시간 지식 그래프 질문 응답을 위한 자기 개선 프로그래밍

시간 지식 그래프 질의 응답(Temporal Knowledge Graph Question Answering, TKGQA)는 시간적 의도를 가진 질문에 대해 시간 지식 그래프(Temporal Knowledge Graphs, TKGs)를 기반으로 답변을 도출하는 것을 목표로 한다. 이 작업의 핵심 과제는 질문 속에 포함된 다양한 시간 제약 조건(예: ‘이전에’, ‘첫 번째로’ 등)에 대한 복잡한 의미 정보를 정확히 이해하는 것이다. 기존의 엔드투엔드 방식은 질문과 후보 답변의 시간 인식 임베딩을 학습함으로써 시간 제약 조건을 암묵적으로 모델링하지만, 질문을 종합적으로 이해하기에는 여전히 부족하다. 의미 구문 분석 기반 접근법이 논리적 형태를 생성함으로써 질문 내 제약 조건을 명시적으로 모델링하는 것에 착안하여, 우리는 시간 제약 조건을 위한 기본적인 시간 연산자들을 설계하고, TKGQA를 위한 새로운 자기 개선형 프로그래밍 방법(Prog-TQA)을 제안한다. 구체적으로 Prog-TQA는 대규모 언어 모델(Large Language Models, LLMs)의 컨텍스트 내 학습 능력을 활용하여, 주어진 몇 가지 예시를 바탕으로 질문 내 복합적인 시간 제약 조건을 이해하고 해당 프로그램 초안을 생성한다. 이후 링킹 모듈을 통해 이러한 초안을 TKG에 매칭한 후 실행하여 최종 답변을 도출한다. 질문 이해 능력을 강화하기 위해 Prog-TQA는 고품질의 자가 생성 초안을 활용하여 LLM을 효과적으로 부트스트랩하는 자기 개선 전략을 추가로 탑재하였다. 광범위한 실험 결과는 제안된 Prog-TQA가 MultiTQ 및 CronQuestions 데이터셋에서 뛰어난 성능을 보임을 입증하였으며, 특히 Hits@1 지표에서 두드러진 우수성을 보였다.