KR102358678B1 - 대규모 소셜 네트워크 분석 방법 및 이를 수행하기 위한 장치 - Google Patents
대규모 소셜 네트워크 분석 방법 및 이를 수행하기 위한 장치 Download PDFInfo
- Publication number
- KR102358678B1 KR102358678B1 KR1020210005074A KR20210005074A KR102358678B1 KR 102358678 B1 KR102358678 B1 KR 102358678B1 KR 1020210005074 A KR1020210005074 A KR 1020210005074A KR 20210005074 A KR20210005074 A KR 20210005074A KR 102358678 B1 KR102358678 B1 KR 102358678B1
- Authority
- KR
- South Korea
- Prior art keywords
- signal information
- node
- graph
- network graph
- information
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000004458 analytical method Methods 0.000 title 1
- 238000003012 network analysis Methods 0.000 claims abstract description 10
- 230000015654 memory Effects 0.000 claims abstract description 9
- 230000009466 transformation Effects 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 38
- 238000001914 filtration Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims 5
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/15—Correlation function computation including computation of convolution operations
- G06F17/156—Correlation function computation including computation of convolution operations using a domain transform, e.g. Fourier transform, polynomial transform, number theoretic transform
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G06Q50/30—
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
대규모 소셜 네트워크 분석 방법 및 이를 수행하기 위한 장치가 개시된다. 본 발명의 일 실시예에 따른 대규모 소셜 네트워크 분석 방법 및 이를 수행하기 위한 장치는, 하나 이상의 프로세서들, 및 상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치에서 수행되는 방법으로서, 특정 네트워크에 포함된 복수의 객체에 대응되는 복수의 노드(node) 및 복수의 엣지(edge)를 포함하는 네트워크 그래프를 생성하는 단계; 상기 네트워크 그래프의 구조를 기반으로 상기 각 노드에 대응하는 신호 정보를 추출하는 단계; 및 상기 추출된 신호 정보에 대한 변환(transform)을 수행하여 상기 네트워크 그래프의 각 노드에 상기 변환된 신호 정보를 반영하는 단계를 포함한다.
Description
본 발명의 실시예들은 대규모 소셜 네트워크 분석 기술과 관련된다.
소셜 네트워크(Social Network)란 개인, 집단, 사회의 관계를 네트워크로 파악하는 개념으로서, 개인 또는 집단이 네트워크의 하나의 노드(node)이며, 소셜 네트워크는 이 각 노드들 간의 상호의존적인 관계에 의해 만들어지는 사회적 관계 구조를 의미한다. 이에 따라, 온라인상에서 친구·선후배·동료 등 지인과 의 인맥 관계를 강화시키고 또 새로운 인맥을 쌓으며 폭넓은 인적 네트워크(인간관계)를 형성할 수 있도록 해주는 소셜 네트워크 서비스(Social Network Service)가 개발되어 서비스되고 있다. 또한, 소셜 네트워크는 소셜 네트워크 서비스에 국한되지 않고 자연 과학등에도 적용되고 있다.
한편, 사회가 복잡해지면서 사람과 사람 간의 연결 뿐만 아니라 장치와 장치 간의 연결도 매우 복잡해지고 있고, 이러한 복잡한 개체 간 연결 구조를 뜻하는 대규모 네트워크(large scale network)의 개념이 대두되고 있다.
이러한 대규모 네트워크의 내부 구조를 파악하고 효과적인 정보를 얻기 위해서는 네트워크에 속한 개체들의 연결 관계를 파악하는 것이 매우 중요하다. 이를 위해 개체를 노드로, 노드 간의 연결을 엣지(edge)로 표현한 그래프를 이용하였다.
그러나, 노드의 수가 수십만, 수천만 개에 이르는 거대한 대규모 소셜 네트워크에 있어서, 네트워크 분석 및 관리에 한계점을 가진다. 즉, 대규모 소셜 네트워크의 경우 노드의 수가 너무 많아 소셜 네트워크의 전체 구성이 단일 수단(컴퓨터, 서버 등)에 로딩될 수 없으며, 따라서, 종래기술에 따른 소셜 네트워크 분석/관리 기술을 이용하는 경우 대규모 소셜 네트워크에 대한 분석 및 관리가 대단히 어렵거나 불가능하다는 문제점이 있다.
본 발명의 실시예들은 그래프 구조를 이용하여 신호의 구조 등과 같은 신호의 특성을 설명하기 위한 것이다.
