정보통신기술의 발달로 많은 양의 콘텐츠가 생성된다. 유저는 수많은 콘텐츠 속에서 자신에게 필요한 콘텐츠를 선별하는 작업이 수반된다. 이러한 문제를 해결하기 위해 추천 시스템이 활발하게 연구되고 있다. 본 논문에서는 유저-아이템 정보를 활용하여 이종 그래프를 구성한다. 기존 이종 그래프 기반 추천 시스템은 동종 노드(사용자-사용자, 아이템-아이템) 간의 관계 정보가 누락되어 추천 성능이 저하되는 한계가 있다. 본 논문에서는 이러한 문제를 해결하기 위해 그래프 신경망(GNN) 기반 추천 시스템과 그래프 데이터 증강을 활용한 프레임워크를 제안한다. 최신 오픈소스 딥러닝 모델을 활용하여 그래프 속성 증강을 수행한다. 개인화된 추천을 위해 5가지의 유사도 값을 정의하고 해당 유사도 값을 이용하여 동종 노드 간 누락된 엣지 증강을 수행한다. LSH(Locality-Sensitive Hashing) 알고리즘을 도입하여 대규모 그래프에서의 유사도 계산을 최적화하였다. 실험 결과 기존 GCN 방식 대비 약 20%의 성능 향상을 보였으며를 통해 동종 노드 간 관계 정보의 중요성을 입증하였다.

본 연구에서는 콘텐츠 기반 이미지 검색을 가속하기 위한 분산(in-memory) 기반 고차원 인덱싱 방법에 대해 3가지 k-최근접 이웃(k-NN) 최적화 기법을 제안한다. 제안된 기법들은 데이터 분포를 사용해 k-NN 최적화를 수행하는 밀도 기반 최적화 기법, 질의 처리 비용 통계를 활용하는 비용 기반 최적화 기법, 그리고 질의 로그를 기반으로 한 딥러닝 모델을 사용하는 학습 기반 최적화 기법으로서, 분산된 메모리 내 고차원 인덱싱을 통한 k-NN 질의 최적화를 수행한다. 제안 기법들은 대규모 분산 처리를 위한 master/slave 모델을 지원하는 Spark에 구현하였다. 또한 고차원 데이터에 기반하여 다양한 성능 평가를 통해 제안 기법들의 우수성과 타당성을 입증하였다.

다양한 응용에서 그래프 스트림의 활용이 증가함에 따라, 실시간으로 변화하는 부분그래프를 탐색하기 위한 연속 부분그래프 매칭 연속(continuous) 방식이 요구된다. 본 논문에서는 그래프 스트림 환경에서 색인(indexing)을 활용하고 분산 처리를 적용하는 새롭고 효과적인 연속 부분그래프 매칭 방식을 제안한다. 분산 처리를 달성하기 위해, 노드의 차수(degree)에 기반한 질의 그래프 분해 정책을 사용하여 분해된 하위 질의들을 색인으로 관리한다. 색인 정보를 재사용함으로써, 다수의 질의가 동시에 발행되는 상황에서 핵심이 되는 색인 부하를 크게 감소시킨다. 분산 환경에서의 질의 할당을 최적화하기 위해, 각 서버에 대한 색인 부하를 정확히 계산하는 비용 모델(cost model)을 도입한다. 이를 통해 질의의 균형 잡힌 분배를 보장하여 전체 시스템 성능을 향상시킨다. 스트림 환경에서 분산 처리를 효율적으로 수행하기 위해, 제안된 방식은 Storm에 구현된다. 제안된 방식의 우수성을 입증하기 위해 다양한 성능 평가를 수행한다.

