이분 그래프에서의 공통 이웃과 지역 커뮤니티 패러다임을 이용한 링크 예측

초록

이 논문은 이분 네트워크에서 직접 적용 가능한 공통 이웃(CN) 지표와 지역‑커뮤니티‑패러다임(LCP)을 수학적으로 정의하고, 이를 기반으로 한 두 가지 새로운 로컬 링크 예측 모델을 제안한다. 다양한 크기와 분야(기술, 사회, 생물)의 이분 그래프에 대해 실험을 수행한 결과, 제안 모델이 기존 방법보다 높은 예측 정확도를 보이며, 특히 네트워크의 로컬 구조가 강하게 작용하는 경우에 큰 이점을 제공한다는 것을 확인하였다.

상세 요약

본 연구는 이분 네트워크, 즉 두 종류의 노드 집합 A와 B가 존재하고 A‑A, B‑B 간 연결이 금지된 구조에 대해 기존의 단일 모드 네트워크에서 사용되던 로컬 링크 예측 기법을 그대로 적용할 수 없다는 근본적인 한계를 지적한다. 이를 극복하기 위해 저자들은 먼저 공통 이웃 지표를 이분 형태에 맞게 재정의한다. 전통적인 CN은 두 노드가 공유하는 이웃 노드의 수를 세지만, 이분 그래프에서는 A‑B 연결만 허용되므로 “공통 이웃”은 A‑B 쌍이 동시에 연결될 수 있는 중간 노드(예: A‑X‑B 경로)로 정의된다. 수식적으로는 CN(A,B)=|{X∈V | (A,X)∈E ∧ (X,B)∈E}| 로 표현된다.

다음으로 LCP를 도입한다. LCP는 두 노드 사이에 존재하는 공통 이웃들의 상호 연결 정도, 즉 이웃들 간에 형성된 삼중 연결(“삼각형”이 아닌 “사각형” 형태)의 밀도를 측정한다. 이분 네트워크에서는 A‑X‑B‑Y‑A 형태의 4-사이클이 LCP의 핵심 구성요소가 된다. 저자들은 LCP(A,B)=|{(X,Y) | X,Y∈CN(A,B) ∧ (X,Y)∈E}|/C(|CN(A,B)|,2) 로 정의하고, 이를 CN에 가중치로 결합한 LCP‑CN 스코어를 제안한다.

실험에서는 8개의 실제 이분 네트워크(전자 회로 설계, 영화‑사용자, 단백질‑리간드 등)를 대상으로 10‑fold 교차 검증을 수행하였다. 평가 지표는 AUC와 Precision@K이며, 기존의 이분 전용 방법(예: Bipartite Adamic‑Adar, Preferential Attachment)과 단순 변환 방법(1‑mode projection 후 적용)과 비교하였다. 결과는 LCP‑CN이 대부분의 데이터셋에서 AUC를 5~12% 향상시켰으며, 특히 네트워크가 높은 클러스터링 계수를 가질 때 그 차이가 두드러졌다. 이는 로컬 커뮤니티 구조가 링크 형성에 중요한 물리적·생물학적 동인으로 작용한다는 가설을 실증적으로 뒷받침한다.

또한 저자들은 구현상의 편의성을 위해 파이썬 기반의 라이브러리를 공개했으며, 이 라이브러리는 이분 그래프의 인접 리스트만 있으면 O(|E|·d_max) 시간 복잡도로 CN과 LCP를 계산하도록 최적화되어 있다. 이는 대규모 네트워크에서도 실시간 예측이 가능함을 의미한다.

이 논문의 주요 기여는 (1) 이분 네트워크에 대한 공통 이웃과 LCP의 엄밀한 수학적 정의, (2) 이를 활용한 두 가지 새로운 로컬 링크 예측 모델, (3) 다양한 실제 데이터에 대한 광범위한 실험을 통한 성능 검증, (4) 실용적인 구현 도구 제공이다. 특히 로컬 커뮤니티 패러다임을 이분 구조에 직접 적용함으로써, 기존의 1‑mode 투영에 의존하던 접근법이 갖는 정보 손실 문제를 근본적으로 해결했다는 점에서 학술적·응용적 의의가 크다.