| --- |
| license: mit |
| task_categories: |
| - question-answering |
| - text-generation |
| tags: |
| - knowledge-graph |
| - causal-inference |
| - multi-hop-reasoning |
| - structured-retrieval |
| --- |
| |
| # Logic-Aware Causal Knowledge Graph Dataset |
|
|
| 이 데이터셋은 비구조화된 텍스트에서 추출된 **논리적 관계**와 **인과 경로**의 타당성을 평가하기 위해 설계되었습니다. 단순한 유사도 기반 검색을 넘어, 구조화된 지식을 활용한 고난도 추론 성능 측정을 목적으로 합니다. |
|
|
| ## 1. 개요 (Overview) |
| - **목적**: 정보 간의 선후 관계, 인과성 및 다단계(Multi-hop) 연결성 검증 |
| - **데이터 형식**: JSON (`head`, `relation`, `tail`) |
| - **핵심 기능**: Semantic Noise 필터링 및 논리적 추론 경로(Reasoning Path) 제공 |
|
|
| ## 2. 관계 스키마 (Relation Schema) |
| 본 데이터셋은 정보 간의 연결 강도와 성격에 따라 다음 4가지 관계를 정의합니다. |
| 1. **Taxonomy (is_a)**: 상위 개념과 하위 개념 간의 계층적 분류 |
| 2. **Causality (cause_of)**: 명확한 방향성을 가진 인과적 영향력 |
| 3. **Correlation (correlated_with)**: 통계적 동시 출현 및 상관성 |
| 4. **Dependency (depends_on)**: 직접 드러나지 않는 간접적 의존 및 Multi-hop 연결 |
|
|
| ## 3. 평가 지표 (Evaluation Metrics) |
| - **Path Validity**: 추출된 노드 간의 연결이 논리적으로 타당한가? |
| - **Directional Accuracy**: 인과 관계의 원인과 결과 방향이 올바른가? |
| - **Intervention Soundness**: 특정 노드 개입 시 결과 노드에 유의미한 변화가 발생하는가? |
|
|
| ## 4. 데이터 예시 |
| ```json |
| { |
| "document": "plant growth requires sunlight to function properly.", |
| "triplets": [ |
| { |
| "head": "plant growth", |
| "relation": "depends_on", |
| "tail": "sunlight" |
| } |
| ] |
| } |
