[논문 리뷰] Generalized Graph Pattern Matching

Pedro Almagro-Blanco, Fernando Sancho Caparrini|arXiv (Cornell University)|2017. 08. 12.

Graph Theory and Algorithms참고 문헌 6인용 수 4

한 줄 요약

이 논문은 일반화된 그래프 쿼리(GGQ)를 소개한다. GGQ는 선택 그래프를 발전시켜 복잡하고 순환적인 부분그래프 패턴을 강력한 술어와 보완 조건을 사용해 지원하는, 성능이 뛰어난 논리적 프레임워크이다. GGQ는 지식 탐색과 화이트박스 기계학습을 위한 효율적이고 자동화된 쿼리 생성을 가능하게 하며, 의사결정 트리 학습을 위한 GGQ-ID3 알고리즘에 통합되어 이를 통해 검증되었다.

ABSTRACT

Most of the machine learning algorithms are limited to learn from flat data: a recordset with prefixed structure. When learning from a record, these types of algorithms don't take into account other objects even though they are directly connected to it and can provide valuable information for the learning task. In this paper we present the concept of Generalized Graph Query, a query tool over graphs or multi-relational data structures. They are built using the same graph structure as generalized graphs and allow to express powerful relational and non-relational restrictions on this type of data. Also, this paper shows mechanisms to build this kind of queries dynamically and how they can be used to perform bottom-up discovery processes through machine laerning techniques. ----- La mayoría de los algoritmos que aprenden a partir de datos están limitados ya que sólo son capaces de aprender a partir de datos estructurados en forma de tabla en la que cada fila representa un registro y cada columna una propiedad asociada. Estos algoritmos, no tienen en cuenta los atributos de las estructuras con las que un registro dado puede estar relacionado, a pesar de que éstos pueden aportar información útil a la hora de llevar a cabo la tarea de aprendizaje. En este artículo presentamos el concepto de Generalized Graph Query, una herramienta de consulta de patrones en grafos generalizados. Dicha herramienta ha sido construida utilizando la estructura de Grafo Generalizado y permite expresar restricciones relacionales y no relacionales sobre este tipo de estructuras. Además, en este artículo se presentan mecanismos para la construcción automática de este tipo de consultas y se muestra cómo éstas pueden ser utilizadas en procesos de descubrimiento tipo bottom-up a través de técnicas relacionadas con el Aprendizaje Automático.

연구 동기 및 목표

• 기본적인 부분그래프 이sovorphism을 초월해 복잡한 패턴 탐지에 적합한 표준화되고 표현력 있는 쿼리 메커니즘이 부족한 그래프 데이터베이스 문제를 해결하기 위해.
• 선택 그래프와 같은 기존 쿼리 모델을 확장하여 순환 패턴, 더 풍부한 술어, 그리고 민첩한 보완 조건을 지원하기 위해.
• 화이트박스 기계학습과 지식 탐색에 적합한 제어된 복잡도의 자동 쿼리 생성 기반 제공을 위해.
• 구성적 보완 연산을 통해 쿼리 구조의 내장 파artition을 생성함으로써 복잡한 쿼리의 효율적 생성을 가능하게 하기 위해.

제안 방법

• 노드, 간선, 속성을 모두 지원하는 일반화된 그래프 구조를 사용하여 속성 그래프를 쿼리하기 위한 논리적 프레임워크인 GGQ를 제안한다.
• 구조 이sovorphism을 초월해 그래프 시뮬레이션과 유계 시뮬레이션을 포함한 패턴 매칭을 확장하여 제약 조건이 있는 민감한 부분그래프 매칭을 가능하게 한다.
• 패턴 내 각 노드가 루트로 기능하는 트리 기반 평가 메커니즘을 도입하여, 경로의 교차를 통해 순환 패턴을 탐지할 수 있도록 한다.
• 간단한 쿼리에서 복잡한 GGQ를 구성할 수 있는 원자적 보완 연산의 집합을 정의하며, 보완 연산은 $k$개의 술어에 대해 $2^k$개의 변형을 생성한다.
• 구조적, 의미적, 정확한, 최적의 쿼리 모두를 지원하는 선언적 쿼리 스타일을 사용하며, Gremlin과 같은 실행 엔진으로 컴파일 가능한 잠재력을 지닌다.
• GGQ를 Proof-of-Concept 구현에 적용하고, 다중관계 의사결정 트리 학습을 위한 GGQ-ID3 알고리즘에 통합한다.

실험 결과

연구 질문

• RQ1 기본적인 이sovorphism을 초월해 순환적이고 복잡한 부분그래프 패턴을 지원하기 위해 그래프 패턴 매칭을 어떻게 일반화할 수 있는가?
• RQ2 제어된 복잡도 프레임워크 내에서 간단한 쿼리로부터 복잡한 쿼리를 체계적이고 자동으로 생성하기 위해 어떤 보완 연산이 필요한가?
• RQ3 GGQ는 그래프 구조 데이터에서 지식 탐색을 위한 강력하고 확장 가능한 쿼리 언어로 기능할 수 있는가?
• RQ4 복잡한 패턴 탐지에서 기존 쿼리 언어인 SPARQL, Cypher, 또는 Gremlin과 비교해 GGQ의 표현력과 효율성은 어떻게 되는가?

주요 결과

• GGQ는 패턴 내 모든 노드를 루트로 삼는 트리 평가를 통해 순환 패턴 탐지를 성공적으로 지원하며, 이는 이전의 투영 기반 방법의 한계를 극복한다.
• 구성적 보완을 통해 복잡한 쿼리를 구성할 수 있으며, 보완 가족은 $k$개의 수정된 술어에 대해 $2^k$개의 변형을 생성한다.
• GGQ를 의사결정 트리 테스트로 사용하는 GGQ-ID3 알고리즘은 그래프 구조 데이터에서 의미 있는 복잡한 패턴을 성공적으로 추출하여 지식 탐색에 기여한다.
• 원자적 연산을 조합함으로써 보완 집합을 최적화할 수 있으며(예: 한 번의 단계에서 간선과 속성을 동시에 추가), 이를 통해 단계 수를 줄이고 효율성을 향상시킬 수 있다.
• 소량의 수정만으로 초그래프로의 확장이 가능하여, 일반화된 초그래프 쿼리 지원으로의 자연스러운 확장 경로를 제시한다.
• 실험적 검증을 통해 GGQ가 실제 지식 탐색 작업, 특히 다중관계 학습 파이프라인에서 실용적인 유용성을 확인하였다.