(왼쪽부터)건국대 지상준 학부생 인턴(제1저자), 오병국 교수(교신저자). (사진=건국대)
지식그래프(Knowledge Graph)는 사람과 장소, 사물, 사건 등 다양한 정보와 그 관계를 연결해 표현하는 기술이다. 검색엔진과 추천 시스템, AI 질의응답 등 다양한 AI 서비스의 핵심 기반으로 활용된다.
최근에는 정보 간 관계에 대한 내용뿐 아니라 시간·장소·조건 등 추가 설명 정보인 퀄리파이어(Qualifier)까지 함께 담는 하이퍼 관계형 지식그래프(Hyper-relational Knowledge Graph)가 주목받고 있다. 그러나 관계 구조가 복잡해질수록 지식그래프를 구성하는 개체인 엔티티(Entity)와 관계 정보의 역할이 하나의 표현 안에 섞이면서 AI가 누락된 정보를 정확하게 예측하기 어려운 한계가 있었다.
연구팀은 이러한 문제를 해결하기 위해 관계와 엔티티를 하나의 관계-엔티티 쌍(Relation-Entity Pair) 단위로 함께 인코딩하는 새로운 구조를 제안했다. 인코딩은 AI가 데이터를 이해하고 계산할 수 있도록 수치화된 표현으로 바꾸는 과정을 의미한다. 연구팀은 관계와 엔티티를 쌍으로 묶어 학습함으로써 기존 모델에서 발생하던 역할 정보 혼합 문제를 완화하고 각 엔티티가 어떤 관계 속에서 어떤 역할을 하는지 명확히 보존할 수 있도록 했다.
또 연구팀은 여러 사실 사이의 연결 구조를 학습하는 전역 하이퍼그래프 전파와 하나의 사실 내부 의미를 세밀하게 분석하는 지역 쌍 수준 셀프 어텐션 기법을 결합했다. 전역 하이퍼그래프 전파는 지식그래프 전체에 걸친 큰 구조를 파악하는 방식이며 셀프 어텐션은 AI가 여러 정보 중 어떤 부분에 더 주목해야 하는지를 스스로 학습하는 기법이다. 이를 통해 ‘GLoRE’는 지식그래프 전체의 구조적 정보와 개별 사실 내부의 세부 의미를 동시에 반영할 수 있도록 설계됐다.
아울러 연구팀은 사실 안에서 관계와 엔티티가 함께 등장하는 패턴을 바탕으로 관계 그래프를 구성하고 이를 활용해 관계 표현을 정교화했다. 그 결과 GLoRE는 복잡한 퀄리파이어 정보가 포함된 지식그래프에서도 엔티티의 역할과 관계 정보를 보다 효과적으로 보존했다. 지식그래프의 누락된 정보를 예측하는 성능도 기존 방법보다 향상됐다.
이번 연구는 향후 질의응답 시스템, 추천 시스템, 지식 기반 추론 등 복잡한 관계 구조를 다루는 다양한 AI 응용 분야에 활용될 전망이다. 특히 다수의 관계와 맥락 정보가 얽힌 데이터를 보다 정확하게 이해하고 분석할 수 있어 차세대 AI 서비스의 성능 향상에도 기여할 수 있다.
