이질적 그래프 어텐션 네트워크

지능형 그래프 표현 기술로서의 그래프 신경망(GNN)은 딥러닝 기반의 강력한 기법으로서 뛰어난 성능을 보이며 큰 연구 관심을 끌고 있다. 그러나 이 기법은 노드와 링크 유형이 서로 다른 이질적 그래프(heterogeneous graph)에 적용될 때 충분히 고려되지 않았다. 이질성과 풍부한 의미 정보는 이질적 그래프를 위한 그래프 신경망 설계에 큰 도전 과제를 제기한다. 최근 딥러닝 분야에서 가장 주목받는 발전 중 하나는 주의 메커니즘(attention mechanism)으로, 다양한 분야에서 그 큰 잠재력이 잘 입증되었다. 본 논문에서는 계층적 주의 메커니즘을 기반으로 한 새로운 이질적 그래프 신경망을 제안한다. 이 모델은 노드 수준의 주의와 의미 수준의 주의를 포함한다. 구체적으로, 노드 수준의 주의는 특정 노드와 그 메타패스(meta-path) 기반 이웃 간의 중요도를 학습하는 데 초점을 두며, 의미 수준의 주의는 다양한 메타패스들 간의 상대적 중요도를 학습할 수 있다. 이 두 수준의 주의 메커니즘을 통해 노드와 메타패스의 중요도를 종합적으로 고려할 수 있으며, 이를 바탕으로 계층적인 방식으로 메타패스 기반 이웃의 특징을 집계하여 노드 임베딩을 생성한다. 실제 이질적 그래프 3종에 대한 광범위한 실험 결과는 제안한 모델이 기존 최고 수준의 기법들에 비해 뛰어난 성능을 보임을 입증할 뿐만 아니라, 그래프 분석에 있어 높은 해석 가능성(interpretability)을 지닌다는 점을 또한 보여준다.