메타패스 기반 하이퍼그래프 대조 학습을 통한 이질 지식 그래프 노드 중요도 추정

초록

MetaHGNIE는 메타패스 시퀀스로 구성된 하이퍼그래프를 이용해 이질 지식 그래프의 고차원 관계를 포착한다. 구조적 정보를 로컬 어텐션으로, 의미적 정보를 하이퍼그래프 트랜스포머와 희소 청킹으로 각각 인코딩한 뒤, 대조 학습과 보조 감독을 결합한 멀티모달 융합 모듈로 정렬한다. 실험 결과, 기존 최첨단 방법들을 일관되게 능가한다.

상세 요약

MetaHGNIE는 이질 지식 그래프(Knowledge Graph, KG)에서 노드 중요도 추정(NIE)을 수행하기 위해 두 가지 핵심 문제를 해결한다. 첫째, 기존 방법들은 주로 이분 연결(pairwise)만을 활용해 다중 엔터티와 관계가 얽힌 고차원 의존성을 무시한다. 둘째, 구조적 신호와 의미적 신호를 별도로 처리해 교차 모달 간의 정합성을 확보하지 못한다는 점이다. 이를 극복하기 위해 저자는 메타패스(meta‑path)를 기반으로 하이퍼그래프를 구성한다. 메타패스는 타입이 지정된 관계 시퀀스로, 이를 하이퍼엣지에 매핑하면 하나의 하이퍼엣지가 여러 엔터티를 동시에 연결한다. 이렇게 형성된 고차원 하이퍼그래프는 전통적인 이분 그래프보다 풍부한 컨텍스트를 제공한다.

구조적 정보는 하이퍼그래프 내 각 노드의 로컬 이웃에 대해 어텐션 메커니즘을 적용해 가중합을 수행한다. 이 로컬 어텐션은 각 메타패스 타입별 가중치를 학습함으로써, 특정 타입의 관계가 노드 중요도에 미치는 영향을 동적으로 조정한다. 의미적 정보는 ‘하이퍼그래프 트랜스포머(HGT)’를 도입해 전역적인 의미 흐름을 캡처한다. HGT는 다중 헤드 어텐션을 사용하지만, 하이퍼엣지 수가 급증하는 문제를 완화하기 위해 ‘희소 청킹(sparse chunking)’ 기법을 적용한다. 청킹은 유사한 하이퍼엣지를 그룹화해 연산량을 O(·) 수준으로 감소시키면서도 정보 손실을 최소화한다.

두 모달의 임베딩은 ‘멀티모달 융합 모듈’에서 결합된다. 이 모듈은 구조와 의미 임베딩을 각각 정규화한 뒤, 대조 손실(contrastive loss)을 통해 같은 노드의 두 표현을 가깝게, 다른 노드의 표현은 멀게 만든다. 추가로, ‘보조 감독(auxiliary supervision)’으로 기존의 라벨 기반 손실을 결합해 학습 안정성을 높인다. 전체 손실은 구조‑의미 대조 손실 + 라벨 손실 + 정규화 항으로 구성된다.

실험에서는 OpenKG, DBpedia, YAGO 등 대표적인 이질 KG NIE 벤치마크를 사용했으며, 메트릭은 MAP, NDCG, Recall 등을 적용했다. MetaHGNIE는 모든 데이터셋에서 기존 GNN 기반, 메타패스 기반, 하이퍼그래프 기반 모델을 평균 4.2%~9.8% 상회하였다. 특히 메타패스 길이가 길어질수록 고차원 상호작용을 효과적으로 활용한다는 점이 두드러졌다.

Ablation Study에서는 (1) 하이퍼그래프 구성 없이 일반 그래프 사용, (2) 로컬 어텐션 제거, (3) 희소 청킹 없이 전체 트랜스포머, (4) 대조 학습 없이 단일 손실만 사용했을 때 성능이 현저히 떨어지는 것을 확인했다. 이는 각각의 구성 요소가 고차원 의존성 포착, 연산 효율성, 교차 모달 정렬에 필수적임을 증명한다.

한계점으로는 메타패스 설계가 도메인 전문가의 사전 지식에 의존한다는 점과, 매우 큰 KG에서는 하이퍼엣지 수가 여전히 메모리 병목을 일으킬 수 있다는 점을 언급한다. 향후 연구에서는 자동 메타패스 탐색 및 동적 하이퍼엣지 샘플링 기법을 도입해 확장성을 강화할 계획이다.

전반적으로 MetaHGNIE는 메타패스 기반 하이퍼그래프와 대조 학습을 결합해 구조·의미 정보를 효과적으로 융합함으로써, 이질 지식 그래프에서 노드 중요도 추정 성능을 크게 향상시킨 혁신적인 프레임워크라 할 수 있다.