핵심 개념
본 논문에서는 LBSN 데이터에서 사회경제적 지표를 예측하기 위해 LLM 에이전트와 지식 그래프를 결합한 새로운 프레임워크를 제안합니다.
초록
LBSN에서 사회경제적 예측을 위한 LLM 에이전트와 지식 그래프의 시너지 효과
본 연구 논문에서는 위치 기반 소셜 네트워크 (LBSN) 데이터를 활용하여 사회경제적 지표를 예측하는 데 있어 LLM 에이전트와 지식 그래프를 시너지 효과를 내도록 하는 새로운 프레임워크인 SLAK (Synergize LLM Agent and Knowledge Graph learning model)를 제안합니다.
본 연구는 LBSN 데이터의 이질성과 복잡한 관계를 효과적으로 모델링하여 지역 인구, 상업 활동, 사용자 활동 및 평점과 같은 사회경제적 지표를 정확하게 예측하는 것을 목표로 합니다.
LBKG 구축: 다양한 출처의 LBSN 데이터를 통합하기 위해 위치 기반 지식 그래프 (LBKG)를 구축합니다. LBKG는 지역, POI, POI 카테고리, 브랜드, 비즈니스 영역 등 LBSN의 다양한 요소와 그 관계를 나타냅니다.
LLM 에이전트를 활용한 메타 경로 추출: 특정 사회경제적 지표 예측에 도움이 되는 LBKG에서 가장 관련성이 높은 메타 경로를 자동으로 찾기 위해 LLM 에이전트를 활용합니다. LLM 에이전트는 LBKG 스키마를 자연어로 입력받아 잠재적인 메타 경로 스키마를 생성합니다.
지식 그래프 학습 모델: 추출된 메타 경로를 기반으로 LBKG에서 지역 임베딩을 학습하기 위해 계층적 지식 그래프 학습 모델을 사용합니다. 먼저 LBKG에서 전역 지식을 추출하기 위해 R-GCN을 KG 인코더로 사용합니다. 그런 다음 LLM 에이전트가 생성한 각 메타 경로 스키마에 따라 LBKG에서 해당 메타 경로를 모두 추출하여 하위 KG를 구성합니다. 각 하위 KG는 R-GCN 모델인 하위 KG 인코더에 입력되어 각 메타 경로에서 지역 임베딩을 얻습니다.
의미 기반 지식 융합: 서로 다른 메타 경로의 지식을 동적으로 융합하기 위해 의미 기반 지식 융합 모듈을 제안합니다. 먼저 LLM을 사용하여 메타 경로의 자연어 인코딩을 얻습니다. 그런 다음 임베딩 LLM을 사용하여 이러한 문장에 대한 의미 임베딩을 생성합니다. 마지막으로 메타 경로의 의미 임베딩을 기반으로 하위 KG 인코더의 출력을 동적으로 융합합니다.
작업 간 커뮤니케이션 메커니즘: 메타 경로 찾기 및 임베딩 학습과 관련하여 서로 다른 사회경제적 지표 예측 작업 간의 지식 공유를 가능하게 하기 위해 작업 간 커뮤니케이션 메커니즘을 설계합니다. 첫째, LLM의 다중 에이전트 협업 기능을 활용하여 각 작업에 대해 LBKG에서 추출한 메타 경로를 최적화합니다. 둘째, 지표 예측을 위해 여러 작업의 임베딩을 동적으로 융합합니다.