Core Concepts
인간 계산 게임을 활용하여 문서에서 파싱된 지식 그래프의 명시적 및 암시적 연결을 수정하고 검증할 수 있는 GAME-KG 프레임워크를 제안한다.
Abstract
이 연구는 GAME-KG 프레임워크를 소개한다. GAME-KG는 지식 그래프(KG)를 수정하고 검증하기 위해 인간 계산 게임(HCG)을 활용하는 연방 접근 방식이다.
GAME-KG의 6단계는 다음과 같다:
데이터 발견: 도메인 모델 개발에 사용될 문서 식별 및 수집
텍스트 파싱: 문서에서 개체와 관계 추출
3a. KG 구축: 파싱된 텍스트를 사용하여 KG 구축
3b. 내러티브 생성: LLM을 사용하여 게임 플레이를 위한 새로운 허구적 내러티브 생성
그래프 식별: 플레이어 피드백이 필요한 KG 부분 식별
그래프와 내러티브 주입: 개체, 관계, 허구적 내러티브를 게임에 주입
플레이어 피드백 수집: 플레이어가 제안한 명시적/암시적 지식 기반 변경 사항 저장 및 가중치 부여
이 연구는 두 가지 시연을 통해 GAME-KG의 잠재력을 탐색한다:
Dark Shadows 게임 시나리오: DOJ 인신매매 보도자료에서 파싱된 KG를 수정 및 검증하기 위한 드래그 앤 드롭 메커니즘 시연
GPT-4 질의응답: 수정된 KG와 원본 KG를 사용하여 GPT-4에 질문하고 응답 비교
초기 결과는 GAME-KG 기반 HCG가 KG 향상을 위한 효과적인 방법이며, 수정된 KG에서 검색된 정보를 사용하여 LLM 응답을 설명 가능한 방식으로 보강할 수 있음을 시사한다.
Stats
인신매매 관련 DOJ 보도자료에서 파싱된 KG를 사용하여 Dark Shadows 게임 시나리오 개발
GPT-4에 질문하여 수정된 KG와 원본 KG 기반 응답 비교