▶ Graph Reasoning and Context Fusion for Open Domain Question Answering

Objective

·   다중 홉(Multi-hop), 다중 작업(Multi-task)을 요구하는 복잡한 자연어 질문들(Complex Questions)에 응답하는 오픈 도메인
   질문응답(Open Domain Question Answering)에 대한 연구
·   문서 집합(Corpus) 속에서 질문과 연관된 문단만을 활용
·   문단 속에서 질문과 연관성이 높은 문장 및 개체 등 다양한 수준의 맥락 정보들을 구분
·   복잡한 질문들(Complex Questions)에 대해 효과적으로 답변하기하기 위한 다중 홉 추론(Multi-hop Reasoning) 필요
·   대규모 벤치마크 데이터 집합인 HotpotQA를 이용

Approach

·   다양한 의미적 검색(Semantic Retrieval)과 심층 신경망(Deep Neural Network)을 토대로 문단 선택(Paragraph Selection) 수행
·   선택된 문단들로부터 질문, 문단, 문장, 개체 수준의 다양한 맥락 정보(Context)가 담긴 계층적 그래프(Hierarchical Graph)를 구축
·   그래프 상에서 다중 홉 추론(Multi-hop Reasoning)을 위해 그래프 합성곱 신경망(Graph Convolutional Network)을 이용하여 그래프 추론(Graph Reasoning)을 수행
·   그래프 추론 시 그래프 맥락 정보(Graph Context)를 텍스트 맥락 정보(Textual Context)에 융합(Fusion)함으로써 그래프 추론 정보를 텍스트 정보에 활용
·   추론 정보를 토대로 원문 속에서 질문에 대한 답변 및 뒷받침 문장을 예측하는 다중 작업(Multi-task) 수행

▶ Open Domain Question Answering over Combined KB and Corpus

Objective

·   자연어 형태의 복잡한 질문들(Complex Questions)에 응답하는 공개도메인 질문응답(Open Domain Question Answering)에 대한 연구
·   지식베이스(Knowledge Base)의 의미 표현 부족과 문서 집합(Corpus)으로 인한 높은 추론 난이도
·   복잡한 질문들(Complex Questions)에 대한 효과적으로 답변하기하기 위한 추론 신경망(Inference Network) 필요
·   질문에 대한 정답에 가까운 단어를 찾을 수 있는 추론 유도 방식(Leading Inference Direction) 필요
·   대규모 벤치마크 데이터 집합인 WebQuestionsSP와 MetaQA를 이용

Approach

·   지식베이스(Knowledge Base)와 문서 집합(Corpus)을 하나로 통합된 지식 그래프(Heterogenous Graph)로 통합하여 이용
·   추론 신경망(Inference Network)으로 그래프 합성곱 신경망(Graph Convolutional Network)을 이용하여 효과적으로 지식 그래프 정보를 갱신
·   질문 상의 관계 정보를 강조, 이웃 노드에 PPR(Personalized Page Rank) 점수를 확산해 효과적인 추론 방향 유도(Leading Inference Direction)

▶ WiseKB Demo : Spatial Reasoning

▶ Qualitative Spatial Reasoning

Objective

·   컴퓨터가 인간처럼 상식 수준의 지식(common sense knowledge)을 기초로 자가학습하며, 질의응답(question answering)을 통해 전문가 수준의 지식(specialist knowledge)을 제공할 수 있는 SW에 대한 연구 필요
·   질문들에 효과적으로 답하기 위해서는 광범위한 지식 베이스(large-scale knowledge base)와 빠른 시공간 추론(fast temporal and spatial reasoning) 능력 필요
·   주요 장소들 사이의 방향(direction), 포함(containment), 그리고 경계(broad) 관계들에 대한 지식 표현(knowledge representation) 및 정성적 추론(qualitative reasoning)에 대한 연구 진행

Approach

·   다양한 사례의 공간 지식 베이스 분석을 통해 CSD(cone-shaped directional)-9과 RCC(region connection calculi)-8 관계들을 통합적으로 추론하는 변환 규칙(conversion rules) 발견
·   CSD-9 및 RCC-8 각각의 추론 규칙과 변환 규칙을 토대로 전향 공간 추론기(forward spatial reasoner) 및 후향 공간 추론기(backward spatial reasoner) 개발
·   맵리듀스(mapreduce) 기반의 대용량 공간 추론기(large-scale spatial reasoner) 개발

Application

▶ Knowledge Extraction from Open Data

Objective

·   공간 지식(spatial knowledge)의 결핍 문제를 해결하기 위한 정량적 접근 방법(quantitative approach)
·   공간 객체들(spatial objects)의 기하학적 데이터(geometric data)로부터 임의의 두 공간 객체들 간의 공간 지식을 자동으로 추출하는 공간 지식 추출기(Spatial Knowledge Extractor) 개발
·   공간 지식의 표준 모델(OGC standard) 및 두 공간 객체 사이의 위상 관계(topological relation)와 방향 관계(directional relation) 추출 방법에 대한 연구 진행

Approach

·   다양한 기하학적 데이터의 온톨로지(Ontology) 및 좌표 참조 시스템(CRS) 고려
·   위상 관계만 표현 가능한 OGC standard 확장
·   두 기하학적 데이터 간 위상 관계 계산을 위한 DE-9IM(Dimentionally Extended nine-Intersection Model)
·   두 기하학적 데이터 간 방향 관계 계산을 위한 MBR(Minimal Bounding Rectangle) Model

Application

▶ Spatial Query Processing

Objective

·   공간 객체들(spatial objects) 간의 다양한 정성적, 정량적 질의 처리가 가능한 공간 질의 처리 시스템(spatial query processing system) 개발
·   기존의 공간 질의 언어(GeoSPARQL)들은 방향 관계(directional relationships)에 대한 질의 기능이 존재하지 않음
·   기존의 공간 질의 처리 시스템은 추론(reasoning)을 통해 새로운 지식을 답으로 유도하는 기능이 존재하지 않음

Approach

·   기존의 GeoSPARQL 질의 언어에 방향 관계 질의가 가능한 새로운 질의 언어인 GeoSPARQL-D 제시
·   질의 처리 이전에 공간 추론기인 QUSAR를 이용해 전향 공간 추론(forward spatial reasoner)을 수행하여, 풍부한 질의 결과 도출

Application