동적 그래프 링크 예측을 위한 하이브리드 TGN-SEAL 모델

A Hybrid TGN-SEAL Model for Dynamic Graph Link Prediction

희소하고 지속적으로 변화하는 네트워크에서 링크를 예측하는 것은 네트워크 과학의 핵심적인 과제입니다. 기존의 휴리스틱 방법과 딥러닝 모델, 특히 그래프 신경망(GNN)은 일반적으로 정적 그래프에 맞춰 설계되었기 때문에 시간적 의존성을 파악하는 데 어려움을 겪습니다. 스냅샷 기반 기술은 이러한 문제를 부분적으로 해결하지만, 특히 통신사 통화 상세 기록(CDR)과 같이 일시적인 상호작용이 존재하는 네트워크에서 데이터 희소성과 클래스 불균형 문제를 자주 겪습니다. 시간 그래프 네트워크(TGN)는 노드 임베딩을 시간 경과에 따라 업데이트하여 동적 그래프를 모델링하지만, 희소한 조건에서의 예측 정확도는 여전히 제한적입니다. 본 연구에서는 후보 링크 주변의 포함되는 부분 그래프를 추출하여 TGN 프레임워크를 개선함으로써 모델이 구조적 정보와 시간 정보를 동시에 학습할 수 있도록 했습니다. 희소한 CDR 데이터셋에 대한 실험 결과, 제안하는 방법은 표준 TGN에 비해 평균 정밀도를 2.6% 향상시켜 동적 네트워크에서 강력한 링크 예측을 위한 로컬 토폴로지 통합의 장점을 입증했습니다.

Predicting links in sparse, continuously evolving networks is a central challenge in network science. Conventional heuristic methods and deep learning models, including Graph Neural Networks (GNNs), are typically designed for static graphs and thus struggle to capture temporal dependencies. Snapshot-based techniques partially address this issue but often encounter data sparsity and class imbalance, particularly in networks with transient interactions such as telecommunication call detail records (CDRs). Temporal Graph Networks (TGNs) model dynamic graphs by updating node embeddings over time; however, their predictive accuracy under sparse conditions remains limited. In this study, we improve the TGN framework by extracting enclosing subgraphs around candidate links, enabling the model to jointly learn structural and temporal information. Experiments on a sparse CDR dataset show that our approach increases average precision by 2.6% over standard TGNs, demonstrating the advantages of integrating local topology for robust link prediction in dynamic networks.