KR102660480B1 - 랜덤 워크를 이용한 개인화된 랭킹 방법 및 시스템 - Google Patents

랜덤 워크를 이용한 개인화된 랭킹 방법 및 시스템 Download PDF

Info

Publication number
KR102660480B1
KR102660480B1 KR1020220052236A KR20220052236A KR102660480B1 KR 102660480 B1 KR102660480 B1 KR 102660480B1 KR 1020220052236 A KR1020220052236 A KR 1020220052236A KR 20220052236 A KR20220052236 A KR 20220052236A KR 102660480 B1 KR102660480 B1 KR 102660480B1
Authority
KR
South Korea
Prior art keywords
score
node
visited node
sign
propagated
Prior art date
Application number
KR1020220052236A
Other languages
English (en)
Other versions
KR20220148748A (ko
Inventor
김상욱
이연창
이원창
Original Assignee
한양대학교 산학협력단
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 한양대학교 산학협력단 filed Critical 한양대학교 산학협력단
Priority to US17/731,904 priority Critical patent/US20220351076A1/en
Publication of KR20220148748A publication Critical patent/KR20220148748A/ko
Application granted granted Critical
Publication of KR102660480B1 publication Critical patent/KR102660480B1/ko

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Computing Systems (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

랜덤 워크를 이용한 개인화된 노드 랭킹 시스템 및 방법이 개시된다. 구체적으로, 분류 모델을 이용하여 예측된 시드 노드와 다음 방문 노드 간의 엣지 부호에 기초하여, 현재 방문 노드의 긍정 점수 또는 부정 점수를 전파하는 것을 신뢰할 수 있는지를 검증하는 단계, 및 검증에 따라 전파를 신뢰할 수 있는 경우, 균형 이론에 기초한 제1 점수 전파 방법을 이용하여 점수를 전파하고, 전파를 신뢰할 수 없는 경우, 부호 기반의 네트워크의 균형 삼각형과 불균형 삼각형의 비율에 기초한 제2 점수 전파 방법을 이용하여 점수를 전파하는 단계를 포함하는 랜덤 워크를 이용한 개인화된 노드 랭킹 방법이 개시된다.

