규칙 기반 언어 분석과 컴퓨터 비전에 기반한 다중 모달 지식 그래프

Summary

VISHAM-KG는 힌디어 시각 문서에서 텍스트와 시각적 요소를 정렬하여 지식 그래프를 구성하는 다중 모달 프레임워크입니다. 이 기술은 규칙 기반 언어 분석과 컴퓨터 비전 기법을 결합하여 저자원 인도어 환경에서 주어-관계-목적어 삼중항을 생성합니다.

Abstract

시각-의미론적 힌디어 정렬 다중 모달 지식 그래프(VISHAM-KG)는 힌디어 시각 문서로부터 시각-텍스트 엔터티를 체계적으로 정렬하여 일관된 다중 모달 지식 그래프(KG)를 구축하기 위해 설계된 프레임워크입니다. 본 연구의 목적은 저자원 인도어에서 구조화된 의미 표현과 근거 있는 추론을 지원하는 컴퓨터 비전 기반 언어 분석과 컴퓨터 비전 기반 객체 탐지를 통합하는 것입니다. 제안된 알고리즘은 자연어 처리(NLP) 힌디어 시각 문서 준비에서 시작하여 데바나가리 문자 추출과 언어 전처리를 위한 광학 문자 인식(OCR)을 거치며, 여기에는 토큰화, 표지법, 품사 태깅, 의존성 구문 분석 등 다양한 과정을 포함합니다. 동시에 시각적 개체는 객체 검출을 이용해 이미지에서 추출하고 신뢰 임계값을 사용해 필터링합니다. 텍스트 및 시각적 엔터티는 다국어 변환기 모델 XLM-R과 CLIP-ViT를 사용하여 공유 의미 공간에 내장되며, 코사인 유사성 기반 임계값으로 정렬됩니다. 이러한 정렬된 엔터티들은 규칙 기반 의존 관계와 결합되어 다중 모달 트리플렛을 생성합니다. 이 프로토콜은 인도 지식 기반을 기반으로 명시적인 시각적 기반을 가진 주어-관계-객체 3중항으로 인코딩된 구조화된 다중 모달 지식 그래프를 생성합니다. 이 결과물은 힌디어 시각 문서에 대한 교차 모달 쿼리, 엔터티 정렬, 지식 그래프 추론을 지원하며, 저자원 언어 환경에서 다중 모달 지식 구축을 위한 복제 가능한 프레임워크를 제공합니다.

Introduction

지식 그래프(KG)는 엔터티를 노드로, 관계를 간선으로 모델링하는 구조화된 의미론적 그래픽 표현입니다. 질문 답변, 추천 시스템, 정보 추출 등 다양한 응용 분야에서 효율적인 지식 검색과 맥락 추론을 가능하게^합니다. 지난 10년간 KG 건축 방법론이 크게 발전해 왔습니다. 하지만 대부분의 기존 접근법은 주로 대규모 텍스트 말뭉치에 의존하는 자원이 풍부한 언어를 위해^{설계되었습니다.} 그 결과, 저자원 언어는 여전히 저대표되어 문화적·언어적으로^{다양한 환경에서 KG} 기반 기술의 적용 가능성을 제한합니다. 동시에, 교육, 문화, 유산 분야의 실제 문서들 중 점점 더 많은 비율이 텍스트 중심 그래프^{구성 방법으로}는 충분히 포착되지 않는 풍부한 시각 정보를 가지고 있습니다.

멀티모달 지식 그래프(MMKG)는 이미지, 오디오, 비디오 등 비텍스트적 모달티브를 통합하여 기존의 KG을 확장하여 기반이 있는 의미론적 표현을 가능하게^합니다. IMGpedia, Richpedia, ImageGraph 등 이전 MMKG 프레임워크들은 시각 정보를 텍스트 엔터티와 연관시켜 의미 쿼리와 추론을 개선하는 가치를 입증했습니다 ^6,7,8. 이러한 발전에도 불구하고, 기존 방법들은 주로 영어 중심이며, 큐레이션된 메타데이터나 정적 데이터셋에 의존하고, 비구조화된 시각 문서에서 직접 MMKG을 구성하는 데 제한적인 절차적 지침을 제공합니다. 더불어, 이 프레임워크들은 스크립트별 광학 문자 인식(OCR) 오류, 형태학적 변동성, 희소한 주석 데이터 등 저자원 언어에 내재된 문제를 명시적으로 해결하지 않습니다(^9,10).

