신경 링크 예측을 위한 쌍별 학습

본 논문에서는 효과적인 쌍별 학습 신경 링크 예측(Pairwise Learning Neural Link Prediction, PLNLP) 프레임워크를 제공하는 것을 목표로 합니다. 이 프레임워크는 링크 예측을 쌍별 순위 학습 문제로 다루며, 네 가지 주요 구성 요소로 이루어져 있습니다. 즉, 이웃 인코더, 링크 예측기, 부정 샘플러 및 목적 함수입니다. 이 프레임워크는 유연하여 일반적인 그래프 신경망 컨볼루션 또는 링크 예측 전용 신경 구조 중 어느 것이든 이웃 인코더로 사용될 수 있습니다. 링크 예측기에 대해서는 다양한 점수 함수를 설계하였으며, 이는 그래프의 유형에 따라 선택할 수 있습니다. 부정 샘플러에서는 문제에 특화된 여러 샘플링 전략을 제공합니다. 목적 함수에 대해서는 표준 순위 지표 AUC를 근사적으로 최대화하는 효과적인 순위 손실 함수를 제안합니다. 제안된 PLNLP 프레임워크는 Open Graph Benchmark의 4개 링크 속성 예측 데이터셋(ogbl-ddi, ogbl-collab, ogbl-ppa 및 ogbl-citation2)에서 평가되었습니다. PLNLP는 기본적인 신경 구조만으로도 ogbl-ddi와 ogbl-collab에서 최고 성능을 달성하였으며, ogbl-citation2에서는 두 번째로 높은 성능을 보였습니다. 이러한 성능은 PLNLP의 효과성을 입증합니다.