정해진 틀을 넘어: 복잡한 문서로부터 문맥 정보를 풍부하게 하는 지식 그래프를 위한 TRACE-KG

Beyond Predefined Schemas: TRACE-KG for Context-Enriched Knowledge Graphs from Complex Documents

지식 그래프 구축은 일반적으로 미리 정의된 온톨로지 또는 스키마가 없는 추출 방식을 사용합니다. 온톨로지 기반 파이프라인은 일관된 유형을 강제하지만 비용이 많이 드는 스키마 설계 및 유지 관리가 필요하며, 스키마가 없는 방법은 종종 파편화된 그래프를 생성하며, 특히 밀도가 높고 문맥 의존적인 정보가 많은 긴 기술 문서에서 전반적인 조직력이 약합니다. 우리는 TRACE-KG (Text-dRiven schemA for Context-Enriched Knowledge Graphs)이라는 다중 모드 프레임워크를 제안합니다. TRACE-KG은 미리 정의된 온톨로지를 가정하지 않고 문맥 정보를 풍부하게 하는 지식 그래프와 유도된 스키마를 동시에 구축합니다. TRACE-KG은 구조화된 한정자를 통해 조건부 관계를 파악하고, 데이터 기반 스키마를 사용하여 개체와 관계를 구성합니다. 이 스키마는 재사용 가능한 의미론적 기반 역할을 하며, 원본 증거에 대한 완전한 추적성을 유지합니다. 실험 결과, TRACE-KG은 구조적으로 일관되고 추적 가능한 지식 그래프를 생성하며, 온톨로지 기반 및 스키마가 없는 구축 파이프라인에 대한 실용적인 대안을 제공합니다.

Knowledge graph construction typically relies either on predefined ontologies or on schema-free extraction. Ontology-driven pipelines enforce consistent typing but require costly schema design and maintenance, whereas schema-free methods often produce fragmented graphs with weak global organization, especially in long technical documents with dense, context-dependent information. We propose TRACE-KG (Text-dRiven schemA for Context-Enriched Knowledge Graphs), a multimodal framework that jointly constructs a context-enriched knowledge graph and an induced schema without assuming a predefined ontology. TRACE-KG captures conditional relations through structured qualifiers and organizes entities and relations using a data-driven schema that serves as a reusable semantic scaffold while preserving full traceability to the source evidence. Experiments show that TRACE-KG produces structurally coherent, traceable knowledge graphs and offers a practical alternative to both ontology-driven and schema-free construction pipelines.