KR101866866B1 - 부호화된 네트워크에서의 개인화된 랭킹 방법, 이를 수행하기 위한 기록 매체 및 장치 - Google Patents

부호화된 네트워크에서의 개인화된 랭킹 방법, 이를 수행하기 위한 기록 매체 및 장치 Download PDF

Info

Publication number
KR101866866B1
KR101866866B1 KR1020170005485A KR20170005485A KR101866866B1 KR 101866866 B1 KR101866866 B1 KR 101866866B1 KR 1020170005485 A KR1020170005485 A KR 1020170005485A KR 20170005485 A KR20170005485 A KR 20170005485A KR 101866866 B1 KR101866866 B1 KR 101866866B1
Authority
KR
South Korea
Prior art keywords
node
sign
probability
matrix
negative
Prior art date
Application number
KR1020170005485A
Other languages
English (en)
Inventor
정진홍
진우정
강유
Original Assignee
서울대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 서울대학교산학협력단 filed Critical 서울대학교산학협력단
Priority to KR1020170005485A priority Critical patent/KR101866866B1/ko
Application granted granted Critical
Publication of KR101866866B1 publication Critical patent/KR101866866B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network

Landscapes

  • Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Business, Economics & Management (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Primary Health Care (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

본 발명에 따른 복수의 노드들과 상기 노드들을 연결하는 부호를 가지는 간선들을 포함하는 부호화된 네트워크에서의 개인화된 랭킹 방법은, 시작 노드에서 양의 부호를 가지는 랜덤 서퍼를 무작위로 이동시키는 단계; 랜덤 서퍼를 이동한 노드로부터 랜덤 워크(Random Walk) 및 재시작(Restart) 중 하나의 행동을 선택하여 반복적으로 이동시키는 단계; 랜덤 서퍼가 랜덤 워크를 수행하는 경우, 현재 노드에서 임의의 이웃 노드로 이동할 때 연결된 간선의 부호가 음수이면, 랜덤 서퍼의 부호를 변경하는 단계; 및 랜덤 서퍼가 각 노드를 양의 부호로 방문할 확률과 음의 부호로 방문할 확률이 수렴하는 경우, 상기 확률들로부터 시작 노드와 다른 노드 간의 양의 근접도와 음의 근접도를 계산하는 단계를 포함한다. 이에 따라, 부호가 있는 그래프에서도 의미 있는 그래프 랭킹을 정확하게 계산할 수 있다.

