우리가 접하는 많은 시스템과 현상은 개체(‘노드’)와 그들 간의 상호작용, 연결, 관계(‘링크’)로 이루어진 네트워크
또는 그래프 데이터 구조로 표현할 수 있습니다. 그리고 노드의 행위와 상호작용 등 다양한 트랜잭션은 빅데이터로 축적됩니다.
개체(노드)
(개인, 조직, 커뮤니티, 상품, 문서 등)
관계(링크)
(개인 간 관계, 조직 간 관계,
구매자-상품의 관계, 문서 간 관계 등)
네트워크(그래프)
(관계의 연쇄적 연결구조)
소셜 네트워크 분석은 구조적 데이터 분석 방법 및 기술로서 다양한 관계와 상호작용 행위를 계량적으로 분석하여 거시적, 미시적 관계 패턴과 관계의 형성, 변화를 파악할 수 있습니다.
네트워크의 구조는 연결과 단절, 중심과 주변, 응집과 분산, 위치와 역할 등의 관점으로 분석할 수 있으며, 확산경로분석, 영향력 평가, 사기/범죄조직 적발, 역할 예측 등
다양한 비즈니스 및 연구 도메인의 현실적인 문제 해결에 활용될 수 있습니다.
연결 구조
응집 구조
중심 구조
역할 구조
Graph Machine Learning
그래프 머신러닝
Input Graph
Graph Measures
Graph Machine Learning
Node Classification
Link Prediction
Graph Classification
그래프 머신러닝이란 그래프의 관계적 특성을 학습에 활용하거나 그래프 신경망을 통해 그래프를 학습하는 것을 의미합니다.
그래프 머신러닝은 노드를 분류하거나, 링크를 예측하고, 그래프를 분류할 수 있습니다.
그래프는 ‘관계’를 분석함으로써, 더욱 정확한 데이터 패턴을 추출하여
머신러닝 모델을 개선시킬 수 있습니다
그래프 머신러닝은 데이터에 포함된 관계 또는 연관성을 학습에 추가로 활용하므로, 분류 및 예측의 정확도와 설명 가능성을 높일 수 있는 것으로 입증되었습니다.
이제 연구자와 비즈니스 의사결정자는 그래프 분석, 그래프 머신러닝, 머신러닝, 다변량 통계 분석의 결합으로 더 정확하고, 신뢰할 수 있는 분석 결과를 얻을 수 있습니다.