이 프레임워크의 목적은 힌디어 시각 문서에서 텍스트와 시각적 개체를 체계적으로 정렬하여 다중 모달 지식 그래프를 구축하는 단계별 방법론을 실행하는 것입니다. 제안된 프레임워크인 시각-의미 힌디어 정렬 다중 모달 지식 그래프(VISHAM-KG)는 규칙 기반 언어 분석과 객체 추출을 기반으로 한 컴퓨터 비전을 통합하여 시각적 문서의 동적 그래프 구성을 가능하게 합니다. 기존 MMKG 접근법과 달리, VISHAM-KG는 원시 힌디어 텍스트와 이미지에서 직접 엔터티와 관계를 추출하고, 관계 식별을 위한 의존성 기반 문법 규칙을 적용하며, 외부^11,12에 의존하지 않고 임베딩 기반 유사도 임계값을 사용하여 교차 모달 엔터티 정렬을 수행합니다.

VISHAM-KG는 아동 동화¹³, 교육 자료, 신문¹¹, 문화적 기반의 내러티브와 같이 텍스트와 시각적 내용이 의미적으로 연관된 일러스트 문서용으로 설계되었습니다. 광학 문자 인식 품질, 객체 탐지 범위, 도메인별 어휘 가용성 등 일부 제한 사항이 언급된 프레임워크 실행 중 발생했습니다. 각 절차적 단계를 명시적으로 문서화함으로써, VISHAM-KG는 저자원 언어 맥락에서 다중 모달 지식 그래프 구축을 위한 복제 가능한 프로토콜을 제공하며, 기반이 있는 의미론적 추론과 교차 양상 분석을 지원합니다.

VISHAM-KG는 기존 MMKG 접근법과 달리 비구조화된 힌디어 텍스트와 이미지에서 직접 엔터티와 관계를 추출합니다; 관계 추출을 위해 규칙 기반 의존성 구문 분석을 사용하고; 그리고 메타데이터 일치 대신 임베딩 기반 유사성 임계값을 통해 텍스트 및 시각적 엔터티를 정렬하는 것(^8,10)(그림 1).

그림 1: 종단 간 프레임워크. 그림은 다중 모달 지식 그래프 VISHAM-KG의 종단 간 프레임워크를 보여줍니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

이 프로토콜은 교육 자료나 문화적 서사와 같이 텍스트-이미지 내용이 정렬된 일러스트 문서에 적용됩니다. 이 프레임워크에서 YOLOv8은 시각적 문서에서 객체 감지의 효율성과 견고성을 이유로 선택됩니다. XLM-R은 강력한 교차 언어 표현 능력으로 선정되어 저자원 힌디어 텍스트 처리에 적합하며, CLIP-ViT는 공유 시각 텍스트 임베딩 공간을 학습하는 검증된 능력으로 사용되어 효과적인 교차 모달 정렬을 가능하게 합니다. 하지만 OCR 정확도, 객체 탐지 범위, 도메인별 어휘 제약에 의해 제한됩니다.

관련 연구

전통적인 지식 그래프 G=(E,R,F)는 엔터티 E, 관계 R, 그리고 각 트리플렛 F로 구성되며, 각 트리플렛은 (h,r,t)⁸ 형태이다. 이를 확장하여, 다중 모달 지식 그래프(MMKG)는 이미지, 오디오, 비디오 등 비텍스트 모달리티와 연관된 E 개체를 포함합니다¹⁴.

MMKG에서는 시각 데이터를 표현하기 위해 두 가지 주요 전략이 사용됩니다:
텍스트 엔터티에 부착된 속성으로서
특정 주석이 달린 관계를 통해 연결된 시각적 존재로서의

주목할 만한 연구로는 IMGpedia가 있는데, 이는 시각적 설명자와 유사도 측정을 포함해 위키미디어 이미지 데이터를 향상시킵니다. 이 모델은 주로 메타데이터를 포함하는 전통적인 데이터셋의 한계를 해결하여, DBpedia Commons⁹와 이미지를 연결하여 시각적 의미론적 질의와 유사성 평가를 가능하게 합니다.

