불완전한 지식 그래프에서 쿼리 응답 방법은 누락된 edge로 인해 직접적인 그래프 탐색으로 답을 얻을 수 없는 경우에 유용한 답이 될 가능성이 있는 엔티티를 검색합니다. 본 논문에서는 일차 논리를 사용하여 공식화된 쿼리에 초점을 맞춘 기존 접근 방식의 한계를 해결하기 위해, 속성 또는 관련 카테고리에 대한 선호도와 같이 본질적으로 모호하거나 문맥에 의존적인 제약 조건을 포함하는 실제 쿼리를 다루는 "soft constraints"를 사용한 쿼리 응답 문제를 제시합니다. 본 논문에서는 이 문제를 공식화하고, 쿼리에 대한 원래 답변을 방해하지 않고 soft constraints를 통합하여 쿼리 답변 점수를 조정하도록 설계된 두 가지 효율적인 방법을 소개합니다. 이 방법들은 가볍고, 두 개의 매개변수만 조정하거나 soft constraints를 캡처하면서 원래 순위 구조를 유지하도록 훈련된 작은 신경망을 필요로 합니다. 평가를 위해, 저자들은 soft constraints를 가진 데이터 세트를 생성하여 기존 QA 벤치마크를 확장합니다. 실험 결과는 제안된 방법이 견고한 쿼리 응답 성능을 유지하면서 soft constraints를 캡처하고, 매우 적은 오버헤드만 추가할 수 있음을 보여줍니다.
