Link Prediction Scheme Utilizing Structure, Time and User-Generated Contents in Discrete Time Dynamic Graphs

동적 링크 예측은 시간이 지남에 따라 변화하는 소셜 네트워크 관계 구조를 분석하는 데 중요한 문제이다. 기존 연구는 주로 구조적 및 시간적 측면에 집중했으나, 게시글이나 댓글과 같은 사용자 생성 콘텐츠의 의미적 맥락은 충분히 반영되지 않았다. 본 논문에서는 구조적 정보, 시간적 정보, 사용자 생성 콘텐츠를 결합하여 동적 그래프의 정점 간 링크를 예측하는 새로운 기법을 제안한다. 제안하는 기법은 SBERT를 활용하여 텍스트 임베딩 벡터를 생성하고, GCN을 통해 그래프 구조적 특징을 학습하며, LSTM을 사용해 시간적 변화를 모델링함으로써 링크 형성 가능성을 예측한다. 최종적으로 Hadamard MLP 디코더와 이진 교차 엔트로피 손실함수를 이용해 링크 확률을 산출한다. 성능평가 결과, 제안하는 방법은 기존 기법 대비 AP 13.6%, AUC 22.5% 향상된 성능을 보인다.