KR102113094B1

KR102113094B1 - 부호화된 소셜 네트워크에서 블록 제거 기법을 활용한 빠른 개인화된 랭킹 방법 및 장치

Info

Publication number: KR102113094B1
Application number: KR1020180149677A
Authority: KR
Inventors: 강유; 정진홍; 진우정
Original assignee: 서울대학교산학협력단
Priority date: 2018-11-28
Filing date: 2018-11-28
Publication date: 2020-05-20

Abstract

부호화된 소셜 네트워크에서 블록 제거 기법을 활용한 빠른 개인화된 랭킹 방법 및 장치를 제시하며, 부호화된 소셜 네트워크에서 블록 제거 기법을 활용한 빠른 개인화된 랭킹 방법 및 장치는 부호화된 네트워크간의 연결관계를 나타내는 행렬인 인접행렬을 저장하는 메모리 및 상기 인접행렬에 대해 전처리를 수행하고, 전처리된 행렬에 기초하여 상기 부호화된 네트워크의 정점 중 기 설정된 정점인 시작정점에 대해 상대적 신뢰도 벡터를 계산하는 제어부를 포함할 수 있다.

Description

부호화된 소셜 네트워크에서 블록 제거 기법을 활용한 빠른 개인화된 랭킹 방법 및 장치{METHOD AND APPARATUS FOR FAST PERSONALIZED RANKING USING BLOCK ELIMINATION IN SIGNED SOCIAL NETWORKS}

본 명세서에서 개시되는 실시예들은 부호화된 소셜 네트워크에서 블록 제거 기법을 활용한 빠른 개인화된 랭킹 방법 및 장치에 관한 것으로, 보다 상세하게는 정점과 부호를 가지는 간선으로 이루어진 부호화된 네트워크와 특정 정점이 주어졌을 때 해당 정점을 기점으로 다른 정점들의 우선 순위를 빠르게 랭킹을 계산하는 방법 및 장치에 관한 것이다.

일반적으로 소셜 네트워크에서는 특정 사용자 간에 신뢰하는 관계인 경우 양의 부호인 간선으로 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 불신 정도를 계산하고 계산된 신뢰도를 기반으로 정점의 우선 순위를 산출하는 방법에 관심이 높아지고 있다.

부호화된 네트워크에서 여러 가지 개인화 랭킹 모델 중, 최근 랜덤 워크를 이용한 Signed Random Walk with Restart (SRWR)가 제안되었고, 이러한 SRWR의 개인화된 정점 랭킹은 부호화된 네트워크에서 링크 예측, 부호 예측 및 이상현상 탐지 등의 다양한 그래프 마이닝 응용에 효과적으로 적용될 수 있다.

하지만, 부호화된 네트워크에서 SRWR와 같이 개인화된 랭킹을 구하는 기존의 계산 방법은 반복적인 계산으로 인해 개인화된 정점 랭킹을 빠르게 구하지 못하고, 모든 사용자에 대해서 랭킹을 미리 구하여 저장을 한다고 하더라도 대용량 그래프에서는 현실적으로 저장하기 어려울 만큼 많은 양의 저장 공간을 요구하게 된다.

이로 인해, 개인화된 랭킹을 기반으로 하는 다양한 응용의 계산 성능이 저하되는 문제점이 있다.

관련하여 선행기술 문헌인 한국특허공개번호 제10-2012-0128194 호에서는 과거로부터 계속적으로 축적되는 로또당첨번호의 데이터를 랜덤워크로 개량화하고 그 추첨번호의 패턴을 분석함으로서 앞으로 당첨될 확률이 높은 번호들을 예측하는 데 있어 확률론적 접근을 통해 예측된 번호를 필터링을 통하여 가장 확률이 높은 당첨번호를 인터넷을 통하여 제공할 뿐, 상술된 바와 같이 부호화된 네트워크에서 빠르게 개인화된 랭킹을 계산하지 못하는 문제점이 있다.

따라서 상술된 문제점을 해결하기 위한 기술이 필요하게 되었다.

한편, 전술한 배경기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술 정보로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지기술이라 할 수는 없다.

본 명세서에서 개시되는 실시예들은, 부호화된 소셜 네트워크에서 블록 제거 기법을 활용한 빠른 개인화된 랭킹 방법 및 장치를 제공할 수 있다.

본 명세서에서 개시되는 실시예들은, SRWR의 개인화된 랭킹을 구하기 위해 반복적인 계산을 수행하지 않고 계산하는 개인화된 랭킹 방법 및 장치를 제시하는 데 목적이 있다.

본 명세서에서 개시되는 실시예들은, SRWR의 개인화된 랭킹을 구하기 위해 메모리를 효율적으로 사용하는 개인화된 랭킹 방법 및 장치를 제시하는 데 목적이 있다.

상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 일 실시예에 따르면, 부호화된 네트워크에서 개인화된 랭킹을 수행하는 장치에 있어서, 부호화된 네트워크간의 연결관계를 나타내는 행렬인 인접행렬을 저장하는 메모리 및 상기 인접행렬에 대해 전처리를 수행하고, 전처리된 행렬에 기초하여 상기 부호화된 네트워크의 정점 중 기 설정된 정점인 시작정점에 대해 상대적 신뢰도 벡터를 계산하는 제어부를 포함할 수 있다.

