Knowledge Graph for Macroeconomic Paper Review

논문원본: https://papers.ssrn.com/sol3/papers.cfm?abstract_id=3707964

Introduction

Background

• 전통적인 거시경제 모델은 소수의 변수만 처리 가능(전통적 거시경제 변수)
• 빅데이터와 머신러닝의 부상으로 많은 변수를 포함한 졍교한 모델을 개발할 수 있음

Problem Definition

• 빅데이터, 머신러닝 기술을 효과적으로 사용할 필요가 있음
• 이를 위해 전통적 변수뿐 아니라 수많은 새로운 경제 변수의 통계적&구조적 관계를 모두 기술할 수 있는 새로운 지식체계 필요

Proposed Method

• 전통적 거시경제 변수와 대체 데이터 변수를 연결하는 지식 그래프를 구축
• 텍스트 데이터에서 NLP를 활용하여 다음 세가지 추출
  1. 전통적으로 관심을 가지는 변수(GDP, inflation rate, housing price, etc)
  2. 대체 데이터 변수(electricity usage, migration flow, etc.)
  3. 이러한 변수들 간의 관계(positive corr, negative corr, etc.)
• inflation rate 변수 중심 subgraph 예시
  
  • 위 subgraph 예시에서 오른쪽에 crop price가 연쇄적으로 inflation rate에 어떻게 영향을 주는지 파악할 수 있다는 점 -> 지식그래프의 multi hop 추론 강점을 드러냄

Application

• 경제 예측의 변수 선택에 적용

Method

Data

• 중국 산업 연구 보고서 사용
• 주요 텍스트 데이터 소스로 사용한 이유
  1. 거시 변수의 동향 분석 또는 예측에 집중하고 변수가 명확히 제시
  2. narrative approach 채택 (관계들을 수학적으로 표현하지 않고 서술하는 방식)
  3. 무료 제공

Construction of Knowledge Graph

1. 관심 변수 목록 및 변형어 작성
   • 예시: GDP(output, economic growth), housing price(housing market), ...
2. 문서에서 관심 변수 및 변형어 검출
   • 문자열 매칭 기반
3. 관심 변수 주변 다른 변수 간 관계 추출
   • 변수와 관계의 개수 비율이 동일하지 않은 문장을 찾아서 사람이 직접 검수 및 추출
   • 관계는 increase, decrease, relate 중 하나
4. 추출된 변수와 관계를 RDF 트리플 구조로 표현하여 그래프에 추가
5. co-references 병합 -> 최종 지식 그래프 구축
   • 각 엔티티를 벡터로 표현하여 유사도 계산 및 사람이 직접 검수

지식그래프 구축 예시

• 예시 문장

  “가오 박사는 2005년경 중국 이주 노동자 시장에서 장기적인 체계적 이주 노동자 부족이 발생하기 시작했으며, 이는 이주 노동자의 임금 상승률을 크게 높였고, 그 결과 식품 물가가 상승하였으며, 소비자물가지수의 상승을 촉발하여 평균 인플레이션을 약 100~200bp 상향시켰다.”

• 추출한 RDF 트리플
  • {이주 노동자 부족, increase, 이주 노동자의 임금 상승률}
  • {이주 노동자의 임금 상승률, resulted in, 식품 물가}
  • {식품 물가, push up, 소비자물가지수}
  • {식품 물가, make higher, 인플레이션}
• 서브그래프 구축
  

Application

Reinforcement Learning

• 거시경제를 하나의 강화학습으로 공식화 (상태공간, 행동, 보상)
• 지식그래프에서 얻은 변수간 인과관계 -> 어떤 행동이 어떤 상태를 변화시킬지 예측하고 목표 변수를 극대화하는 정책을 학습하는 것이 가능해짐

Economic Forecasting

• 두가지 경제지표를 예측
  1. china's monthly inflation rate
  2. china's nominal investment(중국 경제 전체 차원의 총투자 지출)
• 변수선택 방법에 차이를 두고 Lasso 회귀 학습 후 12개월 예측
  • 전통방법: 고정된 12개 변수를 입력으로 사용 (GDP, Nominal Consumption, ...)
  • KG 기반 방법: 지식그래프에서 예측할 지표와 직접 연결된 24개 또는 19개 변수를 입력으로 사용 (1년 대출금리, 환율, 도시 실업률, ...)
• 결과
  
  • 전통모델은 장기예측에서 성능이 떨어지지만 kg기반 모델은 장기 예측에서도 안정적인 성능이 나옴
  • "단기예측은 데이터 기반, 장기 예측은 문제의 내재적 논리 포작이 중요" -> kg 기반 모델은 진정한 경제 시스템의 논리를 잘 반영함을 시사

Limitation & Impact

Limitation

• 텍스트에서 엔티티와 관계를 추출하는 과정에서 사람의 검수가 너무 많이 필요함
• economic forcating 활용에서 직접 연결된 변수들만 사용
• 전통방법과 kg기반 방법을 비교할때 선택 변수 개수의 차이가 있어서 형평성에 떨어짐

Impact

• "이주 노동자 부족" -> ... -> "인플레이션" 상향시킨다는 multi hop 관계를 보여주면서 지식그래프 구축이 갖는 강점을 잘 보여준 것으로 보인다.
• 엔티티와 관계를 LLM으로 추출한다면 사람의 검수가 덜 필요해지고 정확도도 더 높아질 것으로 생각된다.
• 텍스트 데이터를 통해 지식그래프를 구축한다면 시간에 따라 변화하는 macro 지표들 간에 관계를 잘 포착할 수 있을 것으로 예상된다.