여성 농구 네트워크와 링크 예측: 승부 예측과 저키 리더 분석

초록

본 논문은 NCAA 여자 디비전Ⅰ 경기와 WNBA 블록·패스 데이터를 활용해 경쟁 네트워크를 구축하고, 공통 아웃이웃(CON) 점수와 PageRank를 결합한 ‘저키 리더 점수’를 제안한다. 이 점수를 NCAA NET 순위 변화와 연계하고, node2vec 임베딩을 이용해 팀 매치업·선수 블록·패스 연결을 예측한다. 실험 결과 임베딩 기반 모델이 미래 상호작용을 유의하게 예측함을 확인하였다.

상세 분석

논문은 먼저 경기 결과를 방향성 있는 그래프로 모델링한다. 각 팀(또는 선수)은 노드이며, 승리(또는 블록, 패스) 관계는 가중치가 부여된 유향 간선으로 표현된다. 기존 연구에서 많이 사용된 중심성 지표인 PageRank와 달리, 저자들은 ‘공통 아웃이웃(CON) 점수’를 도입한다. CON(u)는 노드 u가 다른 모든 노드와 공유하는 아웃이웃의 총합으로, 구조적 유사성을 정량화한다. 이를 0‑1 구간으로 정규화한 뒤 PageRank와 차이를 취해 ‘저키 리더 점수(ε)’를 계산한다. ε가 높은 노드는 중앙성은 낮지만 다수의 경쟁자와 비슷한 승패 패턴을 보이는 ‘언더독’으로 해석된다.

다음으로 저자들은 node2vec을 적용해 고차원 임베딩을 학습한다. 기본 파라미터(p=1, q=1)를 사용해 BFS와 DFS 사이의 균형을 맞추었으며, 각 노드의 임베딩은 주변 구조와 동질성을 동시에 반영한다. NCAA 팀 네트워크에서는 임베딩 간 코사인 유사도를 로지스틱 회귀 모델의 입력으로 사용해 March Madness 매치업을 예측하였다. WNBA 블록 네트워크에서는 소스와 타깃 선수의 임베딩을 연결(concatenate)해 향후 블록 관계를 예측했고, 패스 네트워크에서는 1쿼터 패스 데이터를 기반으로 지역 임베딩을 학습해 이후 쿼터의 패스 연결을 추정하였다.

실험 결과는 다음과 같다. 저키 리더 점수와 NET 순위 변화 사이에는 강한 양의 상관관계가 관찰되었으며, 2024 시즌을 기준으로 58/61개의 양자 구간에서 가설이 지지되었다. node2vec 기반 예측 모델은 NCAA 경기에서 통계적으로 유의미한 정확도 향상을 보였고, WNBA 블록 예측에서도 높은 AUC 값을 기록했다. 반면 패스 예측은 상대적으로 낮은 성능을 보였지만, 임베딩 유사도가 실제 코트 위치와 일치하는 해석 가능한 패턴을 드러냈다.

이 논문은 스포츠 데이터에 네트워크 중심성 및 임베딩 기법을 적용함으로써 전통적인 통계 모델이 놓치기 쉬운 구조적 정보를 포착한다는 점에서 의의가 크다. 특히 저키 리더 점수는 ‘잠재적 강자’를 식별하는 새로운 지표로 활용 가능하며, 임베딩 기반 링크 예측은 경기 전술 분석 및 스카우팅에 실용적인 도구가 될 수 있다. 다만, 패스 데이터의 샘플 수가 제한적이었고, node2vec 파라미터 튜닝이 충분히 이루어지지 않았다는 점은 향후 연구에서 보완해야 할 과제로 남는다.