빅 데이터와 인공지능 기술의 적용 범위가 확대됨에 따라 그래프 데이터는 객체 간의 관계를 분석하기 위해 점점 더 많이 활용되고 있다. 네트워크 기술의 발전과 소셜 네트워크 서비스의 확산으로 인해, 실시간으로 생성되는 대규모 그래프 스트림을 처리할 수 있는 연속 질의 처리 알고리즘에 대한 필요성이 증가하고 있다. 본 논문에서는 그래프 스트림을 효율적으로 제어하기 위한 슬라이딩 윈도우 기반 연속 부분그래프 매칭 알고리즘을 제안한다. 제안된 방식은 트라이(trie) 인덱싱에 기반한 질의 처리 기법을 사용한다. 유사한 질의의 물질화된 뷰(materialized view)에 기반한 인덱스를 구성하고, 물질화된 뷰에 기초하여 연속 질의 처리를 수행함으로써 연속 질의 처리의 효율성을 확보한다. 또한 다양한 질의 유형을 고려하기 위해 정점과 간선에 대한 와일드카드 연산을 제공한다. 더불어 본 연구에서는 물질화된 뷰 형태로 중간 질의 결과를 처리하기 위해, 향후 사용될 수 있는 부분그래프와 자주 사용되는 부분그래프를 관리할 수 있는 2단계 캐시 기법을 개발한다. 개발된 캐시 기법의 성능을 향상시키기 위해 통계 데이터를 기반으로 한 캐시 교체 기법 또한 제시한다. 제안된 알고리즘의 우수한 성능은 독립적 성능 평가 및 비교 성능 평가를 수행함으로써 검증되었다.

정보통신기술의 발달로 많은 양의 콘텐츠가 생성된다. 유저는 수많은 콘텐츠 속에서 자신에게 필요한 콘텐츠를 선별하는 작업이 수반된다. 이러한 문제를 해결하기 위해 추천 시스템이 활발하게 연구되고 있다. 본 논문에서는 유저-아이템 정보를 활용하여 이종 그래프를 구성한다. 기존 이종 그래프 기반 추천 시스템은 동종 노드(사용자-사용자, 아이템-아이템) 간의 관계 정보가 누락되어 추천 성능이 저하되는 한계가 있다. 본 논문에서는 이러한 문제를 해결하기 위해 그래프 신경망(GNN) 기반 추천 시스템과 그래프 데이터 증강을 활용한 프레임워크를 제안한다. 최신 오픈소스 딥러닝 모델을 활용하여 그래프 속성 증강을 수행한다. 개인화된 추천을 위해 5가지의 유사도 값을 정의하고 해당 유사도 값을 이용하여 동종 노드 간 누락된 엣지 증강을 수행한다. LSH(Locality-Sensitive Hashing) 알고리즘을 도입하여 대규모 그래프에서의 유사도 계산을 최적화하였다. 실험 결과 기존 GCN 방식 대비 약 20%의 성능 향상을 보였으며를 통해 동종 노드 간 관계 정보의 중요성을 입증하였다.

본 연구에서는 콘텐츠 기반 이미지 검색을 가속하기 위한 분산(in-memory) 기반 고차원 인덱싱 방법에 대해 3가지 k-최근접 이웃(k-NN) 최적화 기법을 제안한다. 제안된 기법들은 데이터 분포를 사용해 k-NN 최적화를 수행하는 밀도 기반 최적화 기법, 질의 처리 비용 통계를 활용하는 비용 기반 최적화 기법, 그리고 질의 로그를 기반으로 한 딥러닝 모델을 사용하는 학습 기반 최적화 기법으로서, 분산된 메모리 내 고차원 인덱싱을 통한 k-NN 질의 최적화를 수행한다. 제안 기법들은 대규모 분산 처리를 위한 master/slave 모델을 지원하는 Spark에 구현하였다. 또한 고차원 데이터에 기반하여 다양한 성능 평가를 통해 제안 기법들의 우수성과 타당성을 입증하였다.

다양한 응용에서 그래프 스트림의 활용이 증가함에 따라, 실시간으로 변화하는 부분그래프를 탐색하기 위한 연속 부분그래프 매칭 연속(continuous) 방식이 요구된다. 본 논문에서는 그래프 스트림 환경에서 색인(indexing)을 활용하고 분산 처리를 적용하는 새롭고 효과적인 연속 부분그래프 매칭 방식을 제안한다. 분산 처리를 달성하기 위해, 노드의 차수(degree)에 기반한 질의 그래프 분해 정책을 사용하여 분해된 하위 질의들을 색인으로 관리한다. 색인 정보를 재사용함으로써, 다수의 질의가 동시에 발행되는 상황에서 핵심이 되는 색인 부하를 크게 감소시킨다. 분산 환경에서의 질의 할당을 최적화하기 위해, 각 서버에 대한 색인 부하를 정확히 계산하는 비용 모델(cost model)을 도입한다. 이를 통해 질의의 균형 잡힌 분배를 보장하여 전체 시스템 성능을 향상시킨다. 스트림 환경에서 분산 처리를 효율적으로 수행하기 위해, 제안된 방식은 Storm에 구현된다. 제안된 방식의 우수성을 입증하기 위해 다양한 성능 평가를 수행한다.

