Orc’s WIKI

Orc Hwang

들어가며
이 글은 Agentic Knowledge Graph Curriculum의 6단계입니다. 지금까지 우리는 그래프를 짓고(4단계) 읽었습니다(5단계). 이 글은 한 걸음 더 나아가, 그래프에서 예측하고 추론합니다 — 아직 그래프에 없는 사실을 이끌어내는 능력입니다.
핵심 도구는 임베딩입니다. 1단계에서 벡터 DB가 문서를 벡터로 옮긴다고 했는데, 그래프도 노드와 관계를 벡터로 옮길 수 있습니다. 일단 벡터 공간으로 옮기면, “이 두 개체는 비슷한가”, “이 관계는 존재할 법한가” 같은 질문이 벡터 연산이 됩니다. 이 예측·추론 능력이 추천·신약 발견의 엔진이자, 7단계에서 에이전트가 “그래프에게 물어 답을 만드는” 밑천이 됩니다.
📌 이 글에서 다루는 내용
그래프·지식 그래프 임베딩: node2vec 같은 구조 기반 임베딩과 TransE 계열의 지식 그래프 임베딩(h + r ≈ t), 개체·관계를 벡터로 옮기면 무엇이 가능해지는가
링크 예측·추천: 아직 그래프에 없는 관계를 예측하기, 추천·신약 후보·리스크 연결로의 응용
다중 홉 추론·GNN: 경로·규칙 기반으로 새 사실을 이끌어내기, 그래프 신경망(GNN)의 역할과 설명가능성의 긴장
한눈에 보기 — 벡터로 옮기면 예측이 열린다
이 글의 스파인은 하나의 흐름입니다 — 그래프를 벡터 공간으로 옮기고, 그 공간에서 유사도·예측·추론을 수행합니다.
flowchart LR
 KG["지식 그래프 노드 · 관계"]
 EMB["그래프 임베딩 node2vec · TransE"]
 VEC["벡터 공간 개체·관계 = 벡터"]
 KG --> EMB --> VEC
 VEC --> SIM["유사 개체 검색 가까운 벡터"]
 VEC --> LP["링크 예측 없는 관계 추정"]
 VEC --> MH["다중 홉 추론 경로·규칙 · GNN"]
 LP --> APP["추천 · 신약 후보 · 리스크 연결"]
 MH --> APP
이 그림의 좌표는 하나입니다 — 그래프를 벡터로 옮기는 순간, “읽기”가 “예측”으로 바뀝니다. 저장된 사실을 조회하는 것을 넘어, 저장되지 않은 사실을 추정할 수 있게 됩니다.
그래프·지식 그래프 임베딩 — 개체를 벡터로
구조 기반 임베딩 — node2vec
첫 갈래는 그래프의 구조만으로 노드를 벡터화하는 것입니다. node2vec는 그래프 위를 무작위로 걸어(random walk) 노드의 “이웃 문맥”을 수집하고, 자연어의 word2vec처럼 함께 자주 등장하는 노드는 가까운 벡터가 되도록 학습합니다. 결과적으로 그래프에서 비슷한 위치·역할을 가진 노드가 벡터 공간에서 이웃이 됩니다. 관계의 종류는 따지지 않고, 연결의 구조만 봅니다.
지식 그래프 임베딩 — TransE와 h + r ≈ t
지식 그래프는 관계에 종류가 있으므로(근무·출시·상호작용), 그것까지 담는 임베딩이 필요합니다. TransE의 발상이 우아합니다 — 관계를 벡터 공간의 평행이동(translation)으로 봅니다. 트리플 (head, relation, tail)에 대해:
h + r ≈ t (머리 벡터 + 관계 벡터 ≈ 꼬리 벡터)
예: vec(유전자X) + vec(관여) ≈ vec(질환Y)
 vec(약물A) + vec(치료) ≈ vec(질환Y)
관계 관여가 하나의 방향 벡터가 되어, 어떤 유전자든 그 벡터를 더하면 관련 질환 근처에 놓입니다. 학습이 끝나면 개체와 관계가 모두 규칙적으로 배치된 벡터 공간이 생깁니다(이후 TransR·RotatE·ComplEx 등이 표현력을 확장했지만, 발상의 뿌리는 이 평행이동입니다). 이 규칙성이 바로 다음 절의 링크 예측을 가능케 합니다.
링크 예측·추천 — 없는 관계를 추정하다
