BackGround

Why

기존의 지식 그래프 구축 방식은 데이터 적재에는 성공했으나 데이터 활용에서는 실패했다.

  1. 파이프라인 결합성 : 스키마 정보가 구축 코드 내부에 숨서 있어 그래프가 생성된 후에는 다른 용도로 재사용하기가 어렵다
  2. 구조적 모호성 : Wikidata와 같은 대규모 그래프는 엔티티 타입과 속성 정의가 체계적이지 않아, 연구자가 원하는 도메인별 데이터만 깔끔하게 추출하여 분석하기 어렵다
  3. 온톨로지 정렬의 한계 : 기존 방식은 단순히 데이터를 기존의 외부 온톨로지 체계에 끼워 맞추는 정렬 작업에 그칠 뿐, 분석을 위한 능동적 스키마 설계를 하지 않는다.

    How

그림1
입력 단계 : 가공되지 않은 원천 데이터를 입력 받는다.
핵심 엔진

  1. 분류 : Intrinsic-Relational Routing이 일어나는 지점, 분류한 속성을 각 다른 모듈에 보낸다.
  2. Intrinsic-Relational Routing :
    • Intrinsic(본질) : 노드 자체의 상태를 나타내는 속성(예: 생년월일, 화학식)으로, 쿼리 효율을 위해 테이블형 속성(Tabular attributes) 으로 라우팅
    • Relational(관계): 엔티티 간의 연결을 의미하는 속성(예: 고용주, 소속)으로, 그래프 에지(Traversable edges)로 라우팅되어 네트워크 분석을 가능
      스키마 매개체 (Declarative Schema): 선언적 스키마(Declarative Schema)’는 파이프라인과 독립되어 있으며, 시스템의 ‘설계도’ 역할

Result

image
온톨로지를 기준으로 기존 벤치마크(AIDA-YAGO, CleanCoNLL)의 오류를 찾아내어 교정
image
구축된 스키마를 LLM의 프롬프트로 사용하여 구조화되지 않은 텍스트에서 명확한 분류(Category/Tags)
image

Info

paper link