NePTuNe: 지식 그래프 완성에 대한 신경망 기반 터커 네트워크

지식 그래프는 실세계의 사실을 구조화된 형태로 표현하기 위해 엔티티들을 관계를 통해 연결한다. 그러나 지식 그래프는 가능한 모든 사실의 작은 부분만을 기반으로 하기 때문에 종종 불완전하다. 링크 예측을 통한 지식 그래프 보완 작업은 엔티티 간의 링크로 표현된 누락된 사실을 추론함으로써 이 문제를 해결하고자 한다. 현재의 링크 예측 접근 방식은 텐서 분해와/또는 딥러닝을 활용한다. 분해 기반 방법은 파라미터 수가 적어 빠르게 학습 및 배포가 가능하지만, 선형적인 기반 구조로 인해 표현력이 제한된다. 반면 딥러닝 방법은 더 높은 표현력을 지니고 있지만, 학습 가능한 파라미터 수가 많아 계산 비용이 높고 과적합에 취약하다. 본 연구에서는 딥 모델의 표현력과 선형 모델의 빠른 속도 및 작고 효율적인 크기라는 장점을 결합한 새로운 하이브리드 링크 예측 모델인 Neural Powered Tucker Network (NePTuNe)을 제안한다. 실험을 통해 NePTuNe가 FB15K-237 데이터셋에서 최신 기술 수준의 성능을 보이며, WN18RR 데이터셋에서는 거의 최신 기술 수준의 성능을 달성함을 입증하였다.