구글의 PageRank 알고리즘에 대해 내가 알고있는 것을 써보려고 해.
원리도 굉장히 직관적이고, 실질적인 성능까지 보여준 좋은 알고리즘이지.
이 알고리즘의 직관적인 내용은 프갤에 있는 횽들 대부분이 알고 있을 거야.
다른 page들로부터 link가 많이 걸린 사이트 (= inner link가 많은 사이트) 는 좋은 사이트,
다른 page들로의 link가 많은 사이트 (= outer link가 많은 사이트) 는 별 정보가 없는 사이트.
이런 식으로 해서 rank를 매긴다는 얘기.

그런데 이 알고리즘은 그보다 좀 더 깊은 원리가 있는데...
아마 검색 알고리즘에 관심이 많은 횽들에게 도움이 될 지도 몰러. (yundream횽 등등)

우선 문서 검색 (꼭 웹이 아니라도) 을 생각해 보자.
보통 (문서가 됐든 뭐가 됐든) 검색할 대상 데이터는 우선 벡터화를 하게 돼.
문서 데이터의 경우, 어떤 문서 벡터의 n 번째 원소의 값은, 대개 지정 단어가 해당 문서에 나오는 횟수를 의미해.
(횟수가 될 수도 있고 그에 준하는 어떤 상대적인 비율이 될 수도 있음)

예를 들면.
1번째 원소는 "상상플러스" 라는 단어의 빈도수를 나타내고,
2번째 원소는 "김제동",
3번째 원소는 "무한도전",
...
이렇게 10개의 원소들은 연예 방송과 관련된 단어들의 빈도수를 나타내도록 정의하고,
또 다른 10개의 원소들은
"홈런", "타점", "삼진", "이승엽", "양키스" 등등, 야구와 관련된 단어들의 빈도수로 정의하는 거야.

그러면 하나의 문서를 20개의 원소를 가지는 벡터로 나타낼 수 있겠지.

왜 이렇게 "벡터화"를 하느냐?
근본적인 이유는, 임의의 두 아이템에 대해 둘 사이의 유사성 (또는 거리) 를 구할 수 있어야 하기 때문이야.
사람이야 당연히, 눈으로 읽고 머리로 이해하고 "야구 기사"과 "연예 기사"를 분리해 낼 수 있겠지만
컴퓨터가 "야구 기사의 string set"과 "연예 기사의 string set"을 가지고
실제 각각이 어떤 내용인지 이해하는 건 불가능하잖아.

물론 벡터화 하는 방법은 꼭 이것 말고도 여러 가지 방법들이 있지만,
아무튼 어떤 식으로든 벡터화를 했다고 하자.
그러면 이제 임의의 두 문서간의 "거리"를 구할 수 있게 되는데,
벡터의 각 자리별로 차를 구하고, 각각의 차를 제곱해서 더하면 돼.

이때 주제가 서로 다른 문서들은 주제가 같은 문서들에 비해 거리가 커지게 되는데,
예를 들어 상상플러스에 관한 두 문서(A,B)와 야구에 관한 문서(C)가 있고,
A의 첫 번째 원소값("상상플러스" 빈도수)은 10, 두 번째 원소값("김제동" 빈도수)은 5라고 하고,
B는 각각 8, 9라고 하자.
C는 야구 관련 문서니까 둘 다 0이겠지? (물론 이승엽과 김제동이 친구 사이긴 하지만;)
그럼 이 원소들에 대한 차이만 계산하더라도,
A와 B 사이의 차(이걸 d(A,B)라고 할께)는 2^2 + 4^2 = 20.
d(A,C) = 10^2 + 5^2 = 125.
d(B,C) = 8^2 + 9^2 = 145.

확실히 차이가 나지?
이처럼 비슷한 주제의 문서들끼리는 대체로 거리가 가깝고,
상이한 주제끼리는 거리가 멀어지고 그러는 경향이 나타나게 돼.

그런데 문제가 있으니, 뭐가 문제냐...
나머지는 다음 글에서;;;
아놔 본론의 ㅂ자도 아직 안꺼냈는데 글이 이렇게 길어지네;;;