KR101616477B1

KR101616477B1 - 커뮤니티 검출 장치 및 이를 이용한 커뮤니티 검출 방법

Info

Publication number: KR101616477B1
Application number: KR1020150010579A
Authority: KR
Inventors: 이재길; 김정은
Original assignee: 한국과학기술원
Priority date: 2015-01-22
Filing date: 2015-01-22
Publication date: 2016-04-28

Abstract

본 발명에 따른 커뮤니티 검출 방법은 커뮤니티 검출 장치가 커뮤니티를 검출하는 방법에서, 다층 그래프에서 각 층별로 층별 중요도를 도출하는 단계, 도출된 상기 층별 중요도를 적용해서 상기 다층 그래프를 평탄화하는 단계, 그리고 평탄화된 상기 다층 그래프를 이용해서 커뮤니티를 검출하는 단계를 포함한다.

Description

커뮤니티 검출 장치 및 이를 이용한 커뮤니티 검출 방법{DEVICE FOR DETECTING COMMUNITIES AND METHOD FOR DETECTING COMMUNITIES USING THE SAME}

본 발명은 커뮤니티 검출 장치 및 이를 이용한 커뮤니티 검출 방법에 관한 것이다.

현재의 사회적 관계는 점차 복잡해지고 있으며, 사람들은 복잡한 사회적 관계에서 여러 가지 역할을 수행하고 있다. 이는 사람들이 여러 가지 형태의 관계로 얽혀있다는 것을 뜻한다. 예를 들어, 사람은 직장 동료 관계, 공동 저자 관계, 페이스북 친구 관계, 동호회원 관계, 정치 모임 관계, 가족 관계 등의 다양한 측면의 관계를 맺고 살아간다.

그리고, 이러한 다양한 측면의 관계들은 일반적으로 다층 그래프(multi-layer graph)를 통해 모델링되고, 이때 각층에 해당하는 그래프는 여러 측면의 관계들 중 한 가지 측면의 관계를 나타낸다

그리고, 다층 그래프 분석 시 많이 사용되는 방법은 평탄화(flattening) 방법이다. 평탄화 방법은 여러 개의 그래프를 겹쳐서 다층 그래프를 하나의 그래프로 통합한다.

그리고, 평탄화 방법 중 가장 일반적인 방법은 균등 평탄화 방법이다. 균등 평탄화 방법은 다층 그래프를 통합할 때 각 층의 그래프가 갖는 중요도를 균등하게 고려하여 결합한다. 하지만, 사람들 간의 관계들이 항상 동일한 중요도를 갖지는 않기 때문에, 균등 평탄화 방법은 현실적이지 못하다는 어려움이 있다.

또한, 기존의 커뮤니티 검출 방법들은 그래프 구조만을 고려하고 사용자의 선호도를 고려하지 못하는 어려움이 있다.

본 발명은 다층 그래프에서 최적의 커뮤니티를 검출할 수 있는 커뮤니티 검출 장치 및 이를 이용한 커뮤니티 검출 방법을 제안하고자 한다.

본 발명의 커뮤니티 검출 방법은 커뮤니티 검출 장치가 커뮤니티를 검출하는 방법에서, 다층 그래프에서 각 층별로 층별 중요도를 도출하는 단계, 도출된 상기 층별 중요도를 적용해서 상기 다층 그래프를 평탄화하는 단계, 그리고 평탄화된 상기 다층 그래프를 이용해서 커뮤니티를 검출하는 단계를 포함한다.

상기 다층 그래프를 평탄화하는 단계는, 상기 다층 그래프의 각 층별로 사용자 선호도를 적용하는 단계를 포함할 수 있다.

상기 사용자 선호도를 적용하는 단계는, 상기 사용자 선호도에 따라 상기 층별 중요도에 순서를 적용하는 단계를 포함할 수 있다.

상기 층별 중요도를 도출하는 단계는, 집단화 계수를 최대로 하는 각 층의 가중치를 구하는 단계를 포함할 수 있다.

상기 집단화 계수는, 각 노드들의 군집화 경향을 나타낼 수 있다.

본 발명의 커뮤니티 검출 장치는 다층 그래프의 각 층별 중요도를 이용해서 상기 다층 그래프를 평탄화하는 평탄화부, 그리고 평탄화된 상기 다층 그래프를 이용해서 커뮤니티를 검출하는 커뮤니티 검출부를 포함한다.