마찬가지로, 또 다른 MMKG Richpedia는 학술 연구에서 불완전한 지식 그래프 문제를 다룹니다. 이 도구는 위키피디아에서 2,883,162개의 시각적 요소와 위키데이터에서 30,638개의 텍스트 항목을 집계합니다. Richpedia는 측면 수준 쿼리를 지원하며, 이미지 요소, 관련 텍스트, 하이^{퍼링크 등} 비구조화 콘텐츠에서 의미론적 관계를 추출하는 방법을 사용합니다.

ImageGraph는 FB15K 데이터셋을 기반으로 829,931개의 웹 크롤 이미지와 캡션을 포함한 관계형 지식 그래프를 구축하여 이 연구를 확장합니다. 14,870개의 엔티티와 1,330개의 관계 유형을 포함하고 있으며, 개념 기반 쿼리 매개변수를 지원하여 시각적이고 맥락적인 쿼리와 보다 정확한 응답을 가능하게 합니다.¹⁶.

VisualSem은 시각 정보와 텍스트 정보를 통합한 또 다른 포괄적인 다국어 지식 그래프입니다. 89,896개의 개체, 130만 장 이상의 주석, 938,100장의 이미지로 구성되어 있습니다. 데이터 증강 및 접지와 같은 응용을 위해 설계된 VisualSem은 언어 간 의미 해석을 향상시키며 다양한 처리 파이프라인에 원활하게 통합할 수 있습니다^.

링크 예측, 트리플릿 분류, 엔터티 매칭과 같은 작업을 지원하기 위해 여러 MMKG 모델도 개발되었습니다. 이 모델들은 단일 모달 그래프의 한계, 특히 교차 모달 정보의 복잡성을 포착하지 못하는 점을 해결한다 16,17,18.

언어 기반 MMKG 모델과 VISHAM-KG 간의 중요한 비교는 표 1에 제시되어 있습니다. 특히 힌디어, 타밀어, 산스크리트어와 같은 저자원 언어의 맥락에서 이들의 강점과 한계에 초점을 맞추고 있습니다. 이러한 방법들은 종종 고품질 텍스트 말뭉치, 신뢰할 수 있는 언어학적 주석, 대규모 사전 학습 모델에 접근할 수 있다고 가정합니다. 이러한 요인들은 자원이 부족한 언어에 적용되는 데 제약을 가한다. 특히, OCR 의존 파이프라인은 라틴 문자에 최적화되어 인도어 문자에 대해서는 정확도가 떨어져 텍스트 추출이 잡음이 심하거나 불완전하게 나타납니다. 더불어, 언어 전처리, 품사 태깅, 이름 있는 엔터티 인식은 일반적으로 고자원 언어에서 훈련됩니다. 힌디어와 같이 형태학적으로 풍부하고 문법적으로 유연한 언어에 적용할 때 성능이 크게 저하됩니다.

MMKG 모델	강점	저자원 환경에서의 한계
IMGpedia	DBpedia와 이미지 통합	영어 내용에만 집중합니다
	시각적 유사성 쿼리 지원	비라틴 문자에 대한 지원 없음
		지역적 시각적 배경에 대한 제한된 문화적 맥락
리치피디아	위키피디아와 위키데이터의 시각적 및 텍스트 요소를 결합합니다	인도 또는 민속 지식의 부적절한 대표
	아스펙트 레벨 쿼리 사용 가능	고품질 정렬을 가정하는데, 이는 지역 데이터셋에서 부족한 부분입니다
이미지그래프	이미지 및 캡션이 포함된 관계형 KG	영어 말뭉치에 맞춘 엔터티 및 관계 추출
	확장 삼중항 기반 쿼리 지원	캡션이 드문드문하거나 메타데이터가 누락된 환경에서 실패
비주얼세움	다국어 지원	아시아 저자원 언어의 부적절한 대표성
	신경 의미 파이프라인에서 유용하다	데바나가리나 문화적 시각적 의미론에 대한 지지는 없습니다
비샴-KG	인도어로 된 이미지 포함 관계형 KG	언어 의존
	형태적으로 풍부한 통사를 위한 의미 파이프라인	다른 언어의 POS 태그에 따라 다릅니다.