임베딩 공간이 규칙적이면, 아직 그래프에 없는 관계를 점수화할 수 있습니다. 이것이 링크 예측(link prediction)입니다. TransE라면 후보 트리플 (h, r, t)에 대해 h + r이 t에 얼마나 가까운지로 그 관계의 그럴듯함을 매깁니다.
이 단순한 능력이 여러 도메인의 핵심 기능이 됩니다.
추천: 사용자–상품 그래프에서 vec(사용자) + vec(구매) ≈ ?에 가까운 상품을 추천합니다. “구매 이력이 겹치는 사람이 산 것”이 벡터 근접으로 표현됩니다 — 게다가 경로로 근거를 댈 수 있어 설명 가능한 추천이 됩니다.
신약 발견: 약물–질환–유전자 그래프에서 아직 알려지지 않은 약물 ↔ 질환 관계를 예측해 약물 재창출 후보를 찾습니다(위 헤더 그림의 “질환↔약물 A?”가 이것입니다).
리스크·사기: 계좌·거래 그래프에서 드러나지 않은 연결을 예측해 잠재적 공모 관계를 조기에 표시합니다.
핵심은 링크 예측이 가설을 생성한다는 점입니다 — 확정된 사실이 아니라 검증할 후보입니다. 그래서 4단계의 휴먼인더루프처럼, 예측된 링크는 실험·검수로 확인한 뒤 그래프에 확정하는 것이 원칙입니다.
다중 홉 추론·GNN — 경로를 따라 새 사실을
임베딩이 “벡터 근접”으로 예측한다면, 다중 홉 추론(multi-hop reasoning)은 그래프의 경로와 규칙을 따라 새 사실을 명시적으로 이끌어냅니다.
규칙·경로 기반 추론: “A가 B의 부모이고 B가 C의 부모면, A는 C의 조부모다” 같은 규칙, 또는 여러 홉의 경로를 근거로 결론을 도출합니다. Ontology 시리즈의 OWL 추론(이행성·역관계 등)이 이 계열의 형식적 뿌리입니다. 장점은 설명가능성 — 결론에 이른 경로가 곧 근거입니다.
그래프 신경망(GNN): 각 노드가 이웃의 정보를 여러 겹에 걸쳐 주고받으며(message passing) 표현을 갱신합니다. 겹을 쌓을수록 더 먼 이웃의 정보가 스며들어, 다중 홉 구조를 학습으로 포착합니다. 링크 예측·노드 분류·부정거래 탐지에서 강력하지만, 왜 그 답이 나왔는지 설명하기는 규칙 기반보다 어렵습니다.
여기에 긴장이 하나 있습니다 — 규칙·경로 기반은 설명 가능하지만 표현력이 제한적이고, GNN·임베딩은 강력하지만 블랙박스에 가깝습니다. 도메인이 설명가능성을 얼마나 요구하는지(의료·금융은 높게)가 이 둘 사이의 선택을 좌우합니다. 그리고 이 추론 능력들이 다음 7단계에서 에이전트가 그래프를 도구로 삼아 답을 만드는 방식으로 통합됩니다.
정리
그래프를 벡터로 옮기면 예측이 열립니다: node2vec는 구조로, TransE 계열은 h + r ≈ t로 관계까지 담아 개체·관계를 규칙적인 벡터 공간에 배치합니다.
링크 예측은 없는 관계를 추정합니다. 추천·신약 후보·리스크 연결이 모두 이 위에 서며, 예측은 확정 사실이 아니라 검증할 가설입니다.
다중 홉 추론은 경로·규칙으로 새 사실을 이끌어냅니다. 규칙 기반은 설명 가능하고, GNN은 강력하지만 블랙박스에 가깝습니다 — 도메인의 설명가능성 요구가 선택을 가릅니다.
이 예측·추론 능력이 에이전트의 밑천입니다. 7단계에서 에이전트는 이 도구들을 스스로 골라 써 답을 만듭니다.
다음 글에서는 시리즈의 심장 — 그래프를 도구이자 기억으로 쓰는 Agentic Knowledge Graph — 로 들어갑니다.
다음 학습 (Next Learning)
7단계 · Agentic Knowledge Graph: 그래프를 도구·기억으로, temporal KG — 예측·추론을 에이전트가 스스로 쓰게 하기
5단계 · GraphRAG — 검색과 이 글의 추론이 어떻게 만나는지
지식 그래프와 RDF/OWL·속성 그래프 (Ontology 시리즈) — 규칙 기반 추론(OWL)의 형식적 뿌리

그래프 임베딩과 추론: node embedding·link prediction·다중 홉

댓글