상기 평탄화부는, 다층 그래프에서 각 층별로 층별 중요도를 도출하는 층별 중요도 결정부를 포함할 수 있다.

상기 층별 중요도 결정부는, 각 노드들의 군집화 경향을 나타내는 집단화 계수가 최대가 되는 각 층의 가중치 값의 조합을 구해서 상기 층별 중요도를 결정할 수 있다.

상기 평탄화부는, 상기 다층 그래프의 각 층별로 사용자 선호도를 도출하는 사용자 선호도 도출부를 더 포함할 수 있다.

상기 평탄화부는, 상기 사용자 선호도에 따라 상기 층별 중요도에 순서를 적용해서 상기 다층 그래프를 평탄화할 수 있다.

본 발명에 따르면, 다층 그래프에서 층별 가중치를 다르게 반영하고, 사용자 선호도를 고려하여 커뮤니티 검출함으로써, 현실 세계의 다양한 관계를 잘 반영하고, 사용자의 의도에 적합한 커뮤니티를 보다 효과적으로 검출할 수 있는 환경을 제공한다.

도 1은 본 발명의 한 실시예에 따른 커뮤니티 검출 장치의 구조를 간략히 도시한 도면이다.
도 2는 본 발명의 한 실시예에 따른 다층 그래프의 예를 도시한 도면이다.
도 3은 본 발명의 한 실시예에 따라 다층 그래프를 평탄화하는 예를 도시한 도면이다.
도 4은 본 발명의 한 실시예에 따라 커뮤니티 검출 장치가 커뮤니티를 검출하는 과정을 간략히 도시한 흐름도이다.

아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.

또한, 명세서에 기재된 "…부", "…모듈" 의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다.

이제 도 1 내지 도 4를 참고하여 본 발명의 한 실시예에 따른 커뮤니티 검출 장치 및 이를 이용한 커뮤니티 검출 방법에 대하여 상세하게 설명한다.

도 1은 본 발명의 한 실시예에 따른 커뮤니티 검출 장치의 구조를 간략히 도시한 도면이다. 이때, 커뮤니티 검출 장치는 본 발명의 실시예에 따른 설명을 위해 필요한 개략적인 구성만을 도시할 뿐 이러한 구성에 국한되는 것은 아니다.

우선, 본 발명의 한 실시예에 따른 커뮤니티 검출 장치(100)는 다층 그래프에서 각 층별 중요도의 최적 값을 자동으로 도출하여 하나의 그래프로 평탄화함으로써, 단일 그래프를 위해 개발된 커뮤니티 검출 방법을 아무 제약 없이 다층 그래프의 커뮤니티 검출 방법에 적용할 수 한다. 또한, 본 발명의 한 실시예에 따른 커뮤니티 검출 장치(100)는 특정 관계에 대해서 사용자의 선호도가 있는 경우 이를 반영함으로써, 사용자 의도에 맞는 커뮤니티를 보다 효과적으로 검출할 수 있는 있는 방법을 제공한다.

여기서, 다층 그래프는 복수개의 층으로 이루어지며, 각 층의 링크에 가중치가 존재하는 그래프를 포함한다. 그리고, 다층 그래프는 본 발명의 한 실시예에 따라 정치적 관계, 친구 관계, 직장 동료 관계 또는 가족 관계 중 적어도 하나 이상을 포함한다.

도 1을 참조하면, 본 발명의 한 실시예에 따른 커뮤니티 검출 장치(100)는 평탄화부(110) 및 적어도 하나 이상의 커뮤니티 검출부(120)을 포함한다.

평탄화부(110)는 다층 그래프의 각 층별 중요도를 이용해서 다층 그래프를 평탄화한다. 또한, 평탄화부(110)는 다층 그래프의 각 층별 중요도와 함께 사용자 선호도를 적용해서 다층 그래프를 평탄화할 수 있다.

평탄화부(110)는 본 발명의 한 실시예에 따라 층별 중요도 결정부(112) 및 사용자 선호도 도출부(114)를 포함한다.

층별 중요도 결정부(112)는 다층 그래프에서 각 층별로 층별 중요도를 도출한다.

층별 중요도 결정부(112)는 각 노드들의 군집화 경향을 나타내는 집단화 계수가 최대가 되는 각 층의 가중치 값의 조합을 구해서 상기 층별 중요도를 결정할 수 있다.

