시간적 지식 그래프 질의 응답을 위한 하위그래프 추론

지식 그래프 질의 응답(KGQA)은 최근 많은 주목을 받았으며, 이 분야에는 다양한 혁신적인 방법이 제안되었지만, 시간적 KGQA에 대한 연구는 여전히 부족한 실정이다. 기존의 시간적 KGQA 방법 대부분은 의미적 또는 시간적 수준의 매칭에 집중되어 있으며, 시간 제약 조건에 대한 추론 능력이 부족하다는 한계를 지닌다. 본 논문에서는 인간의 인지 과정을 영감으로 삼아, 시간적 지식 그래프(TKG)에 대한 복잡한 질문에 대한 답변을 위한 서브그래프 기반 모델을 제안한다. 제안하는 방법은 SubGraph Temporal Reasoning(SubGTR)으로, 은유적 지식 추출, 관련 사실 탐색, 서브그래프 논리 추론의 세 가지 주요 모듈로 구성된다. 먼저, 질문은 시간적 지식 그래프에 저장된 배경 지식을 활용하여 재구성되어 명시적인 시간 제약 조건을 확보한다. 이후 TKG를 탐색하여 관련 엔티티를 식별하고 초기 점수를 부여한다. 마지막으로 시간 제약 조건이 시간 논리(time logic)를 사용하여 정량화되고 적용되어 최종 답변에 도달한다. 제안 모델의 성능 평가를 위해 시간적 QA 벤치마크를 대상으로 실험을 수행하였다. 실험 결과, 기존 벤치마크에는 다수의 가짜 시간 질문(pseudo-temporal questions)이 포함되어 있음을 발견하였으며, 이를 보완하기 위해 CronQuestions의 필터링된 버전인 Complex-CronQuestions를 제안한다. 이는 복잡한 시간 질문에 대한 모델의 추론 능력을 보다 정확하게 평가할 수 있도록 설계되었다. 실험 결과, SubGTR은 CronQuestions 및 Complex-CronQuestions 모두에서 최신 기준(SOTA) 성능을 달성하였다. 또한, 기존 시간적 KGQA 방법들에 비해 엔티티 콜드스타트 문제(entity cold-start problem)를 더 효과적으로 다루는 데서 우수한 성능을 보였다.