금맥을 찾아서: 일반 지식 그래프를 활용하여 전문 분야 지식 그래프 확장

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

전문 분야 지식 그래프(DKG)는 매우 중요하지만, 일반 지식 그래프(GKG)에 비해 종종 제한적인 범위를 갖습니다. DKG를 풍부하게 만들기 위한 기존 연구는 주로 외부의 비정형 데이터에서 지식을 추출하거나 내부 추론을 통해 지식 그래프를 완성하는 데 의존하지만, 이러한 통합의 범위와 품질은 여전히 제한적입니다. 이는 중요한 격차를 드러냅니다. 즉, 포괄적이고 고품질의 GKG를 어떻게 효과적으로 활용하여 DKG를 보완할 수 있는지에 대한 체계적인 연구가 거의 이루어지지 않았다는 것입니다. 이러한 격차를 해결하기 위해, 우리는 새로운 실용적인 과제인 '전문 분야 지식 그래프 융합(DKGF)'을 제안합니다. DKGF는 일반 지식 그래프에서 관련 사실을 추출하여 전문 분야 지식 그래프에 통합함으로써, 지식 그래프의 완전성과 유용성을 향상시키는 것을 목표로 합니다. 이전 연구와 달리, 이 새로운 과제는 두 가지 주요 과제에 직면합니다. (1) 도메인 관련성의 높은 모호성, 즉 GKG의 지식이 대상 도메인에 실제로 관련이 있는지 판단하는 어려움, 그리고 (2) 도메인 간 지식 세분성 불일치, 즉 GKG의 사실은 일반적으로 추상적이고 거칠지만, DKG는 특정 도메인 시나리오에 맞춰 더 맥락화되고 세분화된 표현을 필요로 하는 점입니다. 이러한 과제를 해결하기 위해, 우리는 신경-기호 프레임워크인 ExeFuse를 제안합니다. ExeFuse는 새로운 '사실-프로그램' 패러다임에 기반하며, 융합을 실행 가능한 프로세스로 취급하고, 신경-기호 실행을 통해 표면적인 유사성 이상에서 논리적인 관련성을 추론하며, 대상 공간 정지화를 통해 세분성을 조정합니다. 우리는 이 과제에 대한 첫 번째 표준화된 평가 세트를 구축하기 위해 두 개의 새로운 데이터 세트를 구축했습니다. 광범위한 실험 결과, ExeFuse는 도메인 장벽을 효과적으로 극복하여 우수한 융합 성능을 달성하는 것으로 나타났습니다.

Domain-specific knowledge graphs (DKGs) are critical yet often suffer from limited coverage compared to General Knowledge Graphs (GKGs). Existing tasks to enrich DKGs rely primarily on extracting knowledge from external unstructured data or completing KGs through internal reasoning, but the scope and quality of such integration remain limited. This highlights a critical gap: little systematic exploration has been conducted on how comprehensive, high-quality GKGs can be effectively leveraged to supplement DKGs. To address this gap, we propose a new and practical task: domain-specific knowledge graph fusion (DKGF), which aims to mine and integrate relevant facts from general knowledge graphs into domain-specific knowledge graphs to enhance their completeness and utility. Unlike previous research, this new task faces two key challenges: (1) high ambiguity of domain relevance, i.e., difficulty in determining whether knowledge from a GKG is truly relevant to the target domain , and (2) cross-domain knowledge granularity misalignment, i.e., GKG facts are typically abstract and coarse-grained, whereas DKGs frequently require more contextualized, fine-grained representations aligned with particular domain scenarios. To address these, we present ExeFuse, a neuro-symbolic framework based on a novel Fact-as-Program paradigm. ExeFuse treats fusion as an executable process, utilizing neuro-symbolic execution to infer logical relevance beyond surface similarity and employing target space grounding to calibrate granularity. We construct two new datasets to establish the first standardized evaluation suite for this task. Extensive experiments demonstrate that ExeFuse effectively overcomes domain barriers to achieve superior fusion performance.