KCC 2021
Current Result Document :
| 한글제목(Korean Title) |
이질형 그래프에서의 간선 예측을 위한 고차 그래프 뉴럴 네트워크 |
| 영문제목(English Title) |
Higher-Order Graph Neural Networks for Link Prediction in Heterogeneous Information Networks |
| 저자(Author) |
안성진 김명호
|
| 원문수록처(Citation) |
VOL 48 NO. 01 PP. 0765 ~ 0767 (2021. 06) |
한글내용
(Korean Abstract) |
이질형 그래프는 실제 세계에서 존재하는 다양한 특성을 가진 물질과 그들이 가지는 다양한 관계를 함께 고려하기 위하여 모델링한 그래프이다. 그러한 그래프들의 간선 예측은 다양한 시맨틱 특성을 바탕으로 새로운 관계를 유추할 수 있다는 점에서 산업 분야에 유용하게 활용되고 있다. 최근, 이질형 그래프에서의 링크 예측은 그래프 뉴럴 네트워크를 기반으로 발전하였다. 하지만 이러한 연구들은 그래프 전체의 구조에서 얻어낼 수 있는 유용한 정보들을 효과적으로 사용하지 못하는 단점이 있다. 따라서 본 연구는 이질형 그래프에서의 여러 관계들로부터 효과적으로 전체 구조를 정보를 추출하는 고차 그래프 뉴럴 네트워크를 고안한다. 그리고 해당 고차 그래프 뉴럴 네트워크가 이질형 그래프에서의 간선 예측에서 좋은 성능을 보임을 보인다. |
영문내용
(English Abstract) |
Heterogeneous information graphs (HINs) are logical graphs which are widely used to model real-world situations with various objects and relations. Link prediction in such graphs is an interesting research due to its usefulness of inferring various semantic relations. The graph neural networks (GNNs) have been widely used to solve the link prediction tasks in heterogeneous information networks. However, existing GNN models do not consider information from the global structure of HINs. In this paper, we propose a higher-order graph neural network that efficiently utilize the global structural information of HINs. We show that our proposed method outperforms the existing models for the link prediction task in HINs. |
| 키워드(Keyword) |
이질형 그래프
그래프 뉴럴 네트워크
그래프 임베딩
링크 예측
메타 경로
Heterogeneous Information Networks
Graph Neural Networks(GNN)
Graph Embedding
Link Prediction
Meta-path
|
| 파일첨부 |
PDF 다운로드
|
