복합 공간 키워드 질의를 위한 QDR Tree 인덱스 설계

초록

본 논문은 위치 기반 서비스에서 키워드와 다중 수치 속성을 동시에 고려하는 속성 인식 공간 키워드 질의(ASKQ)를 정의하고, 이를 효율적으로 처리하기 위한 두 단계 하이브리드 인덱스 구조인 QDR-Tree를 제안한다. QDR-Tree는 키워드 클러스터링을 위한 Quad‑Cluster Tree와, 각 클러스터 리프에 부착된 Dual‑Filtering R‑Tree를 결합해 키워드 비트맵과 속성 스카이라인 필터링을 동시에 수행한다. 이 설계는 검색 정확도와 처리 속도, 메모리 사용량 모두에서 기존 방법들을 크게 능가한다.

상세 분석

QDR‑Tree는 복합 질의의 세 가지 핵심 요소인 공간 근접성, 키워드 유사성, 수치 속성 선호도를 통합적으로 고려한다. 첫 번째 레이어인 QC‑Tree는 키워드 집합을 계층적 4‑분할 클러스터링으로 조직한다. 여기서 핵심은 커널 k‑means를 이용해 비선형 분포를 가진 키워드 벡터를 효과적으로 군집화하고, 클러스터 직경이 사전 정의된 임계값 τ cluster 이하가 되면 중복 복제(Duplication) 과정을 통해 키워드가 여러 상위 클러스터에 동시에 존재하도록 한다. 이 중복은 “키워드 완화”를 가능하게 하여 질의 키워드가 하나의 리프 클러스터에만 매핑되지 않게 함으로써 false‑positive를 감소시킨다. 각 내부 노드는 중심 키워드와 네 개의 자식 포인터(4p)를 보유하고, 리프 노드는 해당 클러스터에 속한 키워드 집합과 DR‑Tree에 대한 포인터를 포함한다.

두 번째 레이어인 DR‑Tree는 전통적인 R‑Tree 구조에 두 가지 필터링 메커니즘을 추가한다. 첫 번째는 비트맵 기반 키워드 필터링으로, 객체와 질의의 키워드 집합을 고정 길이 비트맵으로 변환해 비트 연산만으로 포함 관계를 빠르게 판단한다. 두 번째는 속성 스카이라인 필터링이다. 각 객체의 다차원 수치 속성을 정규화한 뒤, 스카이라인(지배되지 않는) 점들을 미리 계산해 인덱스 노드에 저장한다. 검색 시 질의 가중치 벡터와 스카이라인 점들의 내적을 이용해 하위 서브트리 전파 여부를 결정함으로써, 속성 기준의 불필요한 탐색을 크게 줄인다.

점수 함수 score(q, o)는 세 부분의 가중합으로 정의된다. 공간 거리 d_spatial는 유클리드 거리의 역수 형태로 정규화되고, 키워드 유사도 d_keyword은 텍스트 편집 거리와 word2vec 기반 의미 거리의 가중합(파라미터 δ)으로 계산된다. 수치 속성 점수는 사용자 정의 가중치 w_i와 정규화 속성값 a_i의 가중합으로 구성된다. 최종 점수는 α·d_spatial + β·d_keyword + γ·∑w_i·a_i 형태이며, α, β, γ는 상황에 따라 조정 가능하다. 이러한 설계는 기존 R‑Tree 기반 키워드 인덱스가 무시하던 속성 선호도를 자연스럽게 통합한다.

이론적 분석에서는 QC‑Tree의 클러스터링 복잡도가 O(|K|·log |K|)이며, DR‑Tree의 필터링 비용이 비트맵 연산 O(1)과 스카이라인 검증 O(log N)으로 제한됨을 보인다. 실험에서는 실세계 POI 데이터(수십만 객체, 수천 키워드, 3‑5 속성)를 사용해 TOP‑k = 10, 20, 50 경우를 테스트했으며, QDR‑Tree는 평균 응답 시간이 기존 IR‑Tree 기반 방법 대비 45 %~68 % 감소하고, 메모리 사용량은 30 % 정도 절감되었다. 특히 속성 가중치가 높은 경우 SKY‑R‑Tree 대비 스카이라인 필터링 효율이 2배 이상 향상되었다.

전체적으로 QDR‑Tree는 키워드 클러스터링과 다중 속성 스카이라인을 결합한 혁신적인 인덱스 구조로, 복합 공간 키워드 질의의 실시간 처리 요구를 만족시키는 동시에 저장 비용을 최소화한다는 점에서 학술적·실용적 의의가 크다.