InteractE: 컨볼루션 기반 지식 그래프 임베딩의 특징 상호작용 증가를 통한 성능 향상

기존의 대부분의 지식 그래프는 불완전성 문제를 겪고 있으며, 이는 이미 알려진 사실을 바탕으로 누락된 연결을 추론함으로써 완화될 수 있다. 이러한 작업을 수행하는 대표적인 방법 중 하나는 개체와 관계의 저차원 임베딩을 생성하고, 이를 이용해 추론을 수행하는 것이다. 최근 제안된 ConvE는 개체 및 관계 임베딩을 2차원으로 재구성한 후, 컨볼루션 필터를 적용하여 구성 요소 간의 풍부한 상호작용을 포착하는 방식을 사용한다. 그러나 ConvE는 포착할 수 있는 상호작용의 수가 제한적이다. 본 논문에서는 이러한 상호작용의 수를 늘림으로써 링크 예측 성능에 미치는 영향을 분석하고, 그 관찰 결과를 바탕으로 InteractE를 제안한다. InteractE는 세 가지 핵심 아이디어—특징 순열(Feature Permutation), 새로운 형태의 특징 재구성, 그리고 원형 컨볼루션(Circular Convolution)—에 기반한다. 광범위한 실험을 통해 InteractE가 FB15k-237에서 최신의 컨볼루션 기반 링크 예측 베이스라인보다 우수한 성능을 보임을 확인하였다. 또한, FB15k-237, WN18RR, YAGO3-10 데이터셋에서 각각 ConvE보다 MRR 점수에서 9%, 7.5%, 23% 향상된 성능을 달성하였다. 이러한 결과는 본 연구의 핵심 가설—즉, 특징 상호작용을 늘리는 것이 링크 예측 성능 향상에 유리하다—를 실험적으로 검증한다. InteractE의 소스 코드는 재현 가능한 연구를 촉진하기 위해 공개한다.