사용자 선호도 도출부(114)는 다층 그래프의 각 층별로 사용자 선호도를 도출한다. 그리고, 평탄화부(110)는 평탄화부(110)는 사용자 선호도 도출부(114)에서 도출된 사용자 선호도에 따라 층별 중요도에 순서를 적용하고, 해당 순서를 이용해서 다층 그래프를 평탄화할 수 있다.

커뮤니티 검출부(120)는 평탄화된 층 그래프를 이용해서 커뮤니티를 검출한다. 본 발명의 한 실시예에 따른 커뮤니티 검출 장치(100)는 복수의 커뮤니티 검출부(120-1 내지 120-N)를 포함한다.

복수의 커뮤니티 검출부(120-1 내지 120-N)는 각각의 맥락에 따라 사용자의 선호도와 층별 중요도를 다르게 적용해서 사용자가 원하는 커뮤니티를 검출할 수 있다. 예를 들어, 제1 커뮤니티 검출부(120-1)는 주어진 상황에 따라 사용자가 정치적 관계를 더 중요하게 고려하는 경우에, 정치적 관계와 관련된 커뮤니티를 검출한다. 그리고, 제2 커뮤니티 검출부(120-1)는 사용자가 학술 연구 관계를 더 중요하게 고려하는 경우, 사용자의 의도에 맞게 학술 연구 관계와 관련된 커뮤니티를 검출할 수 있다.

도 2는 본 발명의 한 실시예에 따른 다층 그래프의 예를 도시한 도면이다.

사회적 맥락이 점차 복잡해짐에 따라 사람들은 사회에서 여러 가지 역할을 수행하고 있다. 그리고, 이는 사람들이 여러 가지 형태의 관계로 얽혀있다는 것을 뜻한다. 예를 들어, 사람은 직장 동료 관계, 공동 저자 관계, 페이스북 친구 관계, 동호회원 관계, 정치 모임 관계, 가족 관계 등의 다양한 측면의 관계를 맺고 살아간다.

도 2에서와 같이, 사람들 사이의 이러한 다양한 측면의 관계들은 일반적으로 다층 그래프(multi-layer graph)를 통해 모델링 되는데, 이때 각층에 해당하는 그래프는 여러 측면의 관계들 중 한 가지 측면의 관계를 나타낸다.

다시 말해, 각 층 그래프는 공통의 노드 (예를 들어, 사람) 셋을 공유하지만 서로 다른 링크(예를 들어, 관계) 셋을 가지기 때문에, 서로 다른 관계 정보를 내포한다. 따라서, 다층 그래프 분석은 복잡한 소셜 관계를 이해하는데 매우 중요하다.

도 3은 본 발명의 한 실시예에 따라 다층 그래프를 평탄화하는 예를 도시한 도면이다.

도 3을 참조하면, 다층 그래프는 복수개의 층(또는 그래프)으로 이루어지고, 각 층은 링크에 가중치가 존재한다. 또한, 다층 그래프는 각 층이 공통의 노드를 공유하지만, 링크가 서로 다른 그래프이다.

예를 들어, 도 3에서와 같이, 3개의 층으로 이루어진 다층 그래프가 있다고 가정하면, 다층 그래프는 제1 층(G1 = (V, E1, W1)), 제2 층(G2 = (V, E2, W2)) 및 제3 층(G3 = (V, E3, W3))을 포함한다. 이때, V는 모든 층이 공유하는 노드들의 셋을 의미하고, E1, E2, E3는 각 층의 엣지(edge) 셋을 의미한다. 그리고, W1, W2, W3는 각 층의 엣지가 가지는 가중치 값들의 셋을 의미한다.

그리고, 다층 그래프의 평탄화 그래프(Gf)는 Gf = (V, E1+E2+E3, α1·W1+α2·W2+α3·W3)로 정의된다. 이때 α1, α2, α3는 각 층이 갖는 계수(layer coefficient)이다. 만약, 각 층별 중요도가 같은 균등 평탄화 그래프를 구한다고 하면, 계수 값들은 α1 = α2 = α3 이 된다.

그리고, 본 발명의 한 실시예에 따른 커뮤니티 검출 장치(100)는 균등 평탄화 이외에 차등 평탄화를 적용할 수 있으며, 여기서, 차등 평탄화는 각 층의 중요도 값을 나타내는 층별 계수 값을 다르게 적용하는 것이다.

