[논문 리뷰] A Survey of Knowledge Graph Reasoning on Graph Types: Static, Dynamic, and Multimodal

Ke Liang, Lingyuan Meng외 7명|arXiv (Cornell University)|2022. 12. 12.

Advanced Graph Neural Networks인용 수 46

한 줄 요약

본 논문은 세 가지 그래프 유형—static, temporal, multi-modal—에 걸친 지식 그래프 추론(KGR)을 이중 수준 분류체계(bi-level taxonomy)를 사용하여 조사하고, 데이터셋, 도전과제, 그리고 오픈 소스 저장소를 제시한다.

ABSTRACT

Knowledge graph reasoning (KGR), aiming to deduce new facts from existing facts based on mined logic rules underlying knowledge graphs (KGs), has become a fast-growing research direction. It has been proven to significantly benefit the usage of KGs in many AI applications, such as question answering, recommendation systems, and etc. According to the graph types, existing KGR models can be roughly divided into three categories, i.e., static models, temporal models, and multi-modal models. Early works in this domain mainly focus on static KGR, and recent works try to leverage the temporal and multi-modal information, which are more practical and closer to real-world. However, no survey papers and open-source repositories comprehensively summarize and discuss models in this important direction. To fill the gap, we conduct a first survey for knowledge graph reasoning tracing from static to temporal and then to multi-modal KGs. Concretely, the models are reviewed based on bi-level taxonomy, i.e., top-level (graph types) and base-level (techniques and scenarios). Besides, the performances, as well as datasets, are summarized and presented. Moreover, we point out the challenges and potential opportunities to enlighten the readers. The corresponding open-source repository is shared on GitHub https://github.com/LIANGKE23/Awesome-Knowledge-Graph-Reasoning.

연구 동기 및 목표

• 정적, 시간적, 다중 모달 지식 그래프(KG)를 정의하고 구별한다.
• KGR 모델을 위한 이중 수준 분류체계(그래프 유형; 기법과 시나리오)를 제시한다.
• 최첨단 KGR 모델들과 그 성능, 데이터셋, 응용 분야를 조사한다.
• 도전과제와 기회를 강조하고 GitHub의 오픈 소스 리소스를 공유한다.

제안 방법

• 상위 수준 그래프 유형(정적, 시간적, 다중 모달)으로 KGR 모델을 분류한다.
• 각 유형을 기본 수준 기법으로 하위 분류한다(임베딩 기반, 경로 기반, 규칙 기반; 특정 유형에 대해 RNN 기반 및 Transformer 기반).
• 추론 시나리오를 transductive/inductive(정적) 및 interpolation/extrapolation(시간적)으로 하위 분류한다.
• 조사 대상 모델 전반의 데이터셋, 성능 및 일반적인 평가 지표를 요약한다.
• 모델(papers와 코드) 및 데이터셋을 포함하는 오픈 소스 리포지토리를 제공한다.

실험 결과

연구 질문

• RQ1 정적, 시간적, 다중 모달 KG 유형 간 KGR 모델링 필요성의 주요 차이는 무엇인가?
• RQ2 각 KG 유형과 추론 시나리오의 고유한 도전과제에 가장 잘 대응하는 기법은 무엇인가?
• RQ3 정적, 시간적, 다중 모달 KGR 전반에서 데이터셋 및 평가 설정은 어떻게 다르며, 남아 있는 연구 기회는 무엇인가?

주요 결과

• 본 조사는 KGR 모델에 대한 이중 수준 분류체계: 그래프 유형을 최상위 수준으로, 기법/시나리오를 기본 수준으로 제시한다.
• 180개의 최첨단 KGR 모델과 67개의 데이터셋을 수집하여 KG 유형별 구조화된 개요를 제공한다.
• 기존 모델의 강점과 약점을 분석하고 연구를 위한 기준선 선택을 안내한다.
• 정적, 시간적, 다중 모달 KGR의 도전과제와 기회를 식별하고 GitHub의 오픈 소스 리소스를 제공한다.