사금 채취: 일반 지식을 활용한 도메인 특화 지식 그래프 확장

Panning for Gold: Expanding Domain-Specific Knowledge Graphs with General Knowledge

도메인 특화 지식 그래프(DKG)는 일반 지식 그래프(GKG)에 비해 커버리지가 부족한 경우가 많습니다. 이를 해결하기 위해, 우리는 GKG에서 관련 사실을 통합하여 DKG를 풍부하게 만드는 새로운 작업인 도메인 특화 지식 그래프 융합(DKGF)을 소개합니다. DKGF는 도메인 관련성의 높은 모호성과 그래프 간 지식 입도(granularity)의 불일치라는 두 가지 핵심 과제에 직면해 있습니다. 우리는 간단하면서도 효과적인 '프로그램으로서의 사실(Fact-as-Program)' 패러다임인 ExeFuse를 제안합니다. 이는 각 GKG 사실을 잠재적 의미론적 프로그램으로 간주하고, 추상적 관계를 입도를 인식하는 연산자로 매핑하며, 타겟 DKG에서의 프로그램 실행 가능성을 통해 도메인 관련성을 검증합니다. 이 통합 확률론적 프레임워크는 관련성과 입도 문제를 동시에 해결합니다. 우리는 21개의 평가 구성을 포함한 두 가지 벤치마크 DKGF(W-I)와 DKGF(Y-I)를 구축했습니다. 광범위한 실험을 통해 본 작업의 중요성과 제안 모델의 효과를 입증하였으며, DKGF를 위한 최초의 표준화된 테스트베드를 제공합니다.

Domain-specific knowledge graphs (DKGs) often lack coverage compared to general knowledge graphs (GKGs). To address this, we introduce Domain-specific Knowledge Graph Fusion (DKGF), a novel task that enriches DKGs by integrating relevant facts from GKGs. DKGF faces two key challenges: high ambiguity in domain relevance and misalignment in knowledge granularity across graphs. We propose ExeFuse, a simple yet effective Fact-as-Program paradigm. It treats each GKG fact as a latent semantic program, maps abstract relations to granularity-aware operators, and verifies domain relevance via program executability on the target DKG. This unified probabilistic framework jointly resolves relevance and granularity issues. We construct two benchmarks, DKGF(W-I) and DKGF(Y-I), with 21 evaluation configurations. Extensive experiments validate the task's importance and our model's effectiveness, providing the first standardized testbed for DKGF.