Description

부호화된 네트워크에서의 개인화된 랭킹 방법, 이를 수행하기 위한 기록 매체 및 장치{METHOD FOR PERSONALIZED RANKING IN SIGNED NETWORKS, RECORDING MEDIUM AND DEVICE FOR PERFORMING THE METHOD}
본 발명은 부호화된 네트워크에서의 개인화된 랭킹 방법, 이를 수행하기 위한 기록 매체 및 장치에 관한 것으로서, 더욱 상세하게는 정점과 부호를 가지는 간선으로 이루어진 부호화된 네트워크가 주어졌을 때 정점의 우선 순위를 매길 수 있는 랭킹 방법에 관한 것이다.
일반적으로 소셜 네트워크에서는 특정 사용자 간에 신뢰하는 관계인 경우 양의 부호인 간선으로 표현하고, 신뢰하지 않은 관계인 경우 음의 부호의 간선으로 표현하며, 이러한 네트워크를 부호화된 네트워크라 한다.
부호화된 네트워크는 사용자 간의 신뢰 관계를 표현할 수 있기 때문에, 임의의 사용자 간의 신뢰와 불신뢰 정도를 계산하고 계산된 신뢰도를 기반으로 정점의 우선 순위를 산출하는 방법에 관심이 높아지고 있다. 부호화된 네트워크에서 랭킹 방법은 간선 및 부호 예측, 커뮤니티 탐지 및 이상현상 탐지 등 다양한 그래프 마이닝 응용에 활용될 수 있다.
그러나, 기존의 랭킹 방법은 부호화된 네트워크에서 만족할만한 랭킹 결과를 산출할 수 없다. 예를 들어, 기존의 랜덤 워크 기반 랭킹 방식인 PageRank나 Random Walk with Restart(RWR)는 오직 양의 부호인 간선만을 가정하기 때문에 음수 간선을 가지는 네트워크에 적합하지 않다.
구체적으로, 그래프에서 RWR을 사용하여 각 정점들을 중요도에 따라 각 정점을 방문할 확률과 랭킹을 매길 수 있으며, 이 확률 값은 곧 시작 노드와의 근접도를 의미한다.
그러나, 종래의 RWR은 부호가 있는 그래프에서 양, 음의 연결을 고려하지 못한다는 단점이 있다. 최근에는 부호 없는 그래프뿐만 아니라 좋음과 싫음을 나타내는 부호 그래프도 많이 생겨나고 있다. 예를 들어, 소셜 네트워크에서 친구를 의미하는 연결과 적대 관계를 의미하는 연결을 표현하는 서비스들을 제공하고 있다.
이러한 그래프에 종래의 모델인 RWR을 적용하면 친구 관계를 의미하는 연결과 적대 관계를 의미하는 연결이 동일하게 취급된다. 따라서, RWR을 적용하면 시작 노드에게 적인 노드가 높은 확률 값을 가지게 되어, 시작 노드와 높은 근접도를 가질 수 있다. 즉, RWR은 친구와 적을 구별하지 않고 근접도를 계산하게 되어 친구 관계인지 적대 관계인지 파악할 수 없다.
이에 따라, 종래의 RWR은 부호가 없는 그래프에서 근접도를 계산할 수 있지만, 부호가 있는 그래프에서는 의미 있는 랭킹 값을 구하지 못한다는 문제가 있다.
한편, 많은 연구자들은 부호화된 네트워크에서 기존의 랜덤 워크 기반 랭킹 방식이 작동될 수 있도록 몇몇 휴리스틱(Heuristic) 기법을 제안하였으나, 부호화된 네트워크에서 양수 및 음수 간선들의 복잡한 관계 정보를 제대로 반영하지 않기 때문에 적절한 랭킹 결과를 산출하지 못한다.
또한, 대부분의 기존 방법은 개인화된 랭킹 보다는 그래프 전반적인 관점에서의 랭킹에 집중하기 때문에 개인화된 추천을 위한 랭킹 계산에 한계가 있다.
KR 10-2015-0008485 A KR 10-2016-0083017 A KR 10-2014-0079823 A
Cristobald de Kerchove et al., The Page Trust algorithm: How to rank web pages when negative links are allowed? (Cristobald de Kerchove, 2008) Shahriari, M et al., Ranking Nodes in Signed Social Networks (Mohsen Shahriari, 2014)
이에, 본 발명의 기술적 과제는 이러한 점에서 착안된 것으로 본 발명의 목적은 부호화된 네트워크에서의 개인화된 랭킹 방법을 제공하는 것이다.
본 발명의 다른 목적은 상기 부호화된 네트워크에서의 개인화된 랭킹 방법을 수행하기 위한 컴퓨터 프로그램이 기록된 기록 매체를 제공하는 것이다.
본 발명의 또 다른 목적은 상기 부호화된 네트워크에서의 개인화된 랭킹 방법을 수행하기 위한 장치를 제공하는 것이다.
상기한 본 발명의 목적을 실현하기 위한 일 실시예에 따른 복수의 노드들과 상기 노드들을 연결하는 부호를 가지는 간선들을 포함하는 부호화된 네트워크에서의 개인화된 랭킹 방법은, 시작 노드에서 양의 부호를 가지는 랜덤 서퍼를 무작위로 이동시키는 단계; 랜덤 서퍼를 이동한 노드로부터 랜덤 워크(Random Walk) 및 재시작(Restart) 중 하나의 행동을 선택하여 반복적으로 이동시키는 단계; 랜덤 서퍼가 랜덤 워크를 수행하는 경우, 현재 노드에서 임의의 이웃 노드로 이동할 때 연결된 간선의 부호가 음수이면, 랜덤 서퍼의 부호를 변경하는 단계; 및 랜덤 서퍼가 각 노드를 양의 부호로 방문할 확률과 음의 부호로 방문할 확률이 수렴하는 경우, 상기 확률들로부터 시작 노드와 다른 노드 간의 양의 근접도와 음의 근접도를 계산하는 단계를 포함한다.
본 발명의 실시예에서, 상기 부호화된 네트워크에서의 개인화된 랭킹 방법은, 상기 부호화된 네트워크의 부호 인접 행렬을 입력으로 하여, 연결 차수 행렬을 계산하는 전처리 단계를 더 포함할 수 있다.
본 발명의 실시예에서, 상기 전처리 단계는, 상기 부호화된 네트워크의 부호 인접 행렬을 수신하는 단계; 상기 부호 인접 행렬의 연결 차수 행렬을 계산하는 단계; 상기 연결 차수 행렬을 이용하여 세미-로우 정규화(semi-row normalization) 행렬을 계산하는 단계; 상기 세미-로우 정규화 행렬을 양수 부분과 음수 부분으로 분리하는 단계; 및 양수 부분과 음수 부분으로 분리된 세미-로우 정규화 행렬을 출력하는 단계를 포함할 수 있다.
