본 논문은 지식 그래프 완성(KGC)에서 삼중항 (h, r, t) 주변의 의미적 맥락이 예측에 중요한 단서를 제공한다는 점에 주목합니다. 기존의 노드 기반 메시지 전달 메커니즘은 모든 인접 에지로부터 정보를 무차별적으로 집계하여 노이즈를 유발하고 정보 희석 또는 과도한 평활화를 초래하는 문제점이 있습니다. 이를 해결하기 위해, 본 논문은 의미를 고려한 관계형 메시지 전달을 제안합니다. 핵심 혁신은 의미를 고려한 Top-K 이웃 선택 전략을 도입한 것입니다. 이 전략은 공유잠재공간 내에서 중심 노드와 그에 연결된 에지 간의 의미적 관련성을 평가하고, 가장 관련성이 높은 Top-K 에지만을 선택합니다. 그런 다음, 다중 헤드 어텐션 집계기를 사용하여 선택된 에지의 정보를 중심 노드의 고유 표현과 효과적으로 융합하여 의미 중심의 노드 메시지를 생성합니다. 따라서 본 모델은 지식 그래프 내 에지의 구조와 특징을 활용할 뿐만 아니라 특정 링크 예측 작업과 가장 관련성이 높은 맥락 정보를 더 정확하게 포착하고 전파하여 무관한 정보로 인한 간섭을 효과적으로 완화합니다. 광범위한 실험을 통해 제안된 방법이 여러 기존 벤치마크에서 기존 방법보다 우수한 성능을 달성함을 보여줍니다.