빅 데이터와 인공지능 기술의 적용 범위가 확대됨에 따라 그래프 데이터는 객체 간의 관계를 분석하기 위해 점점 더 많이 활용되고 있다. 네트워크 기술의 발전과 소셜 네트워크 서비스의 확산으로 인해, 실시간으로 생성되는 대규모 그래프 스트림을 처리할 수 있는 연속 질의 처리 알고리즘에 대한 필요성이 증가하고 있다. 본 논문에서는 그래프 스트림을 효율적으로 제어하기 위한 슬라이딩 윈도우 기반 연속 부분그래프 매칭 알고리즘을 제안한다. 제안된 방식은 트라이(trie) 인덱싱에 기반한 질의 처리 기법을 사용한다. 유사한 질의의 물질화된 뷰(materialized view)에 기반한 인덱스를 구성하고, 물질화된 뷰에 기초하여 연속 질의 처리를 수행함으로써 연속 질의 처리의 효율성을 확보한다. 또한 다양한 질의 유형을 고려하기 위해 정점과 간선에 대한 와일드카드 연산을 제공한다. 더불어 본 연구에서는 물질화된 뷰 형태로 중간 질의 결과를 처리하기 위해, 향후 사용될 수 있는 부분그래프와 자주 사용되는 부분그래프를 관리할 수 있는 2단계 캐시 기법을 개발한다. 개발된 캐시 기법의 성능을 향상시키기 위해 통계 데이터를 기반으로 한 캐시 교체 기법 또한 제시한다. 제안된 알고리즘의 우수한 성능은 독립적 성능 평가 및 비교 성능 평가를 수행함으로써 검증되었다.

학술 연구자들은 다양한 학술 사이트에서 논문, 특허, 연구 보고서와 같은 여러 형식으로 연구 성과를 발표한다. 특정 연구자의 저작을 검색할 때에는, 특히 동일한 이름을 가진 복수의 연구자가 존재하는 경우, 올바른 개인을 정확히 특정하기가 어려울 수 있다. 이러한 문제를 해결하기 위해 본 연구에서는 서로 다른 학술 사이트에 기반하여 동일 이름을 가진 연구자를 대상으로 하는 이름 식별(명칭 분리) 방식을 제안한다. 제안된 방식은 식별에 핵심적인 속성을 중심으로, 다양한 학술 사이트로부터 해당 연구 성과를 수집하고 통합한다. 이후 군집화 기법을 사용하여 동일 이름을 공유하는 개인들을 식별한다. 또한 본 연구에서는 제안된 규칙 기반 알고리즘 이름 식별 방법과 기존의 딥러닝 기반 식별 방법을 함께 구현한다. 이 접근법은 다중 분류기(multi-classifier) 방식으로 학술 사이트에 이용 가능한 메타데이터를 고려하여 가장 정확한 식별 방식을 선택할 수 있게 한다. 우리는 다양한 연구자들의 성과와 여러 학술 검색 사이트에 등록된 논문의 메타데이터를 고려하였다. 제안된 방식은 F1-measure 값 0.99의 매우 높은 성능을 보였다. 본 논문에서는 입력된 메타데이터에 따라 가장 적절한 식별 방식을 수행하는 다중 분류기(multi-classifier)를 제안한다. 제안된 다중 분류기는 F1-measure 값 0.67의 높은 성능을 보였다.

