KGQA 환경에서 BFS 기반 구조적 정보 및 추론 경로를 고려한 그래프 어텐션 네트워크

국문 초록 (Abstract)

1. 연구 배경 및 목적
최근 지식 그래프를 활용해 자연어 질문에 답을 찾는 KGQA연구가 활발하다.
기존에는 그래프 어텐션 네트워크 모델이 자주 쓰였지만, 이는 노드의 특징만 고려할 뿐 정답까지의 거리나 경로의 완전성 같은 그래프 자체의 구조적 정부를 생성 계산식에 직접 반영하지 못한다는 한계가 있다. 본 연구는 이러한 구조적 정보를 간선 가중치(Edge Weight)로 변환하여 모델의 정확도를 높이고, 인공지능이 왜 그런 답을 내놓았는지 설명할 수 있는 시스템을 구축하는 것을 목적으로 한다.

2. 주요 연구 내용 및 제안 기법
본 논문에서는 지식 그래프의 특성을 반영한 BFS 기반 Edge-weighted GAT 모델을 제안한다.
- 구조적 정보의 수치화(Edge Weighting): 너비 우선 탐색(BFS)을 통해 각 간선(Edge)이 정답과 얼마나 가까운지(Distance), 그리고 연결된 노드가 자연어 이름을 가진 유의미한 엔티티인지(Completeness)를 계산한다. 이를 통해 이름 없는 노드(CVT)에서 발생하는 노이즈를 억제한다.
- 어텐션 메커니즘 확장: 위에서 계산한 구조적 가중치를 GAT의 수식에 적용해서 모델이 정답으로 향하는 길을 더 잘 찾도록 학습시킨다.
- 설명 가능한 AI (XAI): 모델이 찾은 추론 경로를 추출하고, 이를 대규모 언어 모델(LLM)과 결합하여 사용자에게 자연어로 답변 근거를 설명해 주는 파이프라인을 구축했다.

3. 연구 결과 및 기대 효과
WebQSP 데이터셋을 활용해 실험한 결과, 제안 모델은 Best-Rank 기준 MRR 0.4263을 기록했다. 특히 정답을 1순위로 맞추는 능력(Hits@1)이 크게 개선되어, 지식 그래프의 구조적 정보를 활용하는 것이 KGQA 성능 향상에 매우 효과적임을 입증했다.

목차 (Table of Contents)

• I. 서론 1
• II. 관련연구 5
• 2.1. KGQA 연구 동향 5
• 2.2 GNN 기반 지식 그래프 추론 연구 7
• 2.3 KGQA 평가 지표의 한계와 보완 9
• 2.4 Multi-answer 처리 연구 11
• 2.5 CVT 및 하이퍼관계 구조 처리 연구 12
• III. 제안하는 기법 14
• 1. 전체 시스템 구조도 14
• 2. 데이터 수집 및 전처리 17
• 2.1 데이터셋 개요 17
• 2.2 데이터셋 분석 19
• 2.3 엔티티 매핑 강화 20
• 2.4 BFS 기반 경로 추출 21
• 2.5 PyG 변환 22
• 2.6 데이터 전처리 파이프라인 24
• 3. BFS 기반 Edge-weighting 기법 26
• 3.1. BFS 거리 계산 27
• 3.2. Completeness 계산 28
• 3.3. Edge Weight 설계 29
• 4. Edge-weighted GAT 모델 설계 30
• 4.1. 기본 GAT 구조 31
• 4.2. Edge-weight 적용 Attention 31
• 4.3. 학습 파이프라인 33
• 5. Explainable Reasoning Path 생성 35
• 5.1. Top-K BFS 경로 탐색 35
• 5.2. Reasoning Path 기반 설명 36
• 5.3. LLM 기반 자연어 설명 생성 36
• IV. 성능 평가 40
• 4.1. 성능 평가 개요 40
• 4.2. Baseline 모델 선정 40
• 4.3. 학습 환경 및 하이퍼파라미터 환경 44
• 4.4. 성능 평가 방법 및 지표 47
• 4.5. 성능 비교 51
• 4.6. 결과 분석 56
• V. 결론 59
• 참고 문헌 61
• ABSTRACT 64
• 감사의 글 66