다중 추론을 위한 소수 샘플 관계의 메타 지식 그래프 정보 적응

다중 홉 지식 그래프(KG) 추론은 질의 응답(QA) 작업에서 추론 경로를 통해 대상 엔티티를 예측하는 효과적이고 설명 가능한 방법입니다. 이전의 대부분 방법은 모든 관계가 충분한 훈련 트리플을 가지고 있다고 가정하지만, 소수 샘플 관계(few-shot relations)는 강건한 추론 모델을 훈련시키기 위한 충분한 트리플을 제공할 수 없습니다. 실제로, 기존의 다중 홉 추론 방법은 소수 샘플 관계에서 성능이 크게 저하됩니다. 본 논문에서는 메타 학습을 활용하여 고빈도 관계에서 효과적인 메타 매개변수를 학습하고, 이를 통해 소수 샘플 관계에 빠르게 적응할 수 있는 메타 기반 다중 홉 추론 방법(Meta-KGR)을 제안합니다. 우리는 Freebase와 NELL에서 샘플링된 두 개의 공개 데이터셋에서 Meta-KGR을 평가하였으며, 실험 결과는 Meta-KGR이 소수 샘플 시나리오에서 현재 최신 방법들을 능가함을 보여주었습니다. 우리의 코드와 데이터셋은 https://github.com/THU-KEG/MetaKGR 에서 확인할 수 있습니다.