그리고, 집단화 계수란 그래프 이론에서 그래프의 노드들이 서로 군집화 되는 경향을 할 수 있는 척도로 널리 사용되는 것으로 집단화 계수가 높을수록 군집화 되는 경향이 높다는 것을 나타낸다.

본 발명의 한 실시예에 따른 커뮤니티 검출 장치(100)는 다양한 실제 그래프들을 대상으로 집단화 계수와 군집화 경향의 상관관계에 대한 실험을 수행하였으며 실제로 이 둘은 강한 상관관계를 나타내는 것으로 드러났다.

가중치가 있는 그래프의 집단화 계수를 구하는 식으로는 바렛트(Barrat)의 집단화 계수 식과 오넬라(Onnela)의 집단화 계수 식을 사용한다.

도 4은 본 발명의 한 실시예에 따라 커뮤니티 검출 장치가 커뮤니티를 검출하는 과정을 간략히 도시한 흐름도이다. 이하의 흐름도는 도 1의 구성과 연계하여 동일한 도면부호를 사용하여 설명한다.

도 4를 참조하면, 본 발명의 한 실시예에 따른 커뮤니티 검출 장치(100)는 다층 그래프에서 층별 중요도가 같은 경우 균등 평탄화를 수행하고, 층별 중도도가 다른 경우 차등 평탄화를 수행한다(S102 내지 S104).

여기서, 본 발명의 한 실시예에 따른 커뮤니티 검출 장치(100)는 임의의 다층 그래프들을 평탄화 시켰을 때, 평탄화 된 그래프의 집단화 계수 값이 최대가 되게 하는 층별 계수 조합을 도출한다. 이때, 본 발명의 한 실시예에 따른 커뮤니티 검출 장치(100)는 층별 계수 값을 0에서 1사이 값으로 제한(예를 들어, 0=<α1=<1, 0=<α2 =< 1, 0 =<α3 =< 1)하여 정규화한다.

본 발명의 한 실시예에 따른 커뮤니티 검출 장치(100)는 커뮤니티 검출을 수행하기 이전에, 다층 그래프에서 각 층별 중요도를 자동으로 도출하고, 집단화 계수를 통해서 각 층별 중요도의 최적 값을 결정한다.

현실 세계의 관계망들은 무작위로 형성된 관계망에 비해 상대적으로 연결의 밀도가 높으며, 그 분포가 거듭제곱의 법칙을 따른다고 알려져 있다. 그리고, 현실 세계의 관계망에서 각 노드들 사이의 연결의 밀도가 높다는 것은, 노드들이 서로 군집화 되기 쉽다는 것을 의미하며, 그래프 이론에서는 각각의 노드들이 서로 군집화 되는 경향을 나타내는 척도로 집단화 계수가 사용된다. 따라서, 본 발명의 한 실시예에 따른 커뮤니티 검출 장치(100)는 최적화 문제 해결 방법 중 하나인 내점(Interior Point) 방법을 통해 집단화 계수를 최대화하는 각 층의 가중치 값의 조합을 구한다.

아래 표 1은 내점 방법을 사용한 알고리즘을 나타낸다. 본 발명의 한 실시예에 따른 커뮤니티 검출 장치(100)는 표 1의 내점 방법을 사용해서 각 층별 중요도의 최적 값을 결정한다.

표 1의 알고리즘에서 반복 계산은 각 층별 계수 값의 초기 값을 최적 값에 가깝게 세팅함으로써 줄어들 수 있다. 그리고, 각 층별 계수 값은 각 층별 집단화 계수 값을 층별 집단화계수 값의 합으로 나눈 값으로 세팅한다. 예를 들어, 층이 3개인 다층 그래프에서는, α1의 초기 값 = G1의 집단화 계수 값 / (G1의 집단화 계수 값 + G2의 집단화 계수 값 + G3의 집단화 계수 값))이다.

그리고, 본 발명의 한 실시예에 따른 커뮤니티 검출 장치(100)는 층별로 사용자 선호도가 없는 경우에는 사용자 선호도가 없는 차등 평탄화를 수행하고, 층별로 사용자 선호도가 있는 경우에는 층별 계수 값에 순서의 제한을 추가한다(S108 내지 S112).

