온라인 소셜 네트워크 태도 추론 이차 상관관계 기반

초록

본 논문은 온라인 소셜 네트워크에서 사용자 간의 긍정·부정 관계(링크 부호)를 예측하기 위해, 피어들의 상호작용을 이용한 이차 상관관계 모델을 제안한다. 학습 과정에서 피어 집합을 자동으로 선택하고, 훈련된 모델은 숨겨진 링크의 부호를 높은 정확도로 추정한다. Epinions, Slashdot, Wikipedia 데이터셋을 실험에 사용했으며, 대부분의 경우 거의 완벽에 가까운 예측 성능을 보였다. 또한 네트워크가 변화할 때 효율적인 업데이트 방법도 제시한다.

상세 분석

이 연구는 기존의 소셜 네트워크 분석이 단순히 연결 여부(링크 존재)만을 고려하는 한계를 지적하고, 관계의 정서적 성격(긍정·부정)을 포함한 ‘부호 그래프(sign graph)’를 모델링한다. 핵심 아이디어는 특정 링크의 부호를 예측할 때, 해당 노드와 직접 연결된 이웃뿐 아니라, 이웃들의 이웃, 즉 2‑hop 피어들의 영향을 고려하는 것이다. 이를 위해 저자들은 “피어 영향(peer influence)”이라는 개념을 도입하고, 각 피어가 목표 링크에 미치는 영향을 가중치 형태로 표현한다.

가중치는 고정된 사전 정의가 아니라, 학습 과정에서 최적화된다. 구체적으로, 피어 집합 S와 각 피어 i∈S에 대한 이진 변수 x_i (선택 여부)와 실수 가중치 w_i를 도입한다. 목표 링크 (u, v)의 부호를 예측하는 함수는 Σ_i x_i·w_i·f_i(u,v) 형태이며, 여기서 f_i는 피어 i가 제공하는 증거(예: i가 u와 v 사이에 긍정·부정 삼각형을 형성하는지 여부)이다.

이때 최적화 문제는 x_i∈{0,1}, w_i∈ℝ인 이진·연속 혼합 변수의 이차 목표 함수를 최소화하는 형태가 된다. 저자들은 이를 ‘이차 상관관계(quadratic correlation)’라고 명명하고, 표준 QP(Quadratic Programming) 기법과 휴리스틱 탐색을 결합해 효율적으로 해결한다. 특히, 피어 집합 S를 전체 노드 집합에서 제한적으로 선택함으로써 계산 복잡도를 O(|S|^2) 이하로 유지한다.

학습 단계에서는 알려진 링크들의 부호를 레이블로 사용해 손실 함수를 정의하고, 정규화 항을 추가해 과적합을 방지한다. 검증 단계에서는 학습된 가중치와 피어 집합을 그대로 적용해 미지의 링크에 대한 부호를 추정한다. 중요한 점은 모델이 네트워크 구조 변화(새로운 노드·링크 추가)에 대해 증분적으로 업데이트될 수 있다는 점이다. 새로운 링크가 추가되면 해당 링크와 관련된 피어들의 가중치만 재계산하면 되므로, 전체 재학습 없이도 실시간 예측이 가능하다.

실험 결과는 세 가지 대규모 공개 데이터셋(Epinions, Slashdot, Wikipedia)에서 수행되었다. 각 데이터셋은 수십만 개의 노드와 수백만 개의 부호 링크를 포함한다. 평가 지표는 정확도(accuracy)와 AUC(area under ROC curve)이며, 제안 모델은 기존의 로지스틱 회귀, SVM, 그리고 구조적 균형 이론 기반 방법들보다 평균 5~10% 높은 정확도를 기록했다. 특히, 부호가 불균형한 데이터(예: 부정 링크가 20% 이하)에서도 높은 재현율을 유지했다.

이 논문의 주요 기여는 (1) 피어 집합을 사전 정의하지 않고 학습 과정에서 자동 선택하는 메커니즘, (2) 이차 상관관계를 활용해 피어 간 상호작용을 정량화한 새로운 예측 프레임워크, (3) 네트워크 동적 업데이트에 대한 효율적인 증분 학습 절차이다. 한계점으로는 피어 집합 크기 선택에 대한 민감도와, 매우 큰 그래프에서 QP 해결 시 메모리 사용량이 증가할 수 있다는 점이 있다. 향후 연구에서는 스파스 행렬 기법이나 분산 최적화 알고리즘을 도입해 확장성을 더욱 강화할 여지가 있다.