본 발명의 실시예에서, 상기 확률들로부터 시작 노드와 다른 노드 간의 양의 근접도와 음의 근접도를 계산하는 단계는, 시작 노드, 재시작 확률, 수렴 문턱값, 밸런스 감소 인자, 양수 부분과 음수 부분으로 분리된 세미-로우 정규화 행렬을 입력으로 할 수 있다.
본 발명의 실시예에서, 상기 밸런스 감소 인자는 적의 적이 친구가 될 확률과 적의 적이 적이 될 확률을 의미할 수 있다.
상기한 본 발명의 다른 목적을 실현하기 위한 일 실시예에 따른 컴퓨터로 판독 가능한 저장 매체에는, 상기 부호화된 네트워크에서의 개인화된 랭킹 방법을 수행하기 위한 컴퓨터 프로그램이 기록되어 있다.
상기한 본 발명의 또 다른 목적을 실현하기 위한 일 실시예에 따른 복수의 노드들과 상기 노드들을 연결하는 부호를 가지는 간선들을 포함하는 부호화된 네트워크에서의 개인화된 랭킹 장치는, 상기 부호화된 네트워크의 부호 인접 행렬을 입력으로 하여, 연결 차수 행렬을 계산하는 전처리부; 및 시작 노드로부터 랜덤 워크(Random Walk) 및 재시작(Restart) 중 하나의 행동을 선택하여 무작위로 이동하는 랜덤 서퍼가 랜덤 워크를 수행하는 경우, 현재 노드에서 임의의 이웃 노드로 이동할 때 연결된 간선의 부호가 음수이면, 랜덤 서퍼의 부호를 변경하며, 시작 노드와 다른 노드 간의 양의 근접도와 음의 근접도를 반복적으로 계산하는 확률 계산부를 포함한다.
본 발명의 실시예에서, 상기 확률 계산부는, 랜덤 서퍼가 각 노드를 양의 부호로 방문할 확률과 음의 부호로 방문할 확률이 수렴할 때까지 확률 계산을 반복할 수 있다.
본 발명의 실시예에서, 상기 전처리부는, 상기 부호화된 네트워크의 부호 인접 행렬을 입력으로 하여, 양수 부분과 음수 부분으로 분리된 세미-로우 정규화(semi-row normalization) 행렬을 출력할 수 있다.
본 발명의 실시예에서, 상기 확률 계산부는, 시작 노드, 재시작 확률, 수렴 문턱값, 적의 적이 친구가 될 확률 및 적의 적이 적이 될 확률인 밸런스 감소 인자, 양수 부분과 음수 부분으로 분리된 세미-로우 정규화 행렬을 입력으로 할 수 있다.
이와 같은 부호화된 네트워크에서의 개인화된 랭킹 방법에 따르면, 랜덤 워크를 부호화된 네트워크에 적용하기 위해 SRWR(Signed Random Walk with Restart) 모델을 설계하고, 이를 효율적으로 계산하는 알고리즘을 제안한다. 본 발명에서 제안하는 모델은 부호가 없는 그래프뿐만 아니라 부호가 있는 그래프에서도 의미 있는 그래프 랭킹을 계산할 수 있다. 따라서, 본 발명은 부호화된 네트워크를 기반으로 한 소셜 네트워크 분석 및 그래프 마이닝 등 다양한 분야에서 정점간 신뢰도와 중요도를 측정하는데 활용될 수 있다.
도 1은 본 발명에 따른 부호화된 네트워크에서의 SRWR 모델의 랜덤 워크를 종래 모델과 비교하여 개념적으로 보여준 도면이다.
도 2는 본 발명의 일 실시예에 따른 부호화된 네트워크에서의 개인화된 랭킹 방법의 전처리 과정에 대한 순서도이다.
도 3은 본 발명의 일 실시예에 따른 부호화된 네트워크에서의 개인화된 랭킹 방법의 반복 계산 과정에 대한 순서도이다.
도 4는 도 3의 계산 과정에 사용되는 밸런스 감소 인자를 설명하기 위한 도면이다.
도 5는 종래 기술들과 본 발명의 간선의 부호 예측의 정확성에 대한 실험 결과를 보여주는 그래프이다.
도 6은 종래 기술들과 본 발명의 트롤 확인의 정확성에 대한 실험 결과를 보여주는 그래프이다.
도 7은 본 발명의 일 실시예에 따른 부호화된 네트워크에서의 개인화된 랭킹 장치의 블록도이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예에 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.
이하, 도면들을 참조하여 본 발명의 바람직한 실시예들을 보다 상세하게 설명하기로 한다.
도 1은 본 발명에 따른 부호화된 네트워크에서의 SRWR 모델의 랜덤 워크를 종래 모델과 비교하여 개념적으로 보여준 도면이다.
본 발명을 통해 제안되는 모델과 알고리즘은 부호가 없는 그래프뿐만 아니라 부호가 있는 그래프에도 적용 가능하도록 RWR(Random Walk with Restart) 모델을 개선하였다. 즉, 본 발명은 RWR에 밸런스 이론을 적용하여 기존 모델을 확장한 Signed Random Walk with Restart(SRWR) 모델을 제안한다.
밸런스 이론은 태도 변화의 이론으로서 친구와 적의 관계를 설명하고, 본 발명에서 제안하는 모델은 밸런스 이론을 토대로 적에 대한 친구 관계의 신뢰도를 의미하는 파라미터를 추가 함으로써 더욱 유연한 특성을 갖는다. 따라서, 본 발명에서 제안하는 모델은 부호가 없는 그래프뿐만 아니라 부호가 있는 그래프에서도 의미 있는 그래프 랭킹을 계산할 수 있다.
먼저, Random Walk with Restart(RWR)는 그래프와 랜덤 워크를 시작할 노드가 주어졌을 때, 시작 노드와 다른 노드들 간의 근접도를 계산하는 그래프 랭킹 모델이다.
근접도는 그래프 데이터 성격에 따라 관련도, 유사도 및 중요도로 해석되며, 근접도를 기준으로 노드의 순위를 매겨 랭킹을 구한다. RWR은 시작 노드에 따라 랭킹 결과가 다르게 산출되기 때문에, 그래프에서 개인화된 랭킹을 계산하기 위해 사용한다.
RWR은 랜덤 서퍼를 그래프에서 무작위로 이동하게 하여 노드 간의 근접도를 계산한다. 초기에 랜덤 서퍼가 시작 노드에 있고 랜덤 서퍼의 재시작 확률을 c라고 하면, 랜덤 서퍼는 매 시점 랜덤 워크(Random Walk)와 재시작(Restart)의 두 가지 행동 중 하나를 선택해 수행한다.
랜덤 워크는 1-c의 확률로 현재 위치한 노드에서 임의의 이웃 노드 중 하나로 이동하는 것을 의미한다. 재시작은 c의 확률로 원래의 시작 노드로 되돌아 가는 것을 의미한다.
