고차 그래프 뉴럴 네트워크를 활용한 이질형 그래프에서의 링크 예측

Abstract

이질형 그래프는 실제 세계에서 존재하는 다양한 특성을 가진 물질과 그들이 가지는 다양한 관계를 함께 고려하기 위하여 모델링한 그래프이다. 그러한 그래프들의 간선 예측은 다양한 시맨틱 특성을 바탕으로 새로운 관계를 유추할 수 있다는 점에서 산업 분야에 유용하게 활용되고 있다. 최근, 이질형 그래프에서의 링크 예측은 그래프 뉴럴 네트워크를 기반으로 발전하였다. 하지만 이러한 연구들은 그래프 전체의 구조에서 얻어낼 수 있는 유용한 정보들을 효과적으로 사용하지 못하는 단점이 있다. 따라서 본 연구는 이질형 그래프에서의 여러 메타 경로들을 가중치를 학습하면서 통합하여 효과적으로 전체 구조를 정보를 추출하는 고차 그래프 뉴럴 네트워크를 고안한다. 그리고 해당 고차 그래프 뉴럴 네트워크가 이질형 그래프에서의 간선 예측에서 좋은 성능을 보임을 보인다.