특허 인용 네트워크에서 영향력 있는 특허를 찾는 향상된 VoteRank 방법

초록

본 논문은 Zhang 등(2016)의 VoteRank 알고리즘을 특허 인용 네트워크에 적용하고, 거리 기반 선형·지수 감소 모델인 VoteRank‑LRed와 VoteRank‑XRed를 제안한다. 3D 프린팅 특허 네트워크에 SIR 전파 모델을 이용해 실험한 결과, VoteRank‑LRed가 기존 VoteRank보다 확산 효율이 가장 높음을 확인하였다.

상세 분석

본 연구는 특허 인용 네트워크에서 핵심 특허(스프레더)를 효율적으로 선정하기 위해 기존 VoteRank 알고리즘을 확장하였다. 원래 VoteRank는 선택된 스프레더의 인접 이웃에만 투표 능력 감소를 적용했으며, 이는 인접 노드만이 직접적인 영향력을 받는다고 가정한다. 그러나 특허 인용은 지식 흐름이 다단계로 전파될 수 있기에, 스프레더와 거리(d)가 멀어도 일정 부분 영향을 받을 가능성이 존재한다는 점을 고려하였다. 이를 위해 두 가지 거리 감쇠 함수를 도입하였다. 첫 번째는 선형 감쇠 f(d)=1−(d/⟨k⟩)·α (LRed)이며, 여기서 ⟨k⟩는 네트워크 평균 차수, α는 기본 감소 비율(원본 VoteRank와 동일)이다. 거리 d가 ⟨k⟩에 도달하면 감소가 거의 0에 수렴한다. 두 번째는 지수 감쇠 f(d)=α·e^(−d/⟨k⟩) (XRed)로, 거리 증가에 따라 급격히 감소하지만 원본보다 넓은 범위에 미세한 영향을 남긴다. 두 모델 모두 감소 적용 범위를 ⟨k⟩ 이하로 제한해 계산 복잡도를 제어하였다.

알고리즘 흐름은 기존 VoteRank와 동일하게 투표 점수를 계산하고 최고 점수 노드를 스프레더로 선정한 뒤, 해당 노드와 거리 d≤⟨k⟩인 모든 노드의 투표 능력을 위의 감쇠 함수에 따라 감소시킨다. 이 과정을 원하는 스프레더 수(p·|V|)가 채워질 때까지 반복한다. 시간 복잡도는 매 반복마다 영향을 받는 노드 집합이 제한적이므로 O(|E|)에 가깝게 유지된다.

평가에는 3D 프린팅 분야 특허 인용 네트워크(노드 653, 엣지 1416, 평균 차수 4.34)를 사용하였다. 스프레더 비율 p를 0.0001~0.004까지 변화시키고, 전염 확률 μ와 회복 확률 β를 다양하게 설정한 SIR 시뮬레이션을 각각 1,000번씩 수행해 평균 회복 비율 R(t_end)으로 확산 효율을 측정하였다. 실험 결과, 전반적으로 Betweenness가 가장 낮은 성능을 보였으며, LRed가 가장 높은 R값을 기록했다. XRed는 LRed보다는 낮지만 기존 VoteRank보다 우수했으며, 스프레더 수가 15 이하일 때는 결과 변동성이 커져 Closeness가 가끔 우위를 차지했다. λ(=μ/β) 값을 변화시킨 추가 실험에서도 세 방법은 비슷한 추세를 보였지만, LRed가 가장 큰 확산 범위를 유지하였다.

이러한 결과는 거리 기반 투표 능력 감소가 스프레더 선택에 더 풍부한 정보를 제공함을 시사한다. 특히 선형 감쇠가 멀리 있는 노드까지 일정 수준의 영향을 반영함으로써, 네트워크 전반에 고르게 퍼지는 스프레더 집합을 구성한다는 점이 핵심이다. 다만, 감쇠 함수 파라미터 α와 적용 거리 ⟨k⟩를 데이터 특성에 맞게 튜닝해야 할 필요가 있다. 또한, 현재 실험은 단일 도메인 네트워크에 국한되었으므로, 다른 특허 분야나 더 큰 규모의 인용 네트워크에 대한 일반화 검증이 요구된다.