본 논문은 지식 그래프(KGs)의 링크 예측 작업에 대한 기존의 임베딩 기반 접근 방식에 대한 대안적 관점을 제시한다. 기존의 임베딩 기반 방법들이 노드와 에지의 개별 벡터 표현에 초점을 맞추는 반면, 본 논문은 KG의 정보 내용을 전체 트리플(triple) 관점에서 모델링하는 그래프 구조 우선(graph-structure-first) 관점을 제시한다. 문헌 검토와 두 가지 핵심 실험을 통해 KG 학습에 대한 이해를 높이고 링크 예측 작업을 위한 KG 간 전이 학습을 가능하게 하는 데 있어서 구조 우선적 관점이 실행 가능하고 유용함을 보여준다. 이를 바탕으로 링크 예측을 구조적 과제로 이해하고 모델링할 수 있다는 구조적 정렬 가설(Structural Alignment Hypothesis)을 제안한다. 모든 코드와 데이터는 공개 소스로 제공되며, 영어와 아일랜드어로 작성되었다.
