지식 그래프에서 관계 예측을 위한 주의 기반 임베딩 학습

최근 지식 그래프(KGs)의 급증과 함께, 엔티티 간에 결여된 관계(링크) 형태로 나타나는 불완전하거나 부분적인 정보가 지식베이스 완성(관계 예측이라고도 함) 연구를 촉진시키고 있습니다. 최근 여러 연구에서는 컨볼루션 신경망(CNN) 기반 모델이 더 풍부하고 표현력 있는 특징 임베딩을 생성하므로 관계 예측에서도 우수한 성능을 보인다고 제안하고 있습니다. 그러나 우리는 이러한 KG 임베딩이 트리플을 독립적으로 처리하기 때문에, 트리플 주변에 내재되어 있는 복잡하고 숨겨진 정보를 포착하지 못함을 발견하였습니다. 이에 본 논문에서는 주어진 엔티티의 이웃에서 엔티티와 관계 특징을 모두 포착하는 새로운 주의 기반 특징 임베딩 방법을 제안합니다. 또한, 우리의 모델은 관계 클러스터와 다중 점프 관계를 포함시킵니다. 실증적 연구를 통해 우리의 주의 기반 모델의 효과성을 분석하였으며, 모든 데이터셋에서 최신 방법론 대비 뚜렷한 성능 향상을 보였습니다.