[논문 리뷰] REX: Explaining Relationships between Entity Pairs

Lujun Fang, Anish Das Sarma외 2명|arXiv (Cornell University)|2011. 11. 30.

Advanced Graph Neural Networks참고 문헌 26인용 수 13

한 줄 요약

이 논문은 지식 기반에서 두 개체 간에 관련성이 있는 이유를 순위화된 의미적 설명으로 제시하는 REX 시스템을 소개한다. 그래프 패턴 열거와 다차원적 흥미로움 점수를 결합하여 실세계 데이터(DBpedia 및 상용 검색 엔진에서 취득)를 바탕으로 효율적으로 설명을 식별하고 순위를 매긴다. 이는 높은 확장성과 사용자 관련성을 입증한다.

ABSTRACT

Knowledge bases of entities and relations (either constructed manually or automatically) are behind many real world search engines, including those at Yahoo!, Microsoft, and Google. Those knowledge bases can be viewed as graphs with nodes representing entities and edges representing (primary) relationships, and various studies have been conducted on how to leverage them to answer entity seeking queries. Meanwhile, in a complementary direction, analyses over the query logs have enabled researchers to identify entity pairs that are statistically correlated. Such entity relationships are then presented to search users through the "related searches" feature in modern search engines. However, entity relationships thus discovered can often be "puzzling" to the users because why the entities are connected is often indescribable. In this paper, we propose a novel problem called "entity relationship explanation", which seeks to explain why a pair of entities are connected, and solve this challenging problem by integrating the above two complementary approaches, i.e., we leverage the knowledge base to "explain" the connections discovered between entity pairs. More specifically, we present REX, a system that takes a pair of entities in a given knowledge base as input and efficiently identifies a ranked list of relationship explanations. We formally define relationship explanations and analyze their desirable properties. Furthermore, we design and implement algorithms to efficiently enumerate and rank all relationship explanations based on multiple measures of "interestingness." We perform extensive experiments over real web-scale data gathered from DBpedia and a commercial search engine, demonstrating the efficiency and scalability of REX. We also perform user studies to corroborate the effectiveness of explanations generated by REX.

연구 동기 및 목표

• 검색 엔진에서 '관련된 개체' 기능의 설명 불가능성 문제를 해결한다. 사용자가 왜 특정 개체들이 함께 묶여 있는지 이해할 수 없기 때문이다.
• 지식 기반에서 연결된 개체 쌍에 대해 의미 있고 인간이 이해할 수 있는 이유를 생성하는 방식으로 관계 설명 문제를 정식화한다.
• 의미적 및 통계적 흥미로움 측도를 기반으로 후보 설명을 열거하고 순위를 매기는 확장 가능한 시스템을 개발한다.
• 설명 생성을 개체 추천과 분리하여, 지식 기반 기반의 해석 가능하고 명확한 근거를 제공하는 데 집중한다.
• 대규모 지식 기반에서의 사용자 연구 및 실세계 실험을 통해 설명의 효과성을 검증한다.

제안 방법

• 변수(노드)와 레이블된 간선을 포함하는 제약 조건이 있는 그래프 패턴으로 관계 설명을 모델링하며, 이는 지식 기반의 특정 매핑이다.
• 키워드 검색 및 최단 경로 기법에서 유래한 경로 열거 알고리즘(예: PathEnumBasic 및 PathEnumPrioritized)을 활용하여 두 개체를 연결하는 후보 패턴을 발견한다.
• 반단조성 측도(예: Mmonocount)를 기반으로 한 정렬 기법을 적용하여 검색 공간을 축소하면서도 고품질의 설명을 유지한다.
• 집계 기반(예: 수량, 크기) 및 분포 기반(예: 정규화된 빈도, 엔트로피) 흥미로움 측도의 조합을 사용하여 설명을 순위 매긴다.
• 노드 및 간선 가중치를 통합하고 점수 정규화를 사용하여 의미적으로 유의미하고 중복이 없는 설명을 우선순위로 배치한다.
• 기존의 효율적인 경로 열거 알고리즘을 활용하고, 단일 대규모 그래프에서 설명 생성의 특정 제약 조건에 맞게 적응시킨다.

실험 결과

연구 질문

• RQ1 지식 기반에서 두 개체가 관련되어 있는 이유에 대해 의미적으로 유의미한 설명을 공식적으로 정의하고 생성하는 방법은 무엇인가?
• RQ2 좋은 관계 설명이 가져야 할 바람직한 특성들은 무엇이며, 이러한 특성들은 어떻게 공식적 측도로 표현할 수 있는가?
• RQ3 완전한 탐색 없이 대규모 지식 기반에서 후보 설명을 효율적으로 열거할 수 있는 방법은 무엇인가?
• RQ4 사용자의 설명 품질 및 관련성 인식을 가장 잘 반영하는 흥미로움 측도의 조합은 무엇인가?
• RQ5 REX가 생성한 설명은 설명이 없는 관련 개체 제안에 비해 사용자 이해도와 참여도를 어느 정도 향상시키는가?

주요 결과

• REX는 지식 기반에서 그래프 패턴을 채굴하여 'X 영화에 함께 출연했다' 또는 '결혼했다'와 같은 높은 품질의 인간이 이해할 수 있는 설명을 성공적으로 생성한다.
• 실세계 데이터셋에서 높은 효율성으로 확장되며, DBpedia 및 상용 검색 엔진에서 백만 개 이상의 개체와 관계를 처리하면서도 수용 가능한 지연 시간을 보였다.
• 분포 기반 흥미로움 측도(예: 엔트로피, 정규화된 빈도)의 사용은 단순한 크기 기반 측도에 비해 의미적으로 중요한 설명의 순위를 크게 향상시켰다.
• 사용자 연구 결과, REX가 생성한 설명은 단순한 관련 개체 목록보다 인식된 관련성과 사용자 참여도를 높였다.
• 패턴 수준과 인스턴스 수준의 흥미로움 측도를 통합함으로써 더 견고하고 다양한 설명 세트를 도출할 수 있었으며, 중복을 줄이고 다양한 관계 유형의 커버리지를 향상시켰다.
• Mmonocount 및 반단조성 성질 기반 정렬 기법을 통해 검색 공간 탐색이 효율적으로 이루어졌으며, 설명 품질을 손상시키지 않고 계산 시간을 단축시켰다.