랜덤 서퍼가 랜덤 워크와 재시작을 무한히 수행하면 랜덤 서퍼가 각 노드를 방문할 확률이 일정 값으로 수렴하게 되며, 이 확률이 시작 노드와 다른 노드 간의 근접도가 된다. 만일 특정 노드를 방문할 확률이 높다면, 시작 노드와 해당 노드는 근접도가 높으며 이는 두 노드가 관련이 깊다는 것을 의미한다.
RWR을 통해 계산한 노드 간 근접도는 개인화된 랭킹, 친구 추천 및 간선 예측 등의 그래프 마이닝 응용에 활용되고 있다. RWR 점수 벡터
Figure 112017004062914-pat00001
은 입력으로 그래프의 인접 행렬( A )이 들어왔을 때 다음과 같은 식으로 계산된다.
[수학식 1]
Figure 112017004062914-pat00002
Figure 112017004062914-pat00003
는 정규화된 인접 행렬로 각 행의 합이 1인 행렬이며, c는 재시작 확률, q는 시작 정점의 번호에서 1의 값을 가지고 나머지는 0인 벡터이다.
그래프에서 RWR을 사용하여 각 정점들을 중요도에 따라 각 정점을 방문할 확률과 랭킹을 매길 수 있으며, 이 확률 값은 곧 시작 노드와의 근접도를 의미한다. 그러나, RWR은 부호가 있는 그래프에서 양, 음의 연결을 고려하지 못한다는 단점이 있다.
최근에는 부호 없는 그래프뿐만 아니라 좋음과 싫음을 나타내는 부호 그래프도 많이 생겨나고 있다. 예를 들어, 소셜 네트워크에서 친구를 의미하는 연결과 적대 관계를 의미하는 연결을 표현하는 서비스들을 제공하고 있다. 이러한 그래프에 종래의 모델인 RWR을 적용하면 친구 관계를 의미하는 연결과 적대 관계를 의미하는 연결이 동일하게 취급된다.
따라서, RWR을 적용하면 시작 노드에게 적인 노드가 높은 확률 값을 가지게 되어 시작 노드와 높은 근접도를 가질 수 있다. 즉, RWR은 친구와 적을 구별하지 않고 근접도를 계산하므로, 부호가 있는 그래프에서는 의미 있는 랭킹을 구하지 못한다.
도 1 (a)를 참조하면, 친구의 친구, 친구의 적, 적의 친구, 적의 적의 관계가 나타나 있으나, 기존의 랜덤 서퍼는 이들이 우호적인 관계인지, 적대적인 관계인지 구별할 수 없다.
이에, 본 발명에서는 부호화된 네트워크에서 효과적인 개인화된 랭킹을 계산하는 랭킹 방법을 제안한다.
도 1 (b)를 참조하면, 본 발명에 따른 부호화된 네트워크에서의 개인화된 랭킹 방법은 음수 간선을 고려하기 위해서 랜덤 서퍼에 부호를 도입한다. 도 1 (b)에서 양의 부호를 갖는 랜덤 서퍼는 파란색으로 표시하고, 음의 부호를 갖는 랜덤 서퍼는 빨간색으로 표시하였다.
부호화된 랜덤 서퍼는 그래프에서 랜덤 워크를 수행하면서 지나가는 간선의 부호에 따라 자신의 부호를 변화시킨다.
다시 말해, 복수의 노드들과 상기 노드들을 연결하는 부호를 가지는 간선들을 포함하는 부호화된 그래프에서, 제1 노드에서 제2 노드로 이동할 때, 상기 제1 노드와 상기 제2 노드를 연결하는 간선의 부호가 +이면, 랜덤 서퍼의 부호를 그대로 유지한다. 반면, 상기 제1 노드와 상기 제2 노드를 연결하는 간선의 부호가 -이면, 랜덤 서퍼의 부호가 +이면 -로 변경하고, 자신의 부호가 -이면 +로 변경한다.
이러한 방식으로 양의 랜덤 서퍼가 특정 노드를 많이 방문하면 양의 점수가 높게 측정되고, 음의 랜덤 서퍼가 많이 방문하면 음의 점수가 높게 산출된다. 양의 점수는 해당 노드에 대한 신뢰도를 의미하며 음의 점수는 불신뢰도를 의미한다. 이렇게 부호화된 랜덤 서퍼를 통해 부호화된 네트워크에서 복잡한 간선 관계를 고려하여 정점의 신뢰도를 산출하고 정점의 우선 순위를 매길 수 있다.
본 발명에서는 부호 그래프에 적용 가능한 부호화된 RWR, 즉 SRWR(Signed Random Walk with Restart) 모델과 계산 알고리즘을 제안하고, SRWR은 부호 그래프에서 나타나는 복잡한 양의 연결과 음의 연결 관계를 설명하기 위해 밸런스 이론을 차용한다.
본 발명에서는 밸런스 이론을 이용하여 랜덤 서퍼의 행동을 정의한다. 새로 정의된 랜덤 서퍼는 각 노드에서 부호를 가지게 되며, RWR에 정의되던 랜덤 서퍼와 다른 행동을 보인다.
본 발명의 SRWR을 위한 계산 알고리즘은 전처리 과정과 반복 계산 과정으로 나누어 진다. 전처리 과정은 한번만 수행되며, 반복 계산 과정은 시작 노드가 주어질 때마다 전처리 결과를 바탕으로 SRWR을 계산한다. 도 2는 SRWR의 전처리 과정을 나타내고, 도 3은 SRWR의 반복 계산 과정을 나타낸다.
본 발명의 SRWR은 RWR과 마찬가지로 랜덤 서퍼를 그래프에서 무작위로 이동하게 하여 두 가지의 확률, 우호적일 확률(양의 근접도)과 적대적일 확률(음의 근접도)을 계산한다.
초기에는 랜덤 서퍼가 시작 노드에서 양의 부호를 가지고 있고, 랜덤 서퍼의 재시작 확률을 c라고 정의하면, 랜덤 서퍼는 매 시점 랜덤 워크 (Random Walk)와 재시작(Restart)의 두 가지 행동 중 하나를 선택해 수행한다.
랜덤 워크는 1-c의 확률로 현재 위치한 노드에서 임의의 이웃 노드 중 하나로 이동하는 것을 의미하는데, 두 노드 간 연결된 간선의 부호가 음수이면 랜덤 서퍼의 부호는 바뀐다.
도 1은 부호 그래프에서 (a) RWR의 랜덤 워크와 (b) SRWR에서의 랜덤 워크를 비교한 도면이다. 또한, 본 발명은 랜덤 서퍼의 부호가 음수일 때는 적대 관계의 신뢰도를 의미하는 밸런스 감소 인자 β, γ를 도입하여 모델의 유연함을 더할 수 있다.
재시작은 c의 확률로 원래의 시작 노드로 되돌아 가는 것을 의미한다. 이 때 랜덤 서퍼는 자신의 현재 부호와 상관없이 양의 부호를 가지게 된다. 왜냐하면 시작 노드에 대한 개인화된 랭킹을 산출 할 때 시작 노드 자기 자신의 신뢰도가 높게 산출되어야 하기 때문이다.
랜덤 서퍼가 랜덤 워크와 재시작을 무한히 수행하면 랜덤 서퍼가 각 노드를 양의 부호로 방문할 확률과 음의 부호로 방문할 확률이 일정 값으로 수렴하게 되며, 이 확률이 시작 노드와 다른 노드 간의 양의 근접도와 음의 근접도가 된다.
