이분 그래프에서의 링크 예측 문제와 새로운 스펙트럴 커널

초록

본 논문은 이분 그래프에 특화된 링크 예측 방법을 제안한다. 일반 그래프에서 두 정점 사이의 유사성을 측정하는 전통적인 방법은 짝수 길이 경로, 특히 길이 2인 경로에 의존하지만, 이분 그래프에서는 인접 정점이 홀수 길이 경로로만 연결된다. 이를 해결하기 위해 저자들은 스펙트럴 변환 커널의 홀수 성분을 이용해 양의 반정밀도 제약을 완화한 ‘의사 커널(pseudokernel)’을 도입한다. 대표적인 예로 행렬 하이퍼볼릭 사인(sinh) 함수를 사용한 새로운 링크 예측 지표를 제시하고, 평점 그래프, 저자‑논문 네트워크, 포크소노미, 문서‑특징 네트워크 등 다양한 이분 네트워크에 적용해 성능을 검증한다.

상세 분석

이 논문은 이분 그래프(bipartite graph)라는 특수한 구조가 기존의 링크 예측 알고리즘에 내재된 가정을 어떻게 깨뜨리는지를 명확히 짚어낸다. 일반 그래프에서 널리 쓰이는 공통 이웃(common neighbor), 자카드 계수(Jaccard), 어드밴스드 프라운드-라일리(Adamic‑Adar) 등은 두 정점 사이에 길이 2인 경로가 존재한다는 전제하에 유사도를 정의한다. 그러나 이분 그래프에서는 두 정점이 같은 파티션에 속하면 직접 연결될 수 없으며, 서로 다른 파티션에 속하더라도 연결 가능한 경로는 반드시 홀수 길이(1,3,5…)를 가져야 한다. 따라서 기존 지표는 의미를 상실하거나, 심지어 0값을 반환하게 된다.

저자들은 이 구조적 차이를 극복하기 위해 스펙트럴 변환 커널(spectral transformation kernel)의 수학적 성질을 활용한다. 그래프 라플라시안 혹은 인접 행렬의 고유값 분해를 수행한 뒤, 원하는 함수를 고유값에 적용해 새로운 행렬 함수를 만든다. 전통적인 커널은 양의 반정밀도(positive‑semidefinite) 조건을 만족해야 하지만, 이분 그래프에서는 그 조건을 완화하고 ‘홀수 성분’만을 추출한다. 구체적으로, 임의의 스칼라 함수 f(λ)를 f_odd(λ)= (f(λ)−f(−λ))/2 로 정의하면, 이 함수는 고유값의 부호에 따라 짝수·홀수 대칭성을 구분한다. 결과 행렬은 대칭이면서도 PSD가 아니므로 ‘의사 커널(pseudokernel)’이라 명명한다.

대표적인 선택지로 행렬 하이퍼볼릭 사인 sinh(A)를 들 수 있다. sinh은 본질적으로 짝수 성분이 사라진 순수한 홀수 함수이며, 급격히 증가하는 특성 덕분에 멀리 떨어진 정점 사이에도 의미 있는 점수를 부여한다. 또한, sinh은 테일러 전개가 무한히 이어지는 형태이므로, 고차 경로(길이 3,5,…)를 자연스럽게 포함한다. 논문은 이 외에도 cosh, tanh 등 다른 하이퍼볼릭 함수와 다항식 변환을 실험적으로 검토한다.

실험 부분에서는 여러 실제 이분 네트워크에 대해 정밀도·재현율·AUC 등 표준 평가 지표를 사용해 기존 방법과 비교한다. 평점 그래프(사용자‑아이템), 저자‑논문 네트워크, 포크소노미(사용자‑태그), 문서‑특징(문서‑단어) 등에서 sinh 기반 의사 커널이 특히 희소하고 불균형적인 데이터에서 뛰어난 성능을 보인다. 이는 짝수 경로에 의존하지 않고, 고차 홀수 경로를 효과적으로 활용한 결과로 해석된다.

결론적으로, 이 논문은 이분 그래프에 대한 링크 예측을 위한 이론적 틀을 제공함과 동시에, 스펙트럴 변환을 통한 의사 커널 설계가 실용적인 성능 향상을 가져올 수 있음을 실증한다. 향후 연구는 비정형 이분 구조(예: 하이퍼그래프)나 동적 네트워크에 대한 확장, 그리고 커널 정규화와 스케일링 기법을 통한 더욱 정교한 모델링을 제안한다.