다른 실시예에 따르면, 개인화된랭킹장치가 부호화된 네트워크에서 개인화된 랭킹을 수행하는 방법에 있어서, 부호화된 네트워크간의 연결관계를 나타내는 행렬인 인접행렬에 대해 전처리를 수행하는 단계 및 전처리된 행렬에 기초하여 상기 부호화된 네트워크의 정점 중 기 설정된 정점인 시작정점에 대해 상대적 신뢰도 벡터를 계산하는 단계를 포함할 수 있다.

또 다른 실시예에 따르면, 개인화된랭킹방법을 수행하는 프로그램이 기록된 컴퓨터 판독이 가능한 기록매체로서, 상기 개인화된랭킹방법은, 부호화된 네트워크간의 연결관계를 나타내는 행렬인 인접행렬에 대해 전처리를 수행하는 단계 및 전처리된 행렬에 기초하여 상기 부호화된 네트워크의 정점 중 기 설정된 정점인 시작정점에 대해 상대적 신뢰도 벡터를 계산하는 단계를 포함할 수 있다.

다른 실시예에 따르면, 개인화된랭킹장치에 의해 수행되며, 개인화된랭킹방법을 수행하기 위해 기록매체에 저장된 컴퓨터프로그램으로서 상기 개인화된랭킹방법은 부호화된 네트워크간의 연결관계를 나타내는 행렬인 인접행렬에 대해 전처리를 수행하는 단계 및 전처리된 행렬에 기초하여 상기 부호화된 네트워크의 정점 중 기 설정된 정점인 시작정점에 대해 상대적 신뢰도 벡터를 계산하는 단계를 포함할 수 있다.

전술한 과제 해결 수단 중 어느 하나에 의하면, 부호화된 소셜 네트워크에서 블록 제거 기법을 활용한 빠른 개인화된 랭킹 방법 및 장치를 제시할 수 있다.

전술한 과제 해결 수단 중 어느 하나에 의하면, SRWR의 개인화된 랭킹을 구하기 위해 반복적인 계산을 수행하지 않고도 빠르게 개인화된 랭킹을 계산하는 개인화된 랭킹 방법 및 장치를 제시할 수 있다.

전술한 과제 해결 수단 중 어느 하나에 의하면, SRWR의 개인화된 랭킹을 구하기 위해 메모리를 효율적으로 사용하여 개인화된 랭킹을 계산하는 개인화된 랭킹 방법 및 장치를 제시할 수 있다.

전술한 과제 해결 수단 중 어느 하나에 의하면, 랜덤서퍼가 라벨을 가지게 하고 그래프로부터 랜덤서퍼가 이동할 때 어떠한 라벨을 가져야 하는지 학습함으로써 간선이 있는 그래프에서 두 정점 간의 관계를 효과적으로 식별할 수 있는 개인화된 랭킹 방법 및 장치를 제시할 수 있다.

개시되는 실시예들에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 개시되는 실시예들이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

도 1 은 일 실시예에 따른 개인화된랭킹장치를 도시한 블록도이다.
도 2 내지 도 4 는 일 실시예에 따른 개인화된랭킹방법을 설명하기 위한 순서도이다.

아래에서는 첨부한 도면을 참조하여 다양한 실시예들을 상세히 설명한다. 아래에서 설명되는 실시예들은 여러 가지 상이한 형태로 변형되어 실시될 수도 있다. 실시예들의 특징을 보다 명확히 설명하기 위하여, 이하의 실시예들이 속하는 기술분야에서 통상의 지식을 가진 자에게 널리 알려져 있는 사항들에 관해서 자세한 설명은 생략하였다. 그리고, 도면에서 실시예들의 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

명세서 전체에서, 어떤 구성이 다른 구성과 "연결"되어 있다고 할 때, 이는 ‘직접적으로 연결’되어 있는 경우뿐 아니라, ‘그 중간에 다른 구성을 사이에 두고 연결’되어 있는 경우도 포함한다. 또한, 어떤 구성이 어떤 구성을 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한, 그 외 다른 구성을 제외하는 것이 아니라 다른 구성들을 더 포함할 수도 있음을 의미한다.

이하 첨부된 도면을 참고하여 실시예들을 상세히 설명하기로 한다.

다만 이를 설명하기에 앞서, 아래에서 사용되는 용어들의 의미를 먼저 정의한다.

Signed Random Walk with Restart (이하, SRWR)는 부호화된 랜덤 서퍼를 그래프에서 무작위로 이동하게 하여 두 가지의 확률, 우호적일 확률 (양의 근접도)와 적대적일 확률 (음의 근접도)를 계산하여 부호화된 네트워크에서 개인화된 정점 랭킹을 구하는 모델이다.

