본 논문은 지식 그래프 완성을 위한 새로운 프레임워크인 Flow-Modulated Scoring (FMS)을 제안합니다. 기존 방법들이 정적인 점수 함수에 의존하여 풍부한 의미적 맥락과 관계의 동적인 특성을 동시에 포착하는 데 어려움을 겪는다는 점을 지적하며, 관계를 정적인 의미적 환경에 의해 지배되는 동적인 진화 과정으로 개념화합니다. FMS는 의미적 맥락 학습 모듈을 통해 맥락 인식 엔티티 임베딩을 학습하고, 조건부 흐름 일치 모듈을 사용하여 엔티티 간의 동적 흐름을 모델링합니다. 이 학습된 흐름은 엔티티 쌍에 대한 기본 정적 점수를 동적으로 조절합니다. 풍부한 정적 표현과 조건부 동적 흐름을 통합함으로써, 관계 의미에 대한 더 포괄적인 이해를 달성합니다. 실험 결과, 관계 예측 및 엔티티 예측 모두에서 최첨단 성능을 달성함을 보여줍니다. 특히, FB15k-237 데이터셋에서 매우 높은 MRR과 Hits@1 점수를 달성하며, WN18RR에서도 탁월한 성능을 보였습니다. 매우 적은 파라미터 수로 높은 성능을 달성하는 매개변수 효율적인 모델임을 강조합니다.
