양분 네트워크 투영을 위한 새로운 가중치 방법

초록

본 논문은 이분 그래프를 일변량(단일 모드) 네트워크로 투영할 때 발생하는 정보 손실을 최소화하기 위해, 자원 할당(Resource‑Allocation) 메커니즘에 기반한 가중치 부여 방식을 제안한다. 제안 방법은 기존의 전역 순위(Global Ranking)와 협업 필터링(Collaborative Filtering) 대비 추천 정확도와 네트워크 구조 보존 측면에서 현저히 우수함을 실험을 통해 입증한다.

상세 분석

이분 네트워크는 두 종류의 노드 집합이 서로만 연결되는 특성을 갖으며, 사용자‑아이템, 저자‑논문, 영화‑장르 등 다양한 실세계 시스템을 모델링한다. 이러한 네트워크를 분석하거나 시각화하기 위해 흔히 일변량 투영을 수행한다. 그러나 투영 과정에서 원래의 이분 구조가 사라지고, 특히 두 노드가 공유하는 이웃 수만을 기반으로 가중치를 부여할 경우, 희소한 연결 정보와 이웃의 질적 차이를 충분히 반영하지 못한다는 한계가 있다.

논문은 이 문제를 해결하기 위해 ‘자원 할당’ 다이나믹스를 차용한다. 구체적으로, 한쪽 집합의 노드가 자신에게 연결된 이웃에게 단위 자원을 균등하게 배분하고, 그 이웃이 다시 반대쪽 집합의 노드에게 동일하게 재분배하는 2단계 흐름을 모델링한다. 이 과정에서 두 노드 사이에 전달된 자원의 양이 바로 가중치가 되며, 이는 단순히 공동 이웃 수를 세는 것이 아니라 각 이웃의 연결 정도(즉, 이웃의 ‘전달 능력’)를 고려한다. 따라서 고도 연결된 이웃이 과도하게 영향력을 행사하는 것을 억제하고, 희소하지만 의미 있는 이웃의 기여를 부각시킨다.

제안된 가중치 공식은 계산 복잡도가 O(|E|) 수준으로, 대규모 네트워크에서도 실용적으로 적용 가능하다. 또한, 기존의 전역 순위 방식은 전체 네트워크의 평균 연결성을 기준으로 가중치를 부여해 전체적인 편향을 야기하지만, 자원 할당 기반 방법은 로컬 구조에 민감하게 반응한다는 점에서 차별화된다.

실험에서는 영화 평점 데이터셋(예: MovieLens)과 학술 논문 인용 네트워크를 이용해, 투영된 사용자‑사용자 네트워크에서의 추천 정확도(Precision@K, Recall@K)와 네트워크 구조 보존 지표(Clustering Coefficient, Degree Distribution Similarity)를 평가하였다. 결과는 제안 방법이 전역 순위와 협업 필터링에 비해 평균 12% 이상의 Precision 향상을 보였으며, 특히 희소한 사용자 집합에서 그 효과가 두드러졌다. 또한, 투영 후에도 원본 이분 네트워크의 군집 구조와 유사한 클러스터링 특성을 유지함을 확인했다.

이러한 성과는 단순히 가중치를 재정의하는 것이 아니라, 네트워크 기반 동역학을 활용해 정보 압축 과정에서 손실을 최소화하는 새로운 패러다임을 제시한다는 점에서 학술적·실용적 의미가 크다. 특히 개인화 추천 시스템에서 사용자 간 유사성을 보다 정교하게 추정함으로써, 차별화된 아이템 제안이 가능해진다. 향후 연구에서는 시간적 동적 네트워크, 다중 관계(멀티레벨) 이분 그래프 등에 적용해 확장성을 검증할 필요가 있다.