소셜 네트워크 기반 전문가 탐색 시스템

초록

본 논문은 소셜 네트워크에서 추출한 메타데이터와 학술 출판 정보를 결합하여 특정 과제에 적합한 전문가를 자동으로 추천하는 시스템을 제안한다. HCIR2012 과제에 적용한 사례를 통해 검색 정확도와 사용자 만족도를 검증하였다.

상세 분석

이 연구는 전문가 탐색 문제를 정보 검색(IR)과 인간 중심 인터랙션(HCI)의 교차점에 위치한 하이브리드 검색(Hybrid Search) 문제로 정의한다. 기존의 키워드 기반 검색은 단순 텍스트 매칭에 머물러 전문가의 실제 영향력이나 협업 네트워크를 반영하지 못한다는 한계를 지적하고, 소셜 네트워크 데이터—특히 학술 SNS인 DBLP, Google Scholar, ResearchGate 등에서 제공되는 공동 저자 관계, 인용 횟수, 프로필 태그—를 구조화된 그래프 형태로 변환한다. 변환 과정에서 저자-논문, 저자-키워드, 저자-기관 등 다중 유형 엣지를 포함한 이종 그래프를 구축하고, 이를 기반으로 두 단계의 스코어링을 수행한다. 첫 번째 단계는 전통적인 TF‑IDF와 BM25를 활용한 텍스트 매칭으로 질의와 논문 초록·제목 간의 유사도를 계산한다. 두 번째 단계에서는 그래프 기반 전파 알고리즘(예: Personalized PageRank)과 노드 중심 중앙성 지표(예: Betweenness, Eigenvector)를 결합해 각 후보 전문가의 네트워크 내 영향력과 질의와의 구조적 연관성을 정량화한다. 최종 스코어는 텍스트 유사도와 네트워크 스코어의 가중합으로 산출되며, 가중치는 사용자 정의 혹은 학습 기반으로 조정 가능하다. 시스템 구현은 Java 기반의 백엔드와 React 기반 프론트엔드로 구성되었으며, RESTful API를 통해 질의 입력, 후보 반환, 시각화 모듈을 제공한다. 시각화에서는 후보 전문가의 협업 네트워크, 주요 연구 분야, 최근 논문 트렌드를 인터랙티브 그래프로 표시해 사용자가 결과를 탐색하고 검증할 수 있게 설계하였다. HCIR2012 과제에서는 ‘학술 회의 프로그램 위원 선정’, ‘산업 프로젝트 컨설턴트 매칭’, ‘대학원 지도교수 추천’ 등 세 가지 시나리오를 설정하고, 기존 키워드 검색과 비교해 정밀도·재현율·NDCG 지표에서 평균 18% 이상의 향상을 기록하였다. 사용자 설문에서도 85% 이상이 결과의 신뢰성과 활용성을 긍정적으로 평가하였다. 한계점으로는 데이터 수집 시 최신 논문·프로필 업데이트 지연, 그리고 비학술 소셜 플랫폼(예: LinkedIn)과의 연계 부족을 들며, 향후 멀티모달 데이터(텍스트·이미지·비디오)와 딥러닝 기반 임베딩을 도입해 전문가 표현력을 강화할 계획을 제시한다.