이때, ‘랜덤서퍼’는 부호화된 네트워크의 각 정점(node)을 순회하는 순회자이다. 이때, 양의 부호 또는 음의 부호를 갖는 랜덤서퍼를 ‘부호화된 랜덤서퍼’라 하며, 이는 부호화된 랜덤서퍼가 위치한 노드에 대해 우호적이거나 적대적인 것을 나타낸다. 이하에서는 부호화된 랜덤서퍼를 랜덤서퍼라 한다.

‘시작정점(Seed node)’는 랜덤서퍼가 부호화된 네크워크의 순회를 시작하는 정점이다.

그리고 이러한 랜덤서퍼가 현재 위치한 정점에서 임의의 이웃 정점 중 하나로 이동하는 것으로 ‘랜덤워크’라고 하며, ‘부호화된 랜덤워크’는 랜덤서퍼가 랜덤하게 노드 u로부터 1-c 확률로 이웃노드로 이동하되, 음의 간선을 지나는 경우 랜던서퍼의 부호가 반대로 변경되는 이동을 말한다.

‘재시작’ 은 랜덤서퍼가 확률 c에 따라 시작정점 s 로 되돌아가는 것을 말한다. 재시작된 시작정점 상의 랜덤서퍼의 부호는 양의 부호이다.

이러한 랜덤서퍼는 시작정점에서 양의 부호로 출발하며 각 점정에서 이웃 정점으로 이동하는 랜덤워크 및 재시작 중 어느 하나를 수행할 수 있다.

위에 정의한 용어 이외에 설명이 필요한 용어는 아래에서 각각 따로 설명한다.

도 1은 일 실시예에 따른 개인화된랭킹장치(10)를 설명하기 위한 블록도이다.

개인화된랭킹장치(10)는 네트워크(N)를 통해 원격지의 서버에 접속하거나, 타 단말 및 서버와 연결 가능한 컴퓨터나 휴대용 단말기, 텔레비전, 웨어러블 디바이스(Wearable Device) 등으로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop)등을 포함하고, 휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, PCS(Personal Communication System), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), GSM(Global System for Mobile communications), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet), 스마트폰(Smart Phone), 모바일 WiMAX(Mobile Worldwide Interoperability for Microwave Access) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다. 또한, 텔레비전은 IPTV(Internet Protocol Television), 인터넷 TV(Internet Television), 지상파 TV, 케이블 TV 등을 포함할 수 있다. 나아가 웨어러블 디바이스는 예를 들어, 시계, 안경, 액세서리, 의복, 신발 등 인체에 직접 착용 가능한 타입의 정보처리장치로서, 직접 또는 다른 정보처리장치를 통해 네트워크를 경유하여 원격지의 서버에 접속하거나 타 단말과 연결될 수 있다.

도 1 을 참조하면, 일 실시예에 따른 개인화된랭킹장치(10)은, 입출력부(110), 제어부(120), 통신부(130) 및 메모리(140)를 포함할 수 있다.

입출력부(110)는 사용자로부터 입력을 수신하기 위한 입력부와, 작업의 수행 결과 또는 개인화된랭킹장치(10)의 상태 등의 정보를 표시하기 위한 출력부를 포함할 수 있다. 예를 들어, 입출력부(110)는 사용자 입력을 수신하는 조작 패널(operation panel) 및 화면을 표시하는 디스플레이 패널(display panel) 등을 포함할 수 있다.

구체적으로, 입력부는 키보드, 물리 버튼, 터치 스크린, 카메라 또는 마이크 등과 같이 다양한 형태의 사용자 입력을 수신할 수 있는 장치들을 포함할 수 있다. 또한, 출력부는 디스플레이 패널 또는 스피커 등을 포함할 수 있다. 다만, 이에 한정되지 않고 입출력부(110)는 다양한 입출력을 지원하는 구성을 포함할 수 있다.

제어부(120)는 개인화된랭킹장치(10)의 전체적인 동작을 제어하며, CPU 등과 같은 프로세서를 포함할 수 있다. 제어부(120)는 입출력부(110)를 통해 수신한 사용자 입력에 대응되는 동작을 수행하도록 개인화된랭킹장치(10)에 포함된 다른 구성들을 제어할 수 있다.

예를 들어, 제어부(120)는 메모리(140)에 저장된 프로그램을 실행시키거나, 메모리(140)에 저장된 파일을 읽어오거나, 새로운 파일을 메모리(140)에 저장할 수도 있다.

우선, 제어부(120)는 SRWR를 통해 네트워크의 각 정점에 대해 아래와 같이 2가지의 확률을 측정할 수 있다.

: 시작정점 S 로부터 SRWR에 따라 양의 랜덤퍼서가 정점 u에 방문할 확률

: 시작정점 S 에서 SRWR에 따라 음의 랜덤서퍼가 정점 u에 방문할 확률

(또는

)는 SRWR 의해 정점 u에 양의 랜덤서퍼(음의 랜덤서퍼)가 방문한 횟수의 비율에 대응된다.