표 1: 저자원 언어에서 MMKG과 한계를 비판적으로 비교한 결과.

기존의 MMKG 모델은 정적인 지식 그래프에 의존하며, 단일 데이터셋 학습으로 인해 새로운 엔터티 유형과 연관성이 생기는 동적 현실 세계의 맥락에 적응하지 못합니다. 이 때문에 동적 기능을 가진 모델을 개발하는 것이 매우 중요하다^. 이 맥락에서 다음과 같은 한계가 발견됩니다: 객체 식별, 추출, 주석과 같은 시각적 활동에서 텍스트 데이터를 잘못 사용하는 것; 이질적인 출처에서 다중 모달 지식 그래프를 구축하는 확장 가능한 방법 개발; 이해와 해석을 향상시키기 위해 다중 모달 지식 그래프에 맥락적 정보를 통합하는 것.

이러한 조건에서 VISHAM-KG는 시각적 문서에서 노드와 관계를 정의하는 고급 시각적 추출 기법을 사용하여 이전 접근법과 차별화됩니다. 토큰화, 스톱워드 제거, 품사 태깅과 같은 표준 텍스트 처리 단계를 의미 그래프 기법과 결합하여 추출한 지식을 구조화합니다. 컴퓨터 비전과 온톨로지를 융합함으로써 시스템은 여러 가지 장점을 제공합니다¹⁹: 향상된 적응성을 제공하여 지식 기반이 응용 특화의 요구에 따라 진화할 수 있게 함; 시스템 간 상호운용성을 지원하는 향상된 의미 표현; 그리고 더 나은 의미 추론 및 검색을 통해 맥락 수준의 지식 기반 향상을 가능하게 합니다.

Protocol

이 프로토콜은 공개적으로 이용 가능한 비인간적이고 민감하지 않은 시각 및 텍스트 데이터를 전적으로 사용하기 때문에 윤리적 승인이 필요하지 않습니다. 표 2는 모든 도구와 기법, 그리고 그 의존성을 제공합니다. 멀티모달 지식 그래프 구축 파이프라인을 재현하는 데 필요한 모든 소스 코드, 구성 파일, 스크립트는 공개 GitHub 저장소(preeti017phdit22-wq/VISHAM_KG.)에서 제공됩니다. 저장소에는 재현성을 높이기 위한 설치 지침과 의존성 명세가 포함되어 있습니다.

모듈	모델 / 도구	버전	프레임워크	목적
OCR	이지 OCR	v1.7.1	파이토치	힌디어 텍스트 추출
POS + 의존성 구문 분석	연 (안녕)	v1.6.1	파이토치	언어 구문 분석
네르	BiLSTM-CRF	맞춤 훈련	파이토치	힌디어 법인 인식
객체 탐지	YOLOv8	v8.0.208	울트라리틱스	시각적 엔터티 추출
텍스트 삽입	XLM-R 베이스	2023-05	포옹 얼굴	다국어 텍스트 인코딩
시각적 임베딩	클립-비티-B/32	2022-09	오픈AI	이미지 인코딩
그래프 저장	네오4j	v5.13	네오4j	KG 건설
유사성	코사인 유사성	–	넘버피	교차 모달 정렬

표 2: VISHAM-KG 건설 각 단계에서 사용되는 도구와 기법.

1. 지식 그래프 구성

1. 데이터 준비
   1. 언급된 출처에서 10개의 어린이 이야기 문서를 수집하세요.^11,13. 각 문서에 대한 이미지 문서 사용 가능 여부를 확인하세요.
   2. 각 문서를 이미지 파일(PNG 또는 JPG)과 해당 힌디어 텍스트를 포함하는 구조화된 단위로 저장합니다.
   3. 각 이미지와 연결된 텍스트를 연결하는 고유 문서 식별자를 할당하세요.
2. 텍스트 추출 및 전처리
   1. EasyOCR(데바나가리 스크립트 설정)을 사용해 스캔된 이미지에서 텍스트를 추출하여 문서 이미지에서 힌디어 텍스트를 추출합니다(그림 2).
   2. 추출된 텍스트를 OCR 아티팩트와 불필요한 기호를 제거하여 정규화하세요.
   3. 문장 분할과 토큰화를 수행하세요. 텍스트를 단어로 표현하세요. 미리 정의된 힌디어 스톱워드 목록을 사용해 스톱워드를 제거하세요.
   4. Stanza (Hi)를 사용하는 힌디어 호환 NLP를 사용하여 품사 태깅 및 의존성 구문 분석을 수행합니다.
   5. BiLSTM-CRF 모델을 사용하여 이름 붙여진 엔터티를 식별합니다.
   6. 의존성 규칙 템플릿을 사용하여 주어-관계-목적어 삼중항을 추출합니다. 의미 있는 삼중항을 구성하기 위해 라벨이 붙은 문법 관계가 있는 의존 트리를 생성한다(그림 3).

