그래프 구조 및 지식 그래프 임베딩에 관한 실험

지식 그래프(KG)는 이질적인 데이터를 통합하고 지식을 표현하기 위한 확립된 패러다임입니다. 따라서 표현력 개념을 아우르고 다양한 사용 사례 및 도메인에 맞게 조정된 여러 가지 KG 생성 방법론이 존재합니다. 최근 뉴로심볼릭 방법론이 부상함에 따라 이러한 방법론에 따른 KG 개발이 KG 임베딩(KGE)을 활용한 링크 예측과 같은 후속 작업에 어떻게 영향을 미치는지 이해하는 것이 중요해졌습니다. 본 논문에서는 그래프 구조의 다양한 변형이 후속 작업에 미치는 영향을 살펴봅니다. 이러한 변형은 스키마의 단순 포함 및 기본적인 실체화 구성과 같은 다양한 방법론(또는 설계 관행)이 모델에 미치는 영향으로부터 비롯됩니다. 인공 합성 그래프와 일반적인 벤치마크인 FB15k-237에서 이러한 변화를 평가했습니다. 시각화, 그래프 메트릭, 링크 예측 작업에서의 성능을 다양한 KGE 모델을 활용해 탐색 결과로 제시합니다.