SeedER: 효율적인 지식 그래프 검색을 위한 시드-확장-검색 기법
SeedER: Seed-Expand-Retrieve for Efficient Knowledge Graph Retrieval
지식 그래프(KG)는 관계형 지식을 풍부하게 표현하지만, 불규칙한 구조로 인해 검색에 어려움이 따릅니다. 에고 그래프(ego-graph) 확장은 급격히 증가하며, 조밀한 임베딩(dense embedding) 방식은 다중 홉(multi-hop) 합성 쿼리 처리에 한계를 보입니다. 여러 접근 방식에서는 대규모 언어 모델(LLM) 에이전트를 활용해 KG를 탐색하고 후보 노드를 분석하여 다음 탐색 위치를 결정합니다. 이러한 접근법은 표현력이 뛰어나지만 상당한 계산 및 메모리 비용을 초래할 수 있습니다. 반면, 본 연구에서는 구조를 보강하고 이웃 인지 특성을 반영하더라도 그래프 노드에 대해 사전 계산된 조밀한 임베딩이 일련의 지식 그래프 쿼리에 답하기 위해 그래프 크기에 필적하는 임베딩 차원을 요구할 수 있음을 이론적으로 보입니다. 이러한 한계는 특정 조건에서 쿼리 적응형 임베딩을 통해 극복할 수 있으며, 이를 수행할 수 있는 그래프 신경망(GNN) 변형들이 존재합니다. 그러나 GNN으로 전체 그래프를 처리하는 것 역시 상당한 메모리와 계산 비용을 발생시킬 수 있으며, 각 노드가 쿼리에 답하는지 여부를 나타내는 조밀한 정답 라벨이 필요합니다. 앵커 노드 주변의 단순한 $k$-홉 선택 또한 문제가 될 수 있습니다. 작은 $k$는 탐색 가능한 노드를 제한하며, 3이나 4와 같은 작은 $k$ 값에서도 $k$-홉 서브그래프는 크게 증가할 수 있습니다. 본 연구에서는 메모리와 계산 부담이 훨씬 적고, 1단계 검색기(first-stage retriever)로서 추론 시 CPU에서 실행 가능하며, 학습 중 한 번에 소수의 노드에 대한 피드백만 필요로 하는 그래프 트랜스포머(Graph Transformer) 및 강화학습 기반의 새로운 접근 방식을 고안합니다. 우리는 이 방식이 KG에서 정보를 검색하기 위해 LLM을 파인튜닝하는 방식들과 견줄 만한 성능을 보임을 입증합니다. 본 연구의 방법을 SeedER(Seed-Expand-Retrieve)이라 부르며, 적은 계산 자원으로도 실행 가능한 1단계 검색기로 주로 활용될 수 있도록 자리매김합니다.