초록
지식 그래프 질의 응답(KGQA)은 자연어 질의를 통해 지식 그래프(KG)에서 엔티티를 검색하여 답변을 도출하는 과정이다. 이 과정의 핵심 도전 과제는 질의와 관련된 지식 그래프 내 사실들(엔티티를 거쳐 답변에 도달하는 정보)을 올바르게 추론하는 것이다. 추론을 지원하기 위해 질의는 지침(instruction)으로 해독되며, 이는 지식 그래프 탐색을 안내하는 밀집된 질의 표현이다. 그러나 도출된 지침이 실제 지식 그래프의 정보와 정확히 일치하지 않을 경우, 무관한 맥락에서 추론이 이루어질 수 있다. 본 연구에서 제안하는 ReaRev는 지침 해독과 실행 측면에서 지식 그래프 질의 응답을 새롭게 접근하는 방법이다. 지침 해독을 개선하기 위해, 지식 그래프에 대한 인지 정보를 활용하여 초기 지침을 반복적으로 업데이트하는 적응형 추론 방식을 도입한다. 또한 지침 실행을 개선하기 위해 그래프 신경망(GNN)을 활용해 너비 우선 탐색(BFS)을 모방한다. BFS 전략은 지침을 집합으로 취급함으로써, 실행 순서를 실시간으로 결정할 수 있도록 한다. 세 가지 KGQA 벤치마크에서의 실험 결과는 ReaRev가 기존 최첨단 기법들에 비해 특히 지식 그래프가 불완전하거나 복잡한 질의를 다룰 때 뛰어난 성능을 보임을 입증한다. 본 연구의 코드는 공개되어 있으며, https://github.com/cmavro/ReaRev_KGQA 에서 확인할 수 있다.