이터레이티브 그래프 신경망을 통한 이질적 소스에 대한 설명 가능한 대화형 질문 응답

대화형 질문 응답(Question Answering, ConvQA)에서 사용자는 완전한 맥락 없이 일련의 발화를 통해 정보 필요성을 표현한다. 기존의 대표적인 ConvQA 방법은 단일한 정보원(지식 기반(KB), 텍스트 코퍼스, 또는 표 집합 등)에 의존하기 때문에, 다중 정보원의 증가된 답변 커버리지와 중복성을 활용하지 못하는 한계를 가진다. 본 연구에서 제안하는 EXPLAIGNN 방법은 지식 기반, 텍스트 코퍼스, 웹 표, 인포박스로부터 추출한 엔티티와 증거 조각을 활용해 다양한 정보원의 정보를 통합하면서도 사용자가 이해할 수 있는 답변 설명을 제공함으로써 이러한 한계를 극복한다. EXPLAIGNN은 이러한 다양한 정보원에서 추출된 엔티티와 증거 조각을 기반으로 이질적인 그래프를 구축하며, 이후 질문 수준의 어텐션을 포함하는 그래프 신경망을 통해 반복적으로 그래프를 축소하여 최적의 답변과 그에 대한 설명을 도출한다. 실험 결과, EXPLAIGNN은 최신 기준(SOTA) 모델들에 비해 성능이 향상됨을 확인하였다. 또한 사용자 연구를 통해 도출된 답변이 최종 사용자에게 이해하기 쉬운 것으로 나타났다.