딥링크 딥러닝 기반 새로운 링크 예측 프레임워크

초록

본 논문은 구조적 특성과 노드 콘텐츠를 동시에 활용하는 딥러닝 기반 링크 예측 프레임워크인 DeepLink를 제안한다. 기존 방법이 수작업 특징 엔지니어링에 의존하고 확장성에 한계가 있던 반면, DeepLink는 다양한 구조적 예측 기법으로부터 얻은 특성 벡터와 텍스트 기반 임베딩을 자동으로 학습한다. 텔레그램과 irBlogs 두 실사회 데이터셋에서 실험한 결과, 기존 구조적·하이브리드 모델들을 모두 능가하는 성능을 보였다.

상세 분석

DeepLink는 링크 예측 문제를 해결하기 위해 두 가지 주요 정보를 통합한다. 첫 번째는 네트워크 토폴로지를 기반으로 한 구조적 특성이다. 저자는 기존의 여러 전통적 링크 예측 알고리즘(예: Common Neighbors, Adamic‑Adar, Resource Allocation 등)에서 도출된 점수들을 고차원 벡터 형태로 변환하고, 이를 다중 레이어 퍼셉트론(MLP) 혹은 그래프 신경망(GNN) 구조에 입력한다. 이렇게 하면 각 알고리즘이 포착하는 서로 다른 근접 순서(order)와 지역적/전역적 관계가 동시에 보존된다. 두 번째는 노드의 텍스트 기반 콘텐츠이다. 저자는 Word2Vec 혹은 FastText와 같은 사전 학습된 임베딩을 이용해 사용자 프로필, 게시물, 댓글 등 비정형 데이터를 밀집 벡터로 변환하고, 이를 구조적 특성과 결합한다. 결합 방식은 단순 연결(concatenation) 후 정규화 레이어를 거쳐, 최종적으로 시그모이드 혹은 소프트맥스 출력층을 갖는 딥 신경망에 전달한다.

학습 과정에서는 긍정(존재) 링크와 부정(부재) 링크를 균형 있게 샘플링하여 교차 엔트로피 손실을 최소화한다. 또한, 대규모 네트워크에 대한 확장성을 확보하기 위해 미니배치 샘플링과 그래프 샘플링 기법(예: Neighbor Sampling)을 적용한다. 이러한 설계는 기존 연구에서 흔히 발생하던 “특징 설계 비용이 높다”는 문제를 크게 완화한다.

성능 평가에서는 AUC와 Precision@K 같은 표준 지표를 사용했으며, DeepLink는 텔레그램 데이터셋에서 평균 AUC 0.93, irBlogs 데이터셋에서 0.91을 기록했다. 이는 동일한 실험 환경에서 구조적 전용 모델(예: DeepWalk, Node2Vec)과 하이브리드 모델(예: Content‑Enhanced Random Walk)보다 각각 3~5%p 높은 수치다. 특히, 고차원 근접 순서를 모두 활용했을 때 저차원 근접 순서만 사용할 경우 대비 성능 향상이 뚜렷하게 나타났다.

하지만 몇 가지 한계도 존재한다. 첫째, 텍스트 임베딩 품질에 크게 의존하므로, 언어가 다르거나 텍스트가 희소한 도메인에서는 성능 저하가 예상된다. 둘째, 현재 구현은 무방향·비가중 그래프에 초점을 맞추고 있어, 방향성 혹은 가중치를 가진 네트워크에 대한 적용은 추가적인 설계가 필요하다. 셋째, 부정 샘플링 전략이 결과에 미치는 영향이 충분히 분석되지 않아, 실시간 스트리밍 환경에서의 안정성 검증이 요구된다. 전반적으로 DeepLink는 구조와 콘텐츠를 통합하는 자동화된 특징 학습 파이프라인을 제공함으로써, 기존 방법 대비 확장성과 정확도 양면에서 의미 있는 진전을 보여준다.