Description

랜덤 워크를 이용한 개인화된 랭킹 방법 및 시스템{PERSONALIZED NODE RANKING METHOD AND SYSTEM USING RANDOM WALK}
본 개시는 개인화된 노드 랭킹 방법 및 시스템에 관한 것으로, 보다 구체적으로, 랜덤 워크를 이용하여 부호 기반의 네트워크에서 부호 검증을 통해 노드들에 대한 랭킹을 부여하는 기술에 관한 것이다.
개인화된 노드 랭킹(Personalized node ranking; PNR) 문제는 하나의 시드 노드가 주어지면, 네트워크의 구조를 고려하여 해당 노드와 가장 관련된 순서대로 나머지 노드들을 랭킹화하는 것이다. 특정 노드와 상관없이 네트워크의 글로벌한 노드 랭킹을 제공하는 전통적인 노드 랭킹(traditional node ranking) 문제와 달리, 개인화된 노드 랭킹 문제는 주어진 특정 노드에 초점을 맞추고 있다. 이에 따라, 개인화된 노드 랭킹 문제를 해결하기 위한 솔루션은 친구 추천 또는 타겟 마케팅 등 다양한 개인화된 비즈니스 어플리케이션에 활용될 수 있다.
노드들 간의 긍정 엣지(positive edges)와 부정 엣지(negative edges)를 함께 갖는 부호 기반의 네트워크(signed networks)가 등장하였다. 예를 들어, 제품 리뷰 웹사이트에서는 사용자들이 서로를 신뢰하는지 신뢰하지 않는지를 결정할 수 있다. 여기서, 사용자들 간의 신뢰/신뢰하지 않는 관계가 각각 부호 기반의 네트워크에서 긍정 엣지/부정 엣지로 표현될 수 있다. 이러한 엣지 부호(edge signs)는 노드들 간의 관계를 더 정확하게 이해할 수 있는 정보를 제공해 준다. 그러나 부호가 없는 네트워크(unsigned networks)에서의 개인화된 노드 랭킹 방법들은 네트워크 내에 한 가지 타입의 엣지들(예를 들면, 긍정 엣지)만 존재한다고 가정하기 때문에, 부호 기반의 네트워크에 존재하는 엣지 부호를 고려할 수 없다. 이러한 한계를 극복하기 위해, 엣지 부호를 고려할 수 있는 개인화된 노드 랭킹 방법들이 제안되고 있다.
최근 제안된 기술에서는 기존 랜덤 워크(random walk) 모델을 확장하여 엣지 부호를 고려하는 부호 기반의 랜덤 워크(signed random walk) 모델이 설계되었다. 먼저 랜덤 서퍼(random surfer)가 주어진 네트워크의 엣지를 이동하면서, 각 노드가 갖는 긍정 점수와 부정 점수를 해당 노드와 연결된 다른 노드들에게 엣지 부호를 고려하여 전파한다. 이때, 엣지 부호를 고려하기 위해, 공통적으로 사회 과학에서 잘 알려진 이론인 균형 이론(balance theory)을 따른다. 그러나, 상기 언급된 기술은 균형 이론에 의존하기 때문에 노드들 간의 엣지 부호를 부정확하게 예측하여 잘못된 긍정 점수 또는 부정 점수를 전파하게 됨으로써 랭킹 결과가 부정확해진다는 문제점이 있다.
부호 검증을 통한 랜덤 워크 기반 개인화된 노드 랭킹 방법 및 시스템을 제공할 수 있다.
균형 이론에 의한 부호 기반의 랜덤 서퍼의 점수 전파를 검증하여, 노드들에게 잘못된 부호에 해당하는 점수가 전파되지 않도록 하는 방법 및 시스템을 제공할 수 있다.
개인화된 노드 랭킹 시스템에 의해 수행되는 개인화된 랭킹 방법은, 시드 노드에서 부호 기반의 네트워크에 존재하는 노드들에 대하여 예측된 긍정 점수 또는 부정 점수를 포함하는 점수 정보의 신뢰 여부를 판단하기 위한 부호 검증을 수행하는 단계; 및 상기 부호 검증을 통해 판단된 신뢰 여부에 따라 선택된 어느 하나의 점수 전파 방법을 이용하여 시드 노드로부터 출발된 부호 기반의 랜덤 서퍼가 방문 노드에게 이전 방문 노드의 긍정 점수 또는 부정 점수를 포함하는 점수 정보를 전파하는 단계를 포함할 수 있다.
상기 부호 검증을 수행하는 단계는, 상기 시드 노드에서 상기 부호 기반의 네트워크에 존재하는 노드들에 대하여, 상기 시드 노드와 노드들 간 부정 긍정 점수 또는 부정 점수를 설정하는 단계를 포함할 수 있다.
상기 부호 검증을 수행하는 단계는, 상기 시드 노드와 이웃 노드의 쌍에 대한 토폴로지컬 특징(topological features)을 이용하여 상기 시드 노드와 이웃 노드 간의 부호 정보를 예측하고, 상기 예측된 시드 노드와 이웃 노드 간의 부호 정보와 상기 이웃 노드가 균형 이론(balance theory)에 의해 전파받는 점수 정보의 엣지 부호와 동일한 지 판단하는 단계를 포함할 수 있다.
상기 부호 검증을 수행하는 단계는, 상기 시드 노드와 이웃 노드의 쌍에 대한 복수 개의 토폴로지컬 특징(topological features)에 대한 값으로 구성된 특징 벡터 정보를 생성하고, 상기 생성된 특징 벡터 정보를 기반으로 로지스틱 회귀 분류기 모델(logistic regression classifier model)을 학습하고, 상기 학습된 로지스틱 회귀 분류기 모델을 이용하여 부호 기반의 네트워크에서 엣지로 연결되지 않은 노드들의 쌍에 대한 부호 정보를 예측하는 단계를 포함할 수 있다.
상기 부호 검증을 수행하는 단계는, 상기 판단을 통해, 상기 예측된 시드 노드와 이웃 노드 간의 부호 정보와 상기 이웃 노드가 상기 균형 이론(balance theory)에 의해 전파받는 점수 정보의 엣지 부호와 동일할 경우, 상기 이웃 노드가 상기 균형 이론(balance theory)에 의해 전파받는 점수 정보에 대한 점수 전파를 신뢰할 수 있는 것으로 판단하는 단계를 포함할 수 있다.
상기 부호 검증을 수행하는 단계는, 상기 판단을 통해, 상기 예측된 시드 노드와 이웃 노드 간의 부호 정보와 상기 이웃 노드가 상기 균형 이론(balance theory)에 의해 전파받는 점수 정보의 엣지 부호와 동일하지 않을 경우, 상기 이웃 노드가 상기 균형 이론에 의해 전파받는 점수 정보에 대한 점수 전파를 신뢰할 수 없는 것으로 판단하는 단계를 포함할 수 있다.
상기 점수 정보를 전파하는 단계는, 균형 이론의 규칙(rule)을 기반으로 엣지 부호와 다르게 예측하는 제1 점수 전파 방법 또는, 균형 이론의 규칙의 반대로 엣지 부호와 동일하게 예측하는 제2 점수 전파 방법을 이용하여 시드 노드로부터 출발된 부호 기반의 랜덤 서퍼가 방문 노드에게 이전 방문 노드의 긍정 점수 또는 부정 점수를 포함하는 점수 정보를 전파하는 단계를 포함할 수 있다.
상기 방문 노드와 상기 이웃 노드 간의 엣지 부호가 +1이면, 상기 방문 노드의 긍정 점수를 상기 이웃 노드의 긍정 점수로 전파하고, 상기 방문 노드와 상기 이웃 노드 간의 엣지 부호가 +1이라면, 상기 방문 노드의 부정 점수를 상기 이웃 노드의 부정 점수로 전파하고, 상기 방문 노드와 상기 이웃 노드 간의 엣지 부호가 -1이라면, 상기 방문 노드의 긍정 점수를 상기 이웃 노드의 부정 점수로 전파하고, 상기 방문 노드와 상기 이웃 노드 간의 엣지 부호가 -1이라면, 상기 방문 노드의 부정 점수를 상기 이웃 노드의 긍정 점수로 전파하는 단계를 포함할 수 있다.
상기 점수 정보를 전파하는 단계는, 상기 방문 노드의 점수 정보를 분배하기 위한 비율을 결정하고, 상기 결정된 비율에 따라 분배된 방문 노드의 점수 정보를 상기 방문 노드와 이웃한 이웃 노드의 긍정 점수 및 부정 점수에 전파하는 단계를 포함할 수 있다.
상기 점수 정보를 전파하는 단계는, 부호 기반의 네트워크에서 삼각형이 갖는 엣지 부호의 분포를 활용하여 상기 방문 노드의 점수 정보를 상기 이웃 노드의 긍정 점수 및 상기 부정 점수에 분배하기 위한 비율을 결정하는 단계를 포함할 수 있다.
상기 점수 정보를 전파하는 단계는, 상기 전파된 긍정 점수 또는 부정 점수를 기반으로 상기 방문 노드에 대한 개인화된 랭킹을 부여하는 단계를 포함할 수 있다.
상기 점수 정보를 전파하는 단계는, 상기 방문 노드의 긍정 점수에서 부정 점수를 감산한 점수 정보를 최종의 랭킹 점수로 간주하고, 상기 간주된 최종 랭킹 점수를 출력하는 단계를 포함할 수 있다.
상기 부호 검증을 수행하는 단계는, 상기 부호 기반의 네트워크에 존재하는 노드들에 대하여 부호 기반의 랜덤 워크를 이동시키는 단계를 포함할 수 있다.
어느 한 항의 개인화된 랭킹 방법을 상기 개인화된 노드 랭킹 시스템에 실행시키기 위해 비-일시적인 컴퓨터 판독 가능한 기록 매체에 저장되는 컴퓨터 프로그램을 포함할 수 있다.
개인화된 노드 랭킹 시스템은, 시드 노드에서 부호 기반의 네트워크에 존재하는 노드들에 대하여 예측된 긍정 점수 또는 부정 점수를 포함하는 점수 정보의 신뢰 여부를 판단하기 위한 부호 검증을 수행하는 부호 검증부; 및 상기 부호 검증을 통해 판단된 신뢰 여부에 따라 선택된 어느 하나의 점수 전파 방법을 이용하여 시드 노드로부터 출발된 부호 기반의 랜덤 서퍼가 방문 노드에게 이전 방문 노드의 긍정 점수 또는 부정 점수를 포함하는 점수 정보를 전파하는 점수 전파부를 포함할 수 있다.
본 개시의 일 실시 예에 따른 랜덤 워크를 이용한 개인화된 랭킹 방법은, 분류 모델을 이용하여 예측된 시드 노드와 다음 방문 노드 간의 엣지 부호에 기초하여, 현재 방문 노드의 긍정 점수 또는 부정 점수를 전파하는 것을 신뢰할 수 있는지를 검증하되, 상기 시드 노드, 상기 현재 방문 노드, 및 상기 다음 방문 노드는 부호 기반의 네트워크에 포함되는 단계, 상기 검증에 따라 전파를 신뢰할 수 있는 경우, 균형 이론에 기초한 제1 점수 전파 방법을 이용하여 점수를 전파하고, 상기 검증에 따라 전파를 신뢰할 수 없는 경우, 상기 부호 기반의 네트워크의 균형 삼각형과 불균형 삼각형의 비율에 기초한 제2 점수 전파 방법을 이용하여 점수를 전파하는 단계를 포함할 수 있다.
본 개시의 일 실시 예에 따른 랜덤 워크를 이용한 개인화된 노드 랭킹 시스템은, 부호 기반의 네트워크를 수신하는 수신부(receiver), 하나 이상의 인스트럭션을 저장하는 메모리; 및적어도 하나의 프로세서를 포함하되, 상기 프로세서는, 분류 모델을 이용하여 예측된 시드 노드와 방문 노드 간의 엣지 부호에 기초하여, 현재 방문 노드의 긍정 점수 또는 부정 점수를 전파하는 것을 신뢰할 수 있는지를 검증하고, 상기 검증에 따라 전파를 신뢰할 수 있는 경우, 균형 이론에 기초한 제1 점수 전파 방법을 이용하여 점수를 전파하고, 상기 검증에 따라 전파를 신뢰할 수 없는 경우, 상기 부호 기반의 네트워크의 균형 삼각형과 불균형 삼각형의 비율에 기초한 제2 점수 전파 방법을 이용하여 점수를 전파하도록 하는, 상기 하나 이상의 인스트럭션을 실행하되, 상기 시드 노드, 상기 현재 방문 노드, 및 상기 다음 방문 노드는 부호 기반의 네트워크에 포함될 수 있다.
본 개시의 일 실시 예에 따른, 프로그램이 저장된 컴퓨터로 읽을 수 있는 기록 매체는, 분류 모델을 이용하여 예측된 시드 노드와 다음 방문 노드 간의 엣지 부호에 기초하여, 현재 방문 노드의 긍정 점수 또는 부정 점수를 전파하는 것을 신뢰할 수 있는지를 검증하되, 상기 시드 노드, 상기 현재 방문 노드, 및 상기 다음 방문 노드는 부호 기반의 네트워크에 포함되는 동작, 및 상기 검증에 따라 전파를 신뢰할 수 있는 경우, 균형 이론에 기초한 제1 점수 전파 방법을 이용하여 점수를 전파하고, 상기 검증에 따라 전파를 신뢰할 수 없는 경우, 상기 부호 기반의 네트워크의 균형 삼각형과 불균형 삼각형의 비율에 기초한 제2 점수 전파 방법을 이용하여 점수를 전파하는 동작을 수행하도록 할 수 있다.
균형 이론에 의한 부정확한 부호 예측이 수정됨으로써 부호 예측의 정확도를 향상시킬 수 있다.
부호 검증을 통해 신뢰할 수 있는 점수를 전파함으로써 잘못된 점수가 전파될 확률을 최소화할 수 있다.
랭킹 결과의 정확도를 향상시킬 뿐만 아니라 의미있는 랭킹을 출력할 수 있다.
도 1은 노드들 간의 관계를 나타내는 부호 기반의 네트워크를 예시적으로 설명하기 위한 도면이다.
도 2는 일 실시 예에 따른 개인화된 노드 랭킹 시스템의 구성을 설명하기 위한 블록도이다.
도 3은 일 실시 예에 따른 개인화된 노드 랭킹 시스템에서 개인화된 노드 랭킹 방법을 설명하기 위한 흐름도이다.
도 4는 일 실시 예에 있어서, 균형 삼각형 및 불균형 삼각형의 예를 설명하기 위한 도면이다.
도 5는 일 실시 예에 있어서, 개인화된 노드 랭킹 시스템의 점수 전파 동작을 설명하기 위한 도면이다.
도 6은 일 실시 예에 있어서, 점수 전파를 신뢰할 수 있는 경우의 점수 전파 방법을 설명하기 위한 도면이다.
도 7은 일 실시 예에 있어서, 점수 전파를 신뢰할 수 없는 경우의 점수 전파 방법을 설명하기 위한 도면이다.
도 8은 일 실시 예에 따른 개인화된 노드 랭킹 시스템을 보여주는 블록도이다.
도 9a는 일 실시 예에 따른 개인화된 노드 랭킹 방법을 보여주는 순서도이다.
도 9b는 도 9a의 S920 단계의 세부 단계를 예시적으로 보여주는 순서도이다.
이하, 실시 예를 첨부한 도면을 참조하여 상세히 설명한다.
