[논문 리뷰] Query Expansion via structural motifs in Wikipedia Graph

Joan Guisado-Gámez, Arnau Prat-Pèrez외 1명|arXiv (Cornell University)|2016. 02. 23.

Information Retrieval and Search Behavior참고 문헌 19인용 수 7

한 줄 요약

이 논문은 구조적 모티프—위키백과 지식 기반 그래프 내 연결성의 특정 패턴—을 활용하여 의미 분석이나 콘텐츠 검사에 의존하지 않고 의미적으로 관련된 확장 단어를 식별하는 새로운 질의 확장 기법인 구조적 질의 확장(SQE)을 제안한다. SQE는 비확장 질의 대비 검색 성능을 150% 이상 향상시키며, 0.2초 이내로 실행되어 기존의 방법(예: 가짜 관련 피드백)과 결합했을 때 강력하고 상호 보완적인 성능 향상을 보여준다.

ABSTRACT

The search for relevant information can be very frustrating for users who, unintentionally, use too general or inappropriate keywords to express their requests. To overcome this situation, query expansion techniques aim at transforming the user request by adding new terms, referred as expansion features, that better describe the real intent of the users. We propose a method that relies exclusively on relevant structures (as opposed to the use of semantics) found in knowledge bases (KBs) to extract the expansion features. We call our method Structural Query Expansion (SQE). The structural analysis of KBs takes us to propose a set of structural motifs that connect their strongly related entries, which can be used to extract expansion features. In this paper we use Wikipedia as our KB, which is probably one of the largest sources of information. SQE is capable of achieving more than 150% improvement over non expanded queries and is able to identify the expansion features in less than 0.2 seconds in the worst case scenario. Most significantly, we believe that we are contributing to open new research directions in query expansion, proposing a method that is orthogonal to many current systems. For example, SQE improves pseudo-relevance feedback techniques up to 13%

연구 동기 및 목표

• 질의의 어휘 불일치와 사용자 주제에 대한 낯설음 문제를 해결하기 위해, 질의의 관련성을 향상시키기 위해 질의를 확장함으로써 정보 검색의 정확도를 높이는 것.
• 의미 분석이나 텍스트 분석에 의존하지 않고, 위키백과와 같은 지식 기반의 미사용된 구조적 특성을 질의 확장에 활용하는 것.
• 그래프 모티프를 통해 신뢰할 수 있고 의미적으로 연결된 확장 기능을 식별하는 방법을 개발함으로써, 기존의 의미 기반 및 로그 기반 기법과의 상호 보완성을 확보하는 것.
• 다양한 데이터셋에서 검색 성능 향상에 있어 구조적 모티프의 효과성과 효율성을 평가하는 것.
• 위키백과를 초월해 지식 기반 전용의 구조적 모티프에 대한 향후 연구의 기반을 마련하는 것.

제안 방법

• 시스템은 사용자 키워드를 위키백과 엔티티로 매핑하는 엔티티 링커를 사용하여 지식 기반 그래프 내 입력 노드를 식별한다.
• 지역 그래프 구조의 위상에 기반해 사전 정의된 구조적 모티프—특히 삼각형 및 정사각형 모티프—를 기반으로 질의 그래프를 구성한다.
• 삼각형 모티프는 밀접하게 연결된 노드의 3개 조합을 포착하며, 정사각형 모티프는 네 개 노드로 이루어진 사이클을 식별하여 강한 의미적 유사성을 나타낸다.
• 확장 기능은 질의 그래프 내의 기사 제목에서만 추출되며, 위키백과의 일관되고 자연어 기반의 이름 규칙을 활용한다.
• 이 방법은 콘텐츠 분석 없이 그래프 구조에만 의존하여 관련성을 유추하고 확장된 질의를 생성한다.
• 색인화 및 병렬 처리를 통해 성능을 최적화하여, 최악의 경우에도 0.2초 이내로 실행 가능하도록 한다.

실험 결과

연구 질문

• RQ1 지식 기반 그래프 내 구조적 모티프가 의미 분석이나 텍스트 분석 없이도 의미적으로 관련된 항목을 신뢰성 있게 식별할 수 있는가?
• RQ2 단지 그래프 위상에 기반한 질의 확장 방법이 검색 성능 향상에 얼마나 효과적인가?
• RQ3 이러한 순수 구조 기반 접근 방식은 기존 기법들(예: 가짜 관련 피드백)과 얼마나 잘 융합될 수 있는가?
• RQ4 식별된 모티프는 다양한 유형의 질의(예: 소형, 중형, 대형 top-k 검색)에 일반화되는가?
• RQ5 위키백과에서 관찰된 구조적 패턴은 다른 지식 기반에서 서로 다른 그래프 구조를 가진 곳에도 적용 가능한가?

주요 결과

• SQE는 평가된 모든 데이터셋에서 비확장 질의 대비 통계적으로 유의미한 150% 이상의 검색 성능 향상을 달성한다.
• 삼각형 모티프는 소형 top-k 질의의 검색 결과를 최대 83.87% 향상시킨다.
• 독립적으로 사용될 경우 정사각형 모티프는 대형 top-k 질의의 성능을 최대 83.85% 향상시킨다.
• 삼각형 및 정사각형 모티프를 모두 사용하는 하이브리드 접근 방식은 중형 top-k 질의의 결과를 최대 33.30% 향상시킨다.
• SQE를 가짜 관련 피드백과 결합했을 때 결과 품질이 13.68% 향상되어, 기존 방법과의 상호 보완성과 호환성을 입증한다.
• 최악의 경우에도 이 방법은 0.2초 이내로 실행되어 실시간 배포에 있어 무시할 만한 계산 오버헤드를 유발한다.