Основные понятия
지식 그래프에서 깊이 우선 탐색(DFS)과 너비 우선 탐색(BFS)을 결합한 새로운 접근법을 제안하여 링크 예측 성능을 향상시킬 수 있다.
Аннотация
이 연구는 지식 그래프에서 링크 예측을 위한 새로운 접근법을 제안합니다. 기존의 차원 축소 기반, 확률 모델 기반, 유사도 기반 방법들은 편향되거나 일반화가 어려운 문제가 있었습니다.
제안된 방법은 노드의 이웃 정보를 특징 벡터로 사용하는 것입니다. 이때 이웃 선택 방식으로 무작위 선택, 중심성 기반 선택 등을 고려합니다. 이를 통해 그래프의 구조적 정보를 효과적으로 활용할 수 있습니다.
실험 결과, 제안 방법은 희소 그래프에서 우수한 재현율을 보였고, 밀집 그래프에서는 임베딩 기반 방법보다 높은 정확도를 달성했습니다. 특히 이웃 선택 시 중심성 지표를 활용하는 것이 효과적이었습니다. 그러나 최적의 이웃 선택 전략과 고려해야 할 이웃 수에 대해서는 추가 연구가 필요합니다.
Статистика
지식 그래프에서 링크 예측은 다양한 분야에 활용될 수 있는 중요한 문제이다.
기존 방법들은 편향되거나 일반화가 어려운 문제가 있었다.
제안된 DFS/BFS 기반 접근법은 그래프의 구조적 정보를 효과적으로 활용할 수 있다.
실험 결과, 제안 방법은 희소 그래프에서 우수한 재현율을, 밀집 그래프에서는 높은 정확도를 보였다.
이웃 선택 시 중심성 지표를 활용하는 것이 효과적이었다.
Цитаты
"지식 그래프는 현대 지식 마이닝 분야에서 중요한 역할을 해왔다."
"링크 예측은 생명 과학, 의료 연구 등 다양한 분야에서 활용되고 있다."
"기존 방법들은 차원 축소, 확률 모델, 유사도 기반 접근법에 국한되어 편향되는 문제가 있었다."