본 명세서에서 “시드 노드”, “현재 방문 노드”, 및 “다음 방문 노드”라는 용어가 사용된다. 여기서, 시드 노드, 현재 방문 노드, 다음 방문 노드는 부호 기반의 네트워크(signed network)에 포함되는 노드들일 수 있다. 시드 노드는 랜덤 워크가 시작되는 기준 노드로서, 개인화된 노드 랭킹의 기준 노드를 의미할 수 있다. 시드 노드는 랜덤 워크를 수행하기 전에 미리 결정될 수 있다. 현재 방문 노드는 랜덤 서퍼가 현재 방문한 노드를 의미할 수 있다. 다음 방문 노드는 현재 방문 노드에 있는 랜덤 서퍼가 다음 방문할 예정인 노드를 의미할 수 있다.
또한, 본 명세서에서 “긍정 점수” 및 “부정 점수”라는 용어가 사용된다. 여기서, 긍정 점수는, 부호 기반의 네트워크의 시드 노드 관점에서 시드 노드를 제외한 다른 노드들 각각이 친구일 확률에 대응할 수 있다. 반대로, 부정 점수는, 부호 기반의 네트워크의 시드 노드 관점에서 시드 노드를 제외한 다른 노드들 각각이 적일 확률에 대응할 수 있다.
도 1은 노드들 간의 관계를 나타내는 부호 기반의 네트워크를 예시적으로 설명하기 위한 도면이다.
균형 이론은 실세계의 사회 관계가 다음 4가지의 규칙(rule)들을 따른다는 것을 나타낸다. 친구의 친구는 친구, 적의 친구는 적, 친구의 적은 적, 적의 적은 친구를 포함하는 규칙을 따른다. 엣지 부호가 양의 부호인 경우 친구임을 나타내고, 음의 부호인 경우 적임을 나타낼 수 있다.
균형 이론에 의해, 부호 기반의 네트워크(100)에서 직접적으로 연결되지 않은 노드들 간의 부호가 예측될 수 있다. 도 1을 참조하면, 시드 노드(nx)에서 출발한 부호 기반의 랜덤 서퍼가 특정 노드(또는 다음 방문 노드로 지칭될 수 있음)(nz)에 방문하기까지의 경로 내 존재하는 엣지 부호가 균형 이론에 의해 분석될 수 있다. 여기서, 시드 노드(nx)는 부호 기반의 네트워크(100)에 포함되는 임의의 또는 미리 설정된 노드일 수 있다.
예시적으로, 시드 노드(nx)와 특정 노드(nz) 사이의 엣지들은 두 개의 부정 엣지(-) 및 두 개의 긍정 엣지(+)일 수 있다. 결과적으로, 균형 이론에 따라 시드 노드와 특정 노드간의 엣지(nx, nz) 부호가 양의 부호로 예측될 수 있다. (즉, 긍정 엣지(+)) 그 후, 부호 기반의 랜덤 서퍼(1)에 의해 예측된 부호에 해당하는 점수가 특정 노드로 전파될 수 있다.
도 1을 참조하면, 예시적으로 복수 개의 노드들 간의 관계를 나타낸 부호 기반의 네트워크가 존재한다고 가정하기로 한다. 이때, 부호 기반의 네트워크에서 방향 정보가 있을 수 있으나 본 개시는 이에 제한되지 않는다. 시드 노드와 특정 노드 간에 한 경로에 두 개의 부정 엣지(-)가 존재할 때, 균형 이론의 적의 적은 친구라는 규칙에 의해 특정 엣지에게 긍정 점수가 전파될 수 있다. 그러나, 실세계에서는 적의 적은 항상 친구가 아닐 수 있다. 두 노드 간의 경로가 긴 경우(예를 들면, 도 1에서 시드 노드와 특정 노드 간의 경로), 예측에 활용되는 엣지 부호가 많아 정확한 예측이 어려워질 수 있다.
이하, 실시 예에서는 균형 이론에 의한 부호 기반의 랜덤 서퍼의 점수 전파를 검증하여, 노드들에게 잘못된 부호에 해당하는 점수가 전파되지 않도록 하는 동작에 대하여 설명하기로 한다. 또한, 시드 노드의 관점에서 모든 노드들 중 가장 선호할 것 같은 노드 또는 가장 선호하지 않을 것 같은 노드들의 순위를 매기는 동작에 대하여 설명하기로 한다. 일 실시 예에 따르면, 개인화된 노드 랭킹 시스템은 시드 노드 관점에서 네트워크의 구조와 엣지 부호를 분석하여, 시드 노드를 제외한 나머지 노드들에 대한 랭킹을 출력할 수 있다.
도 2는 일 실시 예에 따른 개인화된 노드 랭킹 시스템의 구성을 설명하기 위한 블록도이고, 도 3은 일 실시 예에 따른 개인화된 노드 랭킹 시스템에서 개인화된 노드 랭킹 방법을 설명하기 위한 흐름도이다.
개인화된 노드 랭킹 시스템(200)은 프로세서(210)를 포함할 수 있다. 프로세서(210)는 부호 검증부(212) 및 점수 전파부(214)를 포함할 수 있다. 부호 검증부(212) 및 점수 전파부(214)는 개인화된 노드 랭킹 시스템(200)의 메모리(미도시)에 저장된 프로그램 코드가 제공하는 제어 명령에 따라 프로세서(210)에 의해 수행되는 서로 다른 기능들(different functions)의 표현들일 수 있다. 프로세서(210) 및 프로세서의 구성요소들은 도 3의 개인화된 노드 랭킹 방법이 포함하는 단계들(310 내지 320)을 수행하도록 개인화된 노드 랭킹 시스템을 제어할 수 있다. 이때, 프로세서(210) 및 프로세서의 구성요소들은 메모리(미도시)가 포함하는 운영체제의 코드와 적어도 하나의 프로그램의 코드에 따른 명령(instruction)을 실행하도록 구현될 수 있다.
프로세서(210)는 개인화된 노드 랭킹 방법을 위한 프로그램의 파일에 저장된 프로그램 코드를 메모리에 로딩할 수 있다. 예를 들면, 개인화된 노드 랭킹 시스템에서 프로그램이 실행되면, 프로세서는 운영체제의 제어에 따라 프로그램의 파일로부터 프로그램 코드를 메모리에 로딩하도록 개인화된 노드 랭킹 시스템을 제어할 수 있다. 이때, 부호 검증부(212) 및 점수 전파부(214) 각각은 메모리(미도시)에 로딩된 프로그램 코드 중 대응하는 부분의 명령을 실행하여 이후 단계들(310 내지 320)을 실행하기 위한 프로세서의 서로 다른 기능적 표현들일 수 있다.
단계(310)에서 부호 검증부(212)는 시드 노드에서 부호 기반의 네트워크에 존재하는 노드들에 대하여 예측된 긍정 점수 또는 부정 점수를 포함하는 점수 정보의 신뢰 여부를 판단하기 위한 부호 검증을 수행할 수 있다. 부호 검증부(212)는 부호 기반의 네트워크에 존재하는 노드들에 대하여 랜덤 서퍼에 의한 부호 기반의 랜덤 워크를 수행할 수 있다. 부호 검증부(212)는 부호 기반의 네트워크에 존재하는 노드들에 대하여, 시드 노드와 시드 노드를 제외한 노드들 간 긍정 점수 또는 부정 점수를 설정할 수 있다. 부호 검증부(212)는 시드 노드와 시드 노드를 제외한 노드들 간 엣지 부호를 예측할 수 있다. 예를 들어, 부호 검증부(212)는 시드 노드와 특정 노드로 구성되는 노드 쌍에 대한 토폴로지컬 특징(topological feature)들을 이용하여 시드 노드와 특정 노드 간의 엣지 부호를 예측하고, 예측된 시드 노드와 특정 노드 간의 엣지 부호와 특정 노드가 균형 이론(balance theory)에 의해 전파받는 점수 정보의 엣지 부호와 동일한 지를 판단할 수 있다.
부호 검증부(212)는 학습된 분류 모델을 이용하여 부호 기반의 네트워크에서 엣지로 연결되지 않은 노드들의 쌍에 대한 엣지 부호를 예측할 수 있다. 일 실시 예에 있어서, 분류 모델은 로지스틱 회귀 분류기 모델(logistic regression classifier model)일 수 있다. 여기서, 학습된 로지스틱 회귀 분류기 모델은 엣지 부호를 갖는 노드 쌍에 대한 복수 개의 토폴로지컬 특징들에 대응하는 값으로 구성된 특징 벡터(feature vector) 정보를 입력으로 하여 학습될 수 있다. 일 실시 예에 있어서, 부호 검증부(212)는 학습된 분류 모델을 이용하여 예측된 엣지 부호의 컨피던스(confidence) 점수를 계산할 수 있다. 예를 들어, 컨피던스 점수의 값은 0 이상 1 이하의 정수일 수 있다. 컨피던스 점수의 값이 클수록, 예측된 엣지 부호에 대한 신뢰도가 높다는 것을 의미할 수 있다.
부호 검증부(212)는 예측된 시드 노드와 특정 노드 간의 엣지 부호와 특정 노드가 균형 이론(balance theory)에 의해 전파받는 점수 정보의 엣지 부호와 동일할 경우, 특정 노드가 균형 이론(balance theory)에 의해 전파받는 점수 정보에 대한 점수 전파를 신뢰할 수 있는 것으로 판단할 수 있다. 부호 검증부(212)는 예측된 시드 노드와 특정 노드 간의 엣지 부호와 특정 노드가 균형 이론(balance theory)에 의해 전파받는 점수 정보의 엣지 부호와 동일하지 않을 경우, 특정 노드로의 상기 균형 이론에 의한 점수 전파를 신뢰할 수 없는 것으로 판단할 수 있다.
일 실시 예에 있어서, 예측된 시드 노드와 특정 노드 간의 엣지 부호와 특정 노드가 균형 이론에 의해 전파받는 점수 정보의 엣지 부호가 동일하다 하더라도, 컨피던스 점수가 미리 설정된 임계 값 미만인 경우, 부호 검증부(212)는 특정 노드가 상기 균형 이론에 의해 전파받는 점수 정보에 대한 점수 전파를 신뢰할 수 없는 것으로 판단할 수 있다.
단계(320)에서 점수 전파부(214)는 부호 검증을 통해 판단된 신뢰 여부에 따라 선택된 어느 하나의 점수 전파 방법을 이용하여 시드 노드로부터 출발된 부호 기반의 랜덤 서퍼가 다음 방문 노드에게 현재 방문 노드의 긍정 점수 또는 부정 점수를 포함하는 점수 정보를 전파할 수 있다. 점수 전파부(214)는 점수 전파를 신뢰할 수 있는 경우 균형 이론의 규칙(rule)을 기반으로 점수를 전파하는 제1 점수 전파 방법 또는, 점수 전파를 신뢰할 수 없는 경우 네트워크의 균형 삼각형과 불균형 삼각형의 비율을 기반으로 점수를 전파하는 제2 점수 전파 방법을 이용하여 시드 노드로부터 출발된 부호 기반의 랜덤 서퍼가 다음 방문 노드(next-visiting node)에게 현재 방문 노드(currently-visiting node)의 긍정 점수 또는 부정 점수를 포함하는 점수 정보를 전파할 수 있다. 제1 점수 전파 방법을 이용할 경우, 점수 전파부(214)는 현재 방문 노드와 다음 방문 노드 간의 엣지 부호가 +이고 현재 방문 노드의 긍정 점수를 전파하는 경우, 현재 방문 노드의 긍정 점수를 다음 방문 노드의 긍정 점수로 전파하고, 현재 방문 노드와 다음 방문 노드 간의 엣지 부호가 +이고 현재 방문 노드의 부정 점수를 전파하는 경우, 현재 방문 노드의 부정 점수를 다음 방문 노드의 부정 점수로 전파하고, 현재 방문 노드와 다음 방문 노드 간의 엣지 부호가 -이고 현재 방문 노드의 긍정 점수를 전파하는 경우, 현재 방문 노드의 긍정 점수를 다음 방문 노드의 부정 점수로 전파하고, 현재 방문 노드와 다음 방문 노드 간의 엣지 부호가 -이고 현재 방문 노드의 부정 점수를 전파하는 경우, 현재 방문 노드의 부정 점수를 다음 방문 노드의 긍정 점수로 전파할 수 있다.
제2 점수 전파 방법을 이용할 경우, 점수 전파부(214)는 현재 방문 노드의 긍정 점수를 미리 결정된 분배 비율에 따라 다음 방문 노드의 긍정 점수 및 부정 점수에 전파할 수 있다. 또는, 점수 전파부(214)는 현재 방문 노드의 부정 점수를 미리 결정된 분배 비율에 따라 다음 방문 노드의 긍정 점수 및 부정 점수에 전파할 수 있다. 이 경우, 점수 전파부(214)는 부호 기반의 네트워크에서 균형 삼각형 및 불균형 삼각형의 비율 (또는 분포)를 활용하여 현재 방문 노드 점수 정보를 다음 방문 노드의 긍정 점수 및 부정 점수에 분배하기 위한 비율을 결정할 수 있다. 점수 전파부(214)는 전파된 긍정 점수 또는 부정 점수를 기반으로 시드 노드 관점에서 부호 기반의 네트워크에 포함되는 노드들에 대한 개인화된 랭킹을 부여할 수 있다. 점수 전파부(214)는 방문 노드의 긍정 점수에서 부정 점수를 감산한 점수 정보를 최종 랭킹 점수로 계산하고, 계산된 최종 랭킹 점수를 출력할 수 있다.
도 4는 일 실시 예에 있어서, 균형 삼각형 및 불균형 삼각형의 예를 설명하기 위한 도면이다.
실세계의 부호 기반의 네트워크에 있어서, 균형 이론을 따르지 않는 경우가 종종 존재할 수 있다. 이것을 증명하기 위하여, 실세계의 부호 기반의 네트워크에서 세 노드들(예를 들면, nx, ny, nz) 간 엣지의 방향이 추이성(transitivity)을 만족하는 삼각형(nx, ny, nz)이 탐색될 수 있다. 삼각형(nx, ny, nz)에서 nx가 ny를 가리키고, ny가 nz를 가리키고, nx가 nz를 가리킨다면 삼각형은 추이성을 만족하는 것을 의미할 수 있다.
탐색된 모든 삼각형(nx, ny, nz)이 균형 이론의 규칙을 얼마나 만족하는지 확인될 수 있다. 예를 들면, 삼각형(nx, ny, nz)에서의 엣지(nx, ny)와 엣지(nx, nz)의 주어진 부호가 각각 +, -인 경우(예를 들면, 사전 부호(prior sign)가 (+, -)), 나머지 하나의 엣지(ny, nz)의 부호(예를 들면, 사후 부호(posterior sign))에 따라 균형 이론을 따르는 삼각형(즉, 균형 삼각형)과 따르지 않는 삼각형(즉, 불균형 삼각형)으로 분류될 수 있다. 만약, 사후 부호가 -라면, 균형 삼각형(410)이고, 사후 부호가 +라면, 불균형 삼각형(420)이 된다.
