지식 그래프 엔티티 어라이어먼트를 위한 그래프 컨볼루션 네트워크: 얻은 교훈

본 연구에서는 지식 그래프(Knowledge Graph, KG) 내 엔티티 정합(entity alignment) 문제에 초점을 맞추며, 이 작업에 그래프 컨볼루션 네트워크(Graph Convolutional Network, GCN) 기반 모델을 적용한 경험을 보고한다. GCN의 변종은 여러 최첨단 접근 방식에서 사용되고 있어, GCN 기반 모델의 특성과 한계를 이해하는 것은 매우 중요하다. 심도 있는 노력에도 불구하고, 우리는 원저자의 논문에서 보고한 결과를 완전히 재현하지 못했다. 저자들이 제공한 코드를 철저히 검토한 결과, 그들의 구현 방식이 논문에서 설명한 아키텍처와 다름을 확인하였다. 또한 모델이 제대로 작동하기 위해 몇 가지 기술적 트릭(trick)이 필요하며, 그 중 일부는 직관적이지 않은 경우가 있다. 본 연구에서는 이러한 트릭과 아키텍처 변경 사항이 최종 성능에 미치는 영향을 정량적으로 분석하기 위해 광범위한 아블레이션(study)을 수행하였다. 더불어 현재의 평가 방식을 검토하고, 사용 가능한 벤치마크 데이터셋들을 체계화하였다. 우리는 지식 그래프 매칭 분야에 관심을 가진 연구자뿐 아니라, 이 분야에 처음 입문하는 초보자들에게도 본 연구가 유익할 것으로 기대한다.