본 논문은 지식 그래프 질의응답(KGQA)에서 기존 그래프 어텐션 네트워크(GAT)가 지식 그래프의 구조적 특징을 충분히 반영하지 못하는 한계를 해결하기 위해 BFS 기반의 Edge-weighted GAT 모델을 제안한다. 제안 모델은 정답 엔티티를 기준으로 BFS 탐색을 수행하여 구조적 거리(distance)를 산출하고, 엔티티 매핑 정보를 통해 의미적 완전성(completeness)을 계산하여 이를 어텐션 메커니즘에 직접 통합한다. 또한, 복수 정답이 존재하는 환경에 최적화된 Best-Rank 평가 방식을 도입하여 모델 성능을 공정하게 측정하였다. WebQSP 데이터셋을 이용한 실험 결과, 제안 모델은 Best-Rank MRR 0.4263을 기록하며 순수 GAT 및 다양한 GNN 모델 대비 향상된 성능을 달성했다. 이는 엣지 기반의 구조 정보를 어텐션에 반영하는 접근이 KGQA 성능 향상에 유효함을 입증한다. 향후 본 모델은 추출된 추론 경로를 LLM과 결합하여 설명 가능한 XAI로 확장 가능하다.
Park et al. (Tue,) studied this question.