만일, 특정 노드를 양으로 방문할 확률이 높다면, 시작 노드와 해당 노드는 양의 근접도가 높으며, 이는 두 노드가 우호적으로 관련이 깊다는 것을 의미한다.
도 2를 참조하면, 전처리 과정에서 SRWR은 부호 그래프의 부호 인접 행렬( A )을 입력으로 받아(단계 S11), 부호 그래프의 부호 인접 행렬( A )의 연결 차수 행렬을 계산한다(단계 S12). 이 때 연결 차수 행렬은 부호 인접 행렬의 절대값을 이용하여 아래의 수학식 2와 같이 계산한다.
[수학식 2]
Figure 112017004062914-pat00004
또한, 구해진 연결 차수 행렬을 이용해 세미-로우 정규화(semi-row normalization) 행렬(
Figure 112017004062914-pat00005
)을 계산한다(단계 S13). 세미-로우 정규화 행렬(
Figure 112017004062914-pat00006
)은 양수와 음수 값 모두 가지며, 양수 부분은
Figure 112017004062914-pat00007
을 나타내고, 음수 부분은
Figure 112017004062914-pat00008
을 나타낸다.
정규화 행렬은 본래 행의 합이 1이 되나, 세미-로우 정규화 행렬(
Figure 112017004062914-pat00009
)은 행의 합이 1보다 작고, 양수 부분(
Figure 112017004062914-pat00010
)과 음수 부분(
Figure 112017004062914-pat00011
)을 합해야 1이 된다.
이렇게 세미-로우 정규화 행렬(
Figure 112017004062914-pat00012
)의 양수 부분과 음수 부분을 분리하여(단계 S14), 출력하고 전처리 과정을 종료한다(단계 S15).
도 3을 참고하면, SRWR의 반복 계산 과정을 나타내고, 전처리 결과로 얻어진 행렬(
Figure 112017004062914-pat00013
및
Figure 112017004062914-pat00014
)을 기반으로, 노드 간 우호적일 확률(양의 근접도)과 적대적일 확률(음의 근접도)을 계산한다.
이를 위해, 시작 노드(s), 재시작 확률(c), 수렴 문턱값(ε), 밸런스 감소 인자(β, γ), 전처리 과정에서 출력되는 양수 부분과 음수 부분으로 분리된 세미-로우 정규화 행렬(
Figure 112017004062914-pat00015
및
Figure 112017004062914-pat00016
)을 입력으로 받는다(단계 S31).
상기 밸런스 감소 인자(β, γ)는 랜덤 서퍼의 부호가 음수일 때 만나는 간선의 부호에 따라 자신의 부호가 변할 확률을 의미한다. 본 발명은 상기 밸런스 감소 인자(β, γ)를 도입하여 좀 더 유연한 모델을 제공할 수 있다.
도 4를 참조하면, 밸런스 감소 인자(β)는 적의 적이 친구가 될 확률이고, 적이 될 확률은 1-β 값을 갖는다. 또한, 밸런스 감소 인자(γ)는 적의 적이 적이 될 확률이고, 친구가 될 확률은 1-γ 값을 갖는다.
상기 입력들을 기초로 먼저 q벡터를 구한다(단계 S32). 이 벡터는 시작 노드 위치의 값이 1이고, 그 외의 값은 모두 0이다. 그리고, 양의 근접도를 의미하는
Figure 112017004062914-pat00017
를 q로 초기화하고, 음의 근접도를 의미하는
Figure 112017004062914-pat00018
를 0으로 초기화한다(단계 S33). 또한,
Figure 112017004062914-pat00019
로 정의한다.
이후, 반복적 기법을 사용하여 점수 벡터
Figure 112017004062914-pat00020
값의 변화량이 수렴 문턱값(ε) 보다 작을 때까지 계산을 반복한다. 이 때, 다음의 수학식 3과 같이 SRWR 벡터를 구한다(단계 S34 및 단계 S35).
[수학식 3]
Figure 112017004062914-pat00021
Figure 112017004062914-pat00022
이 수렴하면, 점수 벡터
Figure 112017004062914-pat00023
을
Figure 112017004062914-pat00024
와
Figure 112017004062914-pat00025
으로 분리한 후 반환한다(단계 S36).
도 5는 종래 기술들과 본 발명의 간선의 부호 예측의 정확성에 대한 실험 결과를 보여주는 그래프이다. 도 6은 종래 기술들과 본 발명의 트롤 예측의 정확성에 대한 실험 결과를 보여주는 그래프이다.
도 5는 종래의 부호 예측을 수행하는 M-RWR, M-PSALSA, TR-TR, PSR의 기법과 비교하였고, 실험을 위한 데이터 셋은 아래의 표 1과 같다.
[표 1]
Figure 112017004062914-pat00026
도 5를 참조하면, 본 발명에서 제안하는 SRWR의 부호 예측의 정확성은 87%에 달하며, 종래 기법들에 비해 우수한 정확도를 보였다.
도 6을 참조하면, 본 발명에서 제안하는 SRWR은 각 사이트의 트롤 사용자의 예측에 대한 정확도 역시 종래 기법들과 비교하였을 때 가장 우수하였다.
상기와 같이, 본 발명을 통해 제안하는 모델과 알고리즘은 RWR로는 설명이 불가능했던 다양한 부호 그래프에 적용되어 응용할 수 있다. SRWR은 부호화된 네트워크를 기반으로 한 소셜 네트워크 분석 및 그래프 마이닝 등 다양한 분야에서 정점간 신뢰도와 중요도를 측정하는데 활용될 수 있다.
이와 같은, 부호화된 네트워크에서의 개인화된 랭킹 방법은 애플리케이션으로 구현되거나 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.
상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거니와 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다.
컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다.
프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
도 7은 본 발명의 일 실시예에 따른 부호화된 네트워크에서의 개인화된 랭킹 장치의 블록도이다.
본 발명에 따른 부호화된 네트워크에서의 개인화된 랭킹 장치(10, 이하 장치)는 부호화된 네트워크에서 랜덤 워크를 활용한 개인화된 랭킹 기법에 관한 것이다. 본 발명을 통해 랜덤 워크를 부호화된 네트워크에 적용하기 위해 Signed Random Walk with Restart(SRWR) 모델을 설계하고, 이를 효율적으로 계산하는 알고리즘을 제안한다.
도 7을 참조하면, 본 발명에 따른 장치(10)는 전처리부(100) 및 확률 계산부(300)를 포함한다. 상기 전처리부(100)에서의 전처리는 한번만 수행되고, 상기 확률 계산부(300)의 반복 계산 과정은 시작 노드가 주어질 때마다 전처리 결과를 바탕으로 SRWR을 계산한다.
본 발명의 상기 장치(10)는 부호화된 네트워크에서의 개인화된 랭킹을 수행하기 위한 소프트웨어(애플리케이션)가 설치되어 실행될 수 있으며, 상기 전처리부(100) 및 상기 확률 계산부(300)의 구성은 상기 장치(10)에서 실행되는 상기 부호화된 네트워크에서의 개인화된 랭킹을 수행하기 위한 소프트웨어에 의해 제어될 수 있다.
상기 장치(10)는 별도의 단말이거나 또는 단말의 일부 모듈일 수 있다. 또한, 상기 전처리부(100) 및 상기 확률 계산부(300)의 구성은 통합 모듈로 형성되거나, 하나 이상의 모듈로 이루어 질 수 있다. 그러나, 이와 반대로 각 구성은 별도의 모듈로 이루어질 수도 있다.
상기 장치(10)는 이동성을 갖거나 고정될 수 있다. 상기 장치(10)는, 서버(server) 또는 엔진(engine) 형태일 수 있으며, 디바이스(device), 기구(apparatus), 단말(terminal), UE(user equipment), MS(mobile station), 무선기기(wireless device), 휴대기기(handheld device) 등 다른 용어로 불릴 수 있다.
상기 장치(10)는 운영체제(Operation System; OS), 즉 시스템을 기반으로 다양한 소프트웨어를 실행하거나 제작할 수 있다. 상기 운영체제는 소프트웨어가 장치의 하드웨어를 사용할 수 있도록 하기 위한 시스템 프로그램으로서, 안드로이드 OS, iOS, 윈도우 모바일 OS, 바다 OS, 심비안 OS, 블랙베리 OS 등 모바일 컴퓨터 운영체제 및 윈도우 계열, 리눅스 계열, 유닉스 계열, MAC, AIX, HP-UX 등 컴퓨터 운영체제를 모두 포함할 수 있다.
상기 전처리부(100)는 상기 부호화된 네트워크의 부호 인접 행렬( A )을 입력으로 하여, 연결 차수 행렬을 계산한다. 상기 전처리부(100)는 상기 부호화된 네트워크의 부호 인접 행렬을 입력으로 하여, 양수와 음수로 분리된 세미-로우 정규화(semi-row normalization) 행렬(
Figure 112017004062914-pat00027
및
Figure 112017004062914-pat00028
)을 출력한다.
전처리 과정은 도 2를 통해 상세히 설명하였으며, 상기 전처리 과정을 알고리즘으로 나타내면 다음과 같다.
Figure 112017004062914-pat00029
상기 확률 계산부(300)는 시작 노드로부터 랜덤 워크(Random Walk) 및 재시작(Restart) 중 하나의 행동을 선택하여 무작위로 이동하는 랜덤 서퍼가 랜덤 워크를 수행하는 경우, 현재 노드에서 임의의 이웃 노드로 이동할 때 연결된 간선의 부호가 음수이면, 랜덤 서퍼의 부호를 변경하며, 시작 노드와 다른 노드 간의 양의 근접도와 음의 근접도를 반복적으로 계산한다.
상기 확률 계산부(300)는 시작 노드(s), 재시작 확률(c), 수렴 문턱값(ε), 밸런스 감소 인자(β, γ), 전처리 과정에서 출력되는 양수 부분과 음수 부분으로 분리된 세미-로우 정규화 행렬(
Figure 112017004062914-pat00030
및
Figure 112017004062914-pat00031
)을 입력으로 한다.
상기 확률 계산부(300)는 랜덤 서퍼가 각 노드를 양의 부호로 방문할 확률과 음의 부호로 방문할 확률이 수렴할 때까지 확률 계산을 반복한다.
반복 계산 과정은 도 3을 통해 상세히 설명하였으며, 상기 반복 계산 과정을 알고리즘으로 나타내면 다음과 같다.
Figure 112017004062914-pat00032
이에 따라, 본 발명을 통해 제안하는 모델과 알고리즘은 RWR로는 설명이 불가능했던 다양한 부호 그래프에 적용되어 응용할 수 있다. SRWR은 부호화된 네트워크를 기반으로 한 소셜 네트워크 분석 및 그래프 마이닝 등 다양한 분야에서 정점간 신뢰도와 중요도를 측정하는데 활용될 수 있다.
이상에서는 실시예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
본 발명을 통해 제안하는 모델과 알고리즘은 Random Walk with Restart(RWR)로는 설명이 불가능했던 다양한 부호 그래프에 적용되어 응용할 수 있다. 구체적으로, 그래프 마이닝 분야에서는 친구와 적을 표현할 수 있는 소셜 네트워크에서 친구 및 적 추천, 간선 예측, 커뮤니티 탐지 등의 다양한 응용에 본 발명을 활용할 수 있다.
또한, 정보 검색 분야에서는 웹 문서 네트워크에서 특정 키워드 또는 문서와 관련된 웹 문서 및 반대로 관련된 웹 문서의 랭킹을 산출하는데 본 발명을 활용할 수 있다. 생물정보학 분야에서는 분자 네트워크에서 특정 분자와 긴밀하게 관련이 있는 분자와 반대로 긴밀하게 관련이 있는 분자들을 파악하기 위해 본 발명을 이용할 수 있다.
10: 부호화된 네트워크에서의 개인화된 랭킹 장치
100: 전처리부
300: 확률 계산부

