지식 그래프에서의 그래프 간(Graph-to-Graph) 의미적 유사성 측정: 지식 그래프 임베딩(Knowledge Graph

지식 그래프 (Knowledge Graph, KG)는 사실을 구조화된 트리플 (triples)로 표현하며, 다양한 도메인에 걸쳐 관계적 지식을 조직하는 데 널리 사용됩니다. 텍스트 정보가 단어와 문장에서 완전한 문서에 이르기까지 다양한 범위를 갖는 것과 마찬가지로, KG 정보는 엔티티 (entities), 관계 (relations), 트리플 (triples)부터 서브그래프 (subgraphs) 및 전체 KG에 이르기까지 여러 수준에서 해석될 수 있습니다. 그러나 기존의 KG 임베딩 (KG embedding) 방법들은 주로 엔티티, 관계, 트리플에 집중되어 있어, 그래프 수준의 의미론 (graph-level semantics)은 대체로 다뤄지지 않고 있습니다. 일반적으로 구조적 패턴을 기반으로 그래프를 비교하는 기존의 그래프 수준 방법들 또한, 구조적 유사성만으로는 KG 간의 의미적 유사성을 보장할 수 없기 때문에 불충분합니다. 다양한 방법들이 이러한 그래프 수준의 의미 정보를 얼마나 잘 포착하는지 평가하기 위해, 우리는 한 쌍의 KG가 의미적으로 대응하는 기저 정보를 나타내는지 결정하는 그래프 간 (graph-to-graph) 의미적 유사성을 연구합니다. 신뢰할 수 있는 정답 (ground-truth) 대응 관계를 얻기 위해, 우리는 텍스트 문서를 수정하고, 원본 및 수정된 문서 모두에서 KG를 추출하며, 알려진 대응 관계를 KG 쌍으로 전이함으로써 의미적 매칭 데이터셋을 구축합니다. 우리는 각 데이터셋에 대해 텍스트 기반, 구조 기반, 그리고 KG 임베딩 기반 접근 방식을 비교합니다. KG 임베딩 기반 접근 방식의 경우, 우리는 두 가지 스코어링 함수 (scoring functions)를 도입합니다: 최대 쌍별 엔티티 유사성을 사용하는 \textit{EmbPairSim}, 그리고 빈도 가중 중심점 (frequency-weighted centroid)을 사용하는 \textit{AvgEmbSim}입니다. WikiText-2 및 CC-News에 대한 실험 결과, \textit{EmbPairSim}은 훨씬 적은 파라미터를 사용하면서도 Sentence-BERT보다 최대 5.3 pp 더 높은 MRR을 달성했습니다. 이러한 결과는 KGE 표현이 KG에서의 그래프 간 의미적 유사성을 위한 압축적이고 효과적인 신호로 기능할 수 있음을 시사합니다. 우리의 코드는 https://github.com/SeungRyeolBaek/KG-to-KG-Semantic-Similarity 에서 확인할 수 있습니다.