Key points are not available for this paper at this time.
지식 그래프 추론(KGR)은 지식 그래프(KGs) 기반의 논리 규칙을 통해 기존 사실에서 새로운 사실을 유도하는 것을 목표로 하며, 빠르게 성장하는 연구 분야가 되었습니다. 이는 질문 응답, 추천 시스템 등 많은 AI 응용 프로그램에서 KGs의 사용에 상당한 이점을 준다고 입증되었습니다. 그래프 유형에 따라 기존 KGR 모델은 대략 정적 모델, 시간적 모델 및 다중 모달 모델의 세 가지 범주로 나눌 수 있습니다. 이 분야의 초기 연구는 주로 정적 KGR에 중점을 두었으며, 최근 연구는 보다 실용적이고 현실 세계에 가까운 시간적 및 다중 모달 정보를 활용하려고 합니다. 그러나 이 중요한 방향의 모델을 포괄적으로 요약하고 논의하는 조사 논문이나 오픈 소스 저장소는 없습니다. 이를 보완하기 위해 정적에서 시간적, 그리고 다중 모달 KGs로의 지식 그래프 추론에 대한 최초의 조사를 실시합니다. 구체적으로 모델은 이중 수준 분류에 따라 검토되며, 즉 최상위(level) (그래프 유형)과 기본 수준(level) (기술 및 시나리오)으로 나뉩니다. 또한 성능 및 데이터 세트가 요약되고 제공됩니다. 게다가 독자들에게 통찰력을 주기 위해 도전과제와 잠재적 기회를 지적합니다.
Liang 외(금요일)는 이 질문을 연구했습니다.