벡터 공간에서 지식 그래프 탐색

초록

본 논문은 기존 지식 그래프 임베딩 모델을 재귀적으로 활용해 경로 질의(path query)를 처리하는 방법을 제안한다. 단일 삼중항 학습만으로는 경로를 연쇄적으로 추론할 때 오류가 누적되지만, 저자들은 “구성(compositional) 학습” 목표를 도입해 이러한 누적 오류를 크게 감소시켰다. 실험 결과, 경로 질의 정확도가 두 배 이상 향상되었으며, 동일한 학습 방식이 지식 베이스 완성(KBC) 작업에서도 구조적 정규화 효과를 보여 최신 모델들을 능가한다.

상세 분석

이 논문은 지식 그래프(KG)의 불완전성을 벡터 공간 임베딩으로 보완하고, 이를 이용해 복합적인 경로 질의를 효율적으로 답변하는 새로운 프레임워크를 제시한다. 기존 KBC 모델들은 (s, r, t) 형태의 단일 트리플에 대해 점수를 매기는 방식으로 학습되었으며, 경로 길이가 1인 경우에만 최적화된다. 저자들은 이러한 모델을 “점수 함수 = M(T_r(x_s), x_t)” 형태로 일반화하고, T_r을 관계별 변환 연산, M을 멤버십 연산으로 해석한다. 이를 기반으로 임의 길이의 경로 q에 대해 J_q^V = T_{r_k}(…T_{r_1}(x_s)…) 를 정의하고, 최종 점수는 M(J_q^V, x_t) 로 계산한다. 핵심은 “구성 학습(compositional training)”이다. 저자는 경로 질의 집합 {(q_i, t_i)}을 생성하고, 마진 기반 손실 J(Θ)=∑i∑{t’∈N(q_i)}