감독 랜덤 워크를 활용한 소셜 네트워크 링크 예측 및 추천

초록

본 논문은 노드·엣지 속성을 이용해 엣지 가중치를 학습하고, 이를 기반으로 랜덤 워크를 수행해 미래에 형성될 링크를 예측하는 감독 랜덤 워크(Supervised Random Walk) 알고리즘을 제안한다. 학습 과정은 실제 새로 생긴 링크를 양성 예시로, 존재하지 않는 링크를 음성 예시로 삼아 에지 강도 함수를 직접 최적화한다. 페이스북 및 학술 협업 네트워크 실험에서 기존 무감독 방법과 피처 기반 모델을 크게 능가함을 입증한다.

상세 분석

이 연구는 링크 예측 문제를 “랜덤 워커가 미래에 연결될 노드를 방문하도록 하는 에지 강도 함수를 학습한다”는 새로운 관점으로 재구성한다. 기존의 무감독 방법은 주로 구조적 지표(공통 이웃, 자카드, 어드밴스드 프라운드 등)에 의존했으며, 노드·엣지 속성을 직접 활용하기 어려웠다. 저자들은 각 엣지에 대해 선형 혹은 비선형 함수 f(·; w) 를 정의하고, 이 함수가 반환하는 값이 랜덤 워크에서의 전이 확률에 비례하도록 설계한다. 즉, w는 학습 가능한 파라미터이며, 학습 목표는 주어진 트레이닝 셋(과거에 실제로 발생한 링크와 발생하지 않은 링크)에서 양성 노드에 대한 방문 확률을 최대화하고, 음성 노드에 대한 확률을 최소화하는 것이다.

목적 함수는 로그우도 형태로 정의되며, 라플라시안 행렬과 전이 행렬을 이용해 효율적인 그래디언트 계산이 가능하도록 전개된다. 특히, 전체 그래프가 매우 큰 경우에도 희소 행렬 연산과 역전파 기법을 결합해 메모리와 시간 복잡도를 크게 낮춘다. 학습 과정은 확률적 경사 하강법(SGD) 혹은 L-BFGS와 같은 2차 최적화 기법을 사용해 파라미터 w를 업데이트한다.

알고리즘의 핵심 장점은 다음과 같다. 첫째, 구조적 정보와 풍부한 속성 정보를 자연스럽게 결합한다. 엣지 강도 함수에 포함된 피처는 사용자 프로필, 활동 빈도, 공동 관심사 등 다양한 도메인 특성을 반영할 수 있다. 둘째, 감독 학습을 통해 특정 애플리케이션(예: 친구 추천, 논문 공동 저자 예측)에 맞는 맞춤형 전이 확률을 학습함으로써 일반적인 무감독 스코어링보다 높은 정밀도와 재현율을 달성한다. 셋째, 학습된 모델은 새로운 노드가 추가되거나 기존 엣지가 변화해도 동일한 피처 추출 과정을 거치면 바로 적용 가능하므로, 동적 네트워크 환경에서도 실용적이다.

실험에서는 페이스북 친구 네트워크(수백만 노드, 수천만 엣지)와 DBLP·Microsoft Academic 같은 학술 협업 그래프를 사용했다. 평가 지표는 AUC, Precision@K, Recall@K 등이며, 감독 랜덤 워크는 전통적인 Adamic/Adar, Katz, PageRank 기반 방법뿐 아니라 최근의 그래프 임베딩(DeepWalk, node2vec) 및 피처 기반 로지스틱 회귀 모델을 모두 앞선다. 특히, 속성 피처가 풍부한 경우(예: 사용자 연령, 지역, 관심 그룹) 성능 향상이 두드러졌다.

한계점으로는 에지 강도 함수의 형태 선택이 결과에 민감할 수 있다는 점과, 학습 데이터가 편향될 경우(예: 특정 커뮤니티만 활발히 연결된 경우) 모델이 과적합될 위험이 있다. 또한, 매우 드문 노드에 대한 피처가 부족하면 전이 확률 추정이 부정확해질 수 있다. 향후 연구에서는 비선형 딥 네트워크를 통한 피처 자동 추출, 시간에 따른 동적 가중치 업데이트, 그리고 멀티태스크 학습을 통한 링크 예측 외에 커뮤니티 탐지·인플루언서 식별 등으로 확장할 여지가 있다.