지식 그래프(KG)를 대상으로 하는 복잡한 질의 응답(CQA)을 위한 신경망 방법은 명시적인 그래프 구조를 넘어 일반화되는 패턴을 학습하여 기호적 질의 처리를 통해 도달할 수 없는 답변을 추론할 수 있다고 널리 알려져 있다. 본 연구에서는 신경망 CQA 모델과 질의 제약을 완화하고 결과 경로를 계산하여 가능한 답변을 검색하는 훈련 없는 질의 완화 전략을 체계적으로 비교 분석하여 이러한 가정을 비판적으로 검토한다. 여러 데이터 세트와 질의 구조에 걸쳐 신경망 기반 접근 방식과 완화 기반 접근 방식이 유사하게 수행되는 여러 사례를 발견했으며, 후자를 일관되게 능가하는 신경망 모델은 없었다. 또한 유사성 분석 결과, 검색된 답변이 거의 중복되지 않고 출력을 결합하면 성능이 일관되게 향상되는 것으로 나타났다. 이러한 결과는 신경망 질의 응답의 진전을 재평가할 필요가 있음을 시사한다: 복잡성에도 불구하고 현재 모델은 질의 완화에 의해 포착된 추론 패턴을 포괄하지 못한다. 본 연구 결과는 더 강력한 비신경망 기반의 기본 모델의 중요성을 강조하고, 향후 신경망 기반 접근 방식이 질의 완화 원리를 통합하는 것이 유익할 수 있음을 시사한다.
