KGRefiner: 번역 링크 예측 방법의 정확도 향상을 위한 지식 그래프 정제

링크 예측은 지식 그래프 내 엔티티 간 누락된 관계를 예측하는 작업이다. 최근의 링크 예측 연구들은 신경망 아키텍처의 층을 더 늘림으로써 링크 예측 정확도를 향상시키는 모델을 제안해왔다. 본 논문에서는 비교적 빠른 이동형(Translational) 모델을 활용하여 링크 예측 작업을 보다 정확하게 수행할 수 있도록 지식 그래프를 보완하는 새로운 방법을 제안한다. TransE, TransH, TransD와 같은 이동형 링크 예측 모델은 딥러닝 기반 접근 방식에 비해 계산 복잡도가 낮다. 본 연구에서 제안하는 방법은 지식 그래프 내 관계 및 엔티티의 계층 구조를 활용하여, 해당 계층에 정보를 포함하는 노드들과 연결되는 보조 노드로서 엔티티 정보를 그래프에 추가한다. 실험 결과, 제안한 방법이 이동형 링크 예측 모델의 성능을 H@10, MR, MRR 지표에서 크게 향상시킬 수 있음을 확인하였다.