[논문 리뷰] Schema-Guided Event Graph Completion

Hongwei Wang, Zixuan Zhang외 6명|arXiv (Cornell University)|2022. 06. 06.

Complex Network Analysis Techniques인용 수 5

한 줄 요약

이 논문은 이벤트 스키마를 템플릿으로 사용하여 부족한 이벤트 그래프 내 누락된 이벤트 노드를 예측하는 새로운 방법인 스키마 유도 이벤트 그래프 보완(Schema-Guided Event Graph Completion, SchemaEGC)을 제안한다. 스키마 유도 부분 그래프 매칭과 이웃 및 연결 경로를 통한 국소적 구조 모델링을 활용함으로써, 네 개의 데이터셋에서 기존 방법 대비 절대 F1 점수 4.3%에서 19.4%까지 향상시키며 최신 기술 수준의 성능을 달성한다.

ABSTRACT

We tackle a new task, event graph completion, which aims to predict missing event nodes for event graphs. Existing link prediction or graph completion methods have difficulty dealing with event graphs because they are usually designed for a single large graph such as a social network or a knowledge graph, rather than multiple small dynamic event graphs. Moreover, they can only predict missing edges rather than missing nodes. In this work, we propose to utilize event schema, a template that describes the stereotypical structure of event graphs, to address the above issues. Our schema-guided event graph completion approach first maps an instance event graph to a subgraph of the schema graph by a heuristic subgraph matching algorithm. Then it predicts whether a candidate event node in the schema graph should be added to the instantiated schema subgraph by characterizing two types of local topology of the schema graph: neighbors of the candidate node and the subgraph, and paths that connect the candidate node and the subgraph. These two modules are later combined together for the final prediction. We also propose a self-supervised strategy to construct training samples, as well as an inference algorithm that is specifically designed to complete event graphs. Extensive experimental results on four datasets demonstrate that our proposed method achieves state-of-the-art performance, with 4.3% to 19.4% absolute F1 gains over the best baseline method on the four datasets.

연구 동기 및 목표

• 기존 그래프 보완 방법이 소규모이고 동적인 이벤트 그래프에서 누락된 노드를 예측할 수 없는 한계를 해결하기 위해.
• 그래프에 존재하지 않는 새로운 이벤트 노드를 탐지할 수 없는 링크 예측 방법의 한계를 극복하기 위해.
• 스테레오타입 이벤트 구조의 추상 템플릿인 이벤트 스키마를, 이벤트 그래프 보완을 위한 구조적 및 의미적 지식의 원천으로 활용하기 위해.
• 샘플 생성을 위한 자체 지도 학습 전략과 이벤트 그래프 보완에 특화된 추론 알고리즘을 개발하기 위해.
• 실세계 이벤트 그래프 환경에서 스키마 노이즈에 대한 모델의 설명 가능성과 강건성을 향상시키기 위해.

제안 방법

• 정확한 매칭 대비 계산 비용을 줄이기 위해, 불완전한 인스턴스 이벤트 그래프를 스키마 그래프의 부분 그래프로 매핑하는 이중 단계 히우리스틱 부분 그래프 매칭 알고리즘을 사용한다.
• 스키마 그래프 내 국소적 구조를 두 가지 유형으로 모델링한다: 후보 노드 주변의 이웃 구조와 인스턴스화된 부분 그래프와의 연결 경로.
• GNN 기반 이웃 모듈은 학습 가능한 리더아웃 함수와 다중 GNN 레이어를 사용하여, 부분 그래프에 대한 후보 노드의 위상적 맥락을 인코딩한다.
• 경로 기반 모듈은 다양한 길이의 경로를 모델링하여 고차원 구조적 관계를 포착하며, 설정 가능한 최대 경로 길이와 경로 유형을 지원한다.
• 이중 모듈(이웃 및 경로)은 요소별 연결(concatenation)과 최종 분류기로 통합되어, 후보 노드가 인스턴스 그래프에 추가되어야 하는지 여부를 예측한다.
• 자기 지도 학습 전략은 스키마 그래프에서 노드를 마스킹하고, 모델 자체의 예측을 활용해 합성 보완 작업을 생성함으로써, 음성 및 양성 학습 샘플을 생성한다.

실험 결과

연구 질문

• RQ1 소규모이고 불완전한 이벤트 그래프에서 이벤트 스키마를 효과적으로 활용하여 누락된 이벤트 노드를 예측할 수 있는가?
• RQ2 특히 이웃과 연결 경로로 구성된 국소적 구조적 특징을 어떻게 활용하면 이벤트 그래프 보완의 정확도를 향상시킬 수 있는가?
• RQ3 제안된 방법이 기존 링크 예측 및 그래프 보완 기준선에 비해 이벤트 그래프 보완 작업에서 얼마나 뛰어난 성능을 보이는가?
• RQ4 스키마 그래프의 노이즈에 대해 모델은 얼마나 강건한가? 예측 과정에서 높은 설명 가능성을 유지하는가?
• RQ5 완전히 레이블링된 데이터가 없이도 자기 지도 학습 전략이 의미 있는 보완 샘플을 효과적으로 생성할 수 있는가?

주요 결과

• 제안된 SchemaEGC 방법은 네 개의 실세계 이벤트 그래프 데이터셋에서 최신 기술 수준의 성능을 달성하였으며, 최고의 기준선 방법 대비 절대 F1 점수 4.3%에서 19.4%까지 향상되었다.
• 경로 기반 모듈(SchemaEGC-Path)은 최대 경로 길이 및 경로 유형과 같은 하이퍼파라미터에 더 민감한 것으로 나타나, 구조적 경로 품질에 강하게 의존함을 시사한다.
• 이웃 기반 모듈(SchemaEGC-Neighbor)은 다양한 GNN 유형, 리더아웃 함수, 레이어 수에 관계없이 안정적인 성능을 보이며, 아키텍처 선택에 대한 강건성을 시사한다.
• 모델는 스키마 그래프의 노이즈에 매우 강건하여, 스키마에 오류 또는 누락된 정보가 포함되어 있어도 강력한 성능을 유지한다.
• 제거 실험을 통해 이웃 및 경로 모델링 구성 요소가 최종 예측에 기여하며, 특히 경로 모듈이 F1 점수 향상에 가장 큰 기여를 한다는 것이 확인되었다.
• 자기 지도 학습 전략은 완전히 레이블링된 보완 데이터가 없더라도 고품질의 합성 학습 샘플을 효과적으로 생성하여, 모델의 일반화 능력을 향상시켰다.