지식 그래프를 Ai에 활용하기

이번글은 if(kakao) 2021에서 발표된 AI on Knowledge Graph를 간단 요약한 내용입니다. 해당 발표는 카카오 엔터프라이즈의 ellie님이 발표하셨습니다. 아래의 링크를 통해 전체 내용을 볼수 있습니다.

if(kakao)2021

대표적으로 지식그래프를 통해 AI Task를 해결하는 문제는 자연어처리와 visual QA분야가 있다.

지식그래프를 LM에서 사용하는 이유? 지식 그래프가 ai를 똑똑하게 만들어주기 때문. LUKE, COME(google)에서 사용

 

Knowledge Graph construction 의 대표적인 모델

• 구글 : vault (2014)
• 애플 : RIBE(wiki infobox → kg)
• diffbot
• Amazon : auto know(2020 kdd)

Knowledge Graph Application

• google search
• youtube remcom : 2019년에 쓰고 있다고 이야기 나옴.
• 금융권 : 고객챗봇

• •  

카카오 엔터프라이즈에서 하는 방식

KG auto construction(text to knowledge pipeline system)

• 자연어 → RDF triple 로 변환하는 시스템. 순서는 parser → ner → entity linking → relation extraction → triple validation 로 구성
• NER : 객체의 타입을 알려주고 bert + crf 로 구성되어 있는 모델로 학습. 데이터는 룰로 추출하여 99%의 정확도를 가지는 것을 역으로 학습하는 방식을 사용
• entity linking : 엔티티와 객체를 매칭, rdf2vector 방식으로 Entity 표현
• Relation Extraction :  엔티티 간의 관계를 찾는것, distant supervision. Entity의 타입을 통해서 Validation 스코어를 계산하도록 함.

• QA 부분
  • 구조화된 KG에서 질의응답해결
  • Query parsing을 one-hop query, path query, conjucnctive queries로 나누어져있음. 
  • Dependency parser를 사용하고 있음. 
  • Qeury parsing으로 문장 분석, 엔티티 추출후 Relation Classification을 수행. bert에 질의문 입력, 추출된 verb와 후보 relation의 verb간의 유사도로 결정
  • 파싱 에러는 candidate 들의 entropy가 높으면 파싱 미스로 판단
• graph analysis
  • 그래프 분석을 수행할수 있음. 데이터 인사이트를 얻기위함.
  • 타겟 데이터(노드와 엣지 선택)시 page rank, centrality 등을 사용하여 분석