예를 들어, 다층 그래프는 제1 층(가족 관계), 제2층(직장동료 관계), 제3 층(페이스북 친구관계)과 같이 세 개의 층으로 이루어진다. 그리고, 다층 그래프는 층별 선호도가 제1 층 > 제2층 > 제3층 일 때, 각 층이 갖는 계수에 α1 > α2 > α3이라는 제한을 추가한다.

그리고, 층별 계수 조합이 찾아지면, 층별 계수를 적용한 다층 그래프 평탄화 그래프를 구하고, 적용하고자 하는 커뮤니티 검출 알고리즘을 선택하여 커뮤니티를 검출한다(S114, S116). 이를 통해, 본 발명의 한 실시예에 따른 커뮤니티 검출 장치(100)는 네트워크 구조의 특성과 함께 사용자 선호도를 모두 반영한 커뮤니티를 검출한다.

이와 같이, 본 발명의 한 실시예에 따른 커뮤니티 검출 장치는 다층 그래프에서 층별 가중치를 다르게 반영하고, 사용자 선호도를 고려하여 커뮤니티 검출함으로써, 현실 세계의 다양한 관계를 보다 잘 반영하고, 보다 효과적으로 사용자의 의도에 적합한 커뮤니티를 검출할 수 있는 환경을 제공한다.

그리고, 본 발명의 한 실시예에 따른 커뮤니티 검출 장치는 개인 간의 다양한 관계를 종합적으로 고려하여 실세계의 관계를 보다 잘 반영하는 커뮤니티를 발견할 수 있고, 이를 친구 추천, 그룹 추천, 타겟 마케팅 등에 활용할 수 있다.

이상에서 설명한 본 발명의 실시예는 장치 및 방법을 통해서만 구현이 되는 것은 아니며, 본 발명의 실시예의 구성에 대응하는 기능을 실현하는 프로그램 또는 그 프로그램이 기록된 기록 매체를 통해 구현될 수도 있다. 이러한 기록 매체는 서버뿐만 아니라 사용자 단말에서도 실행될 수 있다.

이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.

Claims

커뮤니티 검출 장치가 커뮤니티를 검출하는 방법에서,
다층 그래프에서 각 층별로 층별 중요도를 도출하는 단계,
도출된 상기 층별 중요도를 적용해서 상기 다층 그래프를 평탄화하며, 상기 다층 그래프의 각 층별로 사용자 선호도가 있는 경우, 상기 사용자 선호도에 따라 상기 층별 중요도에 순서를 적용해서 상기 다층 그래프를 평탄화하는 단계, 그리고
평탄화된 상기 다층 그래프를 이용해서 커뮤니티를 검출하는 단계
를 포함하는 커뮤니티 검출 방법.
삭제
삭제
제1항에서,
상기 층별 중요도를 도출하는 단계는,
집단화 계수를 최대로 하는 각 층의 가중치를 구하는 단계
를 포함하는 커뮤니티 검출 방법.
제4항에서,
상기 집단화 계수는,
각 노드들의 군집화 경향을 나타내는 커뮤니티 검출 방법.
다층 그래프의 각 층별 중요도 및 상기 다층 그래프의 각 층별 사용자 선호도를 이용해서 상기 다층 그래프를 평탄화하는 평탄화부, 그리고
평탄화된 상기 다층 그래프를 이용해서 커뮤니티를 검출하는 커뮤니티 검출부
를 포함하며,
상기 평탄화부는,
상기 사용자 선호도에 따라 상기 층별 중요도에 순서를 적용해서 상기 다층 그래프를 평탄화하는 커뮤니티 검출 장치
제6항에서,
상기 평탄화부는,
다층 그래프에서 각 층별로 상기 층별 중요도를 도출하는 층별 중요도 결정부
를 포함하는 커뮤니티 검출 장치.
제7항에서,
상기 층별 중요도 결정부는,
각 노드들의 군집화 경향을 나타내는 집단화 계수가 최대가 되는 각 층의 가중치 값의 조합을 구해서 상기 층별 중요도를 결정하는 커뮤니티 검출 장치.
제7항에서,
상기 평탄화부는,
상기 다층 그래프의 각 층별로 상기 사용자 선호도를 도출하는 사용자 선호도 도출부
를 더 포함하는 커뮤니티 검출 장치.
삭제