그림 2: 동사 전용 관계를 이용한 힌디어 텍스트에서 간단한 주어-동사-목적어 삼중항 추출. 이 흐름도는 힌디어 텍스트에서 동사 전용 관계를 이용해 간단한 주어-동사-목적어 삼중항을 추출하는 방법을 설명합니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

그림 3: 확장 동사 전치사 관계. 그림은 삼중항 형성을 식별하기 위한 확장된 동사 전치사 관계를 보여줍니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

3. 시각적 엔터티 추출
   1. 각 이미지를 불러오고 YOLOv8 객체 검출 모델을 사용하여 객체 감지를 적용합니다(그림 4).
   2. 이미지 내 식별된 객체의 경계 상자, 클래스 라벨, 신뢰도 점수를 추출합니다(그림 5).
   3. 탐지 정보를 0.50 신뢰도≥ 유지하여 물체를 필터링했습니다. 필터링된 객체를 시각적 엔터티로 기록하세요(선택 사항). 경계 박스 좌표가 있는 시각적 엔티티를 저장하고 이 엔티티 목록을 생성합니다.

그림 4: 객체 감지. 그림은 YOLOv8을 이용한 객체 탐지를 보여줍니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

그림 5: 시각적 특징 추출 및 객체 탐지 및 식별. 그림은 합성곱 계층과 YOLOv8을 이용한 시각적 특징 추출과 유사도 점수에 따른 영역 정제와 정렬을 보여줍니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

4. 엔터티 임베딩과 정렬
   1. XLM-R 임베딩을 사용하여 텍스트 엔터티에 대한 문맥 임베딩을 생성합니다. CLIP-ViT 임베딩을 사용하여 검출된 객체에 대한 시각적 임베딩을 생성합니다(그림 6).
   2. 텍스트와 시각적 임베딩을 공유 잠재 공간에 투영하고 단위 길이로 정규화합니다.
   3. 각 텍스트와 시각적 임베딩 쌍 간의 코사인 유사도를 계산합니다. 유사성이 미리 정의된 임계값 τ≥ 정렬합니다(기본 τ = 0.65). 정렬된 텍스트-이미지 엔티티 쌍 목록을 생성하세요.

그림 6: 시각적 객체 감지와 POS 태그 융합. 그림은 시각적 객체 감지와 POS 태그 융합을 보여주어 지식 그래프 삼중항 추출을 수행합니다. YOLO와 CIFAR-100은 다중 모달 정렬을 보여주는 물체를 식별합니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

5. 삼중항 추출
   1. 주어-동사-목적어 구조를 매핑하는 의존 규칙을 사용하여 텍스트 삼연수를 추출합니다.
   2. 공간적 근접성과 공존 규칙을 사용하여 시각적 관계를 도출합니다.
   3. 관계 라벨을 사용하여 정렬된 텍스트 및 시각적 엔터티를 연결하여 다중 모달 트리플렛을 생성합니다. 삼중항의 구문 및 의미적 일관성을 검증합니다.
6. 지식 그래프 구성
   1. 정렬된 엔터티를 RDF 호환 트리플렛으로 변환합니다. 텍스트와 시각적 삼중항을 통합된 그래프로 합치세요.
   2. 엔티티를 노드로, 관계들을 엣지로 삽입합니다. 명시적 술어를 사용하여 다중 모달 링크를 인코딩합니다. 결과 그래프를 Neo4j에 저장하세요(선택 사항). 이제 정렬된 텍스트-이미지 삼중항을 가진 최종 멀티모달 지식 그래프가 생성됩니다.
      참고: 힌디어 시각 문서에서 다중 모달 지식 그래프를 구축하는 체계적인 접근법은 그림 7에 나와 있습니다.

