고차 그래프 뉴럴 네트워크를 활용한 이질형 그래프에서의 링크 예측 = Link Prediction in Heterogeneous Information Networks Using Higher-Order Graph Neural Networks

다국어 초록 (Multilingual Abstract)

Heterogeneous information networks (HINs), which are widely used to model real-world situations, are graphs with various types of objects and relations. Link prediction in such graphs is an interesting subject because of its usefulness in inferring various semantic relations. Graph neural networks (GNNs) have been widely used for solving the link prediction tasks in heterogeneous information networks. However, existing GNN models do not consider information from the global structure of HINs. In this paper, we propose a higher-order graph neural network that can efficiently utilize the global structural information of HINs by learning the weights of metapaths and aggregating them. We show that our proposed method outperforms the existing models for the link prediction task in HINs.

국문 초록 (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.

참고문헌 (Reference)

• 1 GROVER, Aditya, "node2vec:Scalable feature learning for networks" 855-864, 2016
• 2 Yuxiao Dong, "metapath2vec: Scalable representation learning for heterogeneous networks" 135-144, 2017
• 3 Seong Jin Ahn, "Variational graph normalized autoencoders" 2827-2831, 2021
• 4 Thomas N Kipf, "Variational graph auto-encoders" 2016
• 5 Thomas N Kipf, "Semi-supervised classification with graph convolutional networks" 2016
• 6 Johannes Klicpera, "Predict then propagate: Graph neural networks meet personalized pagerank" 2018
• 7 Justin Gilmer, "Neural message passing for quantum chemistry" PMLR 1263-1272, 2017
• 8 Michael Schlichtkrull, "Modeling relational data with graph convolutional networks" Springer 593-607, 2018
• 9 S.J.Ahn, "Link Prediction based on Graph Convolution Networks using Communicability Kernel" 783-785, 2021
• 10 Xiao Wang, "Heterogeneous graph attention network" 2022-2032, 2019
• 11 Bingbing Xu, "Graph convolutional networks using heat kernel for semi-supervised learning" 2020
• 12 Petar Velickovic, "Graph attention networks"