A Knowledge Acquisition is an activity for extracting knowledge for a knowledge base. I propose a meth-odology to automatically acquire the knowledge for a knowledge base by analyzing graph structures. This methodology extracts new information by finding connected components in the graph converted from a knowledge base consisting of triples. In particular, the methodology has a differentiation from previous research, which can extract any relations between the given query entity pair without a pre-defined relation set. I newly define the problem as 'Open Knowledge Acquisition', it is to extract all the possible knowledge of a given entity pair, regardless of the pre-defined relation set. I used two datasets to evaluate the performance of this study. ReVerb Dataset, made from Open Information Extraction Paradigm, is a substantial data set which is most ap-propriate for the purpose of this thesis. The performance of the proposed method on ReVerb dataset outper-formed SHERLOCK and several baselines. Evaluation for the YAGO dataset showed a higher accuracy and a lower recall than the ReVerb dataset. This means the proposed method is applicable to any other knowledge base though it’s not from the Open Information Extraction paradigm.
지식 습득은 특정 지식베이스에 맞는 지식을 자동으로 추출하는 연구 영역이다. 본 논문에서는 그래프 구조 분석을 통해 새로운 지식을 습득하는 새로운 방법론을 제안한다. 제안하는 방법론은 지식베이스가 변환된 그래프에서 사이클 형태의 구조 탐색을 통해 새로운 지식을 추출한다. 특히 과거의 지식 습득 연구와는 다르게, 본 방법론은 사전 정의된 관계명 집합을 사용하지 않고 주어진 개체쌍에 대해 가능한 모든 관계명을 추출한다. 본 논문에서는 이 문제를 ‘개방형 정보 습득’이라는 새로운 문제로 정의한다. 개방형 정보 추출의 패러다임에 맞게 만들어진 ReVerb 데이터셋은 실질적으로 본 논문의 목적과 가장 적합한 데이터셋이다. ReVerb 데이터셋에 적용한 제안 방법론은 비교 방법론인 SHERLOCK과 여러 가지 베이스라인에 비해 높은 성능을 기록하였다. 또한 YAGO 데이터셋에 적용한 제안 방법론은 ReVerb에 비해 높은 정확도와 낮은 재현율을 기록하였는데, 이는 제안하는 방법론이 개방형 정보추출로 만들어진 지식베이스 외에도 적용 가능함을 의미한다.
