구성 기반 다중관계 그래프 컨볼루션 네트워크

최근 그래프 구조 데이터를 모델링하는 데 있어 그래프 컨볼루션 네트워크(GCNs)가 매우 성공적인 성과를 거두고 있다. 그러나 기존 연구의 주된 초점은 단순한 무방향 그래프 처리에 집중되어 있었다. 다중 관계 그래프는 각 간선에 레이블과 방향이 부여된 더 일반적이고 흔한 그래프 형태이다. 기존의 다중 관계 그래프를 다루는 대부분의 방법들은 과도한 파라미터화 문제를 겪으며, 노드 표현 학습에만 국한되어 있다. 본 논문에서는 다중 관계 그래프 내의 노드와 관계를 동시에 임베딩할 수 있는 새로운 그래프 컨볼루션 프레임워크인 CompGCN을 제안한다. CompGCN은 지식 그래프 임베딩 기법에서 유도된 다양한 엔티티-관계 조합 연산을 활용하며, 관계의 수에 따라 확장 가능하다. 또한 기존의 여러 다중 관계 GCN 방법들을 일반화한다. 제안한 방법은 노드 분류, 링크 예측, 그래프 분류 등 다양한 작업에서 평가되었으며, 뚜렷한 우수한 성능을 보였다. 본 연구에서 개발한 CompGCN의 소스 코드를 공개하여 재현 가능한 연구를 촉진하고자 한다.