단어 연상 네트워크에서 의미 특징을 분리하는 계산 모델

초록

본 논문은 심리언어학에서 널리 사용되는 두 종류의 의미 관계 데이터베이스, 즉 특징 기반 데이터베이스와 자유 연상 데이터베이스를 복합 네트워크 관점에서 분석한다. 자유 연상 네트워크의 풍부한 토폴로지를 활용해 특징 기반 관계를 추출하는 알고리즘을 제안하고, 이를 통해 생성된 새로운 관계 집합이 기존 특징 생산 규범과 유사함을 실증한다.

상세 분석

이 연구는 의미론적 관계를 정량적으로 모델링하려는 시도에서 두 가지 전통적인 데이터베이스, 즉 Feature Production Norms(FPN)와 Free Association Norms(FAN)를 동시에 고려한다는 점에서 독창적이다. FPN은 피험자들이 특정 단어에 대해 떠올리는 특징(예: “새” → “깃털, 날다”)을 기록한 것이며, FAN은 한 단어를 제시했을 때 떠오르는 연상 단어를 기록한 것이다. 두 데이터베이스는 각각 의미의 다른 측면을 반영한다. FPN은 개념의 내재적 속성을, FAN은 의미망 내에서의 연결성을 강조한다. 그러나 기존 연구에서는 이 두 네트워크를 별도로 분석하거나, 단순히 상관관계를 검증하는 수준에 머물렀다.

본 논문은 복합 네트워크 이론을 도입해 FAN을 그래프 형태로 모델링하고, 노드(단어)와 엣지(연상 강도)의 구조적 특성을 정밀히 분석한다. 특히, 노드 중심성(예: degree, betweenness, eigenvector centrality)과 클러스터링 계수, 모듈러리티 등을 계산해 FAN이 높은 차원의 토폴로지를 가지고 있음을 확인한다. 이러한 풍부한 구조는 특징 기반 관계를 추출하는 데 유용한 신호를 제공한다는 가설을 세운다.

제안된 알고리즘은 크게 두 단계로 구성된다. 첫 번째 단계에서는 FAN에서 각 엣지의 가중치를 정규화하고, 노드 간의 경로 길이와 공통 이웃 수를 이용해 “연관 강도”를 재계산한다. 여기서 핵심은 높은 중심성을 가진 노드가 다른 노드와 공유하는 특징을 더 많이 포함한다는 전제이다. 두 번째 단계에서는 재계산된 연관 강도를 임계값(threshold)과 비교해 이진화하고, 결과 그래프를 FPN과 매칭시킨다. 매칭 과정에서는 Jaccard similarity와 cosine similarity를 동시에 고려해 두 그래프 간의 구조적 유사성을 정량화한다.

실험 결과는 두 가지 주요 지표에서 기존 FAN과 FPN 사이의 격차를 크게 줄였음을 보여준다. 첫째, 새로 생성된 관계 집합은 FPN에 존재하는 특징 쌍(feature pairs)과 70% 이상의 일치율을 보였으며, 이는 무작위 추출 대비 3배 이상 높은 수치이다. 둘째, 네트워크 모듈러리티 분석에서 새 그래프는 의미론적 클러스터(예: 동물, 도구, 감정) 내에서 높은 내부 연결성을 유지하면서도 클러스터 간 연결을 최소화하는 구조를 나타냈다. 이는 의미적 구분이 명확히 반영된 특징 기반 네트워크와 유사한 토폴로지를 의미한다.

또한, 알고리즘의 파라미터 민감도 분석을 통해 중심성 가중치와 임계값 설정이 결과에 미치는 영향을 체계적으로 탐색했다. 중심성 가중치를 높게 설정하면 고빈도 연상 단어가 과도하게 강조되어 일부 의미적 세부 특징이 손실될 수 있지만, 적절한 균형을 찾으면 전체적인 의미 재구성이 최적화된다.

이 논문의 의의는 복합 네트워크 분석을 통해 두 종류의 의미 데이터베이스를 통합적으로 이해하고, 자유 연상 네트워크에서 잠재적인 특징 정보를 자동으로 추출할 수 있는 방법론을 제시했다는 점이다. 이는 심리언어학 실험 설계, 인공지능 기반 의미 표현, 그리고 뇌-언어 연구 등 다양한 분야에 적용 가능성을 열어준다. 특히, 인간의 의미 인지 과정을 모델링하려는 인공신경망(예: BERT, GPT)에서 학습 데이터의 의미적 풍부성을 강화하는 데 활용될 수 있다.