Hyper-Relational Knowledge Graphs

Hyper-Relational Knowledge Graphs (HKGs)는 전통적인 지식 그래프(knowledge graphs)를 넘어, 단순한 엔티티-관계-엔티티 삼중구조(triplets)뿐만 아니라 추가적인 qualifier(예: 속성-값 쌍)를 포함하여 더 복잡하고 세밀한 실세계 지식을 표현할 수 있는 구조를 가집니다. HKGs는 다양한 응용 분야에서 중요한 역할을 하며, 최근 연구는 이러한 구조를 효과적으로 모델링하고 활용하는 데 초점을 맞추고 있습니다. 아래에서는 2025년 기준으로 HKGs에 대한 최신 국내외 연구동향을 상세히 정리하였습니다.

국제적 연구동향

1. 대표적 연구 주제와 방법론

표현 학습 (Representation Learning)

HKGs의 표현 학습은 복잡한 관계와 qualifier를 효과적으로 모델링하는 데 초점을 맞추고 있습니다. 주요 연구는 다음과 같습니다:

• HyNT 프레임워크: “Representation Learning on Hyper-Relational and Numeric Knowledge Graphs with Transformers” (arXiv:2305.18256)에서는 숫자형 리터럴(numeric literals)을 포함한 HKGs의 표현 학습을 위해 context transformer와 prediction transformer를 활용한 HyNT 프레임워크를 제안하였습니다. 이 프레임워크는 삼중구조와 qualifier 간의 상관관계뿐만 아니라 숫자 정보를 효과적으로 학습합니다.
• 다중 집계기 활용: “Learning Representations for Hyper-Relational Knowledge Graphs” (arXiv:2208.14322)에서는 base triple과 qualifier의 관점에서 각각 표현을 학습하는 다중 집계기(multiple aggregators)를 제안하여 qualifier 표현의 최적화를 도모하였습니다.

완성 및 예측 (Completion and Prediction)

HKGs의 완성은 결측된 링크나 삼중구조를 예측하는 것을 목표로 합니다. 주요 연구는 다음과 같습니다:

• STARE 개선: “Improving Hyper-Relational Knowledge Graph Completion” (arXiv:2104.08167)에서는 기존 STARE 방법을 개선하여 계산 비용이 높은 그래프 신경망을 가벼운 임베딩 기법으로 대체하고, qualifier 중심의 보조 학습 과제를 추가하여 예측 성능을 향상시켰습니다.
• HyperFormer: “HyperFormer: Enhancing Entity and Relation Interaction for Hyper-Relational Knowledge Graph Completion” (ACM SIGKDD 2023)에서는 로컬 수준의 시퀀스 정보를 활용하여 엔티티와 관계의 상호작용을 강화한 HyperFormer 모델을 제안하였습니다.
• StarE: “Message Passing for Hyper-Relational Knowledge Graphs” (EMNLP 2020)에서는 메시지 패싱 기반의 StarE 인코더를 제안하여 임의의 qualifier를 처리할 수 있는 모델을 개발하였으며, 새로운 데이터셋 WD50K를 도입하였습니다.

임베딩 기법 (Embedding Techniques)

HKGs의 복잡한 구조를 반영하기 위해 다양한 임베딩 기법이 제안되고 있습니다:

• TransHR: “Knowledge graph embedding for hyper-relational data” (ResearchGate, 2020)에서는 hyper-relational 데이터를 개별 벡터로 변환하여 표현하는 TransHR 모델을 제안하였습니다.
• 다양한 임베딩 접근법: TransE, ComplEx, R-GCN, Graph Transformers 등 기존 임베딩 기법을 확장하여 HKGs의 n-ary 관계와 qualifier를 처리하는 연구가 진행 중입니다 (Medium, 2025).

대규모 언어 모델 (LLMs) 활용

최근에는 대규모 언어 모델(LLMs)을 HKGs 구성에 활용하는 연구가 활발합니다:

• GPT-3.5 기반 추출: “Construction of Hyper-Relational Knowledge Graphs Using Pre-Trained Large Language Models” (arXiv:2403.11786)에서는 OpenAI의 GPT-3.5를 활용하여 텍스트에서 hyper-relational 지식을 추출하는 zero-shot prompt-based 방법을 제안하였습니다. 이 방법은 0.77의 재현율(recall)을 달성하며 유망한 결과를 보였으나, 정밀도(precision) 향상이 과제로 남아 있습니다.

2. 응용 분야

HKGs는 다양한 응용 분야에서 활용되고 있습니다:

• 위치 기반 추천 시스템: “Hyper-relational knowledge graph neural network for next POI recommendation” (World Wide Web, 2024)에서는 HKGs를 활용하여 위치 기반 소셜 네트워크(LBSN)에서 다음 POI(Point of Interest)를 추천하는 HKGNN 모델을 제안하였습니다.
• 질의 응답 및 추론: HKGs는 질의 응답 시스템에서 복잡한 질의를 처리하는 데 사용되며, 특히 다중 홉 추론(multi-hop reasoning)을 지원합니다 (ResearchGate, 2023).
• 과학적 발견: HKGs는 생물의학, 지질학, 법률 등 도메인별 지식 그래프 구축에 활용되어 과학적 가설 생성을 지원합니다 (Medium, 2025).

