컨텍스트 기반 파라미터 생성을 통한 지식 그래프 링크 예측

지식 그래프의 링크 예측 작업을 고려한다. 출처 엔티티와 관계(예: 셰익스피어와 태어난곳)로 구성된 질문이 주어졌을 때, 목표는 가장 가능성이 높은 답변 엔티티(예: 잉글랜드)를 예측하는 것이다. 최근의 접근 방식들은 엔티티와 관계의 임베딩을 학습함으로써 이 문제를 해결하려고 한다. 그러나 이러한 방법들은 일반적으로 임베딩 간의 관계를 가산적(Additive)으로 제한한다. 즉, 임베딩을 연결한 후 선형 함수와 원소별 비선형 활성화 함수를 차례로 적용하는 방식이다. 우리는 이러한 상호작용 방식이 표현 능력에 상당한 제약을 가한다는 점을 보여준다. 예를 들어, 각 관계에 따라 출처 엔티티에 대해 다른 투영(Projection)을 사용해야 하는 경우를 처리할 수 없다는 점이다. 이를 해결하기 위해, 맥락 기반 매개변수 생성(Contextual Parameter Generation)을 제안한다. 구체적으로, 관계를 출처 엔티티를 처리하여 예측을 도출하는 맥락으로 간주한다. 관계 임베딩을 활용하여 출처 엔티티 임베딩을 처리하는 모델의 매개변수를 생성함으로써, 이와 같은 맥락을 활용한다. 이를 통해 엔티티와 관계 간의 더 복잡한 상호작용을 표현할 수 있게 된다. 우리는 제안한 방법을 기존의 두 가지 링크 예측 방법에 적용하였으며, 현재 최고 성능을 기록하는 모델도 포함하여, 성능 향상이 크게 나타났고, 이 작업에 대해 새로운 최고 성능 기록을 수립하였다. 이러한 성능 향상은 동시에 수렴 시간을 최대 28배까지 단축시키는 효과도 가져왔다.