다중 스케일 링크 예측

초록

본 논문은 대규모 소셜 네트워크에서 효율적인 링크 예측을 위해 다중 스케일 저랭크 근사를 이용한 프레임워크인 MSLP를 제안한다. 네트워크를 여러 계층으로 나누어 각 계층에서 저랭크 행렬 근사를 수행하고, 이들 예측을 결합해 정확도와 견고성을 동시에 향상시킨다. 실험 결과, 백만 노드 규모 데이터셋에서 기존 방법들을 크게 앞서는 성능과 확장성을 입증하였다.

상세 분석

MSLP는 기존 저랭크 근사 기반 링크 예측이 전체 네트워크를 하나의 저차원 공간에 압축함으로써 발생하는 표현 손실을 해결하고자 한다. 이를 위해 저자들은 네트워크를 계층적 클러스터링 기법(예: METIS 또는 Louvain)으로 여러 스케일(레벨)로 분할하고, 각 레벨에서 별도의 저랭크 근사를 수행한다. 저랭크 근사는 일반적으로 SVD 혹은 Lanczos 기반 방법을 사용하지만, MSLP는 각 서브그래프가 작아짐에 따라 연산 비용이 급격히 감소한다는 점을 활용한다. 중요한 설계는 “스케일 간 전이” 메커니즘이다. 하위 레벨에서 얻은 근사 행렬을 상위 레벨의 근사에 재활용함으로써 전체 복잡도는 O(k·|E|·log |V|) 수준으로 유지된다(k는 목표 랭크, |E|와 |V|는 각각 에지와 노드 수). 또한, 각 레벨에서 계산된 유사도 행렬을 가중 평균하거나 학습 기반 가중치를 적용해 최종 예측 점수를 산출한다. 이 과정은 노이즈에 강하고, 특정 스케일에서 놓칠 수 있는 장거리 연결을 다른 스케일이 보완하도록 설계되었다. 실험에서는 LiveJournal, Flickr, Facebook 등 실제 소셜 네트워크 데이터를 사용했으며, AUC, Precision@K 등 표준 지표에서 기존 저랭크 기반 방법(예: CUR, NMF)과 전통적인 메트릭(공통 이웃, Adamic‑Adar)보다 현저히 높은 성능을 보였다. 특히, 노드 수가 백만을 초과하는 그래프에서도 메모리 사용량이 수 GB 수준에 머물며, 분산 환경 없이 단일 머신에서 실행 가능함을 입증했다. 이와 같은 결과는 MSLP가 대규모 네트워크에서 실시간 혹은 근실시간 링크 추천 시스템에 적용될 수 있음을 시사한다.