본 발명의 예시적인 실시예에 따르면, 하나 이상의 프로세서들, 및 상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치에서 수행되는 방법으로서, 특정 네트워크에 포함된 복수의 객체에 대응되는 복수의 노드(node) 및 복수의 엣지(edge)를 포함하는 네트워크 그래프를 생성하는 단계; 상기 네트워크 그래프의 구조를 기반으로 상기 각 노드에 대응하는 신호 정보를 추출하는 단계; 및 상기 추출된 신호 정보에 대한 변환(transform)을 수행하여 상기 네트워크 그래프의 각 노드에 상기 변환된 신호 정보를 반영하는 단계를 포함하는 대규모 소셜 네트워크 분석 방법이 제공된다.
상기 신호 정보는 상기 네트워크 그래프의 각 노드가 가지는 데이터이며,
상기 네트워크 그래프의 구조는, 상기 데이터와 상기 노드 간의 연관(association) 정보, 상기 노드에 연결된 에지의 개수 정보 및 상기 노드에 연결된 모든 에지에 대한 가중치 정보를 포함할 수 있다.
상기 변환된 신호 정보를 반영하는 단계는 상기 네트워크 그래프의 구조 및 상기 신호 정보를 기반으로 대각 차수 행렬 (diagonal degree matrix) 및 인접 행렬(adjacency matrix)을 산출하는 단계; 및 상기 대각 차수 행렬 및 상기 인접 행렬로부터 그래프 라플라시안(Graph laplacian)을 산출하는 단계를 포함할 수 있다.
상기 변환된 신호 정보를 반영하는 단계는 상기 그래프 라플라시안을 고유 분해(eigen-decomposition)하여 변환 커널을 산출하는 단계; 및 상기 변환 커널을 이용하여 상기 신호 정보에 대한 푸리에 변환(Fourier transform)을 수행하는 단계를 포함할 수 있다.
상기 신호 정보에 대한 푸리에 변환은 하기 수식을 이용하여 상기 신호 정보에 대한 상기 변환된 신호 정보를 계산할 수 있다.
[수식]
(여기서, F(s)는 변환된 신호 정보, s는 신호 정보, xT는 역변환(inverse transform) 커널)
상기 대규모 소셜 네트워크 분석 방법은 상기 변환된 신호 정보에 대한 필터링을 수행하여 상기 변환된 신호 정보의 노이즈를 제거하는 단계를 더 포함할 수 있다.
본 발명의 실시예들에 따르면, 그래프 구조를 이용하여 신호의 구조 등과 같은 신호의 특성을 설명함으로써, 대규모 소셜 네트워크(Large Scale Social Network)의 구조를 보다 용이하게 파악할 수 있다.
도 1는 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경을 예시하여 설명하기 위한 블록도
도 2는 본 발명의 일 실시예에 따른 대규모 소셜 네트워크 분석 방법을 설명하기 위한 흐름도
도 3은 예시적인 순환 그래프(cycle graph)에서 시계열 신호(time-serial signal)를 나타내는 도면
도 4는 본 발명의 일 실시예에 따른 신호 정보가 반영된 그래프를 나타내는 도면
도 2는 본 발명의 일 실시예에 따른 대규모 소셜 네트워크 분석 방법을 설명하기 위한 흐름도
도 3은 예시적인 순환 그래프(cycle graph)에서 시계열 신호(time-serial signal)를 나타내는 도면
도 4는 본 발명의 일 실시예에 따른 신호 정보가 반영된 그래프를 나타내는 도면
이하, 도면을 참조하여 본 발명의 구체적인 실시형태를 설명하기로 한다. 이하의 상세한 설명은 본 명세서에서 기술된 방법, 장치 및/또는 시스템에 대한 포괄적인 이해를 돕기 위해 제공된다. 그러나 이는 예시에 불과하며 본 발명은 이에 제한되지 않는다.
본 발명의 실시예들을 설명함에 있어서, 본 발명과 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 그리고, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다. 상세한 설명에서 사용되는 용어는 단지 본 발명의 실시예들을 기술하기 위한 것이며, 결코 제한적이어서는 안 된다. 명확하게 달리 사용되지 않는 한, 단수 형태의 표현은 복수 형태의 의미를 포함한다. 본 설명에서, "포함" 또는 "구비"와 같은 표현은 어떤 특성들, 숫자들, 단계들, 동작들, 요소들, 이들의 일부 또는 조합을 가리키기 위한 것이며, 기술된 것 이외에 하나 또는 그 이상의 다른 특성, 숫자, 단계, 동작, 요소, 이들의 일부 또는 조합의 존재 또는 가능성을 배제하도록 해석되어서는 안된다.
