직관적 퍼지 근사공간 기반 거친 집합과 순서 규칙을 활용한 기관 순위 지식 마이닝 모델

** 본 논문은 “기관 순위 지식 마이닝 모델”이라는 새로운 프레임워크를 제시한다. 연구 배경으로는 현대 정보 시스템에서 대용량·불확실한 데이터가 의사결정에 활용될 때, 기존의 정형(크리스프) 방법론이 데이터의 모호성이나 거의 동일한 수치값을 적절히 처리하지 못한다는 점을 지적한다. 이를 해결하기 위해, 저자는 세 가지 핵심 이론을 결합한다: (1) 거친 집합(Rough Set) 이론, (2) 직관적 퍼지 근사공간(Intuitionistic Fuzzy Approximation Space, IFAS), (3) 형식 개념 분석(Formal Concept Analysis, FCA). **1) 이론적 배경** - **거친 집합**: Pawlak이 제안한 전통적 거친 집합은 동등 관계(R) 기반으로 하위·상위 근사집합을 정의한다. 그러나 수치형 데이터에서는 동등 관계가 거의 존재하지 않아 적용이 제한된다. - **직관적 퍼지 근사공간**: 직관적 퍼지 집합은 멤버십 μ와 비멤버십 ν를 동시에 고려한다. 논문은 IFAS를 ‘직관적 퍼지 근접 관계(Intuitionistic Fuzzy Proximity Relation)’로 정의하고, α‑β‑컷을 통해 ‘α‑β‑동일(identical)’ 관계를 만든다. 이 관계는 전이성을 갖는 등가 관계이므로 전통적 거친 집합의 근사 개념을 그대로 적용할 수 있다. - **순서 규칙**: 실제 의사결정에서는 단순히 동등 여부보다 ‘어느 것이 더 좋은가’라는 순서가 중요하다. 따라서 각 속성에 대해 값들의 순서를 정의하고, α‑β‑동일성에 의해 그룹화된 객체들 사이에 순서 규칙을 적용한다. **2) 모델 구조** 모델은 크게 전처리(pre‑process)와 후처리(post‑process) 두 단계로 나뉜다. - **전처리 단계**: 1) 원시 데이터(기관, R&D 설비, 최신 설비, 마케팅 비용, 이익 등)를 IFAS에 매핑한다. 2) α와 β를 설정해 각 속성에 대해 α‑β‑컷을 계산하고, α‑β‑동일성 관계 Rαβ를 도출한다. 3) Rαβ에 의해 형성된 동등 클래스(*Rαβ)를 기반으로 객체들을 그룹화한다. 4) 각 속성에 대한 순서 규칙을 적용해 그룹 내·외부의 순위를 정한다. 이 과정에서 ‘거의 동일하지만 순서가 다른’ 객체들을 구분한다. - **후처리 단계**: 1) 전처리에서 얻은 정렬된 정보표(Ordered Information Table)를 교차표 형태로 변환한다. 2) FCA를 적용해 G(객체)와 M(속성) 사이의 이진 관계 R을 정의하고, ‘extent‑intent’ 쌍을 도출한다. 3) 도출된 개념들을 격자(Lattice) 구조로 시각화한다. 격자 상에서 상위 개념은 전체 객체를, 하위 개념은 특정 속성 조합을 나타낸다. 4) 격자 분석을 통해 ‘주요 속성(chief attribute)’을 식별한다. 예시에서는 마케팅 비용이 다른 속성보다 순위 결정에 가장 큰 영향을 미치는 것으로 밝혀졌다. **3) 실험 및 사례 연구** 논문은 VIT 대학의 6개 기관 데이터를 사용해 모델을 시연한다. - **데이터**: 각 기관은 ‘R&D 설비(Yes/No)’, ‘최신 설비(Yes/No)’, ‘마케팅 비용(High/Average/Very high)’, ‘이익(200/250/300)’ 네 개의 속성을 가진다. - **α‑β 설정**: α=0.9, β=0.1 등 높은 동등성을 보장하는 값으로 설정하였다. - **전처리 결과**: α‑β‑동일성에 따라 ‘R&D 설비가 Yes’인 기관과 ‘No’인 기관이 각각 하나의 동등 클래스로 묶였으며, 마케팅 비용과 이익에 대해서는 ‘Very high > High > Average’ 순서가 적용되어 객체가 순위화되었다. - **FCA 결과**: 교차표와 격자 다이어그램을 통해 6개의 개념이 도출되었으며, 최하위 개념(마케팅 비용이 Very high인 객체들)과 최상위 개념(전체 객체) 사이의 경로를 분석함으로써 마케팅 비용이 순위에 가장 큰 영향을 미친다는 결론을 얻었다. **4) 논의** - **장점**: IFAS 기반 α‑β‑동일성은 수치형 데이터의 미세 차이를 허용하면서도 의미 있는 구분을 제공한다. 순서 규칙과 결합해 단순 동등 클래스가 아니라 실제 의사결정에 필요한 ‘우선순위’를 반영한다. FCA는 결과를 설명 가능한 형태(격자)로 제공해 의사결정자에게 투명성을 부여한다. - **제한점**: α와 β 값 선택이 결과에 크게 영향을 미치며, 현재는 도메인 전문가의 주관적 설정에 의존한다. 대규모 데이터에 대한 실험이 부족해 연산 복잡도와 확장성에 대한 검증이 필요하다. 또한, FCA 격자가 복잡해질 경우 해석 비용이 급증한다. **5) 결론 및 향후 연구** 본 논문은 ‘거친 집합 + 직관적 퍼지 근사공간 + 순서 규칙 + 형식 개념 분석’이라는 네 가지 요소를 통합한 지식 마이닝 모델을 제시함으로써, 불확실하고 거의 동일한 수치 데이터를 효과적으로 처리하고, 의사결정에 필요한 핵심 속성을 도출할 수 있음을 실험을 통해 증명하였다. 향후 연구에서는 α‑β 파라미터 자동 튜닝, 빅데이터 환경에서의 효율적인 구현, 그리고 시각화 도구와의 연계를 통해 실무 적용성을 높이는 방향을 제안한다. **