그래프 컨볼루션 네트워크를 이용한 관계 데이터 모델링

지식 그래프는 질문 응답 및 정보 검색을 포함한 다양한 응용 프로그램을 가능하게 합니다. 그러나 이들의 생성과 유지 보수에 많은 노력이 투자되었음에도 불구하고, 가장 큰 지식 그래프들(예: Yago, DBPedia 또는 Wikidata)조차도 여전히 불완전합니다. 우리는 관계 그래프 합성곱 네트워크(Relational Graph Convolutional Networks, R-GCNs)를 소개하고 이를 두 가지 표준적인 지식 기반 완성 작업에 적용합니다: 링크 예측(누락된 사실의 복구, 즉 주제-술어-목적어 트리플)과 개체 분류(누락된 개체 속성의 복구).R-GCNs는 그래프에서 작동하는 최근 신경망 클래스와 관련되어 있으며, 실제 지식 기반의 특징인 고도로 다중 관계 데이터를 처리하기 위해 특히 개발되었습니다. 우리는 R-GCNs가 독립 모델로서 개체 분류에 효과적임을 입증합니다. 또한 링크 예측을 위한 인자 분해 모델인 DistMult와 같은 모델들이 관계 그래프에서 여러 추론 단계 동안 증거를 축적할 수 있는 인코더 모델로 강화될 경우 크게 개선될 수 있음을 보여주며, FB15k-237 데이터셋에서 디코더만 사용한 베이스라인 대비 29.8%의 큰 성능 향상을 달성하였습니다.