초록
계층적 관계는 지식 그래프(KG)에 의해 포착된 인간의 지식을 조직화하는 데 있어 널리 퍼져 있고 불가결한 요소입니다. 계층적 관계의 핵심 특성은 엔티티 간 부분 순서를 유도한다는 점이며, 이는 계층적 추론을 가능하게 하기 위해 모델링되어야 합니다. 그러나 현재의 KG 임베딩은 단일 전역 계층(단일 전역 부분 순서)만 모델링할 수 있으며, 단일 KG 내에서 존재하는 여러 가지 이질적인 계층을 모델링하지 못합니다. 본 연구에서는 이러한 문제를 해결하기 위해 ConE(Cone Embedding)라는 KG 임베딩 모델을 제시합니다. ConE는 엔티티를 쌍곡뿔(hyperbolic cones)로 임베딩하고, 관계를 빠지 사이의 변환으로 모델링합니다. 특히, ConE는 쌍곡 임베딩 공간의 서로 다른 하위 공간에서 다수의 이질적인 계층을 포착하기 위해 빠지 포함 제약(come containment constraints)을 사용합니다. 표준 지식 그래프 벤치마크에서 수행한 실험 결과, ConE는 계층적 그래프에서의 계층적 추론 작업 및 지식 그래프 완성 작업에서 최고 수준의 성능을 보였습니다. 특히, 우리의 접근 방식은 WN18RR 데이터셋에서 45.3%의 새로운 최고 수준 Hits@1 성능과 DDB14 데이터셋에서 16.1%의 새로운 최고 수준 Hits@1 성능(0.231 MRR)을 달성하였습니다. 계층적 추론 작업에서는 세 개의 데이터셋에 걸쳐 평균 20% 이상으로 기존 최고 결과를 크게 능가하였습니다.