연결 데이터에서 인간 연상 패턴을 찾는 진화적 SPARQL 쿼리 학습

논문은 링크드 데이터 활용의 핵심 장애물인 적절한 SPARQL 질의 작성 문제를 해결하고자, 소스‑타깃 쌍을 입력으로 받아 자동으로 그래프 패턴을 학습하는 진화 알고리즘을 제안한다. 서론에서는 DBpedia와 같은 대규모 RDF 지식 그래프가 풍부하지만, 도메인 전문가가 적절한 어휘·모델링을 선택하고 질의를 설계하는 것이 어렵다는 점을 강조한다. 기존 연구는 벡터 임베딩 기반 관계 추출이나 인터랙티브 질의 보조 도구에 국한돼, 다중 패턴을 동시에 학습하거나 다양한 엔티티 종류를 다루지 못한다는 한계를 지적한다. 제안된 방법은 먼저 GT라는 인간이 제공한 소스‑타깃 쌍 집합을 준비한다. 이후 SPARQL 엔드포인트 G에 대해 기본 그래프 패턴(ASK·SELECT 쿼리) 집합을 진화적으로 탐색한다. 초기 개체는 ?source와 ?target을 포함한 단일 트리플 형태이며, 경로 길이에 따라 확률적으로 생성된다. 각 세대에서는 교배와 변이 연산을 적용한다. 교배는 두 부모의 트리플을 합치고, 변수 충돌을 50 % 확률로 재명명한다. 변이는 변수 도입·분할·병합·트리플 삭제·노드·엣지 추가·거리 증가·패턴 단순화·변수 고정 등 9가지 전략으로 구성된다. 특히 변수 고정 변이는 실제 SPARQL SELECT 질의를 수행해 변수에 적합한 IRI·리터럴을 매핑함으로써 탐색 효율을 크게 높인다. 패턴의 적합도는 10개의 정량적 지표를 lexicographic하게 비교한다. 첫 번째는 남은 정밀도 합(remaining precision sum)으로, 이전 실행에서 이미 커버된 쌍에 대한 보상을 감소시켜 남은 쌍에 집중한다. 두 번째는 gain·score로, 정밀도와 재현율을 동시에 최적화하면서 과적합을 억제한다. 이어서 F1‑measure, 평균 결과 길이, GT 매치 수, 패턴 길이·변수 수·타임아웃·쿼리 시간 등을 고려한다. 이러한 다중 목표 최적화는 패턴이 짧고 빠르면서도 높은 정밀도와 재현율을 유지하도록 만든다. 선택 과정은 토너먼트 방식이며, 매 세대마다 새로운 초기 개체와 ‘Hall of Fame’에서 베스트 개체를 재도입해 다양성을 유지한다. 또한 여러 번 실행해 얻은 패턴을 전역 결과 리스트에 누적함으로써, 서로 다른 패턴이 서로 보완하도록 설계한다. 실험에서는 인간이 만든 수백 개의 연상 관계(예: “원‑정사각형”, “바다‑파도”)를 DBpedia에 매핑하고, 7.9 억 트리플 규모 SPARQL 엔드포인트에서 알고리즘을 실행했다. 학습 과정은 평균 30 세대, 각 세대당 200 개 개체로 구성됐으며, 전체 실행 시간은 약 2 시간이었다. 학습된 패턴을 사용해 새로운 소스에 대한 타깃 예측을 수행했을 때, MAP 39.9 %·Recall@10 63.9 %를 달성했으며, 이는 기존 단일‑패턴 기반 방법보다 크게 향상된 결과다. 또한 패턴 시각화 도구를 제공해 사용자가 학습된 그래프 구조를 직관적으로 확인하고, 도메인 전문가가 추가적인 분석을 수행할 수 있게 했다. 결론에서는 제안된 진화적 그래프 패턴 학습기가 대규모 링크드 데이터에서 인간 수준의 연상 관계를 자동으로 발견할 수 있음을 입증했으며, 향후 다른 도메인(예: 의학, 법률)이나 다른 RDF 저장소에 적용 가능성을 제시한다. 또한 변이·교배 전략과 적합도 설계가 일반적인 그래프 패턴 탐색 문제에 널리 활용될 수 있음을 강조한다.