[논문 리뷰] Semantic Property Graph for Scalable Knowledge Graph Analytics

Sumit Purohit, Nhuy Van외 1명|arXiv (Cornell University)|2020. 09. 16.

Semantic Web and Ontologies참고 문헌 15인용 수 5

한 줄 요약

이 논문은 의미적 성질 그래프(SPG)를 제안한다. SPG는 재구조화된 RDF 그래프를 의미론적 추론을 위해 온톨로지를 유지하는 라벨된 성질 그래프(LPG) 형식으로 변환하는 하이브리드 지식 그래프 모델이다. 효율적인 LPG 저장 및 탐색을 활용함으로써 SPG는 그래프 크기를 줄이고, 서브그래프 매칭과 같은 분석 작업의 확장성을 향상시켜 기존의 네이티브 RDF 표현 방식에 비해 상당한 압축 및 성능 향상을 달성한다.

ABSTRACT

Graphs are a natural and fundamental representation of describing the activities, relationships, and evolution of various complex systems. Many domains such as communication, citation, procurement, biology, social media, and transportation can be modeled as a set of entities and their relationships. Resource Description Framework (RDF) and Labeled Property Graph (LPG) are two of the most used data models to encode information in a graph. Both models are similar in terms of using basic graph elements such as nodes and edges but differ in terms of modeling approach, expressibility, serialization, and target applications. RDF is a flexible data exchange model for expressing information about entities but it tends to a have high memory footprint and inefficient storage, which does not make it a natural choice to perform scalable graph analytics. In contrast, LPG has gained traction as a reliable model in performing scalable graph analytic tasks such as sub-graph matching, network alignment, and real-time knowledge graph query. It provides efficient storage, fast traversal, and flexibility to model various real-world domains. At the same time, the LPGs lack the support of a formal knowledge representation such as an ontology to provide automated knowledge inference. We propose Semantic Property Graph (SPG) as a logical projection of reified RDF into LPG model. SPG continues to use RDF ontology to define type hierarchy of the projected graph and validate it against a given ontology. We present a framework to convert reified RDF graphs into SPG using two different computing environments. We also present cloud-based graph migration capabilities using Amazon Web Services.

연구 동기 및 목표

• 높은 메모리 사용량과 부풀어 오른 구조로 인해 RDF 그래프가 대규모 그래프 분석에서 비효율적인 문제를 해결하기 위해.
• RDF의 의미론적 표현력과 LPG의 성능 사이의 격차를 메우기 위해.
• 통합 프레임워크를 통해 온톨로지 의미를 유지하면서도 효율적이고 클라우드 규모의 지식 그래프 생성 및 분석을 가능하게 하기 위해.
• 실세계 분석 워크로드, 예를 들어 악성 활동 탐지에서의 서브그래프 매칭과 같은 사례에서 SPG의 실용적 이점을 입증하기 위해.

제안 방법

• 논리적 재구조화를 통해 재구조화된 RDF 그래프를 의미론적 의미를 유지하면서도 라벨된 성질 그래프(LPG) 모델로 변환한다.
• SPARQL 결과를 SPG 형식으로 변환하기 위해 쿼리 파서, 시리얼라이저, 검증기의 세 가지 핵심 구성 요소로 구성된 프레임워크를 사용한다.
• 효율적인 저장 및 상호운용성을 위해 GDF 형식(노드 정의 및 에지 정의 섹션 포함)으로 SPG를 시리얼라이즈하며, 향후 JSON 지원을 계획한다.
• 전용 SPG 검증기를 사용해 노드 및 에지 유형을 RDF 온톨로지와 대조하여 의미론적 일관성을 보장한다.
• 뉴스, 소셜 미디어, 거래 데이터 소스에서의 실세계 데이터 수신을 위해 NLP 파이프라인에 SPG 생성 기능을 통합한다.
• Amazon Neptune을 활용한 클라우드 규모의 SPG 생성을 지원하고, 분산 컴퓨팅 환경을 위한 지원도 제공한다.

실험 결과

연구 질문

• RQ1 재구조화된 RDF 그래프가 의미론적 표현력을 잃지 않고도 효율적으로 성질 그래프 모델로 변환될 수 있는가?
• RQ2 SPG 모델은 그래프 분석 작업에서 저장 효율성과 쿼리 성능 측면에서 네이티브 RDF와 비교해 어떻게 성능을 내는가?
• RQ3 SPG는 서브그래프 매칭 및 네트워크 정렬 작업에 있어 확장성 향상에 얼마나 기여하는가?
• RQ4 SPG는 온톨로지 검증을 통해 의미론적 정밀도를 유지하면서도 더 빠른 탐색과 더 낮은 메모리 사용량을 달성할 수 있는가?

주요 결과

• SPG는 네이티브 RDF에 비해 그래프 크기와 시리얼라이즈된 파일 크기를 상당히 줄여주며, 특히 'Statement' 및 'rdf:type'과 같은 중복 메타데이터 노드를 제거함으로써 효율성을 높인다.
• SPG 그래프의 차수 분포는 RDF 그래프보다 더 왜곡이 적어, 더 균형 잡히고 분석에 적합한 구조를 나타낸다.
• SPG에서는 서브그래프 쿼리에 필요한 에지 수가 적다. 예를 들어, SPG에서는 두 번의 점프로 이루어진 '와이드' 쿼리가 가능하지만, RDF에서는 20개의 에지와 세 번의 점프가 필요한 서브그래프를 요구한다. 이는 구조적 압축성을 입증한다.
• SPG 프레임워크는 더 빠른 탐색과 낮은 메모리 오버헤드를 통해 효율적이고 확장 가능한 그래프 분석을 가능하게 하며, 실시간 및 대규모 워크로드에 특히 유리하다.
• SPG를 NLP 파이프라인에 통합함으로써 뉴스, 소셜 미디어, 거래 데이터 등 다양한 데이터 소스에서 압축되고 분석 가능한 그래프를 성공적으로 생성하였다.