그림 7: 다중 모달 지식 그래프 구축을 위한 파이프라인. 플로우차트는 VISHAM-KG의 파이프라인을 나타냅니다. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

3. 지식 그래프 구성에는 아래 의사코드를 사용하세요.
   입력:
   D : 힌디어 텍스트-이미지 문서 집합
   τ : 정렬의 유사성 임계값
   각 문서 쌍 (T,I)∈D 전처리하세요
   T가 스캔되면 OCRPerform 토큰화, 레마타이제이션, 그리고 스톱워드 제거를 사용하여 텍스트 T'를 추출합니다
   Stanza를 이용한 POS 태깅과 의존성 구문 분석 적용
   YOLOv8을 사용해 I에서 객체를 감지합니다
   경계 상자, 라벨 L_i, 신뢰도 점수 > 0.5를 추출합니다
   삽입 생성
   BiLSTM-CRF를 사용하여 T'에서 이름 있는 엔터티인 E_T를 식별합니다
   L_i에서 시각적 엔터티 E_V 추출
   텍스트 임베딩을 XLM-R으로 E_T를 계산합니다.
   CLIP-ViT로 E_V 시각화 임베딩을 계산합니다
   트리플릿 추출과 관련된 엔티티 정렬
   E_T x_{E V}의 각 쌍 (e_{t,e v})에 대해:
   코사인 유사도를 계산합니다 S = cos(E_{V,E T})
   임계값 설정 τ=0.6
   s≥τ를 설정하기 위해 삼중항 (e_t, has_image, e_v)을 추가한다.
   의존성 규칙을 사용하여 T'에서 (h, r, t) 삼중항을 추출합니다.
   공간적 또는 캡션 기반 동시 현상에서 시각적 관계를 도출합니다.
   E_t 와 E_v 프로젝트를 공유하는 잠재 공간으로 들어가세요.
   삼중항을 점수 채점하고, 신뢰 기준 이상은 유지하세요.
   검증된 삼중항과 엔터티를 그래프 G에 추가합니다.
   출력: Neo4j에서 최종 KG.

2. 평가 절차

참고: 힌디어 어린이 이야기는 통제되고 시각적으로 기반을 지닌 내러티브와 명확한 실체와 관계를 제공하여 도메인 규모 배포 전에 다중 모달 정렬, 그래프 구성, 추론을 신뢰성 있게 검증할 수 있기 때문에 VISHAM-KG 프레임워크 평가 대상으로 선정됩니다. 모든 하이퍼파라미터 설정은 표 3에 나와 있습니다.

모듈	하이퍼파라미터	치수
OCR	신뢰 임계값	0.5
엔터티 추출	임베딩 차원	300
객체 탐지	신뢰 임계값	0.5
	입력 이미지 크기	640 × 640
텍스트 임베딩	언어 모델	XLM-R
	임베딩 차원	768
이미지 임베딩	비전 모델	클립-비티-B/32
	임베딩 차원	768
정렬	유사도 지표	코사인 유사성
텍스트-이미지 정렬	코사인 유사도 임계값 (τ)	0.6
링크 예측	임베딩 차원	100
	훈련 시기	50
	음의 표본 추출	교복
평가	열차-시험 분열	80 / 20

표 3: 프레임워크의 하이퍼파라미터 설정.

구성 요소	백작
문서 이미지	10
텍스트 실체	186
시각적 요소들	97
텍스트 기반 관계	105
시각 기반 관계	41
텍스트 및 시각적 삼연어	312

표 4: 지식 그래프 및 삼중항 통계.