표 1은 예시적인 데이터 셋(Wikipedia, Slashdot, Epinions)이 형성하는 부호 기반의 네트워크의 삼각형에서 사전 부호의 4가지 유형(예를 들면, (+, +), (+, -), (-, +), (-, -))이 주어질 때 균형 삼각형과 불균형 삼각형의 비율을 나타낸 것이다. 먼저, (+, +) 유형의 경우, 대부분의 케이스에서 균형 이론의 규칙(예를 들면, 친구의 친구는 친구)을 따른다는 것을 확인할 수 있다. 반면, 나머지 세 유형 (+, -), (-, +), (-, -)의 경우, 많은 케이스에서 균형 이론의 규칙을 따르지 않는다는 것을 확인할 수 있다. 예를 들면, Wikipedia 데이터셋에서 (+, -)의 경우, 불균형 삼각형의 비율(=72%)은 오히려 균형 삼각형의 비율(=28%)보다 매우 크다. 이러한 결과는 실세계의 부호 기반의 네트워크에서는 균형 이론을 따르지 않는 경우가 빈번하게 존재한다. 즉, 균형 이론을 맹목적으로 따르는 원래의 부호 기반의 서퍼 모델은 부정확한 부호 예측을 야기할 수 있다. 따라서, 본 개시의 일 실시 예에 따르면, 균형 이론에 의한 부정확한 부호 예측이 수정됨으로써 부호 예측의 정확도를 향상시킬 수 있다.
도 5는 일 실시 예에 있어서, 개인화된 노드 랭킹 시스템의 점수 전파 동작을 설명하기 위한 도면이다.
도 2와 함께, 도 5를 참조하면, 개인화된 노드 랭킹 시스템(200)은 시드 노드(nx)가 주어지면, 시드 노드(nx) 관점에서 부호 기반의 네트워크에 존재하는 모든 노드들(예컨대, ny)에 대한 긍정 점수와 부정 점수를 설정할 수 있다. 이때, 긍정 점수는 시드 노드(nx)와 모든 노드들(예컨대, ny) 간의 긍정 부호를 가질 정도를 나타낸다. 부정 점수는 시드 노드(nx)와 모든 노드들(예컨대, ny) 간의 부정 부호를 가질 정도를 나타낸다. 긍정 점수와 부정 점수의 초기값은 만약, x=y라면 각각 1과 0으로 설정되고, 그렇지 않다면, 모두 0으로 설정될 수 있다.
개인화된 노드 랭킹 시스템(200)은 시드 노드(nx)의 점수들을 다른 모든 노드들(예컨대, ny)에게 전파할 수 있다. 기본적으로, 개인화된 노드 랭킹 시스템에서 부호 기반의 랜덤 서퍼(1)는 시드 노드(nx)로부터 출발하여 (1-α)의 확률로 다음 방문 노드(nz)로 이동하는 반면, 부호 기반의 랜덤 서퍼(1)가 α의 확률(또는 재시작 확률로 지칭될 수 있음)로 시드 노드(nx)로 되돌아올 수 있다. 이때, α값은 미리 결정된 값일 수 있으며, 경험적으로 결정될 수 있다.
도 4를 참조하여, 부호 기반의 랜덤 서퍼(1)가 (1-α)의 확률로 이웃 노드로 한 번의 이동(walk)을 수행할 때, 점수가 전파되는 과정을 설명하기로 한다. 랜덤 워크 단계(510)에서, 부호 기반의 랜덤 서퍼(1)가 현재 한 노드(ny)에 방문하였고, 현재 방문 노드(ny)의 긍정 점수()와 부정 점수()는 점수 전파 방식에 의해 직전 방문 노드(nj)로부터 이미 전파받은 상태일 수 있다.
이 경우, 부호 기반의 랜덤 서퍼(1)는 현재 방문한 노드에서 (1-α)의 확률로 현재 방문 노드(ny)와 이웃한 다음 방문 노드(nz)로 이동하면서 현재 방문 노드(ny)의 긍정 점수()와 부정 점수()의 각각을 다음 방문 노드(nz)에게 전파할 수 있다. 이때, 긍정 점수와 부정 점수의 전파 동작은 유사하기 때문에 긍정 점수의 전파 동작을 예를 들어 설명하기로 한다.
현재 방문 노드(ny)와 다음 방문 노드(nz) 간의 실제 엣지 부호(sign(ny, nz))가 긍정 부호이면, 현재 방문 노드(ny)의 긍정 점수()가 다음 방문 노드(nz)의 긍정 점수()로 전파될 수 있다. 유사하게, 현재 방문 노드(ny)와 다음 방문 노드(nz) 간의 실제 엣지 부호(sign(ny, nz))가 부정 부호이면, 현재 방문 노드(ny)의 긍정 점수가 다음 방문 노드(nz)의 부정 점수()로 전파될 수 있다. 이와 같이 현재 방문 노드(ny)의 긍정 점수가 다음 방문 노드(nz)의 긍정 점수() 또는 부정 점수()로 전파되는 것은 균형 이론의 친구의 친구는 친구의 규칙과 친구의 적은 적의 규칙에 의존하기 때문이다. 다만 전술한 바와 같이, 균형 이론을 맹목적으로 따르는 경우 부정확한 부호 예측을 야기하는 문제가 있다.
따라서, 본 개시의 실시 예들에 있어서, 개인화된 노드 랭킹 시스템(200)은 시드 노드(nx)와 다음 방문 노드(nz)의 부호를 추가적으로 예측하여 현재 방문 노드(ny)의 긍정 점수()를 균형 이론에 의존하여 점수를 전파하는 것이 신뢰할 만한 것인지 검증할 수 있다.
개인화된 노드 랭킹 시스템(200)은 시드 노드(nx)와 다음 방문 노드(nz)의 쌍에 대한 토폴로지컬 특징(topological feature)들을 활용하여 시드 노드(nx)와 다음 방문 노드(nz) 간 엣지 부호(signfeature(nx, nz))를 예측할 수 있다(부호 예측 단계(520)). 개인화된 노드 랭킹 시스템(200)이 시드 노드(nx)와 다음 방문 노드(nz) 간 엣지 부호(signfeature(nx, nz))를 예측하는 방법은 도 2 및 도 3에서 설명되었으므로 이하 생략한다.
개인화된 노드 랭킹 시스템(200)은 예측된 시드 노드(nx)와 다음 방문 노드(nz) 간 엣지 부호(signfeature(nx, nz))와 다음 방문 노드(nz)가 균형 이론에 의해 전파받는 점수 정보(예를 들면, 긍정 점수())의 부호와 동일한지 검증할 수 있다(부호 검증 단계(530)). 개인화된 노드 랭킹 시스템(200)은 예측된 시드 노드(nx)와 다음 방문 노드(nz) 간 엣지 부호(signfeature(nx, nz))와 다음 방문 노드(nz)가 균형 이론에 의해 전파받는 점수 정보(예를 들면, 긍정 점수())의 부호와 동일하다면, 현재 방문 노드(ny)의 긍정 점수()의 균형 이론에 의한 점수 전파는 신뢰할 수 있는 것(trustworthy)으로 판단하여 점수 전파를 수행할 수 있다(점수 전파 단계(540)).
반면, 개인화된 노드 랭킹 시스템(200)은 예측된 시드 노드(nx)와 다음 방문 노드(nz) 간 엣지 부호(signfeature(nx, nz))와 다음 방문 노드(nz)가 균형 이론에 의해 전파받는 점수 정보(예를 들면, 긍정 점수())의 부호와 동일하지 않다면, 현재 방문한 노드(ny)의 긍정 점수의 균형 이론에 의한 점수 전파는 신뢰할 수 없는 것(untrustworthy)으로 판단할 수 있다. 점수 전파가 신뢰할 수 없는 것으로 판단된 경우, 개인화된 노드 랭킹 시스템(200)은 현재 방문한 노드(ny)의 긍정 점수()를 특정 하나의 부호에 해당하는 점수(예를 들면, 다음 방문 노드(nz)의 긍정 점수())로만 전파하지 않는다. 개인화된 노드 랭킹 시스템(200)은 현재 방문 노드(ny)의 긍정 점수()를 분배하여 다음 방문 노드(nz)의 긍정 점수() 및 부정 점수()에 모두 전파할 수 있다.
이때, 분배되는 비율을 결정하기 위하여, 부호 기반의 네트워크에서 균형 삼각형 및 불균형 삼각형의 비율이 활용될 수 있다(표 1). 부호 기반의 네트워크에서 균형 삼각형 및 불균형 삼각형의 비율이 활용되는 예시는 도 8에서 좀 더 상세하게 설명한다. 마찬가지로, 현재 방문 노드(ny)의 부정 점수()의 전파 동작도 상기 설명한 긍정 점수()의 전파 동작과 동일한 과정으로 수행될 수 있다.
현재 방문 노드(ny)의 점수 정보(긍정 점수/부정 점수)를 한 번의 랜덤 워크를 통해 다음 방문 노드(nz)의 점수 정보로 전파되는 동작을 설명하였다. 일 실시 예에 있어서, 개인화된 노드 랭킹 시스템(200)은 한 번의 반복 과정(iteration)에서 각 노드는 자신의 아웃 고잉(out-going) 엣지를 통해 점수를 전파하고, 자신의 인 커밍(in-coming) 엣지를 통해 점수를 전파 받는다. 이러한 과정을 반복적으로 수행함에 따라 모든 노드들은 시드 노드(nx)의 점수를 전파받게 된다. 이때, 점수 전파는 모든 노드들(방문 노드들)의 긍정 점수 및 부정 점수가 수렴될 때까지 반복될 수 있다.
개인화된 노드 랭킹 시스템(200)은 방문 노드들의 긍정 점수에서 부정 점수를 감산한 점수를 최종 랭킹 점수로 계산하고, 계산된 최종 랭킹 점수를 기준으로 랭킹을 출력할 수 있다.
상세하게는, 개인화된 노드 랭킹 시스템(200)은 부호 기반의 랜덤 서퍼(1)가 현재 한 노드(현재 방문 노드(ny))에 있고, (1-α)의 확률로 현재 방문 노드(ny)의 이웃 노드(즉, 다음 방문 노드)(nz)로 이동하는 것을 가정하기로 한다.
개인화된 노드 랭킹 시스템(200)은 시드 노드(nx)와 다음 방문 노드(nz)간의 토폴로지컬 특징을 활용하여 시드 노드(nx)와 다음 방문 노드(nz) 간의 엣지 부호(signfeature(nx, nz))를 예측하고, 예측된 시드 노드와 다음 방문 노드 간의 엣지 부호(signfeature(nx, nz))를 기반으로 균형 이론에 의한 점수 전파가 신뢰할 수 있는 것인 것 검증할 수 있다. 일례로, 특징 기반의 부호 예측 벙법인 FExtra가 적용될 수 있다. 예시적으로, 개인화된 노드 랭킹 시스템(200)은 부호 기반의 네트워크의 모든 노드 쌍(ny, nz)에 대해, 쌍에 대한 복수 개의 토폴로지컬 특징에 대한 값으로 구성된 벡터 정보(xyz=(x1, …x23))를 생성할 수 있다.
여기서, 토폴로지컬 특징들은 제1 노드에서 제2 노드로의 엣지 부호를 예측하기 위해 활용될 수 있다. 토폴로지컬 특징들은 노드 쌍(pair of nodes)에 포함되는 제1 노드와 제2 노드의 주위 정보에 대응할 수 있다. 일 실시 예에 있어서, 토폴로지컬 특징들은 제1 특징 클래스 및/또는 제2 특징 클래스를 포함할 수 있다.
제1 특징 클래스는 노드들의 차수(degree)에 관련될 수 있다. 예를 들어, 제1 특징 클래스는 제1 노드로부터 나가는 긍정 엣지들(outgoing positive edges)의 개수, 제1 노드로부터 나가는 부정 엣지들(outgoing negative edges)의 개수, 제2 노드로 들어오는 긍정 엣지들(incoming positive edges)의 개수, 제2 노드로 들어오는 부정 엣지들(incoming negative edges)의 개수, 제1 노드와 제2 노드의 공통 이웃(common neighbor)인 노드들의 개수, 제1 노드로부터 나가는 엣지들의 총 개수, 및 제2 노드로 들어오는 엣지들의 총 개수 중 적어도 하나를 포함할 수 있다. 그러나 본 개시는 이에 제한되지 않으며, 제1 특징 클래스는 노드들의 차수에 관련되는 임의의 특징들을 더 포함할 수 있음은 물론이다.
제2 특징 클래스는 트라이어드(triad)의 정보에 관련될 수 있다. 트라이어드는 제1 노드, 제2 노드, 및 제1 노드와 제2 노드의 공통 이웃 노드를 포함할 수 있다. 예를 들어, 제2 특징 클래스는 제1 노드와 공통 이웃 노드 간의 정보, 제2 노드와 공통 이웃 노드 간의 정보를 포함할 수 있다. 제1 노드와 공통 이웃 노드 간의 정보는 제1 노드와 공통 이웃 노드 간의 엣지 부호 및 엣지 방향을 포함할 수 있다. 마찬가지로, 제2 노드와 공통 이웃 노드 간의 정보는 제2 노드와 공통 이웃 노드 간의 엣지 부호 및 엣지 방향을 포함할 수 있다. 그러나 본 개시는 이에 제한되지 않으며, 제2 특징 클래스는 트라이어드의 정보에 관련되는 임의의 특징들을 더 포함할 수 있음은 물론이다.
일 실시 예에 있어서, 개인화된 노드 랭킹 시스템(200)은 부호 기반의 네트워크에서 실제 엣지 부호를 갖는 모든 노드들의 쌍(ny, nz)에 대한 특징 벡터를 기반으로 로지스틱 회귀 분류기 모델(logistic regression classifier model)을 학습시킬 수 있다. 예시적으로, 개인화된 노드 랭킹 시스템(200)은 학습된 로지스틱 회귀 분류기 모델을 이용하여 부호 기반의 네트워크에서 엣지로 연결되지 않은 노드들의 쌍(nx, nz)에 대한 부호 정보(signfeature(nx, nz))를 예측할 수 있다. 예측 과정에서, 예측된 부호 정보(signfeature(nx, nz))에 대한 컨피던스 점수(confidence score)(C(signfeature(nx, nz)))가 계산될 수 있다. 여기서, 컨피던스 점수(C(signfeature(nx, nz)))의 값이 클수록, 예측된 부호 정보(signfeature(nx, nz))에 대한 신뢰도가 높다는 것을 의미할 수 있다. 본 명세서에서 로지스틱 회귀 분류기 모델을 이용하는 실시 예를 개시하나, 본 개시는 이에 제한되지 않고, 부호 정보(signfeature(nx, nz))를 예측할 수 있는 임의의 분류 모델이 이용될 수 있음을 물론이다.
일 실시 예에 있어서, 부호 기반의 랜덤 워크 과정을 수행하기 전에, 전처리 작업으로 연결되지 않은 모든 노드의 쌍(nx, nz)에 대한 부호 정보(signfeature(nx, nz))가 미리 예측되어 있을 수 있다. 다시 말해서, 부호 검증이 수행될 때마다 모든 노드들의 쌍에 대한 부호 정보를 예측하는 것이 아니다. 연결된 노드의 쌍에 대한 부호 정보(signfeature(nx, nz))는 현재 방문 노드와 다음 방문 노드 간의 엣지 부호(sign(ny, nz))로 간주하고, 이에 대한 컨피던스 점수의 값은 가장 높은 값(예컨대, 1)으로 설정될 수 있다.
