협업 네트워크와 위상 특성을 결합한 저자 이름 자동 구분 방법

초록

본 논문은 전통적인 공동저자 패턴 분석에 네트워크 위상 지표를 추가한 하이브리드 모델을 제안한다. 평균 최단 경로 길이와 같은 전역 위상 특성이 동명 저자 구분에 큰 영향을 미침을 확인했으며, 두 전략을 가중 결합하면 기존 방법보다 높은 정확도를 얻는다. 또한 전통적 분석 결과만으로 하이브리드 가중치를 예측할 수 있음을 보였다.

상세 분석

이 연구는 학술 논문 데이터베이스에서 동일한 이름을 공유하는 저자(동명 저자) 문제를 해결하기 위해 두 가지 정보를 통합한다. 첫 번째는 기존에 널리 사용되는 ‘협업 패턴’으로, 저자 간 공동 저술 관계를 기반으로 인접 이웃(공동 저자)의 재현성을 이용한다. 두 번째는 복합 네트워크 이론에서 도출된 위상 지표들로, 정점의 차수, 강도, 이웃 차수·강도, 클러스터링 계수, 평균 최단 경로 길이, 매개 중심성, 그리고 계층적 측정값을 포함한다. 특히 평균 최단 경로 길이는 전역 연결성을 반영하여, 동일 인물이라면 같은 커뮤니티 내에서 비슷한 거리 분포를 보인다는 가정 하에 중요한 구분 변수로 작동한다.

저자 별로 각각의 네트워크 정점을 생성하고, 동명 저자 각각을 별도 정점으로 취급한다. 전통적 방법에서는 정점 간 가중치 벡터 w(i)를 사용해 직접적인 공동 저자 연결 강도를 비교한다. 위상 기반 방법에서는 µ(i)라는 다차원 특성 벡터를 구성해 위에서 언급한 F개의 위상 측정값을 저장한다. 두 벡터를 결합하기 위해 선형 가중합 형태의 하이브리드 스코어를 정의하고, 가중치 α와 (1‑α)를 최적화한다. 실험에서는 세 개의 실제 데이터셋(예: DBLP, PubMed 등)에서 10‑fold 교차 검증을 수행했으며, 하이브리드 모델이 정밀도·재현율·F1 점수 모두에서 전통적 모델을 능가함을 확인했다.

가중치 추정에 관한 추가 실험에서는 전통적 모델만을 사용해 얻은 구분 성능(예: ROC‑AUC)과 하이브리드 모델의 최적 α 사이에 높은 상관관계가 있음을 발견했다. 이는 기존 협업 패턴 분석 결과만으로도 위상 정보의 기여도를 사전에 예측할 수 있음을 의미한다.

결과적으로, 이 논문은 (1) 위상 특성이 동명 저자 구분에 실질적인 가치를 제공한다는 점, (2) 평균 최단 경로 길이가 가장 결정적인 위상 변수라는 점, (3) 하이브리드 모델의 가중치를 전통적 분석 결과로부터 추정할 수 있다는 점을 제시한다. 이러한 접근은 저자 구분뿐 아니라, 복잡한 상호작용 네트워크에서 노드 정체성 판별이 필요한 다양한 분야에 적용 가능성을 열어준다.