다중 관계 데이터, 예를 들어 지식 그래프, 학술 데이터, 정보 네트워크 등은 실제 세계의 데이터셋에서 흔히 발견된다. 이러한 대규모이고 복잡한 데이터셋을 효과적으로 관리하고 탐색하며 활용하는 것은 여전히 큰 도전 과제이다. 최근 들어, 다중 관계 임베딩(multi-relational embedding) 기법이 등장하여, 실체(entity)와 관계(relation)를 의미 공간 내의 임베딩 벡터로 표현함으로써 다중 관계 데이터를 모델링하는 새로운 효과적인 접근법으로 부상하고 있다. 지식 그래프에서는 다중 관계 임베딩 기법이 이러한 임베딩 벡터 간의 상호작용을 모델링함으로써 실체 간의 관계 링크를 예측하는 것을 목표로 한다. 이러한 지식 그래프 임베딩 기법은 지식 그래프 완성(knowledge graph completion)을 위한 핵심 과제인 링크 예측(link prediction)을 해결하는 동시에, 다양한 잠재적 응용이 가능한 임베딩 표현을 제공한다.본 논문의 목적은 먼저 지식 그래프에서의 다중 관계 임베딩을 연구하여 기존 방법을 설명하고 개선하는 새로운 임베딩 모델을 제안하고, 이후 다중 관계 임베딩이 지식 그래프의 표현 및 분석에 어떻게 활용될 수 있는지를 탐구하는 것이다.논문의 제1부에서는 지식 그래프 임베딩 기법의 이론적 틀을 연구하여 기존 방법을 해석하고 개선한다. 주목할 만한 삼중적 곱(trilinear-product-based) 기반 모델들, 특히 최신 기술인 ComplEx를 중심으로 대표적인 의미 매칭(sematic matching) 기반 지식 그래프 임베딩 기법들을 검토하고 분석한다. 분석을 통해 우리는 지식 그래프 임베딩 모델이 반드시 다루어야 할 두 가지 핵심적이고 보완적인 측면, 즉 계산 효율성(computational efficiency)과 모델 표현력(model expressiveness)을 식별한다. 기존의 삼중적 곱 기반 모델들은 이 두 요소 간의 균형을 수동적으로 달성하기 위해 특별히 설계된 상호작용 메커니즘을 사용하지만, 이러한 메커니즘은 고정되어 있어 최적화되지 않거나 확장성이 떨어질 수 있다. 본 논문에서는 블록 텐서 형식(block term format)을 활용한 다중 분할 임베딩 상호작용(Multi-Partition Embedding Interaction, MEI) 모델을 제안한다. MEI는 각 임베딩을 다중 분할 벡터로 나누어 상호작용을 효율적으로 제약한다. 각 국소적 상호작용은 Tucker 텐서 형식으로 모델링되며, 전체 상호작용은 블록 텐서 형식으로 표현되어, 표현력과 계산 비용 사이의 균형을 유연하게 조절할 수 있다. 또한 데이터로부터 자동으로 상호작용 메커니즘을 학습할 수 있다. MEI는 고급 텐서 표현 형식과 현대적인 딥러닝 기법을 결합하여 링크 예측 작업에서 최첨단 성능을 달성한다. 제안된 MEI 모델의 이론적 틀은 지식 그래프 임베딩의 일반적인 메커니즘으로 활용되어, 기존 모델들을 분석하고 해석하며 일반화할 수 있다. 또한 단어 임베딩(word embedding) 및 언어 모델링과의 연결 고리를 도출함으로써 새로운 통찰과 일반화를 제공한다.논문의 제2부에서는 다중 관계 임베딩이 지식 그래프의 표현 및 분석에 어떻게 적용될 수 있는지를 연구한다. 단어 임베딩과 달리, 지식 그래프 임베딩 공간 내의 의미 구조, 예를 들어 유사성 또는 유추 구조(analogy structure)는 아직 충분히 연구되지 않았으며, 따라서 데이터 표현 및 분석에 자주 활용되지 않고 있다. 다중 관계 임베딩의 응용 가능성을 입증하기 위해, 다중 관계 임베딩 공간에서 의미 쿼리(sematic query)를 기반으로 한 데이터 표현 및 분석 프레임워크를 체계적으로 정의한다. 학술 데이터로부터 지식 그래프를 구축하고, 원본 데이터셋에서 수행되는 다양한 작업들이 적절한 의미 쿼리에 의해 근사될 수 있음을 보여준다. 이러한 의미 쿼리는 다중 관계 임베딩 공간에서의 다중 선형 대수적 연산으로 표현된다. 또한 다중 관계 임베딩 공간 내에서의 실체 유추 추론(entity analogy reasoning) 작업을 이론적으로 연구하며, 이를 예시 기반의 개방형 관계 쿼리(open-relational query by examples)로 공식화한다. 즉, 미리 보지 못한 관계에 대한 관계 쿼리를 수행하는 것이다. 위에서 제시한 지식 그래프 임베딩과 단어 임베딩 간의 수학적 연결을 활용하여, 지식 그래프 임베딩 공간 내의 의미 구조를 분석하고, 상기 실체 유추 추론 작업에 대한 잠재적인 해결 방안을 제안한다. 본 연구의 궁극적인 목적은 최근 다중 관계 임베딩 기술의 발전을 데이터 표현 및 분석 분야에 적용할 수 있는 잠재력을 탐색하는 데 있다. 특히 학술 데이터 처리에서의 효과성을 향상시키는 데 초점을 맞춘다.