그래프 또는 네트워크 데이터는 현실 세계에서 매우 흔하게 발견되며, 소셜 네트워크, 정보 네트워크, 교통 네트워크, 생물학적 네트워크 및 다양한 기술적 네트워크를 포함합니다. 그래프 데이터의 비유클리디안 특성은 그래프 데이터의 모델링과 분석에 어려움을 제기합니다. 최근에는 그래프 신경망(GNNs)이 그래프 데이터 처리 작업(예: 노드 임베딩, 링크 예측, 노드 분류)을 위한 일반적이고 강력한 프레임워크로 제안되었습니다. GNNs의 대표적인 구현 방식인 그래프 주의망(GATs)은 실제 데이터셋에서 다양한 작업에 성공적으로 적용되었습니다. 그러나 GAT는 긍정적인 링크만 있는 네트워크를 위해 설계되었으며, 긍정적과 부정적 링크가 모두 포함된 서명된 네트워크를 처리할 수 없습니다. 본 논문에서는 GAT를 서명된 네트워크로 확장하기 위해 서명된 그래프 주의망(SiGATs)을 제안합니다. SiGAT는 서명된 네트워크 연구에서 잘 알려진 두 가지 이론인 균형 이론(balance theory)과 지위 이론(status theory)을 포착하기 위해 그래프 모티브(graph motifs)를 GAT에 통합합니다. SiGAT에서는 모티브가 서명된 네트워크에서 메시지를 집계하고 전파하는 유연한 구조 패턴을 제공하여 노드 임베딩을 생성합니다. 우리는 제안된 SiGAT 방법을 서명된 링크 예측 작업에 적용하여 평가하였습니다. 세 개의 실제 데이터셋에서 수행한 실험 결과는 SiGAT가 특징 기반 방법, 네트워크 임베딩 방법 및 최신 GNN 기반 방법(예: 서명된 그래프 컨볼루션 네트워크(SGCN))보다 우수한 성능을 보임을 입증하였습니다.