본 연구에서는 동적으로 진화하는 지식그래프의 정보 품질 개선을 위한 심층 표현학습 원천 기술개발을 위하여 총 3차년에 걸쳐 단계별 연구를 수행함. 1단계 연구는 기존에 보지 못한 개체/관계가 추가되거나 기존 개체/관계가 변경되는 개방형 지식그래프를 대상으로 함. 새로 유입된 개체/관계를 일반화하고 타당성 판단(제로샷 추론)을 수행하기 위해 유입된 사실과 공유하는 부가정보인 설명문, 개체 타입 등을 활용하여 벡터표현을 생성함. 2단계 연구는 개방형 지식그래프를 대상으로 제로샷 추론 수행 시, 새로 유입된 개체 및 관계와 이웃한 그래프의 구조 정보를 분석 및 반영함. 이웃 정보에는 트리플의 타당성을 판단하는데 도움을 주는 연결 패턴 정보들이 들어있음. 3단계 연구는 연속으로 새로운 개체/관계가 유입되는 동적 진화형 지식그래프에서 안정적이고 확장가능한 벡터표현을 생성하기 위해 기존 표현학습 모델의 일부를 전이하여 새로운 모델을 개발함. 특히 벡터표현에 불확실성을 포함시키면서, 그래프가 진화할 때마다 학습된 벡터표현을 점진적으로 갱신하는 방법을 연구함.