SeedER는 지식 그래프(KG)의 복잡한 구조를 활용해 효율적인 정보 검색을 돕는 프레임워크입니다. 핵심 노드를 먼저 선택하고, 강화 학습 기반 정책으로 그래프 구조를 고려해 확장하는 방식으로 작동합니다. 기존 방식보다 저렴한 비용으로 관련 노드를 효율적으로 찾아내며, 복합적인 그래프 쿼리에 대한 성능을 향상시킵니다.
SeedER는 기존의 밀집 임베딩 방식이 복합적인 그래프 쿼리에 어려움을 겪는다는 한계를 지적하고, 그래프 구조를 활용한 효율적인 검색 방법을 제시합니다. 실험 결과, 강력한 기준 모델보다 더 높은 재현율을 보이며, 지식 기반 추론 시스템의 첫 번째 검색 단계로 활용 가능성을 입증했습니다.
SeedER는 핵심 노드 집합을 가볍게 선택한 후, 학습된 그래프 기반 정책을 통해 선택적으로 확장하는 방식으로 설계되어, 전역적인 추론을 재사용 가능한 지역적 결정으로 분해하여 효율성을 높입니다.