1. 데이터셋 구성 및 분할
   1. 평가 데이터셋은 10개의 어린이 이야기로 구성되며, 각 이야기에는 삽화 이미지가 함께 제공됩니다. 1.2-1.4 단계에서 언급된 엔터티 추출 프로세스를 실행하세요. 결과는 표 4에 나와 있습니다.
   2. 두 가지 그래프 변형을 구성하는데, 하나는 텍스트 삼중항만을 사용하는 텍스트 전용 지식 그래프(T-KG)이고, 다른 하나는 융합된 텍스트와 시각적 삼중항을 사용하는 다중 모달 지식 그래프(MM-KG)입니다.
   3. 통제된 평가를 위해 두 그래프 모두 동일한 데이터 분할을 사용한다.
   4. 무작위로 80:20 비율로 추출한 삼중항을 나누었는데, 이는 그래프 구성(학습 집합)의 80%, 평가(테스트 세트)의 20%를 유지합니다. 공정한 비교를 위해 텍스트 KG와 MMKG 모두에 이 분할을 일관되게 적용하세요.
2. 기준선 및 평가 지표
   1. 텍스트 KG가 기준 역할을 합니다. 제안된 프레임워크인 VISHAM KG는 제안된 방법을 대표합니다. 두 그래프 모두 동일한 온톨로지와 엔티티 식별자, 평가 쿼리를 사용하세요. 두 그래프의 유일한 차이점은 VISHAM-KG에 시각적 엔터티가 포함되어 있다는 점입니다.
3. 평가 지표 및 링크 예측
   1. 표준 링크 예측 지표²⁰: 평균 상호순위(MRR), Hits@1, Hits@3, Hits@10을 사용하세요. Hit@K는 올바른 개체가 상위 N순위에 포함된 사례의 비율로 정의됩니다.
   2. 각 테스트 트리플렛(헤드, 관계, 테일)에 대해 헤드 또는 테일 엔티티 중 하나를 마스크합니다. 공유 임베딩 공간에서의 코사인 유사성을 기준으로 모든 후보 엔터티를 순위 매깁니다(표 5).

텍스트 엔티티	비주얼 엔티티	코사인 유사성
शेर		0.78
लोमड़ी		0.82

표 5: 텍스트와 이미지 임베딩 간의 코사인 유사도 점수.

3. 텍스트 전용 임베딩과 다중 모달 임베딩(VISHAM-KG)에 대해 독립적으로 예측을 생성합니다.
4. 결과를 계산하려면 모든 쿼리에서 올바른 실체의 상호 순위 평균으로 평균 상호 순위(MRR)를 사용합니다²¹. 표 6을 사용하여 실험 간 일관성을 위해 모든 결과를 소수점 형식으로 표현하세요²².

모델	MRR	Hits@1	Hits@3	Hits@10
트랜스E	0.42	0.21	0.48	0.72
컴플렉스	0.47	0.26	0.52	0.74
로타트	0.51	0.31	0.58	0.74
비샴-KG(텍스트)	0.49	0.36	0.62	0.76

표 6: 텍스트 전용 트리퍼트에서의 링크 예측 성능.

5. 지표를 활용해 표 7에 나타난 것처럼 누락된 연결 고리를 복구하는 멀티모달 지식 그래프의 예측력을 검증합니다.

모델	MRR	Hits@1	Hits@3	Hits@10
IKRL	0.46	0.34	0.63	0.72
비주얼버트	0.52	0.35	0.61	0.72
빌버트	0.54	0.38	0.64	0.75
비샴-KG	0.57	0.41	0.66	0.79

표 7: 교차 모달 삼중항 예측 과제에서의 성과.