도 1는 예시적인 실시예들에서 사용되기에 적합한 컴퓨팅 장치를 포함하는 컴퓨팅 환경(10)을 예시하여 설명하기 위한 블록도이다. 도시된 실시예에서, 각 컴포넌트들은 이하에 기술된 것 이외에 상이한 기능 및 능력을 가질 수 있고, 이하에 기술되는 것 이외에도 추가적인 컴포넌트를 포함할 수 있다.
도시된 컴퓨팅 환경(10)은 컴퓨팅 장치(12)를 포함한다. 일 실시예에서, 컴퓨팅 장치(12)는 본 발명의 실시예에 따른 대규모 소셜 네트워크 분석하기 위한 장치일 수 있다.
컴퓨팅 장치(12)는 적어도 하나의 프로세서(14), 컴퓨터 판독 가능 저장 매체(16) 및 통신 버스(18)를 포함한다. 프로세서(14)는 컴퓨팅 장치(12)로 하여금 앞서 언급된 예시적인 실시예에 따라 동작하도록 할 수 있다. 예컨대, 프로세서(14)는 컴퓨터 판독 가능 저장 매체(16)에 저장된 하나 이상의 프로그램들을 실행할 수 있다. 상기 하나 이상의 프로그램들은 하나 이상의 컴퓨터 실행 가능 명령어를 포함할 수 있으며, 상기 컴퓨터 실행 가능 명령어는 프로세서(14)에 의해 실행되는 경우 컴퓨팅 장치(12)로 하여금 예시적인 실시예에 따른 동작들을 수행하도록 구성될 수 있다.
컴퓨터 판독 가능 저장 매체(16)는 컴퓨터 실행 가능 명령어 내지 프로그램 코드, 프로그램 데이터 및/또는 다른 적합한 형태의 정보를 저장하도록 구성된다. 컴퓨터 판독 가능 저장 매체(16)에 저장된 프로그램(20)은 프로세서(14)에 의해 실행 가능한 명령어의 집합을 포함한다. 일 실시예에서, 컴퓨터 판독 가능 저장 매체(16)는 메모리(랜덤 액세스 메모리와 같은 휘발성 메모리, 비휘발성 메모리, 또는 이들의 적절한 조합), 하나 이상의 자기 디스크 저장 디바이스들, 광학 디스크 저장 디바이스들, 플래시 메모리 디바이스들, 그 밖에 컴퓨팅 장치(12)에 의해 액세스되고 원하는 정보를 저장할 수 있는 다른 형태의 저장 매체, 또는 이들의 적합한 조합일 수 있다.
통신 버스(18)는 프로세서(14), 컴퓨터 판독 가능 저장 매체(16)를 포함하여 컴퓨팅 장치(12)의 다른 다양한 컴포넌트들을 상호 연결한다.
컴퓨팅 장치(12)는 또한 하나 이상의 입출력 장치(24)를 위한 인터페이스를 제공하는 하나 이상의 입출력 인터페이스(22) 및 하나 이상의 네트워크 통신 인터페이스(26)를 포함할 수 있다. 입출력 인터페이스(22) 및 네트워크 통신 인터페이스(26)는 통신 버스(18)에 연결된다. 입출력 장치(24)는 입출력 인터페이스(22)를 통해 컴퓨팅 장치(12)의 다른 컴포넌트들에 연결될 수 있다. 예시적인 입출력 장치(24)는 포인팅 장치(마우스 또는 트랙패드 등), 키보드, 터치 입력 장치(터치패드 또는 터치스크린 등), 음성 또는 소리 입력 장치, 다양한 종류의 센서 장치 및/또는 촬영 장치와 같은 입력 장치, 및/또는 디스플레이 장치, 프린터, 스피커 및/또는 네트워크 카드와 같은 출력 장치를 포함할 수 있다. 예시적인 입출력 장치(24)는 컴퓨팅 장치(12)를 구성하는 일 컴포넌트로서 컴퓨팅 장치(12)의 내부에 포함될 수도 있고, 컴퓨팅 장치(12)와는 구별되는 별개의 장치로 컴퓨팅 장치(12)와 연결될 수도 있다.
