Link prediction is to predict whether there is a link between two nodes in a network. Graph Convolutional Networks have outperformed existing works in many graph analysis tasks. Most previous methods propagate neighbor nodes without normalization for graph convolutions. This makes optimization during the learning process tends to be more affected by the norms of embedding vectors while treat directions of embedding vectors lightly. In this paper, we devised a novel graph convolutional network to which the normalization technique was applied to prevent the result from being biased against the size of the norm of the embedding vector during link prediction. To leverage the information of higher-order relationships for link prediction. We also propose a new communicability filter that can effectively reflect higher order information. Our proposed higher-order graph convolutional networks can perform link prediction more accurately. Through extensive experiments with various relational datasets, we show that the proposed methods outperforms the state-of-the-art link prediction methods on heterogeneous graphs as well as homogeneous graphs.
그래프에서의 링크 예측은 임의 두 노드 사이에 링크 존재 여부를 예측하는 것이다. 그래프 컨볼루션 네트워크 기반의 방법들은 다양한 그래프 분석 문제를 해결하는 주류 방법들로 자리잡았다. 기존의 그래프 컨볼루션 네트워크 기반 링크 예측 모델들은 임베딩 벡터들을 정규화하지 않고 전파하기 때문에, 유사도 계산시 임베딩 벡터의 노름의 크기에 편향된 예측을 한다. 이는 링크 예측의 성능을 저하시키는 주요 원인이다. 또한 정확한 링크 예측을 위해서는 각 노드의 특성과 이웃 노드의 특성뿐만 아니라, 더욱 넓은 범위의 그래프 정보인 고차 정보의 활용이 필요하다. 본 논문에서는 링크 예측시 임베딩 벡터의 노름의 크기에 편향된 결과가 나오지 않게 하기 위해서 정규화 기법을 적용한 그래프 컨볼루션 네트워크를 고안하였다. 또한 고차 정보를 활용한 새로운 의사소통성 필터를 제안함으로써, 보다 정확한 정규화된 고차 그래프 컨볼루션 네트워크 기반 링크 예측을 수행한다. 여러 실험들을 통하여 제안한 방법이 동종그래프, 이종그래프에 상관없이 연결 관계를 잘 예측하는 것을 보인다.