만약 양의 랜덤서퍼가 정점 u를 음의 랜덤서퍼보다 많이 방문한 경우 시작정점 s는 정점u를 신뢰하는 것으로 볼 수 있다. 이와 반대라면 시작정점 s는 정점 u를 신뢰하지 않는 것으로 볼 수 있다.

다시 말해,

이

보다 크면 시작정점 s 는 정점 u를 양의 정점으로 고려한다. 이와 달리

가

보다 크면 시작정점 s는 정점 u를 음의 정점으로 고려한다.

이를 기초로 시작정점 S와 정점 u 간 상대적 신뢰도 점수인

를 정의할 수 있고 SRWR에서 모든 정점에 대해

은 양의 점수 벡터 그리고

은 음의 점수 벡터라 하면, SRWR에서 상대적 신뢰도 벡터는

로 표현된다.

그리고 네트워크의 각 간선(edge)에 대해 (부호, 이동확률) 라벨이 부여될 수 있다. 예를 들어, 정점 i에 3개의 아웃간선이 있으면 정점 i 에서 정점 u로 양의 간선의 라벨은 (+, 1/3)이다.

즉, t+1번째 이동 시에 정점 u에 양의 부호를 갖고 방문하는 랜덤서퍼는, 정점u의 이웃 정점 중 어느 하나에서 t 번째 이동 시에 양의 간선을 통해 이동한 것이거나 또는 음의 부호인 랜덤서퍼가 음의 간선을 통해 이동한 것이다.

부호화된 랜덤서퍼의 모델은 수식적으로 아래와 같은 재귀식을 갖는다.

[수학식 1]

:정점 i 의 정점i로 진입 간선 세트

:점점 i의 정점i에서 아웃 간선 세트

수학식 1 은 부호화된 인접행렬 A와 준-행 정규화 행렬(semi-row normalized matrix)을 이용하여 아래와 같이 변환할 수 있다.

[수학식 2]

네트워크의 부호화된 인접행렬 A: 정점 u에서 v로 간선이 양의 간선이거나 음의 간선임에 따라

값이 양 또는 음인 행렬이다.

준-행 정규화 행렬: A의 절대(absolute) 인접행렬을

라 하면, D 는

의 아웃-차수(out-degree)의 대각행렬(diagonal matrix)이다. A의 준-행 정규화 행렬은

이다.

q: 시작정점 s에 대응되는 원소가 1 이고 나머지 모든 원소가 0 인 벡터

그리고 수학식 2 는 랭킹모델에서 적으로부터 제공되는 정보의 불확실성을 나타낸 파라미터인 밸런스감소인자(Balance attenuation factor)

(ex.’내 적의 적은 내 친구’ 인지에 대한 불확실성)와

(ex. ‘내 적의 친구는 나의 적’ 인지에 대한 불확실성)를 이용하여 아래와 같이 나타낼 수 있다.

[수학식 3]

SWRW은 수학식 3 을 반복 계산함으로써 네트워크의 r값을 계산할 수 있다.

하지만, 이와 같은 반복적인 계산을 회피하기 위해 제어부(120)는 부호화된 네트워크 간의 연결관계를 나타낸 부호화된 인접행렬을 전처리할 수 있다.

이를 위해, 제어부(120)는 수학식 3 을 닫힌 형태의 선형시스템으로 변환할 수 있다.

우선, 전달인자 P를

라고 가정하면, 상기 수학식 3 에서

와

에 대한 재귀적 수식에서 p는 아래와 같다.

[수학식 4]

이때,

이다. 그리고

이고,

이다.

수학식 4 에 의해

이다. 여기서

은

의 열-정규화 행렬이다.

그리고 p에 대한 선형시스템은

에 대해 아래와 같이 정리될 수 있다.

[수학식 5]

이때,

는

이다.

는 0<c<1 일 때 역행렬로 변환(invertible)될 수 있다. 따라서 p에 대한 선형시스템은 아래의 수식과 같다.

[수학식 6]

그리고 수학식 3 에서 SRWR의 점수벡터

그리고

은 아래와 같이 표현될 수 있다.

[수학식 7]

,

:0과 1 사이 값을 갖는 밸런스감소인자

이때, 수학식 3 에 의해

이고, 상술된 가정에 따라

이다.

이에

는 아래의 수식과 같이 표현될 수 있다.

[수학식 8]

수학식 8 에서

에 의해 왼쪽편을 정리하면, 수학식 8 은 아래와 같이 표현될 수 있다.

[수학식 9]

:

이때,

는 대각선 지배 행렬(strictly diagonally dominant)이다(0<c<1, 0<

,

<1). 그래서

는 역행렬로 변환(invertible)될 수 있다.

따라서

이고,

에 대한 선형시스템은 아래의 수식과 같이 표현된다.

[수학식 10]

이때,

이고,

와

는 밸런스감소인자이다.

이와 같이, 수학식 6 및 10 과 같이 표현되는 선형시스템을 계산하면, p 와

를 획득할 수 있고, 이 두 벡터를 기반으로

를 획득할 수 있다. 이를 통해 SRWR의 상대적 신뢰도 벡터

를 획득할 수 있다.