본 발명의 실시예들을 설명하기에 앞서, 우선 소셜 네트워크(Social Network)에 대해서 설명한다. 소셜 네트워크는 객체 전체가 임의의 기준에 의해 서로 연결되어 있는 집합을 의미할 수 있으며, 소셜 네트워크 내에서 객체는 노드(node)로, 객체 간의 연결은 노드 사이를 잇는 엣지(edge)로 표현될 수 있다. 이때, 객체는 사람, 생물, 사물 또는 단어나 관념처럼 추상적인 대상을 의미할 수 있다. 이하에서는, 네트워크로 표현하기로 한다.
도 2는 본 발명의 일 실시예에 따른 대규모 소셜 네트워크 분석 방법을 설명하기 위한 흐름도이다. 도 2에 도시된 방법은 예를 들어, 상술한 컴퓨팅 장치에 의해 수행될 수 있다.
도 2를 참조하면, 단계 202에서 컴퓨팅 장치는 특정 네트워크에 포함된 복수의 객체에 대응되는 복수의 노드(node) 및 복수의 엣지(edge)를 포함하는 그래프를 생성한다.
개시되는 실시예들에서, 그래프는 복수의 노드와 각 노드들을 잇는 복수의 엣지로 이루어진 데이터 구조를 나타낼 수 있다. 이 때, 그래프 G는 다음과 같이 정의될 수 있다.
G = (V, E, WE)
(여기서, G는 그래프, V는 노드 그룹, E는 엣지 그룹, WE는 엣지의 가중치)
이후, 단계 204에서 컴퓨팅 장치는 그래프 구조를 기반으로 각각의 노드에 대응하는 신호 정보를 추출할 수 있다.
개시되는 실시예들에서, 신호 정보는 그래프의 각 노드가 가지는 데이터를 나타낼 수 있다. 즉, 신호 정보는 그래프의 각 노드에 배치된 신호 값으로 그래프의 각 노드와 실제 값(real value)을 연결하는 고유 벡터(eigenvector)일 수 있다. 그래프 구조는 데이터와 노드 간의 연관(association) 정보, 노드에 연결된 에지의 개수 정보 및 노드에 연결된 모든 에지에 대한 가중치 정보를 포함할 수 있다.
이후, 단계 206에서 컴퓨팅 장치는 추출된 신호 정보에 대한 변환(transform)을 수행하여 그래프의 각 노드에 변환된 신호 정보를 반영한다.
구체적으로, 컴퓨팅 장치는 그래프 및 신호 정보를 기반으로 그래프 라플라시안(Graph laplacian)을 산출할 수 있다. 예를 들어, 컴퓨팅 장치는 그래프 및 신호 정보를 기반으로 대각 차수 행렬 (diagonal degree matrix) 'D' 및 인접 행렬(adjacency matrix) 'A'를 산출할 수 있으며, 아래 수학식 1과 같이 대각 차수 행렬과 인접 행렬로부터 산출될 수 있다.
여기서, 대각 차수 행렬(diagonal degree matrix) 'D'는 그래프의 각 노드의 차수(노드에 연결된 에지의 개수)(degree)에 대한 정보를 포함하고, 인접 행렬(adjacency matrix) 'A'는 인접한 노드와의 연결 관계(edge)를 나타낼 수 있다.
N×N 크기의 대각 차수 행렬 D는 노드 ni에서 연결된 엣지의 수를 나타내는 원소 값 dij(i=j)으로 구성될 수 있다. 또한, N×N 크기의 대각 차수 행렬 D는 노드 ni에서 노드 nj (i≠j)로 연결되는 엣지의 가중치의 합을 나타내는 원소 값 dii로 구성될 수 있으며, dij (i≠j)는 0 값을 가질 수 있다. 즉, 대각 원소만이 값을 가질 수 있다.
네트워크에 포함된 노드의 수가 n개인 경우, 인접 행렬 A는 N×N 정사각 행렬로, 인접 행렬 A의 비대각 행렬(non-diagonal) 원소 값 aij(i≠j)은 노드 ni로부터 노드 nj로의 엣지의 수이고, A의 대각 성분(diagonal entry) 원소 값aij (i=j)은 노드 ni로부터 그 자신으로의 1개 이상의 엣지(즉, 셀프 루프(self loop))이다. 만약, 셀프 루프가 존재하지 않는다면, aij (i=j)는 0 값을 가질 수 있다. 예를 들어, 도 3과 같이, 순환 그래프(cycle graph)에서 시계열 신호(time-serial signal) 's'는 수학식 2와 같이 정의할 수 있으며,
이 때, 순환 그래프에서 s[n] = s[n+N]일 수 있다.
