CRFR: 지식 그래프 상의 유연한 조각 추론을 통한 대화형 추천 시스템 개선

사용자 관심사의 경로가 지식 그래프(KG)에서 변화하는 것은 대화형 추천 시스템(CRS)에 유익할 수 있으나, 고차원적이고 불완전한 경로의 복잡성으로 인해 KG에 대한 명시적 추론은 CRS에서 충분히 고려되지 않았다. 본 연구에서는 대화 맥락 기반 강화 학습 모델을 활용하여 KG에서 명시적인 다단계 추론을 효과적으로 수행하는 CRFR를 제안한다. 지식 그래프의 불완전성에 주목하여, 단일 완전한 추론 경로를 학습하는 대신, 관심사 변화의 완전한 경로에 포함될 가능성이 높은 여러 추론 조각(fragment)을 유연하게 학습한다. 이후, 항목 중심과 개념 중심의 지식 그래프로부터 추출된 조각 정보를 통합하여, 조각에 포함된 실체와 단어를 활용해 CRS의 응답을 강화할 수 있는 조각 인식형 통합 모델을 설계하였다. 광범위한 실험을 통해 CRFR가 추천, 대화, 대화 해석 가능성 측면에서 기존 최고 성능(SOTA)을 달성함을 입증하였다.