DIAL-KG: 동적 스키마 유도 및 진화 기반 스키마-프리 증분 지식 그래프 구축 - 의도 평가

DIAL-KG: Schema-Free Incremental Knowledge Graph Construction via Dynamic Schema Induction and Evolution-Intent Assessment

지식 그래프(KG)는 검색, 질의 응답, 추천 시스템 등 다양한 분야의 핵심 기술입니다. 기존 지식 그래프 구축 방법은 주로 정적이며, 고정된 코퍼스에서 사전에 정의된 스키마를 기반으로 한 단일 단계 구축 방식을 사용합니다. 그러나 이러한 방법은 데이터가 동적으로 유입되는 실제 시나리오에서는 최적의 방법이 아니며, 새로운 정보를 통합하려면 전체 그래프를 재구축해야 하므로 계산 비용이 매우 높습니다. 또한, 미리 정의된 스키마는 지식 그래프 구축의 유연성을 저해합니다. 이러한 한계점을 극복하기 위해, 메타 지식 기반(MKB)에 의해 관리되는 증분 KG 구축을 위한 폐루프 프레임워크인 DIAL-KG를 제안합니다. 이 프레임워크는 세 단계의 반복적인 과정을 거칩니다: (i) 듀얼 트랙 추출: 지식의 완전성을 보장하기 위해, 기본적인 삼중 관계 생성을 기본으로 하고, 복잡한 지식의 경우 이벤트 추출을 사용합니다. (ii) 거버넌스 심판: 추출된 사실의 정확성과 최신성을 유지하여 환각 현상과 지식의 노후화를 방지합니다. (iii) 스키마 진화: 검증된 지식으로부터 새로운 스키마를 유도하여 후속 구축 과정을 안내하고, 현재 단계에서 얻은 지식을 기존 KG에 점진적으로 적용합니다. 광범위한 실험 결과, 제안하는 프레임워크가 구축된 그래프와 유도된 스키마의 품질 측면에서 최고 수준(SOTA)의 성능을 달성함을 보여줍니다.

Knowledge Graphs (KGs) are foundational to applications such as search, question answering, and recommendation. Conventional knowledge graph construction methods are predominantly static, rely ing on a single-step construction from a fixed corpus with a prede f ined schema. However, such methods are suboptimal for real-world sce narios where data arrives dynamically, as incorporating new informa tion requires complete and computationally expensive graph reconstruc tions. Furthermore, predefined schemas hinder the flexibility of knowl edge graph construction. To address these limitations, we introduce DIAL KG, a closed-loop framework for incremental KG construction orches trated by a Meta-Knowledge Base (MKB). The framework oper ates in a three-stage cycle: (i) Dual-Track Extraction, which ensures knowledge completeness by defaulting to triple generation and switching to event extraction for complex knowledge; (ii) Governance Adjudica tion, which ensures the fidelity and currency of extracted facts to prevent hallucinations and knowledge staleness; and (iii) Schema Evolution, in which new schemas are induced from validated knowledge to guide subsequent construction cycles, and knowledge from the current round is incrementally applied to the existing KG. Extensive experiments demon strate that our framework achieves state-of-the-art (SOTA) performance in the quality of both the constructed graph and the induced schemas.