수학식 6 및 10 의 선형시스템을 계산하기 위해 제어부(120)는

와

행렬을 재정렬하는 전처리를 수행할 수 있으며, 예를 들어 Hub-and-spoke 정점 재정렬 기법을 이용할 수 있다.

이때, Hub-and-spoke 정점 재정렬 기법은 실세계 그래프가 소수의 연결 차수가 많은 노드와 다수의 연결 차수가 낮은 노드로 이루어지는 power-law degree distribution 을 따른다는 특징을 이용하여 정점의 인덱스를 재정렬하여 인접 행렬의 0이 아닌 원소들은 한곳으로 모이도록 할 수 있다.

부호화된 인접 행렬 A의 정점을 재정렬하면, 부호화된 인접 행렬 A는 크지(large)만 쉽게 역행렬로 변환(easy-to-invert)되는 부분행렬 블록 대각 행렬(Block diagonal matrix)를 포함할 수 있다.

이를 통해

와

를 계산할 수 있다.

와

는 재정렬된 인접행렬

과 대각선 부분을 제외한 동일한 희소 패턴을 갖는다.

그래서

와

는 아래와 같이 분할될 수 있고,

이에 따라 수학식 6 및 10 은 아래와 같이 표현될 수 있다.

[수학식 11]

[수학식 12]

이때,

는 n X 1 벡터이다.

그리고 제어부(120)는 수학식 11 및 12 와 같이 블록으로 분할된 선형시스템에 대해 블록제거기법을 적용할 수 있다.

즉, 선형시스템

은 아래와 같이 분할될 수 있다.

[수학식 13]

이때,

과

은 사각행렬(square matrices)이다. 만약 부분행렬

이 역변환된다면, X는 아래와 같이 표현될 수 있다.

[수학식 14]

여기서

는

의 슈어컴플리먼트(Schur complement)이다.

이때, 분할된 선형 시스템에 역행렬 변환이 쉬운 부분 행렬이 포함되고 슈어컴플리먼트의 차원(dimension)이 작다면, 분할된 선형 시스템은 효율적으로 계산될 수 있다.

이를 수학식 11 및 12 에 적용하면 아래와 같이 표현될 수 있다.

[수학식 15]

[수학식 16]

는

의 슈어 컴플리먼트이고,

는

의 슈어컴플리먼트이다.

그리고 제어부(120)는

과

각각의 슈어컴플리먼트를 계산할 수 있으며,

및

의 L, U 인자를 역행렬로 변환함으로써

와

의 계산을 할 수 있다.

이러한 전처리 과정을 통해 제어부(120)는

로부터 전처리된 행렬로

,

을 계산할 수 있고,

로부터 전처리된 행렬로

,

계산할 수 있으며, 음(negative) 준-행(semi-row) 정규화 행렬

을 계산할 수 있다.

이후, 제어부(120)는 전처리된 행렬을 이용하여 시작정점 S에 대한 SRWR 점수벡터

와

를 계산할 수 있다.

이를 위해, 제어부(120)는 시작정점 S에 대응되는 원소는 1이고 나머지는 0 인 시작벡터 q를 생성할 수 있고, 시작벡터 q를

과

로 분할할 수 있다.

그리고 제어부(120)는 상술된 수학식 15 를 이용하여

과

를 계산할 수 있고, 이를 결합하여 p를 획득할 수 있다.

이후, 제어부(120)는

를 계산하기 위해

를

과

로 분할할 수 있다. 그리고 제어부(120)는 수학식 16 을 이용하여

과

를 계산하고 이를 결합하여

를 획득할 수 있다.

그리고 제어부(120)는

와 p를 이용하여

를 계산할 수 있고, 계산된

를 이용하여

을 획득할 수 있다.

통신부(130)는 다른 디바이스 또는 네트워크와 유무선 통신을 수행할 수 있다. 이를 위해, 통신부(130)는 다양한 유무선 통신 방법 중 적어도 하나를 지원하는 통신 모듈을 포함할 수 있다. 예를 들어, 통신 모듈은 칩셋(chipset)의 형태로 구현될 수 있다.

통신부(130)가 지원하는 무선 통신은, 예를 들어 Wi-Fi(Wireless Fidelity), Wi-Fi Direct, 블루투스(Bluetooth), UWB(Ultra Wide Band) 또는 NFC(Near Field Communication) 등일 수 있다. 또한, 통신부(130)가 지원하는 유선 통신은, 예를 들어 USB 또는 HDMI(High Definition Multimedia Interface) 등일 수 있다.

메모리(140)에는 파일, 어플리케이션 및 프로그램 등과 같은 다양한 종류의 데이터가 설치 및 저장될 수 있다. 제어부(120)는 메모리(140)에 저장된 데이터에 접근하여 이를 이용하거나, 또는 새로운 데이터를 메모리(140)에 저장할 수도 있다. 또한, 제어부(120)는 메모리(140)에 설치된 프로그램을 실행할 수도 있다.

이러한 메모리(140)는 부호화된 네트워크간의 연결관계를 나타내는 행렬인 인접행렬을 저장할 수 있다.

