과학 논문 데이터베이스를 위한 링크 기반 유사도 측정 CRank

초록

C‑Rank는 인용(인링크)과 참고(아웃링크)를 방향을 무시하고 하나의 무방향 연결로 통합해, 오래된 논문·최근 논문·연령 차이가 큰 논문 사이에서도 정확한 유사도를 계산하도록 설계된 새로운 링크 기반 유사도 측정법이다. 실험 결과, 기존의 Co‑citation, Coupling, SimRank 등과 비교해 정확도가 현저히 높았다.

상세 분석

본 논문은 과학 문헌 데이터베이스가 갖는 두 가지 고유 특성—(1) 오래된 논문의 인용 논문이 데이터베이스에 누락되는 경우가 많고, (2) 최신 논문을 인용하는 논문이 거의 존재하지 않는다—을 명확히 규정하고, 이러한 특성이 기존 유사도 측정 기법에 어떠한 구조적 한계를 초래하는지를 체계적으로 분석한다. 기존 기법은 인링크만(Co‑citation, SimRank) 혹은 아웃링크만(Coupling, rvs‑SimRank) 활용하므로, (P1) 오래된 논문 간, (P2) 최신 논문 간, (P3) 연령 차이가 큰 논문 간 유사도 계산에서 각각 0에 가까운 값을 반환한다. 특히, Amsler와 P‑Rank와 같이 두 방향을 가중합하는 방식도 하나의 방향에서 거의 0에 수렴하면 전체 점수가 크게 낮아지는 문제를 안고 있다.

C‑Rank는 이러한 문제를 해결하기 위해 “Connector”라는 개념을 도입한다. 논문의 인링크와 아웃링크를 무시하고 모두를 무방향 엣지로 변환함으로써, 두 논문 사이에 존재하는 모든 공통 이웃(인링크·아웃링크·양방향 경로)을 하나의 집합 L(p)으로 정의한다. 이후 SimRank와 유사한 반복식
R_{k+1}(p,q)=C·|L(p)||L(q)| Σ_{i∈L(p)} Σ_{j∈L(q)} R_k(i,j)
을 적용해, 초기값 R_0(p,q)=1(p=q),0(p≠q)에서 시작해 수렴할 때까지 반복한다. 여기서 C는 감쇠 계수이며, 실험에서는 0.8~0.9 범위가 최적임을 보였다.

정규화 방법에 대한 논의도 중요한 기여 중 하나이다. 저자들은 Jaccard 계수와 pairwise 정규화 방식을 비교했으며, 과학 문헌 데이터베이스에서는 전체 인·아웃링크 수가 크게 변동하므로 Jaccard 계수가 과대·과소 평가를 방지하고 더 안정적인 유사도 값을 제공한다는 실험적 증거를 제시한다.

평가 방법에서는 인간 평가자를 활용한 정밀도·재현율 기반의 “정확도” 측정을 제안한다. 기존 연구에서 흔히 사용하던 자동 매칭 혹은 인용 횟수 기반 평가는 편향이 크다는 점을 지적하고, 실제 연구자들이 제시한 “유사 논문” 리스트와 C‑Rank가 산출한 순위 리스트를 비교해 NDCG와 MAP을 계산함으로써 보다 실용적인 성능을 검증한다.

실험은 DBLP와 Libra에서 수집한 약 30만 개 논문·인용 관계를 사용했으며, 기존 기법 대비 C‑Rank는 특히 (P1)·(P2)·(P3) 상황에서 평균 12%18% 높은 MAP 값을 기록했다. 또한, 연산 복잡도는 O(|E|·K) (E는 무방향 엣지 수, K는 반복 횟수)로, 적절한 K(보통 57) 설정 시 실시간 검색 시스템에 적용 가능한 수준이었다.

이러한 분석을 통해 C‑Rank는 (1) 방향성을 무시함으로써 오래·최근 논문 모두를 포괄, (2) Jaccard 정규화로 스케일 차이를 보정, (3) 인간 중심 평가로 실용성을 입증한다는 세 가지 핵심 강점을 갖는다.