도 6은 일 실시 예에 있어서, 점수 전파를 신뢰할 수 있는 경우의 점수 전파방법을 설명하기 위한 도면이다.
개인화된 노드 랭킹 시스템(200)은 현재 방문 노드(ny)의 긍정 점수 및 부정 점수가 다음 방문 노드(nz)의 특정 점수(긍정 점수/부정 점수)로 전파하기 전에, 점수 전파를 검증할 수 있다. 도 6을 참조하면, 점수 전파가 신뢰할 수 있는 것으로 검증된 경우, 개인화된 노드 랭킹 시스템(200)이 수행하는 현재 방문 노드(ny)에서 다음 방문 노드(nz)로의 가능한 점수 전파 동작을 다음과 같이 나타낼 수 있다.
SP1(610)의 경우, 현재 방문 노드와 다음 방문 노드 간의 엣지 부호(sign(ny, nz))=+1이라면, 현재 방문 노드(ny)의 긍정 점수는 다음 방문 노드(nz)의 긍정 점수로 전파될 수 있다. SP2(620)의 경우, 현재 방문 노드와 다음 방문 노드 간의 엣지 부호(sign(ny, nz))=+1이라면, 현재 방문 노드(ny)의 부정 점수는 다음 방문 노드(nz)의 부정 점수로 전파될 수 있다. SP3(630)의 경우, 현재 방문 노드와 다음 방문 노드 간의 엣지 부호(sign(ny, nz))=-1이라면, 현재 방문 노드(ny)의 긍정 점수는 다음 방문 노드(nz)의 부정 점수로 전파될 수 있다. SP4(640)의 경우, 현재 방문 노드와 다음 방문 노드 간의 엣지 부호(sign(ny, nz))=-1이라면, 현재 방문 노드(ny)의 부정 점수는 다음 방문 노드(nz)의 긍정 점수로 전파될 수 있다.
일 실시 예에 있어서, 예측된 엣지 부호(signfeature(nx, nz))와 다음 방문 노드(nz)가 전파받는 점수의 부호 간의 일치 여부가 고려될 수 있다. 예를 들어, 예측된 엣지 부호(signfeature(nx, nz))가 양의 부호인 경우를 가정한다. 이 경우, SP1(610) 및 SP4(640)를 참조하면, 예측된 엣지 부호(signfeature(nx, nz))가 양의 부호이고, 전파받는 점수의 부호가 양의 부호(즉, 전파받는 점수가 긍점 점수)이므로, 개인화된 노드 랭킹 시스템(200)은 점수 전파를 신뢰하는 것으로 판단할 수 있다. 반대로, SP2(620) 및 SP3(630)를 참조하면, 예측된 엣지 부호(signfeature(nx, nz))가 양의 부호이고, 전파받는 점수의 부호가 음의 부호(즉, 전파받는 점수가 긍점 점수)이므로, 개인화된 노드 랭킹 시스템(200)은 점수 전파를 신뢰하지 않는 것으로 판단할 수 있다.
일 실시 예에 있어서, 점수 전파에 대한 검증을 위하여 2가지 조건이 고려될 수 있다. 즉, 예측된 엣지 부호(signfeature(nx, nz))와 다음 방문 노드(nz)가 전파받는 점수의 부호 간의 일치 여부 외에도, 컨피던스 점수(C(signfeature(nx, nz)))의 미리 결정된 임계값의 초과 여부가 더 고려될 수 있다. 다시 말해서, 예측된 엣지 부호(signfeature(nx, nz))와 다음 방문 노드가 전파받을 점수의 부호가 일치하고, 예측된 엣지 부호(signfeature(nx, nz))를 신뢰할 수 있는 경우에 개인화된 노드 랭킹 시스템(200)이 점수 전파를 신뢰하겠다는 것을 의미할 수 있다. 다시 말해서, 예측된 엣지 부호(signfeature(nx, nz))에 대한 조건(즉, 컨피던스 점수(C(signfeature(nx, nz)))의 임계값 초과)을 만족하지 않는다면, 개인화된 노드 랭킹 시스템(200)은 점수 전파를 검증하기 위한 정보가 없는 것으로 간주하여 점수 전파를 신뢰하지 않을 수 있다. 일 실시 예에 있어서, 양의 부호에 대한 컨피던스 점수에 대응하는 임계값과 음의 부호에 대한 컨피던스 점수에 대한 임계값은 서로 다를 수 있다.
정리하자면, 개인화된 노드 랭킹 시스템(200)은 컨피던스 점수(C(signfeature(nx, nz)))가 미리 설정된 임계값보다 높고, 예측된 엣지 부호(signfeature(nx, nz))가 다음 방문 노드가 전파받는 점수의 엣지 부호가 동일할 경우에만, 현재 방문 노드의 점수가 다음 방문 노드로 전파되는 것을 신뢰할 수 있다.
일 실시 예에 따른 개인화된 노드 랭킹 시스템(200)은 균형 이론에 의한 불확실한 점수 전파를 필터링할 수 있다. 본 개시와 달리 점수 전파를 검증하지 않는 경우, 균형 이론에 의한 불확실한 점수 전파는 잘못된 노드 랭킹을 야기할 수 있다.
개인화된 노드 랭킹 시스템(200)은 각 점수 전파의 신뢰 여부에 따라 현재 방문 노드(ny)의 점수를 다음 방문 노드(nz)에게 전파할 수 있다. 현재 방문 노드의 긍정 점수와 부정 점수를 현재 방문 노드의 아웃 고잉 엣지들의 수로 정규화될 수 있다. 현재 방문 노드의 긍정 점수와 부정 점수는 시드 노드와 현재 방문 노드 간의 관계가 각각 긍정적인 부호와 부정적인 부호를 가질 정도를 나타낼 수 있다.
도 7은 일 실시 예에 있어서, 점수 전파를 신뢰할 수 없는 경우의 점수 전파 방법을 설명하기 위한 도면이다. 설명의 편의를 위해 도 2 및 도 6을 참조하여 이하 설명한다.
일 실시 예에 따른 개인화된 노드 랭킹 시스템(200)은 아래의 총 8 가지의 경우에 따라 각각 다르게 수행될 수 있다.
CASE 1: 현재 방문 노드의 긍정 점수가 다음 방문 노드의 긍정 점수로 점수 전파되는 것을 신뢰하는 경우(610, 도 6)
CASE 2: 현재 방문 노드의 부정 점수가 다음 방문 노드의 부정 점수로 점수 전파되는 것을 신뢰하는 경우(620, 도 6)
CASE 3: 현재 방문 노드의 긍정 점수가 다음 방문 노드의 부정 점수로 점수 전파되는 것을 신뢰하는 경우(630, 도 6)
CASE 4: 현재 방문 노드의 부정 점수가 다음 방문 노드의 긍정 점수로 점수 전파되는 것을 신뢰하는 경우(640, 도 6)
CASE 5: 현재 방문 노드의 긍정 점수가 다음 방문 노드의 긍정 점수로 점수 전파되는 것을 신뢰하지 않는 경우(710, 720)
CASE 6: 현재 방문 노드의 부정 점수가 다음 방문 노드의 부정 점수로 점수 전파되는 것을 신뢰하지 않는 경우(730, 740)
CASE 7: 현재 방문 노드의 긍정 점수가 다음 방문 노드의 부정 점수로 점수 전파되는 것을 신뢰하지 않는 경우(750, 760)
CASE 8: 현재 방문 노드의 부정 점수가 다음 방문 노드의 긍정 점수로 점수 전파되는 것을 신뢰하지 않는 경우(770, 780)
부호 검증 단계에서 점수 전파를 신뢰할 수 있는 것으로 판단된 경우, 개인화된 노드 랭킹 시스템(200)은 균형 이론에 기초하여 점수 전파를 수행하는 제1 점수 전파 방법을 이용하여 점수를 전파할 수 있다. 반면, 부호 검증 단계에서 점수 전파를 신뢰할 수 없는 것으로 판단된 경우, 개인화된 노드 랭킹 시스템(200)은 균형 삼각형과 불균형 삼각형의 비율에 기초하여 점수 전파를 수행하는 제2 점수 전파 방법을 통해 점수 전파를 수행할 수 있다.
CASE 5(710, 720) 또는 CASE 7(750, 760)의 경우, 개인화된 노드 랭킹 시스템(200)은 현재 방문 노드(ny)의 긍정 점수()를 다음 방문 노드(nz)의 긍정 점수() (CASE 5-1(710) 또는 CASE 7-1(750))와 부정 점수() (CASE 5-2(720) 또는 CASE 7-2(760))에 모두 분배하여 전파할 수 있다. CASE 6(730, 740) 또는 CASE 8(770, 780)의 경우, 개인화된 노드 랭킹 시스템(200)은 현재 방문 노드(ny)의 부정 점수()를 다음 방문 노드(nz)의 긍정 점수() (CASE 6-1(730) 또는 CASE 8-1(770))와 부정 점수() (CASE 6-2(740) 또는 CASE 8-2(780))에 모두 분배하여 전파할 수 있다.
이 경우, 분배되는 비율은 주어진 부호 기반의 네트워크의 균형 삼각형 및 불균형 삼각형의 비율이 활용되어 결정될 수 있다. 구체적으로, 각 데이터 셋에서 현재 방문 노드에서 다음 방문 노드로 전파되는 점수(예를 들면, CASE 5 또는 7에서 현재 방문 노드(ny)의 긍정 점수(), CASE 6 또는 8에서 현재 방문 노드(ny)의 부정 점수())의 부호와, 현재 방문 노드와 다음 방문 노드 간의 엣지 부호(예를 들면, CASE 5(710, 720) 또는 CASE 6(730, 740)에서 +, CASE 7(750, 760) 또는 CASE 8(770, 780)에서 -)가 사전 부호인 경우, 사후 부호가 +인 비율만큼 다음 방문 노드의 긍정 점수로 전파하고, -인 비율만큼 다음 방문 노드의 부정 점수로 전파할 수 있다. 즉, 삼각형의 사전 부호의 네 가지 유형들마다 분배 비율이 결정되고, 사전 부호의 유형이 현재 방문 노드에서 다음 방문 노드로 전파되는 점수와 현재 방문 노드와 다음 방문 노드 간의 엣지 부호와 일치하는 경우, 사전 부호의 유형의 분배 비율에 기초하여 점수가 전파될 수 있다. 각 케이스는 다음 방문 노드가 전파받는 점수에 따라 복수 개의 서브 케이스들로 구분될 수 있다.
예를 들면, 방문 노드의 긍정 점수가 전파되고 현재 방문 노드와 다음 방문 노드 간 예측된 엣지 부호가 +인 경우(즉, 사전 부호가 (+, +)인 경우), 표 1의 Wikipedia 데이터 셋에서 사후 부호의 +와 - 비율은 각각 92%, 8%이다. 이 경우, CASE 5-1(710)에서, 개인화된 노드 랭킹 시스템(200)은 현재 방문 노드의 긍정 점수의 92%를 다음 방문 노드의 긍정 점수로 전파할 수 있다. 유사하게, CASE 5-2(720)에서, 개인화된 노드 랭킹 시스템(200)은 현재 방문 노드의 긍정 점수의 8%를 다음 방문 노드의 부정 점수로 전파할 수 있다. 마찬가지로, CASE 6 내지 8(730~780)에 도시된 사전 부호가 (+, -), (-, +), (-, -)인 경우에도, 상술한 CASE 5-1(710) 및 CASE 5-2(720)에 도시된 사전 부호가 (+, +)인 경우와 유사하므로, 설명은 생략한다. 다시 말해서, 주어진 부호 기반의 네트워크의 특징에 따라 서로 다른 비율로 점수 정보가 전파될 수 있다.
일 실시 예에 따르면, 개인화된 노드 랭킹 시스템(200)은 신뢰할 수 없는 점수 전파를 필터링하고, 해당 케이스에 대해서 주어진 네트워크의 통계를 참고하여 점수를 전파함으로써 잘못된 점수가 전파될 확률을 최소화할 수 있다.
개인화된 노드 랭킹 시스템(200)이 한 번의 반복을 통해 현재 방문 노드에서 현재 방문 노드의 긍정 점수와 부정 점수를 다른 하나의 노드(다음 방문 노드)에게 전파하는 과정을 설명하였다. 한 번의 반복에서 모든 노드는 자신의 아웃 고잉 엣지에게 점수를 전파하고, 각 노드들은 자신의 인 고잉 엣지로부터 점수를 전파받을 수 있다. 모든 노드들의 긍정 점수와 부정 점수가 수렴될 때까지 점수 전파 동작이 수행될 수 있다.
도 8은 일 실시 예에 따른 개인화된 노드 랭킹 시스템을 보여주는 블록도이다. 도 1 내지 7에서 설명된 개인화된 노드 랭킹 시스템(도 2, 100)의 구성 및 기능과 개인화된 노드 랭킹 시스템(800)의 구성 및 기능은 유사하므로, 중복되는 내용은 이하 생략한다.
개인화된 노드 랭킹 시스템(800)은 네트워크 인터페이스(810), 프로세서(820), 메모리(830), 및 스토리지(840)를 포함할 수 있다. 개인화된 노드 랭킹 시스템(800)은 적어도 하나의 전자 장치로 구현될 수 있다. 예를 들어, 전자 장치는 스마트 폰(smartphone), 스마트 패드(smart pad), 웨어러블 장치(wearable device), 디지털 카메라(digital camera), 텔레비전(television), 모니터(monitor), 랩톱 컴퓨터(laptop computer), 블랙박스(black-box), 로봇(robot) 등과 같이 전력을 전달 받을 수 있는 다양한 전자 장치를 포함할 수 있다.
네트워크 인터페이스(810)는 외부 서버 또는 외부 전자 장치들과 통신할 수 있다. 네트워크 인터페이스(810)는 그 기능에 따라 송신부 또는 수신부로 지칭될 수 있다. 네트워크 인터페이스(810)는 다양한 데이터(예를 들어, 부호 기반의 네트워크, 네트워크의 균형 삼각형 및 불균형 삼각형의 비율, 직접적으로 연결되지 않은 엣지들의 예측된 부호 등)를 수신할 수 있다. 네트워크 인터페이스(810)는 외부 서버 또는 외부 전자 장치들에 시드 노드 관점에서의 노드 랭킹을 송신할 수 있다.
