생성형 인공지능(AI) 서비스의 성능을 좌우하는 지식그래프를 더 정확하게 분석하는 기술이 국내 대학 연구팀에 의해 개발됐다. 연구팀은 복잡한 관계 정보를 효과적으로 학습하는 인공지능 모델을 개발해 검색과 추천, 지식 기반 질의응답 서비스의 정확도를 높일 수 있는 가능성을 제시했다.

건국대 오병국 교수(컴퓨터공학부) 연구팀은 복잡한 관계 정보를 포함한 하이퍼 관계형 지식그래프의 추론 성능을 높이는 인공지능 모델 ‘GLoRE(Global-Local Representations via Relation-Entity Pair Encoding)’를 개발했다고 28일 밝혔다.

지식그래프는 사람과 장소, 사물, 사건 등 다양한 정보와 그 관계를 연결해 표현하는 기술로 검색엔진과 추천 시스템, 생성형 AI 질의응답 서비스의 핵심 기반 기술로 활용된다. 최근에는 시간과 장소, 조건 등 추가 정보를 함께 담는 하이퍼 관계형 지식그래프가 주목받고 있지만, 관계가 복잡해질수록 인공지능이 정보를 정확하게 추론하는 데 한계가 있었다.

연구팀은 이러한 문제를 해결하기 위해 관계와 개체(엔티티)를 하나의 ‘관계-엔티티 쌍(Relation-Entity Pair)’으로 함께 학습하는 새로운 구조를 제안했다. 이를 통해 기존 모델에서 발생하던 관계와 개체의 역할 혼합 문제를 줄이고, 각각의 정보가 어떤 관계 속에서 어떤 역할을 수행하는지를 보다 명확하게 학습하도록 했다.

또 지식그래프 전체의 연결 구조를 학습하는 전역 하이퍼그래프 전파 기법과 개별 사실 내부의 의미를 분석하는 셀프 어텐션(Self-Attention) 기법을 결합해 전체 구조와 세부 의미를 동시에 반영할 수 있도록 설계했다. 아울러 관계와 개체가 함께 등장하는 패턴을 활용해 관계 표현을 정교화함으로써 복잡한 맥락 정보가 포함된 지식그래프에서도 누락된 정보를 기존보다 정확하게 예측하는 성능을 확인했다.

연구팀은 이번 기술이 검색과 추천 시스템은 물론 생성형 인공지능 질의응답, 지식 기반 추론 등 복잡한 관계 정보를 다루는 다양한 인공지능 서비스의 성능 향상에 활용될 것으로 기대하고 있다. 특히 여러 관계와 맥락 정보가 얽힌 데이터를 보다 정밀하게 이해할 수 있어 차세대 인공지능 서비스의 기반 기술이 될 것으로 전망했다.

오병국 교수는 “복잡한 관계 정보를 보다 효과적으로 표현하고 학습할 수 있는 새로운 방법을 제시한 연구”라며 “생성형 AI와 지식 기반 서비스가 더욱 정확하게 정보를 이해하고 추론하는 데 기여할 것으로 기대한다”고 말했다.

연구 결과는 데이터마이닝 분야 최고 권위 국제학술대회인 ‘제32회 ACM SIGKDD Conference on Knowledge Discovery and Data Mining(KDD 2026)’에서 오는 8월 발표될 예정이다. 논문에는 지상준 학부생 인턴이 제1저자, 오병국 교수가 교신저자로 참여했다.