사물 간 맥락 유사성 탐색을 위한 인간‑사물 상호작용 마이닝

초록

본 논문은 RFID·센서·웹 서비스 등으로 수집된 인간‑사물 상호작용 로그를 활용해, 사물 간의 잠재적 연관성을 그래프 기반으로 추출한다. 시공간 그래프와 사용자‑사물 그래프를 구축한 뒤, 각각에 랜덤 워크 위드 리스타트(RWR)를 적용해 사물 간 근접성을 계산하고, 이를 합산해 관계 그래프(RGT)를 만든다. RGT를 토대로 사물 분류·추천·검색 등에 활용할 수 있음을 실험을 통해 입증한다.

상세 분석

DisCor‑T는 사물 인터넷(WoT) 환경에서 “사물‑사물 관계”를 명시적으로 드러내기 어려운 문제를 해결하고자 고안된 프레임워크이다. 핵심 아이디어는 인간이 사물을 이용하는 시점·위치·사용자를 3차원 컨텍스트로 기록한 ‘사용 로그’를 사물 간 연관성 추정의 원천 데이터로 삼는 것이다. 논문은 먼저 로그를 기반으로 두 종류의 이종 그래프를 만든다. 첫 번째는 장소‑시간‑사물(L‑T‑O) 그래프로, 노드는 사물, 장소, 시간 슬롯이며, 에지는 사물이 특정 장소·시간에 발생한 사용 사건을 연결한다. 두 번째는 사용자‑사물(U‑O) 그래프로, 사용자와 사물을 연결하는 에지는 해당 사용자가 해당 사물을 이용한 횟수를 가중치로 둔다. 이렇게 구축된 두 그래프는 각각 사물 간의 ‘공간‑시간적 근접성’과 ‘사회적(사용자 기반) 근접성’이라는 서로 다른 차원의 유사성을 내포한다.

다음 단계는 랜덤 워크 위드 리스타트(RWR)를 두 그래프에 독립적으로 적용하는데, 이는 그래프 전파 방식으로 노드 간 전이 확률을 계산해 사물 간 전이 확률 행렬을 얻는다. RWR은 초기 확산점(특정 사물)에서 시작해 인접 노드로 확산되며, 리스타트 확률(보통 0.15)로 다시 초기점으로 돌아가면서 전역적인 연결성을 반영한다. 결과적으로 각 사물에 대해 다른 사물과의 정규화된 유사도 점수가 도출된다.

두 그래프에서 얻은 유사도 행렬을 선형 가중합(가중치 α, 1‑α)하여 최종 사물‑사물 관계 그래프(RGT)를 만든다. 이때 가중치는 응용 도메인에 따라 조정 가능하며, 실험에서는 공간‑시간 정보와 사용자 정보가 균등하게 기여하도록 설정하였다. RGT는 무방향 가중 그래프로, 노드 간 가중치는 잠재적 연관성 강도를 의미한다.

RGT를 활용한 응용 사례로는 사물 분류(클래스 라벨이 없는 사물에 대한 자동 라벨링)와 추천이 제시된다. 논문은 사물 특성이 짧은 텍스트 혹은 메타데이터에 의존하지 않고, 오로지 사용 로그만으로도 의미 있는 클러스터를 형성할 수 있음을 보인다. 실험 환경은 RFID와 온·습도 센서가 부착된 20,000건 이상의 로그를 4개월 동안 수집한 스마트 오피스 실험실이며, 다양한 베이스라인(키워드 기반 코사인 유사도, 협업 필터링 등)과 비교했을 때 평균 정확도·F1 점수가 현저히 상승한다.

기술적 강점은 (1) 이질적인 컨텍스트를 그래프 형태로 통합해 구조적 정보를 보존, (2) RWR이라는 확률적 전파 메커니즘을 통해 희소하고 노이즈가 많은 로그에서도 강건한 연관성을 추출, (3) 가중합 파라미터를 통해 도메인 맞춤형 튜닝이 가능하다는 점이다. 한계점으로는 (가) 그래프 구축 단계에서 시간 슬롯과 장소 구간을 어떻게 정의하느냐에 따라 결과가 민감하게 변할 수 있음, (나) 대규모 사물 수(수십만 이상)에서는 RWR 연산 비용이 급증할 가능성이 있다. 향후 연구에서는 그래프 압축·샘플링 기법과 동적 그래프 업데이트 메커니즘을 도입해 실시간 서비스에 적용하는 방안을 모색할 수 있다.

전반적으로 DisCor‑T는 사물 인터넷에서 “무형의 관계”를 데이터‑드리븐 방식으로 드러내는 유용한 방법론이며, 사물 검색·추천·활동 인식 등 다양한 서비스에 직접적인 파급 효과를 기대할 수 있다.