프로세서(820)는 산술, 로직, 및 입출력 연산과 시그널 프로세싱을 수행하는 하드웨어 구성 요소로 구성될 수 있다. 프로세서(820)는 예를 들어, 중앙 처리 장치(Central Processing Unit), 마이크로 프로세서(microprocessor), 그래픽 프로세서(Graphic Processing Unit), 애플리케이션 프로세서(Application Processor, AP), ASICs(Application Specific Integrated Circuits), DSPs(Digital Signal Processors), DSPDs(Digital Signal Processing Devices), PLDs(Programmable Logic Devices), 및 FPGAs(Field Programmable Gate Arrays) 중 적어도 하나로 구성될 수 있으나, 이에 제한되는 것은 아니다. 프로세서(820)는 메모리(830)의 연산 공간을 활용하여 동작할 수 있고, 스토리지(840)로부터 운영체제를 구동하기 위한 파일들 및 어플리케이션의 실행 파일들을 읽을 수 있다. 프로세서(820)는 운영체제 및 다양한 어플리케이션들을 실행할 수 있다.
일 실시 예에 있어서, 프로세서(820)는 하나 또는 하나 이상의 복수 개로 구성될 수 있다. 일 실시 예에 있어서, 프로세서(820)는 인공 지능(Artificial Intelligence; AI) 학습을 수행하는 전용 하드웨어 칩으로 구성될 수도 있다.
프로세서(820)는 노드 랭킹 시스템(도 2, 100)의 기능의 적어도 일부를 구현할 수 있다. 예를 들어, 프로세서(820)는 학습된 로지스틱 회귀 분류기 모델에 기초하여 부호 기반의 네트워크에서 직접적으로 연결되지 않은 노드들 간의 엣지 부호를 예측할 수 있다. 프로세서(820)는 예측된 엣지 부호와, 예측된 엣지 부호의 컨피던스 점수를 출력할 수 있다. 일 실시 예에 있어서, 프로세서(820)는 적어도 하나의 토폴로지컬 특징에 기초하여 로지스틱 회귀 분류기 모델을 학습시킬 수 있다.
프로세서(820)는 부호 기반의 네트워크에서 랜덤 서퍼에 의한 랜덤 워크를 수행할 수 있다. 프로세서(820)는 미리 설정된 재시작 확률에 기초하여 시드 노드로부터 출발한 랜덤 서퍼를 현재 방문 노드로부터 다음 방문 노드로 이동시킬 수 있다. 프로세서(820)는 예측된 엣지 부호에 기초하여 현재 방문 노드의 긍정 점수 또는 부정 점수를 전파하는 것을 신뢰할 수 있는지를 검증할 수 있다. 프로세서(820)는 예측된 엣지 부호와 다음 방문 노드가 전파받는 점수의 부호가 일치하는 경우(제1 조건) 해당 점수 전파를 신뢰할 수 있는 것으로 판단할 수 있다. 일 실시 예에 있어서, 프로세서(820)는 제1 조건을 만족하고, 동시에 예측된 엣지 부호에 대한 컨피던스 점수가 임계값을 초과하는 경우(제2 조건)를 만족하면, 해당 점수 전파를 신뢰할 수 있는 것으로 판단할 수 있다.
점수 전파를 신뢰할 수 있는 것으로 판단된 경우, 프로세서(820)는 균형 이론에 기초한 제1 점수 전파 방법을 이용하여 현재 방문 노드의 긍정 점수 또는 부정 점수를 다음 방문 노드로 전파할 수 있다. 점수 전파를 신뢰할 수 있는 것으로 판단된 경우, 프로세서(820)는 부호 기반의 네트워크의 균형 삼각형과 불균형 삼각형의 비율에 기초한 제2 점수 전파 방법을 이용하여 현재 방문 노드의 긍정 점수 또는 부정 점수를 다음 방문 노드로 전파할 수 있다.
프로세서(820)는 부호 기반의 네트워크의 모든 노드들의 긍정 점수 및 부정 점수가 수렴되었는지 여부를 판단할 수 있다. 수렴되지 않은 것으로 판단된 경우, 프로세서(820)는 랜덤 서퍼에 의한 랜덤 워크를 반복적으로 수행할 수 있다. 수렴된 경우로 판단된 경우, 프로세서(820)는 랜덤 서퍼에 의한 랜덤 워크를 종료하고, 노드들 각각의 수렴된 긍정 점수에서 수렴된 부정 점수를 감산한 값에 기초하여 시드 노드 관점에서의 노드 랭킹을 출력할 수 있다.
메모리(830)는 프로세서(820)에 의해 처리되거나 처리될 예정인 데이터, 펌웨어, 소프트웨어, 및 프로세스 코드 등을 임시 저장할 수 있다. 예를 들어, 메모리(830)에는 학습된 로지스틱 회귀 분류기 모델, 파라미터들(예를 들어, 랜덤 워크의 재시작 확률, 임계값 정보, 시드 노드 정보, 초기값 정보, 가중치 등), 랜덤 워크 알고리즘 등이 저장될 수 있다.
메모리(830)는 개인화된 노드 랭킹 시스템(800)의 주 기억 장치로 이용될 수 있다. 예를 들어, 메모리(830)는 DRAM(dynamic random access memory), SRAM(static random access memory), PRAM(phase-change random access memory), MRAM (magnetic random access memory), FeRAM(ferroelectric random access memory), RRAM(resistive random access memory) 등을 포함할 수 있다. 메모리(830)는 버퍼 메모리, 워킹 메모리, 또는 캐시 메모리로서 지칭될 수 있다. 도시되지 않았지만, 메모리(830)의 개수는 하나 이상일 수 있다.
일 실시 예에 있어서, 메모리(830)에는 부호 검증부(도 2, 210) 및 점수 전파부(도 2, 220)의 동작에 관한, 명령어들, 알고리즘, 데이터 구조, 또는 프로그램 코드 등이 저장되어 있을 수 있다.
스토리지(840)는 운영체제 또는 어플리케이션들과 관련된 데이터, 운영체제를 구동하기 위한 파일, 또는 어플리케이션들의 실행 파일 등을 저장할 수 있다. 예를 들어, 스토리지(840)는 개인화된 노드 랭킹 시스템(800)의 실행을 위한 파일들을 저장할 수 있다. 예를 들어, 스토리지(840)는 플래쉬 메모리(flash memory), PRAM(phase-change random access memory), FeRAM(ferroelectric random access memory), RRAM(resistive random access memory) 등을 포함할 수 있다.
버스(850)는 개인화된 노드 랭킹 시스템(800)의 구성 요소들 사이에서 통신 경로를 제공할 수 있다. 네트워크 인터페이스(810), 프로세서(820), 메모리(830), 및 스토리지(840)는 버스(850)를 통해 서로 데이터를 교환할 수 있다. 버스(850)는 네트워크 인터페이스(810)에서 이용되는 다양한 유형의 통신 포맷을 지원하도록 구성될 수 있다.
도 9a는 일 실시 예에 따른 개인화된 노드 랭킹 방법을 보여주는 순서도이다. 설명의 편의를 위해, 도 1 내지 7에서 설명한 내용과 중복되는 내용은 생략한다. 설명의 편의를 위해 도 8의 도면 부호를 참조하여 도 9를 설명한다.
S910 단계에서, 프로세서(820)에 의해, 학습된 로지스틱 회귀 분류기 모델을 이용하여 부호 기반의 네트워크의 시드 노드와 시드 노드와 연결되지 않은 노드 간의 엣지 부호가 예측될 수 있다. 예측된 엣지 부호는 메모리(830) 및/또는 스토리지(840)에 저장될 수 있다. 학습된 로지스틱 회귀 분류기 모델을 이용하여 예측되는 경우를 개시하였으나, 본 개시는 이에 제한되지 않는다. 즉, 본 개시는 엣지 부호를 예측할 수 있는 다른 모델을 이용하여 엣지 부호를 예측할 수 있다.
S920 단계에서, 프로세서(820)에 의해, 예측된 엣지 부호에 기초하여 점수 전파가 검증되고, 검증된 결과에 기초하여 점수가 수렴될 때까지 점수가 전파될 수 있다. S920 단계에서의 구체적인 세부 단계들은 도 9b에서 상세하게 설명한다.
S930 단계에서, 프로세서(820)에 의해, 수렴된 점수에 기초하여 시드 노드 관점에서의 노드 랭킹이 출력될 수 있다. 구체적으로, 수렴된 점수는 긍정 점수와 부정 점수를 포함할 수 있다. 프로세서(820)에 의해, 수렴된 긍정 점수에서 수렴된 부정 점수를 감산한 값에 기초하여 시드 노드에서의 노드 랭킹이 출력될 수 있다. 일 실시 예에 있어서, 프로세서(820) 또는 다른 전자 장치에 의해, 출력된 노드 랭킹에 기초하여 특정 네트워크에서의 친구 추천, 타겟 마케팅, 인터넷 쇼핑몰에서의 상품 추천, 온라인 스트리밍 서비스에서의 미디어 콘텐츠(예컨대, 영화, 드라마), 온라인 뉴스 서비스에서의 뉴스 추천, 검색 엔진에서의 웹 페이지 검색 등이 수행될 수 있다. 그러나, 본 개시는 이에 제한되지 않으며, 프로세서(820) 또는 다른 전자 장치에 의해 출력된 노드 랭킹은 임의의 네트워크 도메인에서의 추천 기술에 활용될 수 있다.
도 9b는 도 9a의 S920 단계의 세부 단계를 예시적으로 보여주는 순서도이다. 도 9a에서 설명한 내용과 중복되는 내용은 이하 생략한다. 설명의 편의를 위해 도 8 및 도 9b의 도면 부호를 참조하여 도 9b를 설명한다.S921 단계에서, 프로세서(820)에 의해, 시드 노드로부터 출발하여 랜덤 서퍼에 의한 랜덤 워크가 수행될 수 있다. 프로세서(820)에 의해, 랜덤 서퍼가 현재 방문 노드로부터 다음 방문 노드로 이동(walk)될 수 있다. 일 실시 예에 있어서, 랜덤 서퍼는 미리 결정된 재시작 확률에 기초하여 시드 노드에서 랜덤 워크를 재시작할 수 있다. 미리 결정된 재시작 확률은 메모리(830)에 저장될 수 있다.
S922 단계 및 S923 단계에서, 프로세서(820)에 의해, 예측된 엣지 부호에 기초하여 현재 방문 노드의 긍정 점수 또는 부정 점수를 전파하는 것을 신뢰할 수 있는지가 검증될 수 있다. 일 실시 예에 있어서, 예측된 엣지 부호는 시드 노드와 다음 방문 노드간의 엣지 부호에 대응할 수 있다. 일 실시 예에 있어서, 예측된 엣지 부호와 다음 방문 노드가 현재 방문 노드로부터 전파받는 점수의 부호가 동일한 경우(예), 점수 전파를 신뢰할 수 있는 것으로 판단하고, 절차는 S924 단계로 이동한다. 반대로, 예측된 엣지 부호와 다음 방문 노드가 현재 방문 노드로부터 전파받는 점수의 부호가 동일하지 않은 경우(아니오), 점수 전파를 신뢰할 수 없는 것으로 판단하고, 절차는 S925 단계로 이동한다. 일 실시 예에 있어서, 예측된 엣지 부호와 다음 방문 노드가 현재 방문 노드로부터 전파받는 점수의 부호의 동일하고(제1 조건), 예측된 엣지 부호의 컨피던스 점수의 임계치를 초과(제2 조건)한 경우, 점수 전파를 신뢰할 수 있는 것으로 판단할 수 있다. 이 경우, 제1 조건 또는 제2 조건을 만족하지 않는 경우, 점수 전파를 신뢰할 수 없는 것으로 판단할 수 있다.
S924 단계에서, 프로세서(820)에 의해, 균형 이론에 기초한 제1 점수 전파 방법을 이용하여 점수가 전파될 수 있다.
S925 단계에서, 프로세서(820)에 의해, 부호 기반의 네트워크의 균형 삼각형과 불균형 삼각형의 비율에 기초한 제2 점수 전파 방법을 이용하여 점수가 전파될 수 있다. 일 실시 예에 있어서, 부호 기반의 네트워크의 균형 삼각형과 불균형 삼각형의 비율은 프로세서(820)에 의해 미리 계산될 수 있다. 일 실시 예에 있어서, 프로세서(820)에 의해, 부호 기반의 네트워크에 포함되는 추이성을 만족하는 삼각형이 균형 이론을 만족하는 비율에 기초하여 분배 비율이 결정될 수 있다.
일 실시 예에 있어서, 프로세서(820)에 의해, 삼각형의 사전 부호의 네 가지 유형(즉, (+, +), (+, -), (-, +), (-, -))들마다 분배 비율이 결정될 수 있다. 일 실시 예에 있어서, 사전 부호의 유형(예컨대, (+, -))이 현재 방문 노드에서 다음 방문 노드로 전파되는 점수의 부호(예컨대, +)와 현재 방문 노드와 상기 다음 방문 노드 간의 엣지 부호(예컨대, -)와 일치하는 경우, 프로세서(820)에 의해, 상기 사전 부호의 유형의 상기 분배 비율에 기초하여 점수가 다음 방문 노드로 전파될 수 있다.
S926 단계에서, 프로세서(820)에 의해, 부호 기반의 네트워크에 포함되는 모든 노드들 각각의 긍정 점수 및 부정 점수가 수렴되었는지 판단될 수 있다. 수렴되지 않은 경우(예), 절차는 S921로 이동하여 랜덤 워크가 반복적으로 수행될 수 있다. 수렴된 경우(아니오), S920은 종료되고 절차는 S930으로 이동한다.
이상에서 설명된 개인화된 노드 랭킹 시스템은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시 예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시 예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시 예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상과 같이 실시 예들이 비록 한정된 실시 예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시 예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
1: 부호 기반의 랜덤 서퍼
100: 부호 기반의 네트워크
200, 800: 개인화된 노드 랭킹 시스템
210, 820: 프로세서
212: 부호 검증부
214: 점수 전파부
810: 네트워크 인터페이스
830: 메모리
840: 스토리지
850: 버스