신호 s를 가지는 그래프에서 인접 행렬(A)를 나타내면 아래 수학식 3과 같다.
라플라시안 행렬(Laplacian matrix) 'L'은 완전한 그래프(complete graph)로 정의할 수 있으며, 라플라시안 행렬 L을 이용하여 최적의 신호 직교 변환(signal orthogonal transform) 커널 'χ'를 도출할 수 있다. 즉, 고유 분해(eigen-decomposition) 과정을 통해 아래 수학식 4와 같이 변환 커널 χ가 도출될 수 있다.
수학식 4에서 변환 커널 χ(즉, 고유 행렬(eigen matrix))의 열(column)은 고유 벡터(eigenvector)를 포함할 수 있으며, ∧는 λi가 i번째 고유 벡터(χi)의 음이 아닌(non-negative) 고유 값(eigenvalue)을 나타내는 대각 행렬일 수 있다. 이 때, λi는 주파수(frequency)를 나타낼 수 있으며, 아래 수학식 5와 같이 정의될 수 있다.
이를 신호 정보에 대하여 아래 수학식 6과 같이 정의할 수 있다.
(여기서, i는 i번째 노드)
라플라시안 행렬 L에서 변환 커널 χ의 고유 벡터를 이용하여 신호 정보에 대한 푸리에 변환(Fourier transform)을 제공할 수 있다. 즉, 변환 커널 χ는 신호 정보(고유 벡터)에 대한 푸리에 변환(Fourier transform)을 제공할 수 있다.
또한, 컴퓨팅 장치는 푸리에 변환된 신호 정보(즉, 주파수)를 그래프의 각 노드에 반영할 수 있다. 예를 들어, 도 4와 같이, 그래프의 각 노드에 고유 값(주파수)를 반영할 수 있다.
이후, 단계 206에서, 컴퓨팅 장치는 변환된 신호 정보에 필터링을 수행한다. 구체적으로, 컴퓨팅 장치는 변환된 신호 정보(즉, 주파수)에서 필터링을 수행하여 노이즈를 제거할 수 있다. 즉, 필터링을 수행하여 신호 정보의 잡음을 제거 할 수 있다. 예를 들어, 입력 신호에 대하여 아래 수학식 7과 같이 필터링을 수행할 수 있다.
즉, 그래프의 각 노드에 반영된 신호 정보에 대하여 아래 수학식 8과 같이 정의할 수 있다.
따라서, 본 발명의 실시예들에 따른 대규모 소셜 네트워크 분석 방법은 그래프 구조를 이용하여 신호의 구조 등과 같은 신호의 특성을 설명함으로써, 대규모 소셜 네트워크(Large Scale Social Network)의 구조를 보다 용이하게 파악할 수 있다.
한편, 본 발명의 실시예들은 본 명세서에서 기술한 방법들을 컴퓨터상에서 수행하기 위한 프로그램, 및 상기 프로그램을 포함하는 컴퓨터 판독 가능 기록매체를 포함할 수 있다. 상기 컴퓨터 판독 가능 기록매체는 프로그램 명령, 로컬 데이터 파일, 로컬 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나, 또는 컴퓨터 소프트웨어 분야에서 통상적으로 사용 가능한 것일 수 있다. 컴퓨터 판독 가능 기록매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광 기록 매체, 및 롬, 램, 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 상기 프로그램의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함할 수 있다.
이상에서 본 발명의 대표적인 실시예들을 상세하게 설명하였으나, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 상술한 실시예에 대하여 본 발명의 범주에서 벗어나지 않는 한도 내에서 다양한 변형이 가능함을 이해할 것이다. 그러므로 본 발명의 권리범위는 설명된 실시예에 국한되어 정해져서는 안 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.