도 2 내지 도 4 는 일 실시예에 따른 개인화된랭킹방법을 설명하기 위한 순서도이다.

도 2 내지 도 4 에 도시된 실시예에 따른 개인화된랭킹방법은 도 1 에 도시된 개인화된랭킹장치(10)에서 시계열적으로 처리되는 단계들을 포함한다. 따라서, 이하에서 생략된 내용이라고 하더라도 도 1 에 도시된 개인화된랭킹장치(10)에 관하여 이상에서 기술한 내용은 도 2 내지 도 4에 도시된 실시예에 따른 개인화된랭킹방법에도 적용될 수 있다.

우선, 개인화된랭킹장치(10)는 부호화된 네트워크간의 연결관계를 나타내는 행렬인 인접행렬에 대해 전처리를 수행할 수 있다(S2001).

도 3 은 개인화된랭킹장치(10)가 전처리를 수행하는 단계를 구체적으로 기재한 순서도이다.

도 3 을 참조하면, 개인화된랭킹장치(10)는 부호화된 인접행렬 A, 재시작확률 C 및 밸런스감소인자

,

를 획득할 수 있다(S3001).

그리고 개인화된랭킹장치(10)는 인접행렬을 구성하는 원소에 대해 재정렬을 수행할 수 있다(S3002).

예를 들어, 개인화된랭킹장치(10)는 Hub-and-spoke reordering 기법을 이용하여 인접행렬 A를 재정렬할 수 있다.

이후, 개인화된랭킹장치(10)는 재정렬된 인접행렬에 대해 정규화를 수행할 수 있다(S3003).

예를 들어, 개인화된랭킹장치(10)는 양 준-행-정규화(positive semi-row-normalized)와 음 준-행-정규화(negative semi-row-normalized)를 인접행렬 A에 적용하여 행렬

와

로 정규화할 수 있다.

그리고 개인화된랭킹장치(10)는 정규화된 인접행렬에 대해 전달인자를 이용하여 닫힌 선형시스템으로 변환을 수행할 수 있다(S3004).

예를 들어, 개인화된랭킹장치(10)는 전달인자 p와 점수벡터

의 관계가

임을 이용하여

=

및

를 계산할 수 있다.

이후, 개인화된랭킹장치(10)는 닫힌 선형시스템으로 변환된 행렬을 분할할 수 있다(S3005).

예를 들어, 개인화된랭킹장치(10)는 닫힌 선형시스템으로 변환된 행렬

를

,

을 계산할 수 있고,

를

,

로 분할할 수 있다.

그리고 개인화된랭킹장치(10)는 분할된 행렬을 구성하는 블록을 제거할 수 있고, 분할된 행렬에 대한 슈어컴플리먼트를 계산하고(S3006), 계산된 슈어컴플리먼트에 기초하여 역행렬을 계산할 수 있다(S3007).

이를 통해, 개인화된랭킹장치(10)는

와

로부터 전처리된 행렬 및

를 획득할 수 있다(S3008).

이후, 개인화된랭킹장치(10)는 S2001단계를 통해 전처리된 행렬에 기초하여 상기 부호화된 네트워크의 정점 중 기 설정된 정점인 시작정점에 대해 상대적 신뢰도 벡터를 계산할 수 있다(S2002).

즉, 개인화된랭킹장치(10)는 인접행렬에 대한 전처리를 통해 획득된 행렬에 기초하여 전달인자를 계산할 수 있고, 전달인자에 기초하여 네트워크에 대한 상대적 신뢰도 점수벡터를 계산할 수 있다.

도 4 는 개인화된랭킹장치(10)가 상대적 신뢰도 점수벡터를 계산하는 과정을 자세히 도시한 순서도이다.

도 4 를 참조하면, 개인화된랭킹장치(10)는 S2001단계를 통해 전처리된 인접행렬과 시작정점 S를 입력받을 수 있다(S4001).

그리고 개인화된랭킹장치(10)는 시작정점 S로부터 q벡터를 생성할 수 있고, 생성된 q를

과

로 분할할 수 있다(S4002).

이후, 개인화된랭킹장치(10)는

=

를 계산하여 P로 결합할 수 있다(S4004).

그리고 개인화된랭킹장치(10)는

를 계산하고, 계산된

를

과

로 분할 수 있다(S4005).

이후, 개인화된랭킹장치(10)는

를 계산할 수 있고(S4006),

를 계산하여 r로 결합할 수 있다(S4007).

그리고 개인화된랭킹장치(10)는 전달인자 P와 r에 대한 관계식인

을 계산할 수 있고,

을 계산할 수 있다(S4008).

이후, 개인화된랭킹장치(10)는 상대적 신뢰도 벡터 r을 출력할 수 있다(S4009).

이상의 실시예들에서 사용되는 '~부'라는 용어는 소프트웨어 또는 FPGA(field programmable gate array) 또는 ASIC 와 같은 하드웨어 구성요소를 의미하며, '~부'는 어떤 역할들을 수행한다. 그렇지만 '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램특허 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들, 및 변수들을 포함한다.

