시간 인식형 다중 경로 적응형 융합 네트워크를 통한 시계열 지식 그래프 질문 응답

지식 그래프(KGs)는 자연어 처리 분야에서 광범위한 응용 가능성으로 인해 점점 더 많은 주목을 받고 있다. 그러나 시계열 질문 응답(Temporal Question Answering, QA) 분야에서의 활용 사례는 아직 충분히 탐색되지 않았다. 기존 대부분의 방법들은 사전 학습된 언어 모델 기반으로 개발되었으며, 이는 시계열 지식 그래프 질문 응답(Temporal KGQA) 작업에서 엔티티의 시계열 특화 표현을 학습하는 데 한계가 있을 수 있다. 이러한 문제를 완화하기 위해, 우리는 새로운 시계열 인지 다중 경로 적응(Time-aware Multiway Adaptive, TMA) 융합 네트워크를 제안한다. 인간의 단계적 추론 행동을 영감으로 삼아, TMA는 주어진 질문에 대해 먼저 지식 그래프에서 관련 개념을 추출한 후, 이를 다중 경로 적응 모듈에 입력하여 질문에 대한 시계열 특화 표현(temporal-specific representation)을 생성한다. 이 표현은 사전 학습된 지식 그래프 임베딩과 융합되어 최종 예측을 생성할 수 있다. 실증 결과는 제안된 모델이 기준 데이터셋에서 최첨단 모델보다 더 우수한 성능을 달성함을 입증한다. 특히 CronQuestions 데이터셋의 복잡한 질문에 대해 TMA는 Hits@1과 Hits@10 지표에서 최고 성능을 보인 기준 모델 대비 각각 24%, 10%의 절대적 개선을 보였다. 더불어, TMA가 적응형 융합 메커니즘을 활용함으로써 질문 표현 내 정보 비중을 분석함으로써 해석 가능성(interpretability)을 제공할 수 있음을 보여준다.