10: 컴퓨팅 환경
12: 컴퓨팅 장치
14: 프로세서
16: 컴퓨터 판독 가능 저장 매체
18: 통신 버스
20: 프로그램
22: 입출력 인터페이스
24: 입출력 장치
26: 네트워크 통신 인터페이스
12: 컴퓨팅 장치
14: 프로세서
16: 컴퓨터 판독 가능 저장 매체
18: 통신 버스
20: 프로그램
22: 입출력 인터페이스
24: 입출력 장치
26: 네트워크 통신 인터페이스
Claims (18)
- 하나 이상의 프로세서들, 및
상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치에서 수행되는 대규모 소셜 네트워크 분석 방법으로서,
특정 네트워크에 포함된 복수의 객체에 대응되는 복수의 노드(node) 및 복수의 엣지(edge)를 포함하는 네트워크 그래프를 생성하는 단계;
상기 네트워크 그래프의 구조를 기반으로 각 노드에 대응하는 신호 정보를 추출하는 단계; 및
상기 추출된 신호 정보에 대한 변환(transform)을 수행하여 상기 네트워크 그래프의 각 노드에 상기 변환된 신호 정보를 반영하는 단계를 포함하며,
상기 신호 정보는, 상기 네트워크 그래프의 각 노드가 가지는 데이터이며,
상기 네트워크 그래프의 구조는, 상기 데이터와 상기 노드 간의 연관(association) 정보, 상기 노드에 연결된 에지의 개수 정보 및 상기 노드에 연결된 모든 에지에 대한 가중치 정보를 포함하며,
상기 변환된 신호 정보를 반영하는 단계는,
상기 네트워크 그래프의 구조 및 상기 신호 정보를 기반으로 대각 차수 행렬 (diagonal degree matrix) 및 인접 행렬(adjacency matrix)을 산출하는 단계;
상기 대각 차수 행렬 및 상기 인접 행렬로부터 그래프 라플라시안(Graph laplacian)을 산출하는 단계;
상기 그래프 라플라시안을 고유 분해(eigen-decomposition)하여 변환 커널을 산출하는 단계; 및
상기 변환 커널을 이용하여 상기 신호 정보에 대한 푸리에 변환(Fourier transform)을 수행하는 단계를 포함하며,
상기 신호 정보에 대한 푸리에 변환은,
하기 수식 1을 이용하여 상기 신호 정보에 대한 상기 변환된 신호 정보를 계산하며,
[수식 1]
(여기서, F(s)는 변환된 신호 정보, s는 신호 정보, xT는 역변환(inverse transform) 커널)
상기 대규모 소셜 네트워크 분석 방법은,
하기 수식 2를 이용하여 상기 네트워크 그래프의 각 노드에 반영된 상기 변환된 신호 정보를 각각 필터링하는 단계를 더 포함하는, 대규모 소셜 네트워크 분석 방법.
[수식 2]
(여기서, i는 i번째 노드, 는 i번째 노드에 반영된 신호 정보, N은 노드 수, 은 시간 영역(time domain)에서의 시간 레이블(time label), 은 입력신호, 는 고유값(eigenvalue)의 선형 조합(linear combination), 는 변환 커널()의 역행렬)
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 하나 이상의 프로세서들;
메모리; 및
하나 이상의 프로그램들을 포함하고,
상기 하나 이상의 프로그램들은 상기 메모리에 저장되고, 상기 하나 이상의 프로세서들에 의해 실행되도록 구성되며,
상기 하나 이상의 프로그램들은,
특정 네트워크에 포함된 복수의 객체에 대응되는 복수의 노드(node) 및 복수의 엣지(edge)를 포함하는 네트워크 그래프를 생성하기 위한 명령;
상기 네트워크 그래프의 구조를 기반으로 각 노드에 대응하는 신호 정보를 추출하기 위한 명령; 및
상기 추출된 신호 정보에 대한 변환(transform)을 수행하여 상기 네트워크 그래프의 각 노드에 상기 변환된 신호 정보를 반영하기 위한 명령을 포함하며,
상기 신호 정보는, 상기 네트워크 그래프의 각 노드가 가지는 데이터이며,
상기 네트워크 그래프의 구조는, 상기 데이터와 상기 노드 간의 연관(association) 정보, 상기 노드에 연결된 에지의 개수 정보 및 상기 노드에 연결된 모든 에지에 대한 가중치 정보를 포함하며,
상기 변환된 신호 정보를 반영하기 위한 명령은,
상기 네트워크 그래프의 구조 및 상기 신호 정보를 기반으로 대각 차수 행렬 (diagonal degree matrix) 및 인접 행렬(adjacency matrix)을 산출하기 위한 명령;
상기 대각 차수 행렬 및 상기 인접 행렬로부터 그래프 라플라시안(Graph laplacian)을 산출하기 위한 명령;
상기 그래프 라플라시안을 고유 분해(eigen-decomposition)하여 변환 커널을 산출하기 위한 명령; 및
상기 변환 커널을 이용하여 상기 신호 정보에 대한 푸리에 변환(Fourier transform)을 수행하기 위한 명령을 포함하며,
상기 신호 정보에 대한 푸리에 변환은,
하기 수식 1을 이용하여 상기 신호 정보에 대한 상기 변환된 신호 정보를 계산하며,
[수식 1]
(여기서, F(s)는 변환된 신호 정보, s는 신호 정보, xT는 역변환(inverse transform) 커널)
상기 하나 이상의 프로그램들은,
하기 수식 2를 이용하여 상기 네트워크 그래프의 각 노드에 반영된 상기 변환된 신호 정보를 각각 필터링하기 위한 명령을 더 포함하는, 컴퓨팅 장치.
