기존의 동종성 기반 메시지 전달에 의존하는 그래프 신경망(GNN)은 연결된 노드가 서로 다른 특징과 레이블을 갖는 이종성 그래프에서 어려움을 겪습니다. 기존 방법들은 그래프 구조 개선이나 이웃 집계 함수 적용을 통해 이종성 문제를 해결하려 하지만, 노드 텍스트의 의미적 잠재력을 간과하거나, 최적이 아닌 메시지 표현을 전파에 사용하거나, 동종성 그래프에서 성능이 저하되는 문제가 있습니다. 본 논문에서는 이러한 한계를 해결하기 위해 이종성 그래프 학습을 위한 새로운 언어 모델(LM) 향상 메시지 전달 방식인 LEMP4HG를 제안합니다. 특히, 텍스트 속성 그래프의 맥락에서 LM이 노드 텍스트 쌍에 대한 연결 분석을 생성하도록 하고, 이를 인코딩하여 게이팅 메커니즘을 통해 노드 텍스트 임베딩 쌍과 융합합니다. 합성된 메시지는 의미적으로 풍부해지고 두 노드의 정보와 적응적으로 균형을 이루어 이종성 영역에서 이웃 집계 시 모순되는 신호를 완화합니다. 또한, 휴리스틱 MVRD(Modulated Variation of Reliable Distance)에 의해 안내되는 능동 학습 전략을 도입하여 메시지 전달에서 가장 어려움을 겪는 노드 쌍을 선택적으로 향상시켜 분석 생성 비용과 동종성 영역에 대한 부작용을 줄입니다. 광범위한 실험을 통해 제안된 방법이 이종성 그래프에서 우수한 성능을 보이고 동종성 그래프에서도 강력한 성능을 발휘함을 검증하였으며, 그래프 합성곱 신경망(GCN) 백본과 실용적인 예산을 사용했습니다.
