섹션별 상세
기존의 유향(Directed) 및 이분(Bipartite) 네트워크 분석 모델들이 간과했던 노드의 커뮤니티별 인기도 차이를 반영하는 TNPM(Two-Way Node Popularity Model)을 설계했다. 이 모델은 노드가 특정 그룹 내에서 가지는 영향력이나 연결 빈도가 다를 수 있다는 현실적인 특성을 확률론적으로 모델링한다.
에지의 분포를 특정 분포에 국한하지 않고 일반적인 서브 가우시안(sub-Gaussian) 가족군으로 확장하여 모델의 범용성을 높였다. 이를 통해 다양한 유형의 네트워크 데이터에 유연하게 대응할 수 있는 이론적 토대를 마련했다.
모델 적합과 커뮤니티 구조 식별을 위해 DOM(Delete-One-Method) 기법을 도입하고, 서브 가우시안 일반화 상황에서의 수렴 성능과 통계적 일관성을 증명하는 고도의 이론적 분석을 수행했다.
수만 개 이상의 노드를 포함하는 대규모 네트워크에서도 효율적으로 작동하도록 TSDC(Two-Stage Divided Cosine) 알고리즘을 개발했다. 이 알고리즘은 두 단계로 나누어 코사인 유사도 기반의 군집화를 수행함으로써 계산 복잡도를 낮추면서도 높은 정확도를 유지한다.
용어 해설
- 이분 네트워크(Bipartite Network)
- — 노드들을 두 개의 서로 다른 집합으로 나누었을 때, 같은 집합 내의 노드끼리는 연결되지 않고 서로 다른 집합의 노드들 사이에서만 에지가 존재하는 네트워크 구조이다. 사용자-상품 구매 이력이나 저자-논문 관계 등을 모델링하는 데 필수적이며, 추천 시스템의 기반이 된다.
- 커뮤니티 탐지(Community Detection)
- — 네트워크 내에서 노드들 간의 연결이 상대적으로 조밀하게 이루어진 부분 집합인 커뮤니티를 찾아내는 기술이다. 복잡한 시스템의 구조적 특징을 파악하고 유사한 특성을 가진 노드들을 그룹화함으로써 사회적 관계망이나 생물학적 네트워크 분석에 핵심적인 역할을 한다.
- 서브 가우시안 분포(Sub-Gaussian Distribution)
- — 확률 변수의 꼬리 부분이 가우시안 분포와 비슷하거나 더 빠르게 감소하는 분포군을 의미한다. 실제 데이터의 변동성을 수학적으로 엄밀하게 다루기 위해 사용되며, 다양한 네트워크 에지 분포 상황에서도 모델의 통계적 일관성을 보장하는 이론적 근거가 된다.
- 노드 인기도(Node Popularity)
- — 네트워크 내에서 특정 노드가 다른 노드들에 비해 더 많은 연결을 가지거나 중심적인 역할을 수행하는 정도를 의미한다. 실제 네트워크에서는 노드마다 인기도가 다르기 때문에 이를 모델에 반영해야 정확한 커뮤니티 구조를 파악할 수 있다.
- 코사인 유사도(Cosine Similarity)
- — 두 벡터 사이의 각도 코사인 값을 이용하여 유사성을 측정하는 방식이다. 벡터의 크기보다는 방향의 일치도를 중시하며, 고차원 데이터의 군집화나 텍스트 분석에서 두 항목 간의 유사한 패턴을 찾는 데 널리 활용된다.
기술
- TNPM
- DOM
- TSDC
활용 사례
- 소셜 네트워크 분석
- 전자상거래 추천 시스템
- 대규모 유향 그래프 구조 파악
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 01. 01.수집 2026. 03. 06.출처 타입 RSS
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
