효율적인 병렬 번역 임베딩 기법을 이용한 지식 그래프 연구

지식 그래프 임베딩은 지식 그래프의 개체와 관계를 저차원 벡터 공간으로 매핑하는 것을 목표로 합니다. 번역 기반 임베딩 방법들은 관계를 머리 개체에서 꼬리 개체로의 번역으로 간주하여, 지식 그래프 임베딩 방법들 중 최고 수준의 결과를 달성하였습니다. 그러나 이러한 방법들의 주요 제한점은 시간이 많이 소요되는 학습 과정입니다. 큰 규모의 지식 그래프에 대해 몇 일 또는 몇 주가 걸릴 수 있으며, 이는 실제 응용에서 큰 어려움을 초래합니다. 본 논문에서는 지식 그래프의 구별되는 구조를 활용하여 락 없이 병렬화할 수 있는 효율적인 병렬 프레임워크인 ParTrans-X를 제안합니다. TransE [3], TransH [17], 그리고 더 효율적인 변형인 TransE-AdaGrad [10] 등 세 가지 대표적인 번역 기반 임베딩 방법을 사용하여 두 데이터셋에서 수행된 실험은 ParTrans-X가 학습 과정을 10배 이상 가속화할 수 있음을 검증하였습니다.