[수식 2]
(여기서, i는 i번째 노드, 는 i번째 노드에 반영된 신호 정보, N은 노드 수, 은 시간 영역(time domain)에서의 시간 레이블(time label), 은 입력신호, 는 고유값(eigenvalue)의 선형 조합(linear combination), 는 변환 커널()의 역행렬)
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
- 비일시적 컴퓨터 판독 가능한 저장매체(non-transitory computer readable storage medium)에 저장된 컴퓨터 프로그램으로서,
상기 컴퓨터 프로그램은 하나 이상의 명령어들을 포함하고, 상기 명령어들은 하나 이상의 프로세서들을 갖는 컴퓨팅 장치에 의해 실행될 때, 상기 컴퓨팅 장치로 하여금,
특정 네트워크에 포함된 복수의 객체에 대응되는 복수의 노드(node) 및 복수의 엣지(edge)를 포함하는 네트워크 그래프를 생성하고,
상기 네트워크 그래프의 구조를 기반으로 각 노드에 대응하는 신호 정보를 추출하고, 그리고,
상기 추출된 신호 정보에 대한 변환(transform)을 수행하여 상기 네트워크 그래프의 각 노드에 상기 변환된 신호 정보를 반영하도록 하며,
상기 신호 정보는, 상기 네트워크 그래프의 각 노드가 가지는 데이터이며,
상기 네트워크 그래프의 구조는, 상기 데이터와 상기 노드 간의 연관(association) 정보, 상기 노드에 연결된 에지의 개수 정보 및 상기 노드에 연결된 모든 에지에 대한 가중치 정보를 포함하며,
상기 컴퓨터 프로그램은, 상기 변환된 신호 정보를 반영하기 위하여, 상기 컴퓨팅 장치로 하여금,
상기 네트워크 그래프의 구조 및 상기 신호 정보를 기반으로 대각 차수 행렬 (diagonal degree matrix) 및 인접 행렬(adjacency matrix)을 산출하고,
상기 대각 차수 행렬 및 상기 인접 행렬로부터 그래프 라플라시안(Graph laplacian)을 산출하고,
상기 그래프 라플라시안을 고유 분해(eigen-decomposition)하여 변환 커널을 산출하고, 그리고,
상기 변환 커널을 이용하여 상기 신호 정보에 대한 푸리에 변환(Fourier transform)을 수행하도록 하며,
상기 신호 정보에 대한 푸리에 변환은,
하기 수식을 이용하여 상기 신호 정보에 대한 상기 변환된 신호 정보를 계산하며,
[수식 1]
(여기서, F(s)는 변환된 신호 정보, s는 신호 정보, xT는 역변환(inverse transform) 커널)
상기 컴퓨터 프로그램은, 상기 컴퓨팅 장치로 하여금,
하기 수식 2를 이용하여 상기 네트워크 그래프의 각 노드에 반영된 상기 변환된 신호 정보를 각각 필터링하도록 하는, 컴퓨터 프로그램.
