그래프 구조 데이터의 증가로 그래프 머신 러닝(GML)이 발전했으며, 지식 그래프(KG)의 특징을 벡터 공간에 매핑하는 그래프 임베딩(GE)을 통해 노드 분류 및 링크 예측과 같은 작업을 수행합니다. 하지만, GE는 명시적인 토폴로지 및 특징으로부터 파생되므로, 희소한 데이터셋에 숨겨진 암묵적인 지식을 놓칠 수 있습니다. 본 논문은 임베딩 생성 전에 잠재적인 데이터셋 의미론을 발견하기 위해 지식 완성(KC) 단계를 통합하는 GML 파이프라인을 제안합니다. 특히, 전이적 관계에 초점을 맞춰, 감쇠 기반 추론 함수로 숨겨진 연결을 모델링하여 그래프 토폴로지를 재구성합니다. 이 파이프라인은 임베딩 공간 기하학을 크게 변화시키며, 그래프 표현 품질을 재정의합니다.