Claims (20)

  1. 랜덤 워크를 이용한 개인화된 랭킹 방법에 있어서,
    분류 모델을 이용하여 예측된 시드 노드와 다음 방문 노드 간의 엣지 부호에 기초하여, 현재 방문 노드의 긍정 점수 또는 부정 점수를 상기 다음 방문 노드로 전파하는 것을 신뢰할 수 있는지를 검증하되, 상기 시드 노드, 상기 현재 방문 노드, 및 상기 다음 방문 노드는 부호 기반의 네트워크에 포함되는 단계; 및
    상기 검증에 따라 전파를 신뢰할 수 있는 경우, 균형 이론에 기초한 제1 점수 전파 방법을 이용하여 점수를 전파하고, 상기 검증에 따라 전파를 신뢰할 수 없는 경우, 상기 부호 기반의 네트워크의 균형 삼각형과 불균형 삼각형의 비율에 기초한 제2 점수 전파 방법을 이용하여 점수를 전파하는 단계를 포함하고,
    상기 균형 삼각형은 상기 부호 기반의 네트워크에서 추이성(transitivity)을 만족하는 삼각형 중 균형 이론을 만족하는 삼각형이고, 상기 불균형 삼각형은 상기 추이성을 만족하지 않는 삼각형인, 개인화된 랭킹 방법.
  2. 제 1 항에 있어서,
    상기 현재 방문 노드의 긍정 점수 또는 부정 점수를 전파하는 것을 신뢰할 수 있는지를 검증하는 단계는,
    상기 예측된 엣지 부호와 상기 다음 방문 노드가 상기 현재 방문 노드로부터 전파받는 점수의 부호가 동일한지 여부인 제1 조건을 만족하는 경우, 상기 점수 전파를 신뢰할 수 있는 것으로 판단하고, 상기 제1 조건을 만족하지 않는 경우, 상기 점수 전파를 신뢰할 수 없는 것으로 판단하는 단계를 포함하는 개인화된 랭킹 방법.
  3. 제 2 항에 있어서,
    상기 현재 방문 노드의 긍정 점수 또는 부정 점수를 전파하는 것을 신뢰할 수 있는지를 검증하는 단계는,
    상기 제1 조건 및 상기 예측된 엣지 부호의 컨피던스 점수가 임계 값을 초과하는지 여부인 제2 조건을 만족하는 경우, 상기 점수 전파를 신뢰할 수 있는 것으로 판단하고, 상기 제1 조건 또는 상기 제2 조건을 만족하지 않는 경우, 상기 점수 전파를 신뢰할 수 없는 것으로 판단하는 단계를 더 포함하는 개인화된 랭킹 방법.
  4. 제 1 항에 있어서,
    상기 분류 모델은 로지스틱 회귀 분류기 모델이고,
    상기 로지스틱 회귀 분류기 모델은 엣지 부호를 갖는 노드 쌍에 대한 복수의 토폴로지컬 특징(topological feature)들에 대응하는 값으로 구성된 특징 벡터 정보를 입력으로 하여 학습되는 개인화된 랭킹 방법.
  5. 제 1 항에 있어서,
    상기 분류 모델은 상기 예측된 엣지 부호의 컨피던스 점수를 출력하는 개인화된 랭킹 방법.
  6. 제 1 항에 있어서,
    상기 제1 점수 전파 방법은;
    상기 현재 방문 노드와 상기 다음 방문 노드 간의 엣지 부호가 +이고 상기 현재 방문 노드의 긍정 점수를 전파하는 경우, 상기 현재 방문 노드의 긍정 점수를 상기 다음 방문 노드의 긍정 점수로 전파하고,
    상기 현재 방문 노드와 상기 다음 방문 노드 간의 엣지 부호가 +이고 상기 현재 방문 노드의 부정 점수를 전파하는 경우, 상기 현재 방문 노드의 부정 점수를 상기 다음 방문 노드의 부정 점수로 전파하고,
    상기 현재 방문 노드와 상기 다음 방문 노드 간의 엣지 부호가 -이고 상기 현재 방문 노드의 긍정 점수를 전파하는 경우, 상기 현재 방문 노드의 긍정 점수를 상기 다음 방문 노드의 부정 점수로 전파하고,
    상기 현재 방문 노드와 상기 다음 방문 노드 간의 엣지 부호가 -이고 상기 현재 방문 노드의 부정 점수를 전파하는 경우, 상기 현재 방문 노드의 부정 점수를 상기 다음 방문 노드의 긍정 점수로 전파하는 방법인 것을 특징으로 하는 개인화된 랭킹 방법.
  7. 제 1 항에 있어서,
    상기 제2 점수 전파 방법은;
    상기 현재 방문 노드의 긍정 점수를 전파하는 경우, 상기 현재 방문 노드의 긍정 점수를 분배 비율에 따라 상기 다음 방문 노드의 긍정 점수 및 부정 점수에 각각 분배하여 전파하고,
    상기 현재 방문 노드의 부정 점수를 전파하는 경우, 상기 현재 방문 노드의 부정 점수를 분배 비율에 따라 상기 다음 방문 노드의 긍정 점수 및 부정 점수에 각각 분배하여 전파하는 방법인 것을 특징으로 하는 개인화된 랭킹 방법.
  8. 제 7 항에 있어서,
    상기 분배 비율은 상기 균형 삼각형 및 상기 불균형 삼각형의 비율인, 개인화된 랭킹 방법
  9. 제 8 항에 있어서,
    상기 삼각형의 사전 부호는 (+, +), (+, -), (-, +), (-, -)를 포함하는 네 가지 유형들을 포함하고,
    상기 네 가지 유형들 각각에 대한 서로 다른 상기 분배 비율이 결정되고,
    상기 사전 부호의 유형이 상기 현재 방문 노드에서 상기 다음 방문 노드로 전파되는 점수와 상기 현재 방문 노드와 상기 다음 방문 노드 간의 엣지 부호와 일치하는 경우, 상기 분배 비율에 기초하여 점수를 전파하는 개인화된 랭킹 방법.
  10. 랜덤 워크를 이용한 개인화된 노드 랭킹 시스템에 있어서,
    부호 기반의 네트워크를 수신하는 수신부(receiver);
    하나 이상의 인스트럭션을 저장하는 메모리; 및
    적어도 하나의 프로세서를 포함하되;
    상기 프로세서는:
    분류 모델을 이용하여 예측된 시드 노드와 다음 방문 노드 간의 엣지 부호에 기초하여, 현재 방문 노드의 긍정 점수 또는 부정 점수를 상기 다음 방문 노드로 전파하는 것을 신뢰할 수 있는지를 검증하고,
    상기 검증에 따라 전파를 신뢰할 수 있는 경우, 균형 이론에 기초한 제1 점수 전파 방법을 이용하여 점수를 전파하고, 상기 검증에 따라 전파를 신뢰할 수 없는 경우, 상기 부호 기반의 네트워크의 균형 삼각형과 불균형 삼각형의 비율에 기초한 제2 점수 전파 방법을 이용하여 점수를 전파하도록 하는, 상기 하나 이상의 인스트럭션을 실행하되,
    상기 시드 노드, 상기 현재 방문 노드, 및 상기 다음 방문 노드는 부호 기반의 네트워크에 포함되고,
    상기 균형 삼각형은 상기 부호 기반의 네트워크에서 추이성(transitivity)을 만족하는 삼각형 중 균형 이론을 만족하는 삼각형이고, 상기 불균형 삼각형은 상기 추이성을 만족하지 않는 삼각형인, 개인화된 노드 랭킹 시스템.
  11. 제 10 항에 있어서,
    상기 프로세서는:
    상기 시드 노드로부터 출발하여 상기 랜덤 워크를 수행하는 랜덤 서퍼가 상기 현재 방문 노드에서 상기 다음 방문 노드로 이동(walk)하고,
    상기 부호 기반의 네트워크의 모든 노드들 각각의 긍정 점수 및 부정 점수가 수렴될 때까지 상기 랜덤 워크를 반복하여 수행하고,
    상기 수렴된 긍정 점수 및 상기 수렴된 부정 점수에 기초하여 상기 시드 노드 관점에서의 노드 랭킹을 출력하도록 하는, 상기 하나 이상의 인스트럭션을 더 실행하는 개인화된 노드 랭킹 시스템.
  12. 제 10 항에 있어서,
    상기 프로세서는:
    상기 예측된 엣지 부호와 상기 다음 방문 노드가 상기 현재 방문 노드로부터 전파받는 점수의 부호가 동일한지 여부인 제1 조건을 만족하는 경우, 상기 점수 전파를 신뢰할 수 있는 것으로 판단하고, 상기 제1 조건을 만족하지 않는 경우, 상기 점수 전파를 신뢰할 수 없는 것으로 판단하도록 하는, 상기 하나 이상의 인스트럭션을 더 실행하는 개인화된 노드 랭킹 시스템.
  13. 제 12 항에 있어서,
    상기 프로세서는:
    상기 제1 조건 및 상기 예측된 엣지 부호의 컨피던스 점수가 임계 값을 초과하는지 여부인 제2 조건을 만족하는 경우, 상기 점수 전파를 신뢰할 수 있는 것으로 판단하고, 상기 제1 조건 또는 상기 제2 조건을 만족하지 않는 경우, 상기 점수 전파를 신뢰할 수 없는 것으로 판단하도록 하는, 상기 하나 이상의 인스트럭션을 더 실행하는 개인화된 노드 랭킹 시스템.
  14. 제 10 항에 있어서,
    상기 분류 모델은 로지스틱 회귀 분류기 모델이고,
    상기 로지스틱 회귀 분류기 모델은 엣지 부호를 갖는 노드 쌍에 대한 복수의 토폴로지컬 특징(topological feature)들에 대응하는 값으로 구성된 특징 벡터 정보를 입력으로 하여 학습되는 개인화된 노드 랭킹 시스템.
  15. 제 10 항에 있어서,
    상기 분류 모델은 상기 예측된 엣지 부호의 컨피던스 점수를 출력하는 개인화된 노드 랭킹 시스템.
  16. 제 10 항에 있어서,
    상기 제1 점수 전파 방법은;
    상기 현재 방문 노드와 상기 다음 방문 노드 간의 엣지 부호가 +이고 상기 현재 방문 노드의 긍정 점수를 전파하는 경우, 상기 현재 방문 노드의 긍정 점수를 상기 다음 방문 노드의 긍정 점수로 전파하고,
    상기 현재 방문 노드와 상기 다음 방문 노드 간의 엣지 부호가 +이고 상기 현재 방문 노드의 부정 점수를 전파하는 경우, 상기 현재 방문 노드의 부정 점수를 상기 다음 방문 노드의 부정 점수로 전파하고,
    상기 현재 방문 노드와 상기 다음 방문 노드 간의 엣지 부호가 -이고 상기 현재 방문 노드의 긍정 점수를 전파하는 경우, 상기 현재 방문 노드의 긍정 점수를 상기 다음 방문 노드의 부정 점수로 전파하고,
    상기 현재 방문 노드와 상기 다음 방문 노드 간의 엣지 부호가 -이고 상기 현재 방문 노드의 부정 점수를 전파하는 경우, 상기 현재 방문 노드의 부정 점수를 상기 다음 방문 노드의 긍정 점수로 전파하는 방법인 개인화된 노드 랭킹 시스템.
  17. 제 10 항에 있어서,
    상기 제2 점수 전파 방법은;
    상기 현재 방문 노드의 긍정 점수를 전파하는 경우, 상기 현재 방문 노드의 긍정 점수를 분배 비율에 따라 상기 다음 방문 노드의 긍정 점수 및 부정 점수에 각각 분배하여 전파하고,
    상기 현재 방문 노드의 부정 점수를 전파하는 경우, 상기 현재 방문 노드의 부정 점수를 분배 비율에 따라 상기 다음 방문 노드의 긍정 점수 및 부정 점수에 각각 분배하여 전파하는 방법인 개인화된 노드 랭킹 시스템.
  18. 제 17 항에 있어서,
    상기 분배 비율은 상기 균형 삼각형 및 상기 불균형 삼각형의 비율인, 개인화된 노드 랭킹 시스템.
  19. 제 18 항에 있어서,
    상기 프로세서는:
    상기 삼각형의 사전 부호의 네 가지 유형들마다 상기 분배 비율이 결정하고,
    상기 사전 부호의 유형이 상기 현재 방문 노드에서 상기 다음 방문 노드로 전파되는 점수와 상기 현재 방문 노드와 상기 다음 방문 노드 간의 엣지 부호와 일치하는 경우, 상기 사전 부호의 유형의 상기 분배 비율에 기초하여 점수를 전파하도록 하는, 상기 하나 이상의 인스트럭션을 더 실행하되,
    상기 네 가지 유형들은 (+, +), (+, -), (-, +), (-, -)인 개인화된 노드 랭킹 시스템.
  20. 분류 모델을 이용하여 예측된 시드 노드와 다음 방문 노드 간의 엣지 부호에 기초하여, 현재 방문 노드의 긍정 점수 또는 부정 점수를 상기 다음 방문 노드로 전파하는 것을 신뢰할 수 있는지를 검증하되, 상기 시드 노드, 상기 현재 방문 노드, 및 상기 다음 방문 노드는 부호 기반의 네트워크에 포함되는 동작; 및
    상기 검증에 따라 전파를 신뢰할 수 있는 경우, 균형 이론에 기초한 제1 점수 전파 방법을 이용하여 점수를 전파하고, 상기 검증에 따라 전파를 신뢰할 수 없는 경우, 상기 부호 기반의 네트워크의 균형 삼각형과 불균형 삼각형의 비율에 기초한 제2 점수 전파 방법을 이용하여 점수를 전파하되, 상기 균형 삼각형은 상기 부호 기반의 네트워크에서 추이성(transitivity)을 만족하는 삼각형 중 균형 이론을 만족하는 삼각형이고, 상기 불균형 삼각형은 상기 추이성을 만족하지 않는 삼각형인, 동작을 수행하도록 하는 프로그램이 저장된 컴퓨터로 읽을 수 있는 기록 매체.

