본 논문은 불완전한 지식 그래프에서 복잡한 논리 공식에 대한 답변 집합을 검색하는 복잡 질의 응답(CQA) 문제를 다룬다. 기존 신경기호 검색 방식은 정확도는 높지만 데이터 복잡도(엔티티 수의 제곱에 비례) 및 순환 질의의 NP-hard한 질의 복잡도 문제로 인해 확장성이 낮다는 한계를 지닌다. 이를 해결하기 위해, 본 논문은 효율적이고 확장 가능한 기호 검색 프레임워크를 제안한다. 신경 논리 색인 계산을 위한 두 가지 제약 전략을 통해 변수의 도메인을 줄여 데이터 복잡도를 낮추고, 순환 질의의 NP-hard한 복잡도 문제를 해결하기 위해 지역 탐색 기반의 근사 알고리즘을 도입한다. 다양한 CQA 벤치마크 실험 결과, 제안된 프레임워크는 기존 기호 방식의 계산 부하를 90% 감소시키면서 유사한 성능을 유지하여 효율성 및 확장성 문제를 완화한다.
