Core Concepts
지식 그래프 내 관계 간 토폴로지 인식 상관관계를 학습하여 엔티티 독립적인 방식으로 지식 그래프의 누락된 링크를 예측할 수 있다.
Abstract
이 논문은 지식 그래프에서 관계 간 토폴로지 인식 상관관계를 학습하는 새로운 방법인 TACO를 제안한다.
주요 내용은 다음과 같다:
관계 간 상관관계를 7가지 토폴로지 패턴으로 분류하고, 이를 바탕으로 Relational Correlation Network(RCN)를 제안하여 각 패턴의 중요도를 학습한다.
기존 연구에서 사용된 enclosing 서브그래프가 관련 규칙을 충분히 보존하지 못하는 문제를 분석하고, Complete Common Neighbor induced(CCN) 서브그래프와 CCN+ 서브그래프 방법을 제안하여 이를 해결한다.
그래프 수준 정보와 관계 수준 상호작용을 통합하는 TACO 프레임워크를 제안하여, 기존 최신 방법들을 능가하는 귀납적 링크 예측 성능을 달성한다.
Stats
지식 그래프 내 2홉 enclosing 서브그래프의 45% 이상이 오직 타겟 관계만 포함한다.
지식 그래프 내 3홉 enclosing 서브그래프의 75% 이상이 관련 없는 관계를 포함한다.
Quotes
"지식 그래프 내 관계 간 토폴로지 인식 상관관계는 엔티티 독립적인 귀납적 링크 예측에 큰 잠재력을 가진다."
"CCN 서브그래프와 CCN+ 서브그래프는 관련 규칙을 효과적으로 보존하고 관련 없는 규칙을 제거할 수 있다."