구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로부터 분리될 수 있다.

뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU 들을 재생시키도록 구현될 수도 있다.

도 2 내지 도 4 를 통해 설명된 실시예에 따른 개인화된랭킹방법은 컴퓨터에 의해 실행 가능한 명령어 및 데이터를 저장하는, 컴퓨터로 판독 가능한 매체의 형태로도 구현될 수 있다. 이때, 명령어 및 데이터는 프로그램 코드의 형태로 저장될 수 있으며, 프로세서에 의해 실행되었을 때, 소정의 프로그램 모듈을 생성하여 소정의 동작을 수행할 수 있다. 또한, 컴퓨터로 판독 가능한 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터로 판독 가능한 매체는 컴퓨터 기록 매체일 수 있는데, 컴퓨터 기록 매체는 컴퓨터 판독 가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함할 수 있다.예를 들어, 컴퓨터 기록 매체는 HDD 및 SSD 등과 같은 마그네틱 저장 매체, CD, DVD 및 블루레이 디스크 등과 같은 광학적 기록 매체, 또는 네트워크를 통해 접근 가능한 서버에 포함되는 메모리일 수 있다.

또한 도 2 내지 도 4 를 통해 설명된 실시예에 따른 개인화된랭킹방법은 컴퓨터에 의해 실행 가능한 명령어를 포함하는 컴퓨터 프로그램(또는 컴퓨터 프로그램 제품)으로 구현될 수도 있다. 컴퓨터 프로그램은 프로세서에 의해 처리되는 프로그래밍 가능한 기계 명령어를 포함하고, 고레벨 프로그래밍 언어(High-level Programming Language), 객체 지향 프로그래밍 언어(Object-oriented Programming Language), 어셈블리 언어 또는 기계 언어 등으로 구현될 수 있다. 또한 컴퓨터 프로그램은 유형의 컴퓨터 판독가능 기록매체(예를 들어, 메모리, 하드디스크, 자기/광학 매체 또는 SSD(Solid-State Drive) 등)에 기록될 수 있다.

따라서 도 2 내지 도 4 를 통해 설명된 실시예에 따른 개인화된랭킹방법은 상술한 바와 같은 컴퓨터 프로그램이 컴퓨팅 장치에 의해 실행됨으로써 구현될 수 있다. 컴퓨팅 장치는 프로세서와, 메모리와, 저장 장치와, 메모리 및 고속 확장포트에 접속하고 있는 고속 인터페이스와, 저속 버스와 저장 장치에 접속하고 있는 저속 인터페이스 중 적어도 일부를 포함할 수 있다. 이러한 성분들 각각은 다양한 버스를 이용하여 서로 접속되어 있으며, 공통 머더보드에 탑재되거나 다른 적절한 방식으로 장착될 수 있다.

여기서 프로세서는 컴퓨팅 장치 내에서 명령어를 처리할 수 있는데, 이런 명령어로는, 예컨대 고속 인터페이스에 접속된 디스플레이처럼 외부 입력, 출력 장치상에 GUI(Graphic User Interface)를 제공하기 위한 그래픽 정보를 표시하기 위해 메모리나 저장 장치에 저장된 명령어를 들 수 있다. 다른 실시예로서, 다수의 프로세서 및(또는) 다수의 버스가 적절히 다수의 메모리 및 메모리 형태와 함께 이용될 수 있다. 또한 프로세서는 독립적인 다수의 아날로그 및(또는) 디지털 프로세서를 포함하는 칩들이 이루는 칩셋으로 구현될 수 있다.

또한 메모리는 컴퓨팅 장치 내에서 정보를 저장한다. 일례로, 메모리는 휘발성 메모리 유닛 또는 그들의 집합으로 구성될 수 있다. 다른 예로, 메모리는 비휘발성 메모리 유닛 또는 그들의 집합으로 구성될 수 있다. 또한 메모리는 예컨대, 자기 혹은 광 디스크와 같이 다른 형태의 컴퓨터 판독 가능한 매체일 수도 있다.

그리고 저장장치는 컴퓨팅 장치에게 대용량의 저장공간을 제공할 수 있다. 저장 장치는 컴퓨터 판독 가능한 매체이거나 이런 매체를 포함하는 구성일 수 있으며, 예를 들어 SAN(Storage Area Network) 내의 장치들이나 다른 구성도 포함할 수 있고, 플로피 디스크 장치, 하드 디스크 장치, 광 디스크 장치, 혹은 테이프 장치, 플래시 메모리, 그와 유사한 다른 반도체 메모리 장치 혹은 장치 어레이일 수 있다.

상술된 실시예들은 예시를 위한 것이며, 상술된 실시예들이 속하는 기술분야의 통상의 지식을 가진 자는 상술된 실시예들이 갖는 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 상술된 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.

본 명세서를 통해 보호 받고자 하는 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태를 포함하는 것으로 해석되어야 한다.

