초록
다중관계 데이터의 개체와 관계에 대한 분산 표현을 학습하여 그 내부의 누락된 링크를 예측하는 문제를 고려한다. 최근 컨볼루션 신경망(Convolutional Neural Networks)은 이 문제에서 뛰어난 성능을 보이며, 파라미터 효율성을 유지하면서도 모델의 표현력을 향상시켰다. 그러나 이러한 성공에도 불구하고, 기존의 컨볼루션 설계는 입력 개체와 관계 간의 전체적인 상호작용을 모델링하지 못하는 한계가 있으며, 이는 링크 예측 성능에 제한을 줄 수 있다. 본 연구에서는 컨볼루션 방식으로 개체-관계 상호작용을 최대화하기 위해 설계된 적응형 컨볼루션 네트워크인 ConvR을 제안한다. ConvR은 관계 표현에서 적응적으로 컨볼루션 필터를 구성하고, 이를 개체 표현에 적용하여 컨볼루션 특징을 생성한다. 이를 통해 ConvR은 다양한 영역에서 개체 표현과 관계 표현 간에 풍부한 상호작용을 가능하게 하며, 생성된 모든 컨볼루션 특징이 이러한 상호작용을 포착할 수 있다. ConvR은 다양한 벤치마크 데이터셋에서 평가되었으며, 실험 결과는 다음과 같다: (1) ConvR은 거의 모든 지표와 모든 데이터셋에서 경쟁적 기준 모델보다 유의미하게 뛰어난 성능을 보였다; (2) 최신의 컨볼루션 모델과 비교했을 때, ConvR은 더 효과적일 뿐만 아니라 더 효율적이다. MRR에서 7% 향상, Hits@10에서 6% 향상은 물론, 파라미터 저장 용량도 12% 절감할 수 있었다.