초록
지식 그래프(KG)에서 준-귀납적 링크 예측(LP)은 새로운, 이전에 본 적 없는 엔티티를 문맥 정보를 바탕으로 사실을 예측하는 작업입니다. 원칙적으로 모델을 처음부터 재학습하여 새로운 엔티티를 통합할 수 있지만, 대규모 지식 그래프에서는 재학습 비용이 크고 새로운 엔티티가 자주 발생하기 때문에 이러한 접근 방식은 실현 가능하지 않습니다. 본 논문에서는 준-귀납적 LP 모델의 성능을 평가하기 위한 대규모 벤치마크를 제안하고 설명합니다. 이 벤치마크는 Wikidata5M을 기반으로 하며 확장합니다. (i) KG 구조만 사용하는 전달적(transductive), (ii) 텍스트 언급을 포함하는 k-shot, 그리고 (iii) 엔티티의 상세한 설명을 포함하는 0-shot LP 작업을 제공합니다. 우리는 최근 접근 방식에 대한 소규모 연구 결과를 보고하며, 모든 실험에서 장미 꼬리(long-tail) 엔티티에 대한 준-귀납적 LP 성능이 전달적 성능과 크게 차이난다는 것을 발견했습니다. 이 벤치마크는 문맥과 텍스트 정보를 준-귀납적 LP 모델에 통합하는 데 대한 추가 연구의 시험대 역할을 합니다.