[수식 2]
(여기서, i는 i번째 노드, 는 i번째 노드에 반영된 신호 정보, N은 노드 수, 은 시간 영역(time domain)에서의 시간 레이블(time label), 은 입력신호, 는 고유값(eigenvalue)의 선형 조합(linear combination), 는 변환 커널()의 역행렬)
- 삭제
- 삭제
- 삭제
- 삭제
- 삭제
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210005074A KR102358678B1 (ko) | 2021-01-14 | 2021-01-14 | 대규모 소셜 네트워크 분석 방법 및 이를 수행하기 위한 장치 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020210005074A KR102358678B1 (ko) | 2021-01-14 | 2021-01-14 | 대규모 소셜 네트워크 분석 방법 및 이를 수행하기 위한 장치 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102358678B1 true KR102358678B1 (ko) | 2022-02-08 |
Family
ID=80252148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020210005074A KR102358678B1 (ko) | 2021-01-14 | 2021-01-14 | 대규모 소셜 네트워크 분석 방법 및 이를 수행하기 위한 장치 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102358678B1 (ko) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20240048929A (ko) * | 2022-10-07 | 2024-04-16 | 영남대학교 산학협력단 | 소셜 네트워크 생성 방법 및 이를 수행하기 위한 장치 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101541301B1 (ko) | 2012-06-07 | 2015-08-07 | 엔에이치엔엔터테인먼트 주식회사 | 대규모 소셜 네트워크 분석방법 및 컴퓨터로 판독 가능한 기록매체 |
KR20170016381A (ko) * | 2014-10-21 | 2017-02-13 | 엘지전자 주식회사 | 최적화 함수를 이용하여 그래프 기반 예측을 수행하는 방법 및 장치 |
-
2021
- 2021-01-14 KR KR1020210005074A patent/KR102358678B1/ko active IP Right Grant
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101541301B1 (ko) | 2012-06-07 | 2015-08-07 | 엔에이치엔엔터테인먼트 주식회사 | 대규모 소셜 네트워크 분석방법 및 컴퓨터로 판독 가능한 기록매체 |
KR20170016381A (ko) * | 2014-10-21 | 2017-02-13 | 엘지전자 주식회사 | 최적화 함수를 이용하여 그래프 기반 예측을 수행하는 방법 및 장치 |
Non-Patent Citations (1)
Title |
---|
Antonio Ortega et al., "Graph Signal Processing: Overview, Challenges, and Applications"* * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20240048929A (ko) * | 2022-10-07 | 2024-04-16 | 영남대학교 산학협력단 | 소셜 네트워크 생성 방법 및 이를 수행하기 위한 장치 |
KR102676606B1 (ko) | 2022-10-07 | 2024-06-19 | 영남대학교 산학협력단 | 소셜 네트워크 생성 방법 및 이를 수행하기 위한 장치 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20200401939A1 (en) | Systems and methods for preparing data for use by machine learning algorithms | |
US10984316B2 (en) | Context aware sensitive information detection | |
US10127323B1 (en) | Extractive query-focused multi-document summarization | |
US11263223B2 (en) | Using machine learning to determine electronic document similarity | |
CN114298417A (zh) | 反欺诈风险评估方法、训练方法、装置及可读存储介质 | |
US10216834B2 (en) | Accurate relationship extraction with word embeddings using minimal training data | |
US11409642B2 (en) | Automatic parameter value resolution for API evaluation | |
US11216701B1 (en) | Unsupervised representation learning for structured records | |
US9058176B2 (en) | Domain-specific generation of programming interfaces for business objects | |
US11159547B2 (en) | Malware clustering approaches based on cognitive computing techniques | |
US20220198266A1 (en) | Using disentangled learning to train an interpretable deep learning model | |
AU2018205089A1 (en) | Determination of task automation using natural language processing | |
KR102358678B1 (ko) | 대규모 소셜 네트워크 분석 방법 및 이를 수행하기 위한 장치 | |
JP2022089764A (ja) | コンピュータ実行方法、装置、コンピュータ・プログラム、及びコンピュータ可読媒体 | |
CN117063173A (zh) | Ai模型水印系统和方法 | |
US20120278265A1 (en) | Effort estimation using text analysis | |
US11227231B2 (en) | Computational efficiency in symbolic sequence analytics using random sequence embeddings | |
US11841977B2 (en) | Training anonymized machine learning models via generalized data generated using received trained machine learning models | |
KR102394210B1 (ko) | 커뮤니티 검출 장치 및 방법 | |
El Moudden et al. | Automatic speech analysis in patients with parkinson's disease using feature dimension reduction | |
CN108768742B (zh) | 网络构建方法及装置、电子设备、存储介质 | |
US11929063B2 (en) | Obfuscating audio samples for health privacy contexts | |
US20230186072A1 (en) | Extracting explanations from attention-based models | |
CN114817511A (zh) | 基于核主成分分析的问答交互方法、装置及计算机设备 | |
WO2019019711A1 (zh) | 行为模式数据的发布方法、装置、终端设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
AMND | Amendment | ||
AMND | Amendment | ||
X091 | Application refused [patent] | ||
AMND | Amendment | ||
X701 | Decision to grant (after re-examination) | ||
GRNT | Written decision to grant |