KR1020220052236A 2021-04-29 2022-04-27 랜덤 워크를 이용한 개인화된 랭킹 방법 및 시스템 KR102660480B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/731,904 US20220351076A1 (en) 2021-04-29 2022-04-28 Personalized node ranking method and system using random walk

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20210055547 2021-04-29
KR1020210055547 2021-04-29

Publications (2)

Publication Number Publication Date
KR20220148748A KR20220148748A (ko) 2022-11-07
KR102660480B1 true KR102660480B1 (ko) 2024-04-25

Family

ID=84043350

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220052236A KR102660480B1 (ko) 2021-04-29 2022-04-27 랜덤 워크를 이용한 개인화된 랭킹 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR102660480B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014521115A (ja) * 2011-07-01 2014-08-25 日本電気株式会社 信頼度計算の方法及び装置
KR101866866B1 (ko) * 2017-01-12 2018-06-14 서울대학교산학협력단 부호화된 네트워크에서의 개인화된 랭킹 방법, 이를 수행하기 위한 기록 매체 및 장치

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8055664B2 (en) * 2007-05-01 2011-11-08 Google Inc. Inferring user interests

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014521115A (ja) * 2011-07-01 2014-08-25 日本電気株式会社 信頼度計算の方法及び装置
KR101866866B1 (ko) * 2017-01-12 2018-06-14 서울대학교산학협력단 부호화된 네트워크에서의 개인화된 랭킹 방법, 이를 수행하기 위한 기록 매체 및 장치

Also Published As

Publication number Publication date
KR20220148748A (ko) 2022-11-07

Similar Documents

Publication Publication Date Title
US11675940B2 (en) Generating integrated circuit floorplans using neural networks
US10891950B2 (en) Graph based prediction for next action in conversation flow
EP3494526A1 (en) Assessing accuracy of a machine learning model
KR102452159B1 (ko) 정황상 인식되는 다이나믹 그룹 형성
US20230306266A1 (en) Computational graph optimization
WO2019000472A1 (zh) 导航方法、装置、存储介质以及服务器
JP2019056960A (ja) 探索方法、探索プログラムおよび探索装置
CN111680998B (zh) 支付路由方法、计算设备和计算机可读存储介质
US20200034706A1 (en) Imitation learning by action shaping with antagonist reinforcement learning
CN114357105A (zh) 地理预训练模型的预训练方法及模型微调方法
CN112583716A (zh) 基于物联网数据传输的路径选择方法及装置
KR102160600B1 (ko) 사용자 반응 향상을 위한 해시태그 추천 방법, 장치 및 컴퓨터-판독가능기록매체
US20220351076A1 (en) Personalized node ranking method and system using random walk
JPWO2020137847A1 (ja) アタックツリー生成装置、アタックツリー生成方法およびアタックツリー生成プログラム
KR102660480B1 (ko) 랜덤 워크를 이용한 개인화된 랭킹 방법 및 시스템
US11256707B1 (en) Per-query database partition relevance for search
KR102387930B1 (ko) 서비스 처리 시스템 및 방법
US11475002B1 (en) Machine learning system for dynamic generation of computer-implemented policies
RU2757592C1 (ru) Способ и система для кластеризации документов
US11436291B1 (en) Source rank metric of measuring sources of influence
WO2022063157A1 (zh) 参数配置方法及相关系统
KR102511225B1 (ko) 인공지능 추론모델을 경량화하는 방법 및 시스템
CN114666263A (zh) 高动态的智能路由确定方法、装置、电子设备及存储介质
KR102641628B1 (ko) 분할된 딥러닝 모델을 이용한 서비스 제공 방법 및 시스템
JP6333306B2 (ja) 検索データ管理装置、検索データ管理方法、および検索データ管理プログラム

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right