Improving quality of node embedding using pre-trained graph structure embedding (NodeGraph2vec)

국문 초록 (Abstract)

사회 각 분야에서 데이터 간 관계 정보를 포함하는 네트워크 빅데이터의 생성이 증가하고 있다. 이에 따라 네트워크를 구조로 이루어진 데이터의 분석을 위해 네트워크 구조 정보의 추출에 관한 연구는 필수적이다. 이전의 많은 연구들은 네트워크 데이터들의 구조적 정보로부터 새로운 정보를 획득하여 불완전한 네트워크의 정보를 향상 시켜왔다. 하지만, 대부분의 네트워크 데이터는 특정 도메인에 대한 노드 레이블 정보를 가지고 있지 않아 노드의 분류 작업이 어렵다.
본 연구에서는 기존에 존재하는 노드 임베딩 방법들 보다 더 많은 네트워크 구조 정보를 이용하며 사전 학습을 통해 네트워크 데이터 연구 및 업무의 성능을 향상 시킨다. 이전 관련 연구에서는 이웃 노드의 구성에 따라 학습이 이루어지는 노드 의존적인 학습 방식이었다. 이는 노드 정보 이외의 네트워크 구조 정보를 충분히 반영한 학습 방법이 아니라고 판단된다. 본 연구에서는 연결 및 주변의 노드들이 어떻게 연결되어 있는지에 따라 다른 연결 관계로 학습에 사용하여 노드 의존적이 아니라 노드 및 연결에 대한 정보를 모두 학습에 반영할 수 있다.
사전 학습할 노드 임베딩에 활용되는 구조적 정보는 연결 노드 및 주변 노드 등의 노드 객체 정보와 각 객체간의 상호 연결 관계 정보에 대한 정보도 포함하고 있다. 본 연구 실험에서 기존 노드 링크 예측 문제에 특화된 학습 방식에 시작 값을 제공하여 그 성능을 향상시킬 뿐 아니라, 노드 분류 작업에서는 더 풍부한 구조 정보 반영으로 레이블이 안된 노드의 클래스 분류 성능 향상을 달성한다.

다국어 초록 (Multilingual Abstract)

In each field of society, the generation of network data containing relationship information between data is rapidly increasing. Therefore, investigating the extraction of network structure information is essential for the analysis of data containing the network structure. Several previous studies have attempted to address the problem of insufficient information of incomplete networks by obtaining new information from the data of network structures. However, most of these data do not have labeled information of nodes for a specific domain, which renders node classification challenging.
This study utilizes more network structure information as compared to the existing node embedding methods and through prior learning, the proposed method improves upon previous research with regard to performance. In previous studies, a node-dependent learning method, wherein learning was performed based on the configuration of neighboring nodes, was used. However, although node information was reflected, this method could not fully reflect information regarding the entire network structure. In this study, we use the different connections between nodes for learning, such that all information regarding the nodes and connections can be effectively reflected, and therefore, the proposed method is not node-dependent.
The structural information utilized for node embedding, which is pre-learned, includes information about object nodes, connection nodes and neighboring nodes as well as information on interconnecting relationships between the objects. Herein, we not only improve the performance by providing an initial value for the learning method specialized for the existing node link prediction problem, but also improve the class classification performance of unlabeled nodes by reflecting richer structural information in node classification.