Claims (10)

  1. 복수의 노드들과 상기 노드들을 연결하는 부호를 가지는 간선들을 포함하는 부호화된 네트워크에서의 개인화된 랭킹 방법에 있어서,
    시작 노드에서 양의 부호를 가지는 랜덤 서퍼를 무작위로 이동시키는 단계;
    랜덤 서퍼를 이동한 노드로부터 랜덤 워크(Random Walk) 및 재시작(Restart) 중 하나의 행동을 선택하여 반복적으로 이동시키는 단계;
    랜덤 서퍼가 랜덤 워크를 수행하는 경우, 현재 노드에서 임의의 이웃 노드로 이동할 때 연결된 간선의 부호가 음수이면, 랜덤 서퍼의 부호를 변경하는 단계; 및
    랜덤 서퍼가 각 노드를 양의 부호로 방문할 확률과 음의 부호로 방문할 확률이 수렴하는 경우, 상기 확률들로부터 시작 노드와 다른 노드 간의 양의 근접도와 음의 근접도를 계산하는 단계를 포함하는, 부호화된 네트워크에서의 개인화된 랭킹 방법.
  2. 제1항에 있어서,
    상기 부호화된 네트워크의 부호 인접 행렬을 입력으로 하여, 연결 차수 행렬을 계산하는 전처리 단계를 더 포함하는, 부호화된 네트워크에서의 개인화된 랭킹 방법.
  3. 제2항에 있어서, 상기 전처리 단계는,
    상기 부호화된 네트워크의 부호 인접 행렬을 수신하는 단계;
    상기 부호 인접 행렬의 연결 차수 행렬을 계산하는 단계;
    상기 연결 차수 행렬을 이용하여 세미-로우 정규화(semi-row normalization) 행렬을 계산하는 단계;
    상기 세미-로우 정규화 행렬을 양수 부분과 음수 부분으로 분리하는 단계; 및
    양수 부분과 음수 부분으로 분리된 세미-로우 정규화 행렬을 출력하는 단계를 포함하는, 부호화된 네트워크에서의 개인화된 랭킹 방법.
  4. 제3항에 있어서, 상기 확률들로부터 시작 노드와 다른 노드 간의 양의 근접도와 음의 근접도를 계산하는 단계는,
    시작 노드, 재시작 확률, 수렴 문턱값, 밸런스 감소 인자, 양수 부분과 음수 부분으로 분리된 세미-로우 정규화 행렬을 입력으로 하는, 부호화된 네트워크에서의 개인화된 랭킹 방법.
  5. 제4항에 있어서,
    상기 밸런스 감소 인자는 적의 적이 친구가 될 확률 및 적의 적이 적이 될 확률인, 부호화된 네트워크에서의 개인화된 랭킹 방법.
  6. 제1항 내지 제5항 중 어느 하나의 항에 따른 부호화된 네트워크에서의 개인화된 랭킹 방법을 수행하기 위한, 컴퓨터 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체.
  7. 복수의 노드들과 상기 노드들을 연결하는 부호를 가지는 간선들을 포함하는 부호화된 네트워크에서의 개인화된 랭킹 장치에 있어서,
    상기 부호화된 네트워크의 부호 인접 행렬을 입력으로 하여, 연결 차수 행렬을 계산하는 전처리부; 및
    시작 노드로부터 랜덤 워크(Random Walk) 및 재시작(Restart) 중 하나의 행동을 선택하여 무작위로 이동하는 랜덤 서퍼가 랜덤 워크를 수행하는 경우, 현재 노드에서 임의의 이웃 노드로 이동할 때 연결된 간선의 부호가 음수이면, 랜덤 서퍼의 부호를 변경하며, 시작 노드와 다른 노드 간의 양의 근접도와 음의 근접도를 반복적으로 계산하는 확률 계산부를 포함하는, 부호화된 네트워크에서의 개인화된 랭킹 장치.
  8. 제7항에 있어서, 상기 확률 계산부는,
    랜덤 서퍼가 각 노드를 양의 부호로 방문할 확률과 음의 부호로 방문할 확률이 수렴할 때까지 확률 계산을 반복하는, 부호화된 네트워크에서의 개인화된 랭킹 장치.
  9. 제7항에 있어서, 상기 전처리부는,
    상기 부호화된 네트워크의 부호 인접 행렬을 입력으로 하여, 양수 부분과 음수 부분으로 분리된 세미-로우 정규화(semi-row normalization) 행렬을 출력하는, 부호화된 네트워크에서의 개인화된 랭킹 장치.
  10. 제9항에 있어서, 상기 확률 계산부는,
    시작 노드, 재시작 확률, 수렴 문턱값, 적의 적이 친구가 될 확률 및 적의 적이 적이 될 확률인 밸런스 감소 인자, 양수 부분과 음수 부분으로 분리된 세미-로우 정규화 행렬을 입력으로 하는, 부호화된 네트워크에서의 개인화된 랭킹 장치.
KR1020170005485A 2017-01-12 2017-01-12 부호화된 네트워크에서의 개인화된 랭킹 방법, 이를 수행하기 위한 기록 매체 및 장치 KR101866866B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170005485A KR101866866B1 (ko) 2017-01-12 2017-01-12 부호화된 네트워크에서의 개인화된 랭킹 방법, 이를 수행하기 위한 기록 매체 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170005485A KR101866866B1 (ko) 2017-01-12 2017-01-12 부호화된 네트워크에서의 개인화된 랭킹 방법, 이를 수행하기 위한 기록 매체 및 장치

