KERMIT: 역변환을 통한 관계 모델링 개선을 통한 지식 그래프 완성

지식 그래프 완성(Knowledge Graph Completion, KGC)은 기존 지식 그래프 내 누락된 삼중항을 이용 가능한 정보를 기반으로 채우는 작업에 초점을 맞춘다. 텍스트 기반의 접근법은 삼중항에 대한 텍스트 설명에 의존하지만, 이러한 설명이 정확한 예측을 위해 충분한 정보를 제공하지 못할 경우 어려움에 직면하게 되며, 이는 데이터셋 자체의 본질적인 한계로, 단순한 모델링 기법만으로는 쉽게 해결되지 않는다. 이러한 문제를 해결하고 데이터 일관성을 보장하기 위해, 본 연구에서는 먼저 대규모 언어 모델(Large Language Models, LLMs)을 활용하여 일관성 있는 설명을 생성함으로써 질의와 답변 사이의 의미적 간극을 메운다. 둘째, 역관계(inverse relations)를 활용하여 대칭적인 그래프를 구축함으로써 KGC를 위한 보강된 학습 샘플을 생성한다. 또한, 지식 그래프(KG) 내에 내재된 레이블 정보를 활용하여 기존의 대조적(contrastive) 프레임워크를 완전히 감독 학습 방식으로 개선한다. 이러한 노력의 결과, WN18RR 및 FB15k-237 데이터셋에서 유의미한 성능 향상이 달성되었다. 표준 평가 지표에 따르면, WN18RR에서 Hit@1 기준 4.2% 향상, FB15k-237에서 Hit@3 기준 3.4% 향상이 이루어졌으며, 이는 본 연구의 접근법이 우수한 성능을 발휘함을 입증한다.