잠재 관계 매핑 엔진: 자동 비유 추론의 새로운 패러다임

초록

LRME는 구조 매핑 이론(SME)과 잠재 관계 분석(LRA)을 결합해, 손으로 만든 의미 표현 없이 대규모 텍스트 코퍼스를 이용해 단어 리스트 간의 관계를 자동으로 학습하고 매핑한다. 20개의 과학·일상 비유 문제에서 인간 수준의 정확도를 달성했으며, 기존 대안보다 월등히 높은 성능을 보였다.

상세 분석

본 논문은 비유 추론의 핵심 메커니즘을 구현하기 위해 두 기존 접근법의 장점을 융합한다. 구조 매핑 이론(SMT)은 개념 간의 구조적 유사성을 강조하지만, 실제 구현인 구조 매핑 엔진(SME)은 복잡한 손코딩된 의미 네트워크를 전제한다는 한계가 있다. 반면 잠재 관계 분석(LRA)은 대규모 코퍼스에서 단어 쌍 사이의 관계를 고차원 벡터로 추출해, 통계적 유사성을 측정한다. LRME는 먼저 입력된 두 리스트 A와 B(각각 n개의 단어) 사이의 모든 가능한 쌍 (a_i, b_j)에 대해 LRA를 적용해 관계 벡터를 생성한다. 이 벡터들은 코사인 유사도 등으로 정량화되어 관계 점수 행렬 R을 만든다. 이후 SME의 매핑 탐색 절차를 차용해, R 행렬을 기반으로 최대 총점(총 관계 유사도)을 주는 1대1 매핑을 최적화한다. 최적화는 허용 가능한 매핑 공간을 제한하기 위해 구조적 제약(예: 일대일 대응, 순서 무시)을 적용하고, 탐욕적 혹은 힐-클라이밍 알고리즘을 사용한다.

실험에서는 과학적 비유(예: 전류:전압 = 물:높이)와 일상적 은유(예: 사랑:불꽃 = 열정:불) 각각 10문제씩 총 20문제를 선정했다. 인간 피험자들의 평균 정답률을 기준선으로 삼아, LRME는 92% 이상의 정확도로 인간 평균과 거의 동등한 성과를 보였다. 비교 대상으로는 순수 LRA 기반 유사도 매칭, Word2Vec/Glove 임베딩을 이용한 최근접 매핑, 그리고 전통적인 SME(손코딩된 관계) 등이 포함되었으며, 이들 모두 70% 이하의 정확도에 머물렀다.

핵심 통찰은 관계 벡터가 개별 단어 의미보다 비유적 구조를 더 잘 포착한다는 점이다. 즉, “전류는 전압을 흐르게 한다”와 같은 문맥에서 추출된 관계는 “물은 높이에 따라 흐른다”와 높은 차원 상의 유사도를 갖게 된다. 또한, 대규모 코퍼스가 제공하는 풍부한 통계적 증거가 손코딩된 지식베이스의 한계를 극복한다는 점을 실증적으로 보여준다. 그러나 현재 구현은 리스트 길이가 짧을 때(≤7) 효율적이며, 긴 문장이나 복합 구조에 대한 확장은 추가 연구가 필요하다.