페르소나 기반 대화 시스템은 화자의 페르소나와 일관된 응답을 생성하는 것을 목표로 하지만, 기존 방법들은 페르소나를 평면적인 문장 집합으로 취급하여 여러 페르소나 문장이 공통의 주제 카테고리를 공유한다는 것과 같은 고차원적 관계를 모델링하지 못합니다. 우리는 (i) 각 페르소나가 담긴 텍스트를 (핵심, 표현, 감성, 카테고리) 사중항(quadruple)으로 분석하고, (ii) 페르소나 요소를 공유된 카테고리 레이블에 의해 유도되는 하이퍼엣지(hyperedge)를 갖는 하이퍼그래프(hypergraph)로 구성하는 프레임워크인 HyPE (Hypergraph Persona Encoder)를 제안합니다. HyperGCN 하이퍼그래프 신경망은 이 구조를 페르소나 요약 벡터와 응답 생성기에 조건을 부여하는 소프트 메모리 뱅크로 전파합니다. 나아가 우리는 HyperGCN 메시지 전달 단계에 융합되는 경량의 카테고리별 학습 가능 사전 지식(priors)인 Persistent Edge Embeddings (PEE)를 제안합니다. PersonaChat에서 그리디 디코딩(greedy decoding)을 사용할 때, HyPE는 GPT-2, LLaMA-3.2-3B, Qwen2.5-3B 백본에 걸쳐 문장 수준 풀링 베이스라인들을 일관되게 능가하며, 구조화된 하이퍼엣지 수준의 페르소나 인코딩이 모델 규모 전반에 걸쳐 전이 가능한 이점을 제공함을 입증합니다.