매년 증가하는 논문의 양으로 인해 연구자들이 자신의 연구에 맞는 참고문헌을 찾는 데 어려움을 겪고 있다. 이를 해결하기 위해 대규모 학술 데이터를 사용한 문맥 학습 기반 학술 참고문헌 추천 시스템을 제안한다. 기존의 콘텐츠 기반 추천 시스템은 논문의 표면적인 단어 유사성에 의존하는 반면, 본 시스템은 T5와 BERT 모델을 활용하여 논문의 문맥적 의미를 포착한다. 또한, Apache Spark와 TorchServe를 사용해 대규모 데이터를 분산 처리하며, 임베딩된 데이터는 LSTM 모델의 학습 데이터로 사용되어 입력된 논문의 참고문헌을 예측하는 방식으로 훈련된다. 훈련된 모델은 입력된 논문의 기존 참고문헌과 일치하는 개수를 비교하여 정확도를 측정하였다. 기존의 TF-IDF 콘텐츠 추천 시스템과 비교하여 6~19%의 정확도 개선을 이뤘다. 이러한 정확도 개선은 연구자들이 신속하고 정확하게 필요한 참고문헌을 찾아내어, 연구 시간을 단축하고 연구의 질을 높일 수 있다.

부분그래프 매칭은 보안 위협 탐지 및 생물학적 네트워크 분석을 포함하여 광범위한 분야에서 활용되는 핵심 그래프 분석 기법이다. 특히 노드와 엣지에 다양한 라벨이 존재하는 이기종 그래프에서는 구조적 매칭과 라벨 매칭을 모두 고려해야 하므로 보다 정밀한 분석이 요구된다. 그러나 이기종 그래프에서의 부분그래프 매칭은 계산 복잡성이 높은 NP-완비 문제로 규정된다. 이러한 문제를 해결하기 위해 최근 Graphics Processing Units(GPUs)의 병렬성을 활용하는 다양한 부분그래프 매칭 방법들이 제안되었다. 이러한 방법들에서 매칭 공간을 줄이는 후보 필터링(candidate filtering) 전략은 전체 성능에 있어 핵심적인 역할을 한다. 특히 GPU에서 빠른 병렬 비교를 통해 후보 필터링을 수행하는 그래프 인덱싱(graph indexing) 기반 방법들이 점차 주목을 받고 있다. 그중에서도 GSI는 정점 및 이웃 정보를 비트 수준으로 인코딩하여 GPU 상의 병렬 비교를 통한 빠른 후보 필터링을 가능하게 하는 대표적인 그래프 인덱싱 기반 방법이다. 그러나 그래프의 크기와 라벨의 수가 증가할수록 후보 필터링을 위한 인덱스 구조의 크기 역시 증가하여, 호스트 대 디바이스 전송 시간이 길어지고 GPU 메모리 소비가 커지는 문제가 발생한다. 본 논문에서는 이러한 한계를 해결하고 이기종 그래프 환경에서의 탐색 효율을 향상시키기 위한 새로운 GPU 기반 부분그래프 매칭 방법을 제안한다. 제안된 방법은 쿼리 순서를 고려하는 동시 실행(concurrent execution) 전략과 함께 경량의 그래프 인덱스 구조를 도입한다. 다양한 성능 평가에 따르면, 제안된 방법은 쿼리 처리 시간과 GPU 메모리 효율 측면에서 기존 방법들에 비해 우수한 성능을 보인다.

최근 대규모 동적 그래프의 효율적 처리를 위해 GPU를 활용하는 연구가 활발히 진행되고 있다. 그러나 동적 그래프 연산을 수행하는 과정에서 동일한 데이터가 반복적으로 전송되고 처리되면서 여러 가지 어려움이 발생한다. 본 논문은 제한된 메모리를 가진 GPU 환경에서 대규모 동적 그래프를 효율적으로 처리하기 위한 처리 기법을 제안한다. 이 기법은 동적 스케줄링과 연산 감소를 활용한다. 제안된 기법은 동적 그래프를 분할하고, 활성(active) 및 잠재적 활성(tentative active) 정점을 기준으로 각 분할을 스케줄링하여 GPU 활용도를 최적화한다. 또한 스냅샷을 사용하여 그래프의 변화를 포착함으로써 중복된 간선 및 정점 수정의 탐지가 가능하도록 한다. 이를 통해 불필요한 계산을 줄여 GPU 처리 부담과 데이터 전송 비용을 최소화한다. 동일한 간선이나 정점에 대한 중복 연산을 제거함으로써 성능이 크게 향상된다. 성능 평가 결과, 기존 정적 그래프 처리 기법에 비해 평균 280%의 향상을, 기존 동적 그래프 처리 기법에 비해 108%의 향상을 보였다.