확률적 사례 기반 추론을 통한 오픈월드 지식 그래프 보완

사례 기반 추론(CBR, Case-Based Reasoning) 시스템은 주어진 문제와 유사한 ‘사례’를 검색함으로써 새로운 문제를 해결한다. 이러한 시스템이 높은 정확도를 달성할 수 있다면, 그 간단함, 해석 가능성, 그리고 확장성 덕분에 매우 매력적이다. 본 논문에서는 지식 기반(KB, Knowledge Base) 내에서 추론을 수행하는 데 있어 이러한 시스템이 실현 가능함을 보여준다. 제안하는 방법은 주어진 엔티티에 대한 속성을 추정하기 위해 KB 내 유사한 엔티티들로부터 추론 경로를 수집하는 방식이다. 본 연구의 확률적 모델은 특정 경로가 주어진 엔티티에 관한 질의에 효과적으로 답할 가능성을 추정한다. 모델의 파라미터는 반복 최적화 없이 간단한 경로 통계량을 사용해 효율적으로 계산할 수 있다. 제안한 모델은 비모수적(non-parametric)이며, 새로운 엔티티와 관계가 KB에 추가될 때 동적으로 성장한다. 여러 벤치마크 데이터셋에서 제안 방법은 다른 규칙 학습 접근법을 크게 능가하며, 최첨단 임베딩 기반 접근법과 비슷한 성능을 보였다. 또한, 새로운 엔티티가 온라인 방식으로 지속적으로 도입되는 ‘오픈 월드(open-world)’ 환경에서도 본 모델의 효과성을 입증하였으며, 기존 최첨단 방법들을 크게 능가하고 최적의 오프라인 방법과 거의 동등한 성능을 달성하였다. 코드는 https://github.com/ameyagodbole/Prob-CBR 에서 제공된다.