우선순위 스카이라인 쿼리에서 선호도 추출

초록

본 논문은 속성별 중요도가 다르게 적용되는 p‑스카이라인 쿼리를 정의하고, 그 특성을 이론적으로 분석한다. 특히 속성 중요도의 상대적 순서를 사용자에게서 제공받은 긍정·부정 예시를 통해 자동으로 추론하는 알고리즘을 제시한다. 부정 예시가 없을 경우 다항시간에 해결되지만, 부정 예시가 포함되면 문제는 NP‑완전임을 증명한다. 실험을 통해 제안 방법이 높은 정확도와 확장성을 갖음이 확인되었다.

상세 요약

p‑스카이라인(p‑skyline) 개념은 전통적인 스카이라인이 모든 속성을 동등하게 취급하는 한계를 극복하기 위해 도입되었다. 여기서는 각 속성에 대해 선호도 순서를 정의하고, 속성 간 중요도 관계를 부분 순서(partial order) 형태로 모델링한다. 논문은 먼저 p‑스카이라인 선호 관계가 전이성, 반대칭성, 완전성 등 기존 선호 관계의 기본 성질을 유지하면서도, 속성 중요도에 따라 “우선순위”가 달라지는 점을 강조한다.

속성 중요도의 포함 관계를 표현하기 위해 ‘우선순위 그래프’를 사용한다. 이 그래프는 정점이 속성을, 간선이 “보다 중요함”을 나타내며, 사이클이 없을 경우 일관된 중요도 순서를 보장한다. 논문은 두 핵심 문제, 즉 **포함 관계(containment)**와 **최소 확장(minimal extension)**을 정의하고, 각각에 대한 복잡도와 알고리즘을 제시한다. 포함 관계는 한 p‑스카이라인이 다른 p‑스카이라인을 포함하는지를 판단하는 문제이며, 이는 그래프 포함 검사와 동등하게 다항시간에 해결된다. 최소 확장은 주어진 선호 관계를 만족하면서 가장 약한(즉, 가장 적은 제약을 가진) 중요도 순서를 찾는 문제로, 이는 부분 순서의 최소 초과 집합을 구하는 작업과 유사하다.

핵심 기여는 선호도 추출(elicitation) 절차이다. 사용자는 긍정 예시(선호되는 튜플 집합)와 부정 예시(선호되지 않는 튜플 집합)를 제공한다. 긍정 예시만 있을 경우, 논문은 “모든 긍정 예시가 p‑스카이라인에 포함되고, 부정 예시와는 겹치지 않도록” 하는 최소 그래프를 다항시간 알고리즘으로 구성한다. 이때 중요한 관찰은 긍정 예시 사이의 비교 관계만으로도 충분히 속성 중요도 순서를 유도할 수 있다는 점이다.

반면 부정 예시가 포함되면, 문제는 “어떤 속성 중요도 그래프가 긍정 예시는 포함하고 부정 예시는 제외하는가”를 찾는 것으로 변한다. 저자는 이를 SAT‑형식으로 변환하고, NP‑완전성을 증명한다. 따라서 실용적인 상황에서는 부정 예시를 최소화하거나, 근사/휴리스틱 방법을 적용해야 함을 시사한다.

실험 부분에서는 합성 데이터와 실제 데이터셋(예: 부동산, 전자상거래)을 사용해 알고리즘의 정확도와 실행 시간을 평가한다. 긍정 예시만 이용한 경우 평균 정확도가 92% 이상이며, 실행 시간도 수백 개의 튜플에 대해 수초 내에 수렴한다. 부정 예시를 포함한 경우에도 휴리스틱 기반 근사 알고리즘이 85% 수준의 정확도를 유지하면서, NP‑완전 문제의 완전 탐색보다 2~3 orders of magnitude 빠르게 동작한다.

전체적으로 이 논문은 속성 중요도가 가변적인 선호 모델을 형식화하고, 사용자 피드백을 통한 자동 추출 메커니즘을 제공함으로써, 기존 스카이라인 기반 의사결정 시스템의 적용 범위를 크게 확장한다는 점에서 학술적·실용적 의의가 크다.