약한 클리크 특성을 활용한 링크 예측 친구 추천 모델

초록

본 논문은 실제 네트워크에서 “약한 클리크 구조(PWCS)”에 노드가 선호적으로 연결된다는 현상을 발견하고, 이를 기반으로 새로운 로컬 유사도 지수인 Friend Recommendation(FR)과 혼합형 MFR을 제안한다. 실험 결과 FR이 기존의 CN, AA, RA 지수보다 전반적으로 높은 AUC와 Precision을 보이며, PWCS 현상이 링크 예측 성능 향상의 핵심 메커니즘임을 입증한다.

상세 분석

본 연구는 네트워크 구조가 링크 예측 알고리즘의 성능에 미치는 영향을 강조하면서, 특히 “약한 클리크 구조”(Weak Clique Structure, PWCS)를 중심으로 새로운 예측 모델을 설계한다. 저자들은 12개의 서로 다른 분야(생물학, 사회, 교통 등)에서 수집한 실험 네트워크를 대상으로, 각 링크를 공통 이웃 수가 일정 임계값 β보다 큰 경우 ‘강한 연결(strong‑tie)’으로, 그 이하인 경우 ‘일반 연결(common link)’으로 구분하였다. β는 각 네트워크에서 강한 연결과 일반 연결의 수가 대략 동일하도록 선택되었다.

세 개의 3‑노드 서브그래프 구성(그림 2)에서 강한 연결의 존재 여부에 따라 B가 C와 연결될 확률을 P₁, P₂, P₃로 정의하였다. P₁은 두 연결 모두 강한 경우, P₂는 하나만 강한 경우, P₃는 모두 일반인 경우에 해당한다. 실험 결과 대부분의 실제 네트워크에서 P₁ > P₂ > P₃가 성립했으며, 이는 “노드가 약한 클리크에 속한 이웃에게 더 많이 연결된다”는 PWCS 현상이 보편적임을 시사한다. 반면, 동일한 네트워크 구조를 무작위로 재배열한 널(null) 네트워크에서는 P₁≈P₂≈P₃로 차이가 사라졌다.

PWCS 현상을 활용한 Friend Recommendation(FR) 지수는 다음과 같이 정의된다. 먼저, 공통 이웃 l이 i와 j 사이에 존재할 때, l이 j에게 i를 소개할 확률을

f_{ilj}= 1 / (k(l) – 1 – |Γ(l)∩Γ(j)|)

로 설정한다. 여기서 k(l)은 l의 차수이며, ‘–1’은 l이 자신을 소개하지 않음을, ‘–|Γ(l)∩Γ(j)|’는 이미 j와 공통인 이웃을 제외함을 의미한다. 그런 다음 i가 j에게 소개될 총 확률을

f_{ij}= Σ_{l∈Γ(i)∩Γ(j)} f_{ilj}

로 합산하고, 최종 유사도는

S_{FR}(i,j)= (f_{ij}+f_{ji})/2

로 정의한다. 이 방식은 (1) 공통 이웃 수가 많을수록 유사도가 증가하고, (2) 고차수 이웃의 기여를 감소시키며, (3) PWCS 현상을 정량적으로 반영한다는 점에서 기존 CN, AA, RA와 차별화된다.

실험에서는 90%의 링크를 학습 집합(E_T)으로, 나머지 10%를 테스트 집합(E_P)으로 사용하였다. 평가 지표는 AUC와 Top‑100 Precision을 채택했으며, 모든 네트워크에서 FR이 CN, AA, RA보다 높은 점수를 기록했다. 특히, PWCS 현상이 강하게 나타나는 Router, PB, Power 네트워크에서는 AUC 차이가 0.1 이상으로 두드러졌다.

또한, PWCS를 보다 적극적으로 활용하기 위해 MFR(Mixed Friend Recommendation) 지수를 제안한다. MFR은 PWCS가 강하게 확인된 경우 FR을, 그렇지 않은 경우 RA를 선택적으로 적용하는 가중 혼합 방식이다. MFR은 대부분의 실험에서 FR을 약간 상회하는 성능을 보이며, 특히 네트워크가 희소하거나 클러스터링 계수가 낮은 경우에 유리하였다.

이 논문은 구조적 특성을 정량화하고 이를 직접적인 예측 메커니즘에 통합함으로써, 로컬 기반 링크 예측의 한계를 극복하는 새로운 패러다임을 제시한다. 다만, β값 선택이 네트워크마다 다소 주관적이며, PWCS 현상이 약한 네트워크(예: Metabolic)에서는 성능 향상이 제한적이라는 점이 한계로 남는다. 향후 연구에서는 자동화된 β 추정 방법과, PWCS와 다른 구조적 메트릭(예: 커뮤니티, 코어‑퍼리퍼리) 간의 상호 보완성을 탐색할 여지가 있다.