위치 및 중심성 특성을 고려한 임베딩 지식 그래프

지식 그래프 임베딩(KGE)은 링크 예측 및 노드 분류와 같은 하류 작업 해결에 적용 가능성이 높아 최근 인공지능 연구의 중심 주제로 부상하고 있다. 그러나 대부분의 지식 그래프 임베딩 모델은 엔티티의 국소적 그래프 구조—즉, 1-호프 이웃 정보—만 벡터 공간에 인코딩한다. 지식 그래프에서 예측 작업을 수행하기 위해서는 엔티티의 국소적 구조뿐 아니라 전역적인 특징도 포착하는 것이 필수적이다. 본 연구는 엔티티의 그래픽 특징을 계산하는 새로운 KGE 방법인 그래프 특징 주의 신경망(GFA-NN)을 제안한다. 그 결과, 생성된 임베딩은 두 가지 유형의 전역 네트워크 특징에 주의를 기울이게 된다. 첫째, 엔티티 간 상대적 중심성은 일부 엔티티가 다른 엔티티보다 더 "두드러진" 존재임을 관찰한 데서 기인한다. 둘째, 엔티티가 그래프 내에서 차지하는 상대적 위치이다. GFA-NN은 각 엔티티에 대해 여러 가지 중심성 값을 계산하고, 무작위로 선택된 기준 엔티티 집합을 생성한 후, 주어진 엔티티가 이 집합 내 각 엔티티까지의 최단 경로를 계산한다. 이후 이러한 각 특징에 대해 정의된 목적 함수를 최적화함으로써 해당 정보를 학습한다. 본 연구는 GFA-NN을 인덕티브 및 트랜스덕티브 설정에서 다양한 링크 예측 벤치마크에 적용하여, 기존 최고 수준의 KGE 솔루션과 비교했을 때 동등하거나 더 우수한 성능을 달성함을 보였다.