지식 그래프 위에서 다단계 질문 답변을 향상시키는 지식 기반 임베딩의 활용

지식 그래프(KG)는 엔티티를 노드로, 그 사이의 관계를 타입화된 엣지로 구성하는 다중 관계형 그래프이다. 지식 그래프 기반 질의 응답(KGQA) 과제의 목적은 지식 그래프 위에서 제시된 자연어 질의에 대해 정답을 도출하는 것이다. 다단계(KG)QA는 정답에 도달하기 위해 지식 그래프의 여러 엣지를 통해 추론을 수행해야 한다. 그러나 지식 그래프는 종종 많은 연결이 누락된 상태로 존재하여, 특히 다단계 KGQA에 있어 추가적인 도전 과제를 야기한다. 최근의 다단계 KGQA 연구는 관련 외부 텍스트를 활용하여 지식 그래프의 희소성 문제를 다루려는 시도를 하고 있으나, 이러한 외부 텍스트는 항상 즉시 이용 가능한 것은 아니다. 한편, 지식 그래프 임베딩(KG embedding) 기법은 누락된 엣지 예측을 수행함으로써 지식 그래프의 희소성을 줄이려는 접근이 제안되었다. 이러한 KG 임베딩 기법은 다단계 KGQA와 관련성이 매우 높음에도 불구하고, 아직까지 다단계 KGQA에 적용된 바가 없다. 본 논문에서는 이러한 연구 공백을 메우고, EmbedKGQA를 제안한다. EmbedKGQA는 희소한 지식 그래프 상에서 다단계 KGQA를 수행하는 데 특히 효과적이다. 또한 기존의 다단계 KGQA 방법들이 강제했던 사전에 지정된 이웃 영역 내에서 정답을 선택해야 하는 제약 조건을 완화하여, 더 유연하고 자연스러운 정답 추출이 가능하게 한다. 다양한 벤치마크 데이터셋을 대상으로 실시한 광범위한 실험을 통해, EmbedKGQA가 기존 최첨단 기법들에 비해 뛰어난 성능을 발휘함을 입증하였다.