초록
그래프는 엔티티 간의 구조적 연결을 표현하는 데 널리 사용되고 있다. 많은 경우 관계는 이질적이지만 서로 얽히고 얽혀 있으며, 노드 쌍 사이의 단일 엣지로만 표현된다. 예를 들어, 소셜 네트워크 그래프에서는 친구나 동료와 같은 다양한 잠재적 관계를 가진 사용자들이 단순한 엣지로 연결되며, 이러한 내재적 관계는 숨겨진 채로 남아 있다. 본 논문에서는 그래프에 인코딩된 이러한 얽힌 관계를 명시적으로 분리할 수 있는 새로운 그래프 컨볼루션 네트워크(Graph Convolutional Network, GCN)인 인수분해 가능한 그래프 컨볼루션 네트워크(Factorizable Graph Convolutional Network, FactorGCN)를 제안한다. FactorGCN는 단순한 그래프를 입력으로 받아, 이를 여러 개의 인수분해된 그래프로 분해하며, 각각의 인수분해된 그래프는 노드 간의 잠재적이고 분리된 관계를 나타낸다. 이후 각 인수분해된 잠재 공간에서 노드의 특징을 별도로 집계하여 분리된 특징을 생성하며, 이는 후속 작업에서 더 우수한 성능을 이끌어낸다. 제안된 FactorGCN은 합성 데이터셋과 실제 세계 데이터셋을 대상으로 정성적·정량적으로 평가되었으며, 관계 분리와 특징 집계 측면에서 진정으로 유망한 성과를 보여주었다. 코드는 공개적으로 https://github.com/ihollywhy/FactorGCN.PyTorch 에서 제공된다.