메타패스2벡: 이질적 네트워크를 위한 확장 가능한 표현 학습

이 연구에서는 이질적 네트워크에서의 표현 학습 문제를 다룬다. 이 문제의 독특한 도전 과제는 다양한 유형의 노드와 링크가 존재함에 따라 기존의 네트워크 임베딩 기법의 적용 가능성이 제한된다는 점에 있다. 본 연구에서는 확장 가능한 표현 학습 모델 두 가지를 제안한다. 하나는 메타패스2벡(metapath2vec), 다른 하나는 메타패스2벡++(metapath2vec++)이다. 메타패스2벡 모델은 메타패스 기반의 무작위 보행을 체계화하여 노드의 이질적 이웃 구조를 구성하고, 이를 바탕으로 이질적 스킵그램 모델을 활용해 노드 임베딩을 수행한다. 메타패스2벡++ 모델은 이질적 네트워크 내에서 구조적 상관관계와 의미적 상관관계를 동시에 모델링할 수 있도록 개선하였다. 광범위한 실험 결과에 따르면, 메타패스2벡과 메타패스2벡++은 노드 분류, 클러스터링, 유사도 검색 등 다양한 이질적 네트워크 마이닝 작업에서 최첨단 임베딩 모델들을 능가하는 성능을 보이며, 네트워크 내 다양한 객체 간의 구조적 및 의미적 상관관계를 정확히 구분할 수 있음을 입증하였다.