4. 아래 의사코드를 사용해 평가하세요.
   각 지식 그래프 변형에 대해 G∈{G_{T,G MM}}:
   트리플렛 분할
   G에서 모든 삼중항 T_all 을 추출합니다.
   _T를 무작위로 훈련 세트(80%)와 테스트 세트 T_테스트(20%)로 나눕니다.
   T_트레인의 삼중항을 이용해 G_열차 그래프를 구성한다.
   유사도 점수와 임베딩
   각 검사 삼중항 (h,r,t)∈T_검사에 대해:
   헤드 또는 테일 엔티티를 마스크하여 쿼리 (h,r,?) 또는 (?,r,t)를 작성합니다.
   G_트레인의 엔티티들로부터 후보 엔터티 집합 C를 생성합니다.
   각 e_c ∈ C에 대해 임베딩 유사도 점수 S=cos(e_query, e_c)를 계산합니다.
   모든 후보 엔터티를 내림 유사도 점수에 따라 순위를 매기세요.
   계량 계산
   각 쿼리에 대해 올바른 엔터티의 순위를 계산합니다.
   모든 테스트 쿼리에 대해 평균 상호 순위(MRR)를 계산합니다.
   Hits@1, Hits@3, Hits@10를 계산하세요.
   텍스트 전용 KG G_T 및 다중 모달 KG G_MM 평가 점수를 비교합니다.
   결과물: 다중양식 적분에 직접적으로 귀속될 수 있는 정성적·정량적 결과를 제공합니다
5. 교차 모달 유사성
   1. 텍스트와 시각적 임베딩 간의 정렬을 평가하기 위해 유사도 점수를 계산합니다. 텍스트 임베딩과 시각적 임베딩을 단위 길이로 정규화하여 스케일의 일관성을 보장합니다. 코사인 유사도를^{주요 지표로} 사용하세요.
   2. 텍스트 엔터티 임베딩과 시각적 엔터티 임베딩의 각 쌍(e_t, e_v)에 대해 유사도^{점수 23}을 계산합니다.
      Score(e_{t,e v}) = λ · sim_text(e_{t,e v}) + (1-λ) · sim_visual (e_{t,e v}) .
      여기서 다음과 같습니다:
      λ∈ [0,1]는 양상 가중치 매개변수이다,
      SIM_텍스트 는 텍스트 임베딩들 간의 코사인 유사도입니다.
      시뮬_비주얼 은 시각적 임베딩들 간의 코사인 유사성을 의미합니다.

Results

제안된 VISHAM-KG는 지식 표현 벤치마크 데이터셋에서 일반적으로 사용되는 유사도 점수 계산 및 링크 예측 과제를 통해 평가됩니다.

실험 장치

두 가지 확립된 과제를 사용하여 구성된 다중 모달 지식 그래프를 평가합니다: (i) 교차 모달 유사성 평가와 (ii) 지식 지도 링크 예측. 모든 평가는 프로토콜 종료점에서 생성된 최종 그래프 출력에만 대해서만 수행하세요. 평가 전에 모든 무작위 시드를 고정하고, 실험 전반에 동일한 전처리를 적용합니다(그림 8).

<...

Discussion

VISHAM-KG 프레임워크의 성능은 주로 세 가지 핵심 요소에 기반합니다: 데바나가리 텍스트에 대한 OCR(1.2단계), Clip-ViT를 이용한 신뢰도 기반 시각 객체 검출(1.3단계), 그리고 임베딩 기반 교차 모달 정렬(1.4단계). OCR 정확도는 하위 언어 구문 분석과 엔터티 추출에 직접적인 영향을 미칩니다. 이 단계에서 도입된 오류는 관계 식별에 전파되어 정렬 정밀도를 떨어뜨립니다. 이 효과는 힌디어 특화의 정규화, 레마타이제이션, 의존성 기반 규칙 강제를 통해 완화되며, 이는 트리플릿 생성¹⁰ 이전에 엔티티 표현을 안정화합니다. 모든 비교는 아래 표 10에 나와 있습니다.

<...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
BiLSTM-CRF 및 인도 NER 모델	맞춤 훈련	파이토치	명명된 엔터티 인식
클립-비티-B/32	2022-09	오픈AI	시각적 임베딩 생성
CPU	인텔 i9	인텔	일반 계산
이지 OCR	v1.7.1	자이디드 AI	이미지에서 힌디어 텍스트 추출
GPU	NVIDIA RTX 3090	엔비디아	모델 추론 가속
힌디어 키즈 스토리즈	10층	선별된 데이터셋	평가 말뭉치
네오4j	v5.13	네오4j 주식회사	지식 그래프 저장
넘버피	v1.24	넘파이 커뮤니티	수치 계산
판다	v2.0	판다스 커뮤니티	데이터 처리
파이썬	v3.10	파이썬 소프트웨어 재단	파이프라인 구현
파이토치	v2.0	메타 AI	딥러닝 프레임워크
스탄자 (힌디어 모델)	v1.6.1	스탠포드 NLP	POS 태깅 및 의존성 구문 분석
XLM-R (베이스)	2023-05	포옹 얼굴	텍스트 임베딩 생성
YOLOv8	v8.0.208	울트라리틱스	시각적 객체 감지