3. 2025년 최신 동향

2025년에는 HKGs 연구가 다음과 같은 방향으로 발전하고 있습니다:

• KG-LLM 통합: 지식 그래프와 LLM의 상호 보완적 시스템이 주목받고 있습니다. Retrieval-Augmented Generation(RAG)을 통해 LLM의 hallucination을 줄이고, LLM을 활용한 자동화된 KG 구성 방법이 연구되고 있습니다 (Medium, 2025).
• 고급 추론 및 추론: HKGs는 단순 삼중구조를 넘어 n-ary fact와 qualifier를 처리하기 위해 SPARQL-Star, SHACL 등의 기술이 발전하고 있습니다. 또한, 시간적, 확률적, 인과적 추론을 지원하는 방향으로 연구가 진행 중입니다.
• 다모달 데이터 통합: 이미지, 오디오, 비디오 등 다양한 데이터 유형을 HKGs에 통합하여 AI의 이해를 깊게 하는 연구가 진행되고 있습니다.
• 개인화 및 연합 KG: 사용자 선호도를 반영한 개인화된 KG와 대규모 KG와의 연합(federated) 구조가 연구되고 있습니다.
• 연구 프론티어: 자가 치유(self-healing) KG, LLM+KG 시스템 평가, LLM의 KG 기반 grounding, 윤리적 프레임워크, 과학적 발견을 위한 KG 등이 주요 연구 주제입니다.

국내 연구동향

한국에서는 HKGs에 대한 직접적인 연구는 제한적이지만, 지식 그래프와 그래프 기반 AI 연구가 활발히 진행되고 있으며, 이는 HKGs 연구로 확장될 가능성이 높습니다.

1. 주요 연구자 및 기관

• U Kang (강유): 서울대학교 데이터과학연구실(DATALAB)을 이끌며 대규모 그래프 마이닝 연구를 진행하고 있습니다. PEGASUS(Peta-Scale Graph Mining System)와 같은 도구를 개발하였으며, 이는 지식 그래프 연구와 연관될 수 있습니다 (SNU DATALAB).
• Chanyoung Park (박찬영): KAIST에서 추천 시스템과 그래프 기반 머신러닝을 연구하고 있습니다. 그의 연구는 지식 그래프를 기반으로 한 추천 시스템 개발과 관련이 있을 수 있습니다 (KAIST DSAIL).
• Chanyoung Chung (정찬영): “Representation Learning on Hyper-Relational and Numeric Knowledge Graphs with Transformers” (arXiv:2305.18256) 논문의 저자로, 한국인 연구자로 보이며 HKGs 연구에 직접 기여하고 있습니다.

2. 국내에서 진행된 관련 연구

• 공공 데이터 기반 지식 그래프: “An Approach to Constructing a Knowledge Graph Based on Korean Open-Government Data” (MDPI, 2019)에서는 한국의 공공 데이터를 활용한 지식 그래프 구축 방법을 제안하였습니다. 이는 HKGs로 확Jang될 잠재력을 가집니다.
• 국제 컨퍼런스 참여: 2022년 경주에서 열린 “29th International Conference on Computational Linguistics (COLING)”에서는 “Data Augmentation for Few-Shot Knowledge Graph Completion from Hierarchical Perspective” (ACL Anthology, 2022)와 같은 지식 그래프 완성 관련 연구가 발표되었습니다. 이는 한국이 국제적 지식 그래프 연구의 일부를 담당하고 있음을 보여줍니다.

3. 한국의 연구 기여

• 한국의 연구자들은 국제적 컨퍼런스와 저널에 지식 그래프 관련 연구를 발표하고 있으며, 특히 대규모 데이터 처리와 그래프 기반 머신러닝 분야에서 두각을 나타내고 있습니다. HKGs는 이러한 연구의 자연스러운 연장선상에 있습니다.
• 한국은 AI와 데이터 과학 분야에서 글로벌 리더로서의 역할을 하고 있으며, 이는 HKGs 연구에서도 기여할 것으로 기대됩니다.

종합적 분석

• 국제적 트렌드: HKGs는 표현 학습, 완성, 임베딩, 그리고 LLM 통합 등에서 빠르게 발전하고 있습니다. 2025년에는 KG와 LLM의 상호 보완적 시스템, 고급 추론 능력, 다모달 데이터 통합 등이 주요 연구 방향입니다.
• 국내 트렌드: 한국에서는 HKGs에 대한 직접적인 연구보다는 일반적인 지식 그래프와 그래프 기반 AI 연구가 활발합니다. 그러나 연구자들(예: U Kang, Chanyoung Park, Chanyoung Chung)의 활동과 국제 컨퍼런스 참여를 통해 HKGs 연구에 기여하고 있으며, 향후 더 많은 연구가 진행될 가능성이 높습니다.

참고 문헌

• “Representation Learning on Hyper-Relational and Numeric Knowledge Graphs with Transformers” (arXiv:2305.18256)
• “Improving Hyper-Relational Knowledge Graph Completion” (arXiv:2104.08167)
• “Construction of Hyper-Relational Knowledge Graphs Using Pre-Trained Large Language Models” (arXiv:2403.11786)
• “HyperFormer: Enhancing Entity and Relation Interaction for Hyper-Relational Knowledge Graph Completion” (ACM SIGKDD 2023)
• “The Knowledge Graph Advantage: How Smart Companies Are Using Knowledge Graphs to Power AI and Drive Real-World Results” (Medium, 2025)
• “An Approach to Constructing a Knowledge Graph Based on Korean Open-Government Data” (MDPI, 2019)
• “Data Augmentation for Few-Shot Knowledge Graph Completion from Hierarchical Perspective” (ACL Anthology, 2022)