순서화된 관계 경로를 이용한 지식 그래프 완성을 위한 표현 학습

기존 지식 그래프(KG)에서 불완전성은 흔한 문제이며, 엔티티 간의 링크를 예측하는 것을 목표로 하는 KG 완성은 도전적인 과제이다. 기존의 대부분의 KG 완성 방법들은 노드 간의 직접적인 관계만 고려하며, 링크 예측에 유용한 정보를 담고 있는 관계 경로를 무시한다. 최근 몇몇 방법들이 관계 경로를 고려하기 시작했지만, 추론에 중요한 경로 내 관계의 순서에 대한 주의가 부족하다. 또한 이러한 경로 기반 모델들은 보통 경로 특징의 비선형적 기여를 간과한다. 이러한 문제를 해결하기 위해 본 연구에서는 OPTransE라는 새로운 KG 완성 방법을 제안한다. 기존 방법이 관계의 두 엔티티를 동일한 잠재 공간에 임베딩하는 방식과 달리, 각 관계의 헤드 엔티티와 테일 엔티티를 서로 다른 공간으로 투영함으로써 경로 내 관계의 순서를 보장한다. 동시에, 다양한 경로의 비선형적이고 복잡한 특징을 추출하기 위해 풀링 전략을 도입하여 링크 예측 성능을 더욱 향상시킨다. 두 가지 벤치마크 데이터셋에서의 실험 결과, 제안한 모델 OPTransE가 최신 기술 수준의 방법들보다 우수한 성능을 보였다.