하이퍼그래프를 이용한 다중 행위자 협업 예측

초록

본 논문은 저자 협업과 같은 다중 행위자 상호작용을 하이퍼그래프 구조로 모델링하고, 시간에 따라 변하는 하이퍼인시던스 텐서를 이용해 과거에 관찰된 협업(하이퍼엣지)의 미래 발생 확률을 예측한다. 텐서 분해 기반의 예측 알고리즘을 제안하고, 전통적인 2-정점 그래프와 비교했을 때 하이퍼그래프가 특히 크기가 4 이상인 그룹에 대해 F‑Score를 평균 45% 이상 향상시킴을 실험적으로 입증한다.

상세 분석

이 연구는 소셜 네트워크에서 다중 행위자 간의 협업을 “하이퍼엣지”라는 형태로 정의하고, 이를 하이퍼그래프(Hypergraph)로 표현한다는 점에서 기존의 2‑정점 그래프 기반 접근법과 근본적으로 차별화된다. 하이퍼그래프는 하나의 엣지가 두 개 이상의 정점을 포함할 수 있어, 그룹 전체가 동시에 상호작용하는 정보를 손실 없이 보존한다. 논문은 두 가지 예측 문제—과거에 존재했던 하이퍼엣지를 다시 예측하는 ‘old‑edge prediction’과 전혀 새로운 하이퍼엣지를 예측하는 ‘new‑edge prediction’—중 전자를 선택하여 연구 범위를 명확히 제한한다. 이는 하이퍼엣지 예측이 본질적으로 어려운 문제임을 감안한 실용적 접근이다.

시간적 변화를 포착하기 위해 저자는 “하이퍼인시던스 텐서”(hyper‑incidence tensor)를 도입한다. 텐서는 3차원 배열로, 첫 번째 차원은 하이퍼엣지(또는 그래프 엣지) 인덱스, 두 번째 차원은 정점 인덱스, 세 번째 차원은 시간 스냅샷을 나타낸다. 각 스냅샷은 일정 기간(w) 동안 발생한 협업을 집계한 하이퍼인시던스 행렬(H(t)) 혹은 그래프 인시던스 행렬(E(t))을 저장한다. 이렇게 구성된 텐서는 CP‑ALS(Canonical Polyadic Alternating Least Squares) 알고리즘을 통해 저차원 요인으로 분해되며, 각 요인은 정점‑시간‑하이퍼엣지 간의 잠재적 연관성을 나타낸다.

분해 후 얻은 요인 행렬을 이용해 유사도 행렬 S를 구축한다. 하이퍼그래프 경우 S_h(i, p)는 하이퍼엣지 i와 정점 p 사이의 연관 강도를 의미하고, 그래프 경우 S_g(i, p)는 동일한 의미를 갖는다. 이후 각 하이퍼엣지 i에 대해 해당 정점들의 유사도 값을 곱하여 하이퍼엣지의 발생 확률 p_h(i)를 계산한다. 이 확률이 높을수록 과거에 관찰된 협업이 미래에도 재현될 가능성이 크다고 판단한다.

실험은 DBLP 데이터베이스의 논문 저자 협업 네트워크를 사용하였다. 저자 집단을 크기별(3~7)로 분류하고, 각각에 대해 10‑년 단위 스냅샷을 구성했다. 하이퍼그래프 기반 모델은 특히 크기 4 이상 그룹에서 F‑Score가 평균 45% 상승했으며, 경우에 따라 150%까지 향상되는 결과를 보였다. 반면, 전통적인 그래프 기반 모델은 하이퍼엣지를 클리크(완전 그래프)로 변환해 사용했기 때문에, 높은 차원의 공동 발생 정보를 분산시켜 예측 성능이 급격히 저하된다. 이는 하이퍼그래프가 “공동 확률”을 그대로 유지하는 장점과 일치한다.

또한, 논문은 하이퍼그래프와 그래프 모델을 동일한 텐서‑분해 파이프라인에 넣어 비교함으로써 구현상의 공정성을 확보하였다. 하이퍼그래프가 제공하는 정보량(정점 집합 전체에 대한 공동 등장 횟수)과 그래프가 제공하는 쌍별 관계만을 이용한 정보량 사이의 차이를 정량적으로 입증했다. 결과적으로, 다중 행위자 협업 예측에서 하이퍼그래프가 필수적이라는 가설이 실험적으로 뒷받침되었다.

이 논문의 주요 기여는 다음과 같다. (1) 하이퍼인시던스 텐서를 이용한 시간‑동적 하이퍼그래프 모델링 방법 제시, (2) 텐서 분해 기반의 하이퍼엣지 예측 알고리즘 설계, (3) 실제 대규모 학술 협업 데이터에 대한 정량적 비교를 통해 하이퍼그래프가 고차원 협업 예측에 뛰어난 성능을 보임을 증명. 이러한 접근은 팀 형성, 프로젝트 매칭, 소셜 플랫폼의 그룹 추천 등 다양한 응용 분야에 직접 활용 가능하다.