10: 개인화된랭킹장치
110: 입출력부
120: 제어부
130: 통신부
140: 메모리

Claims

부호화된 소셜 네트워크에서 개인화된 랭킹을 수행하는 장치에 있어서,
부호화된 소셜 네트워크에서 사용자간 연결관계를 나타내는 행렬인 인접행렬을 저장하는 메모리; 및
상기 인접행렬에 기초하여 전처리된 행렬을 획득하고, 상기 전처리된 행렬에 기초하여 상기 부호화된 소셜 네트워크의 정점 중 기 설정된 정점인 시작정점에 대해 나머지 정점과의 상대적 신뢰도 벡터를 계산하여 상기 부호화된 소셜 네트워크상에서 개인화된 랭킹을 생성하는 제어부를 포함하는, 개인화된랭킹장치.
제 1 항에 있어서,
상기 제어부는,
상기 부호화된 소셜 네트워크를 구성하는 각 정점의 차수에 기초하여 상기 인접행렬을 재정렬하여 정규화를 수행하고, 정규화된 인접행렬을 기초로 상기 전처리된 행렬을 생성하는, 개인화된랭킹장치.
제 2 항에 있어서,
상기 제어부는,
상기 상대적 신뢰도 벡터를 구성하는 점수벡터로 구성된 전달인자를 이용한 닫힌 선형시스템을 통해 상기 인접행렬에 이동확률 및 밸런스감소인자 중 적어도 하나를 반영한 행렬을 생성하는, 개인화된랭킹장치.
제 3 항에 있어서,
상기 제어부는,
생성된 행렬에 대해 재정렬을 수행하여 분할하고, 분할된 행렬에 대해 블록제거를 수행하는, 개인화된랭킹장치.
제 4 항에 있어서,
상기 제어부는,
상기 분할된 행렬에 대한 슈어컴플리먼트를 계산하고, 계산된 상기 분할된 행렬의 슈어컴플리먼트에 대한 역행렬을 계산하는, 개인화된랭킹장치.
제 1 항에 있어서,
상기 제어부는,
상기 전처리된 행렬에 기초하여 전달인자를 구성하는 점수벡터를 계산하고, 계산된 점수벡터에 기초하여 상기 네트워크에 대한 상대적 신뢰도 벡터를 계산하는, 개인화된랭킹장치.
개인화된랭킹장치가 부호화된 네트워크에서 개인화된 랭킹을 수행하는 방법에 있어서,
부호화된 소셜 네트워크에서 사용자간 연결관계를 나타내는 행렬인 인접행렬에 기초하여 전처리된 행렬을 획득하는 단계; 및
상기 전처리된 행렬에 기초하여 상기 부호화된 소셜 네트워크의 정점 중 기 설정된 정점인 시작정점에 대해 나머지 정점과의 상대적 신뢰도 벡터를 계산하여 상기 부호화된 소셜 네트워크상에서 개인화된 랭킹을 생성하는 단계를 포함하는, 개인화된랭킹방법.
제 7 항에 있어서,
상기 전처리된 행렬을 획득하는 단계는,
상기 부호화된 소셜 네트워크를 구성하는 각 정점의 차수에 기초하여 상기 인접행렬을 재정렬하여 정규화를 수행하는 단계; 및
정규화된 인접행렬을 기초로 상기 전처리된 행렬을 생성하는 단계를 포함하는, 개인화된랭킹방법.
제 8 항에 있어서,
상기 정규화된 인접행렬을 기초로 상기 전처리된 행렬을 생성하는 단계는,
상기 상대적 신뢰도 벡터를 구성하는 점수벡터로 구성된 전달인자를 이용한 닫힌 선형시스템을 통해 상기 인접행렬에 이동확률 및 밸런스감소인자 중 적어도 하나를 반영한 행렬을 생성하는 단계를 포함하는, 개인화된랭킹방법.
제 9 항에 있어서,
상기 개인화된랭킹방법은,
생성된 행렬에 대해 재정렬을 수행하여 분할하는 단계; 및
분할된 행렬에 대해 블록제거를 수행하는 단계를 더 포함하는, 개인화된랭킹방법.
제 10 항에 있어서,
상기 분할된 행렬에 대해 블록제거를 수행하는 단계는,
상기 분할된 행렬에 대한 슈어컴플리먼트를 계산하고, 계산된 상기 분할된 행렬의 슈어컴플리먼트에 대한 역행렬을 계산하는 단계를 포함하는, 개인화된랭킹방법.
제 7 항에 있어서,
상기 부호화된 소셜 네트워크상에서 개인화된 랭킹을 생성하는 단계는,
상기 전처리된 행렬에 기초하여 전달인자를 구성하는 점수벡터를 계산하는 단계; 및
계산된 점수벡터에 기초하여 상기 네트워크에 대한 상대적 신뢰도 벡터를 계산하는 단계를 더 포함하는, 개인화된랭킹방법.
제 7 항에 기재된 방법을 수행하는 프로그램이 기록된 컴퓨터 판독 가능한 기록 매체.
개인화된랭킹장치에 의해 수행되며, 제 7 항에 기재된 방법을 수행하기 위해 매체에 저장된 컴퓨터 프로그램.