이종 그래프 임베딩을 위한 2차 랜덤 워크 샘플링
많은 실제 문제들은 노드와 엣지가 다양한 유형의 개체와 관계를 나타내는 이종 그래프로 자연스럽게 모델링됩니다. 기존 이종 그래프 표현 학습 모델들은 특정 사용자 정의 경로 계산에 의존하거나, 대규모의 확장성 없는 딥러닝 아키텍처를 사용하는 경향이 있었습니다. 본 연구는 node2vec 알고리즘을 확장한 Het-node2vec을 제안합니다. 이 방법은 2차 랜덤 워크 과정에 간단한 확률적 노드 유형 전환 전략을 도입하여, 그래프의 위상 및 구조적 특성과 노드 및 엣지 유형에 내재된 의미론적 정보를 동시에 포착함으로써 이종 그래프를 임베딩합니다. 합성 그래프는 물론 벤치마크 및 실제 생물의학 그래프에 대한 실험 결과, Het-node2vec은 노드 레이블 예측 작업에서 최신 이종 그래프 방법들과 비교하여 동등하거나 우수한 성능을 달성했습니다. 이 접근 방식은 복잡한 이종 그래프 데이터의 효율적인 표현 학습을 가능하게 하며, 특히 생물의학 분야와 같이 다양한 유형의 정보가 상호 연결된 도메인에서 노드 분류 및 예측 성능을 향상시키는 데 기여할 수 있습니다.