데이터 외부 개체의 속성 (언어, 저작권 등) 설명.

4. 결과 (Results)

• 분포 분석: 상위 50 개 한정자 중 '구조적 (Structured Value)'과 '추가 정보 (External Object Description, Sequence 등)'가 상당 부분을 차지하며, 기존 연구에서 강조된 '맥락적 (Contextual)' 한정자는 전체의 10% 미만을 차지하는 것으로 나타났습니다.
• 다양성 지수: '시리즈 순서 (Series ordinal)'와 같이 빈도는 높지만 특정 속성에 편중된 경우, 기존 다양성 지수는 낮게 나왔으나 제안된 비례 빈도 기반 지수를 적용하면 실제 사용 다양성 (57.64) 을 정확히 반영함을 확인했습니다.
• 혼란 사례: 일부 한정자 (예: '국가', '출판사') 는 정의가 모호하거나 오용으로 인해 여러 범주에 걸쳐 분류될 수 있음을 발견했습니다.

5. 의의 및 활용 (Significance & Applications)

이 분류 체계는 다음과 같은 실용적 가치를 가집니다:

1. 적절한 한정자 선택 지원: 기여자들이 진술을 작성할 때, 범주별 명확한 기준을 통해 적합한 한정자를 쉽게 탐색하고 선택할 수 있도록 돕습니다.
2. 정확한 쿼리 및 추론 (Qualifier Abstraction):
   • 한정자 자체를 직접 참조하는 대신, 범주 (예: 시간적 맥락, 인과성) 단위로 추상화된 데이터 타입을 정의합니다.
   • 이를 통해 시간 구간 교차, 인과성 결합 등 복잡한 논리 연산을 쿼리와 추론 규칙에 적용할 수 있게 되어, 더 정확하고 의미 있는 질의가 가능해집니다.
3. 지식 그래프 설계 방법론 개선: 새로운 지식 그래프를 설계할 때 고려해야 할 주요 모델링 차원 (맥락, 불확실성, 인과성, 구조 등) 을 제시하여, 단순한 RDF 모델의 한계를 넘어선 설계 가이드를 제공합니다.
4. 사용자 인터페이스 (UI) 개선: 한정자를 범주별로 그룹화하여 편집 인터페이스를 개선하고, 자동 추천 시스템의 정확도를 높이는 데 기여합니다.

결론

본 논문은 위키데이터 한정자의 빈도와 다양성을 정량적으로 분석하여, 기존 분류 체계를 넘어선 포괄적이고 실용적인 분류 체계 (Taxonomy) 를 제시했습니다. 이는 위키데이터 기여자의 작업 효율성을 높이고, 지식 그래프의 쿼리 및 추론 능력을 향상시키며, 향후 지식 그래프 설계에 중요한 통찰을 제공합니다. 모든 데이터와 분석 코드는 GitHub 에서 공개되어 있습니다.