초록
대화를 기반으로 한 질문 응답은 대화를 이해하고 특정 질문에 답하는 데 목적이 있는 전문적인 기계 독해 과제이다. 많은 발전에도 불구하고, 기존의 접근 방식들은 대화의 구조나 배경 지식(예: 발화자 간의 관계)을 고려하지 않았다. 본 논문에서는 이러한 문제를 해결하기 위해 대화의 구조를 체계화하고 배경 지식을 통합하여 추론할 수 있는 새로운 접근 방식을 제안한다. 구체적으로, 이전의 "{}구조 없음{''}" 방식과는 달리, 본 연구는 대화를 "{}관계 그래프{''}"로 구성하여 엔티티 간의 관계를 간선으로 표현한다. 이러한 관계 그래프를 인코딩하기 위해, 그래프의 위상 구조를 탐색하고 다중 관계 지식을 효과적으로 인코딩할 수 있는 관계형 그래프 컨볼루션 네트워크(R-GCN)를 설계하였다. 광범위한 실험을 통해 제안한 방법이 경쟁적 기준 모델들에 비해 뛰어난 성능을 보임을 입증하였다. 또한, 심층적 분석을 통해 본 모델이 관계 추론이 필요한 복잡한 질문을 더 잘 해결할 뿐만 아니라, 혼란을 유도하는 문장이 포함된 악성 공격(Adversarial Attack)에 대해 더 강건함을 확인하였다.