오늘날의 많은 데이터가 그래프 형태로 표현될 수 있다는 점을 고려할 때, 그래프 데이터를 위한 신경망 모델의 일반화에 대한 수요가 증가하고 있다. 최근 이러한 분야에서 성과가 두드러지며 관심이 높아지고 있는 방향 중 하나는 그래프 컨볼루션 신경망(GCN, Graph Convolutional Neural Networks)의 활용이다. GCN은 네트워크 분석 분야에서 다양한 작업에서 뚜렷한 성능 향상을 보여주었으며, 그 중 하나인 노드 표현 학습(task of node representation learning)에 특히 효과적이다. 저차원의 노드 표현을 학습하는 작업은 링크 예측, 노드 분류, 커뮤니티 탐지, 시각화 등 다양한 다른 작업들에서 성능 향상을 보여주고 있다. 한편, 소셜 미디어의 인기 증가와 함께 부호가 있는 네트워크(즉, 양의 연결과 음의 연결을 모두 포함하는 그래프)가 일상적으로 사용되고 있다. 그러나 기존의 GCN 모델은 주로 부호가 없는 네트워크(즉, 양의 연결만 존재하는 그래프)에 초점을 맞추었기 때문에, 음의 연결이 존재하는 부호 네트워크에 어떻게 적용할 수 있을지에 대한 명확한 방법은 여전히 불분명하다. 그 이유는 음의 연결이 양의 연결과 비교해 의미상으로 다를 뿐만 아니라, 그 본질적인 원리가 다르며, 양의 연결과 복잡한 관계를 형성하기 때문이다. 따라서 본 연구에서는 균형 이론(Balance Theory)을 기반으로 하여, 부호 GCN 모델의 계층 간 정보를 정확하게 집계하고 전파할 수 있도록 체계적이고 전용적인 접근을 제안한다. 제안한 부호 GCN 모델의 성능을, 부호 네트워크에서 노드 표현을 학습하는 데 있어 최신 기준(SOTA, State-of-the-art) 모델들과 비교하는 실험을 수행하였다. 구체적으로, 부호 네트워크 임베딩 알고리즘의 표준 평가 기준으로 널리 사용되는 고전적인 링크 부호 예측 문제를 다섯 개의 실제 데이터셋에서 수행하였다.