Publications (1)

Publication Number Publication Date
KR101866866B1 true KR101866866B1 (ko) 2018-06-14

Family

ID=62629200

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170005485A KR101866866B1 (ko) 2017-01-12 2017-01-12 부호화된 네트워크에서의 개인화된 랭킹 방법, 이를 수행하기 위한 기록 매체 및 장치

Country Status (1)

Country Link
KR (1) KR101866866B1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109902203A (zh) * 2019-01-25 2019-06-18 北京邮电大学 基于边的随机游走的网络表示学习方法和装置
KR102113094B1 (ko) * 2018-11-28 2020-05-20 서울대학교산학협력단 부호화된 소셜 네트워크에서 블록 제거 기법을 활용한 빠른 개인화된 랭킹 방법 및 장치
KR20200063904A (ko) * 2018-11-28 2020-06-05 서울대학교산학협력단 다중 간선 라벨 그래프의 정점들 간 관련도를 측정하는 방법 및 장치
KR20220148748A (ko) * 2021-04-29 2022-11-07 한양대학교 산학협력단 랜덤 워크를 이용한 개인화된 랭킹 방법 및 시스템

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140079823A (ko) 2011-10-18 2014-06-27 페이스북, 인크. 소셜 관련성에 의한 객체의 순위화
KR20150008485A (ko) 2012-05-15 2015-01-22 텐센트 테크놀로지(센젠) 컴퍼니 리미티드 소셜 네트워크 그룹화 방법 및 시스템, 및 컴퓨터 저장 매체
KR20160083017A (ko) 2013-10-25 2016-07-11 시소모스 엘.피. 소셜 데이터 네트워크에서 인플루언서들 및 그들의 커뮤니티를 식별하기 위한 시스템 및 방법

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140079823A (ko) 2011-10-18 2014-06-27 페이스북, 인크. 소셜 관련성에 의한 객체의 순위화
KR20150008485A (ko) 2012-05-15 2015-01-22 텐센트 테크놀로지(센젠) 컴퍼니 리미티드 소셜 네트워크 그룹화 방법 및 시스템, 및 컴퓨터 저장 매체
KR20160083017A (ko) 2013-10-25 2016-07-11 시소모스 엘.피. 소셜 데이터 네트워크에서 인플루언서들 및 그들의 커뮤니티를 식별하기 위한 시스템 및 방법

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Cristobald de Kerchove et al., The Page Trust algorithm: How to rank web pages when negative links are allowed? (Cristobald de Kerchove, 2008)
Shahriari, M et al., Ranking Nodes in Signed Social Networks (Mohsen Shahriari, 2014)
명재석 외 3인. 부호 그래프에서의 빠른 랜덤워크 기법. The journal of Society for e-Business Studies Vol.20, No2, May 2015 *
진우정 외 3인. 랜덤 워크를 활용한 그래프 랭킹 기반 추천 시스템. 2016. 6. 정보과학회지 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102113094B1 (ko) * 2018-11-28 2020-05-20 서울대학교산학협력단 부호화된 소셜 네트워크에서 블록 제거 기법을 활용한 빠른 개인화된 랭킹 방법 및 장치
KR20200063904A (ko) * 2018-11-28 2020-06-05 서울대학교산학협력단 다중 간선 라벨 그래프의 정점들 간 관련도를 측정하는 방법 및 장치
KR102177940B1 (ko) * 2018-11-28 2020-11-12 서울대학교산학협력단 다중 간선 라벨 그래프의 정점들 간 관련도를 측정하는 방법 및 장치
CN109902203A (zh) * 2019-01-25 2019-06-18 北京邮电大学 基于边的随机游走的网络表示学习方法和装置
CN109902203B (zh) * 2019-01-25 2021-06-01 北京邮电大学 基于边的随机游走的网络表示学习方法和装置
KR20220148748A (ko) * 2021-04-29 2022-11-07 한양대학교 산학협력단 랜덤 워크를 이용한 개인화된 랭킹 방법 및 시스템
KR102660480B1 (ko) * 2021-04-29 2024-04-25 한양대학교 산학협력단 랜덤 워크를 이용한 개인화된 랭킹 방법 및 시스템

Similar Documents

Publication Publication Date Title
US11983269B2 (en) Deep neural network system for similarity-based graph representations
CN112199375B (zh) 跨模态的数据处理方法、装置、存储介质以及电子装置
WO2023000574A1 (zh) 一种模型训练方法、装置、设备及可读存储介质
KR101866866B1 (ko) 부호화된 네트워크에서의 개인화된 랭킹 방법, 이를 수행하기 위한 기록 매체 및 장치
CN112487168B (zh) 知识图谱的语义问答方法、装置、计算机设备及存储介质
CN107943874B (zh) 知识图谱处理方法、装置、计算机设备及存储介质
CN111079780B (zh) 空间图卷积网络的训练方法、电子设备及存储介质
CN111651671B (zh) 用户对象推荐方法、装置、计算机设备和存储介质
US20170103337A1 (en) System and method to discover meaningful paths from linked open data
CN109685204B (zh) 图像处理方法及装置、存储介质及电子设备
US20220253722A1 (en) Recommendation system with adaptive thresholds for neighborhood selection
CN111460234B (zh) 图查询方法、装置、电子设备及计算机可读存储介质
WO2019019385A1 (zh) 跨平台数据匹配方法、装置、计算机设备和存储介质
US11475059B2 (en) Automated image retrieval with graph neural network
CN112199600A (zh) 目标对象识别方法和装置
CN109948140B (zh) 一种词向量嵌入方法及装置
CN106452809B (zh) 一种数据处理方法和装置
CN113344016A (zh) 深度迁移学习方法、装置、电子设备及存储介质
Figueiredo et al. struc2vec: Learning node representations from structural identity
CN113806582A (zh) 图像检索方法、装置、电子设备和存储介质
Theocharous et al. An interactive points of interest guidance system
US11914638B2 (en) Image selection from a database
CN111783895A (zh) 基于神经网络的旅行计划推荐方法、装置、计算机设备和存储介质
CN110728359B (zh) 搜索模型结构的方法、装置、设备和存储介质
CN112765450A (zh) 推荐内容确定方法、装置及存储介质

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant