소셜 네트워크에서 경쟁 선형 임계 모델을 이용한 영향 차단 최대화

초록

본 논문은 경쟁 선형 임계(CL​T) 모델 하에서 상대의 확산을 차단하기 위해 긍정적인 시드 노드를 선택하는 영향 차단 최대화(IBM) 문제를 정의하고, 목표 함수가 단조·부분모듈러임을 증명한다. 이를 기반으로 1‑1/e 근사 비율을 보장하는 그리디 알고리즘을 제시하지만, 시뮬레이션 비용이 크다. 따라서 저자는 DAG 기반 동적 프로그래밍을 활용한 효율적인 휴리스틱 알고리즘 CLDAG를 설계하고, 실제·합성 데이터 실험을 통해 정확도는 그리디와 동등하거나 우수하면서 실행 속도는 두 자릿수 이상 빠름을 입증한다.

상세 분석

이 연구는 기존의 단일 확산 모델을 넘어, 두 개의 상반된 의견·제품이 동시에 퍼지는 상황을 모델링한 경쟁 선형 임계(CL​T) 모델을 제안한다. CL​T는 각 정점이 +활성, -활성, 비활성 세 상태를 가질 수 있게 하며, 양·음의 영향력은 별도의 가중치와 임계값으로 정의된다. 특히 동일 시점에 양·음이 동시에 도달하면 음성 영향이 우선한다는 ‘음성 우위 규칙’은 사회심리학의 부정 편향을 반영한다.

IBM 문제는 주어진 음성 시드 집합 N₀와 제한된 예산 k에 대해, 양성 시드 집합 S (|S|≤k)를 선택해 최종적으로 -활성되는 노드 수를 최소화(또는 차단된 노드 수를 최대화)하는 최적화 문제이다. 저자는 이 문제를 NP‑hard로 증명하고, 목표 함수 σ_NIR(S)의 단조성 및 부분모듈러성을 수학적으로 입증한다. 부분모듈러성 증명은 기존 Kempe et al.의 라이브‑패스(Live‑Path) 기법을 확장해, 양·음 각각의 라이브‑패스 그래프 G⁺, G⁻를 구성하고, 두 거리 d_G⁺(P₀,v), d_G⁻(N₀,v) 를 비교해 활성화를 결정하는 확률적 과정과 동등함을 보인다. 이로써 그리디 선택이 (1‑1/e‑ε) 근사 비율을 보장함을 확인한다.

하지만 그리디 알고리즘은 매 단계마다 수천 번의 몬테카를로 시뮬레이션을 필요로 하여 대규모 네트워크에서는 실용적이지 않다. 이를 해결하기 위해 저자는 CLDAG 알고리즘을 고안한다. 핵심 아이디어는 네트워크를 DAG(Directed Acyclic Graph) 형태로 분해하고, 각 DAG에 대해 동적 프로그래밍을 수행해 양·음 영향 전파를 정확히 계산한다. CLDAG는 라이브‑패스 그래프에서 선택된 한 개의 인입 엣지만을 고려함으로써 연산량을 크게 줄이며, 부분모듈러성에 기반한 그리디 선택과 동일한 순서로 시드를 추가한다.

실험에서는 세 개의 실제 소셜 네트워크(예: Facebook, Twitter, LiveJournal)와 여러 합성 그래프에 대해 CLDAG, 전통 그리디, 차수 기반, 랜덤 등 4가지 베이스라인을 비교했다. 결과는 CLDAG가 그리디와 거의 동일한 차단 효과(σ_NIR) 를 보이며, 실행 시간은 평균 100배 이상 빠른 것으로 나타났다. 특히 6.4k 노드 규모의 네트워크에서 그리디는 8시간 이상 소요되는 반면, CLDAG는 몇 분 내에 완료되었다. 이는 실시간 대응이 요구되는 실제 상황에서 큰 장점을 제공한다.

이 논문은 경쟁 확산 상황에서 영향 차단 문제를 최초로 CL​T 모델에 적용하고, 부분모듈러성을 이용한 이론적 보증과 실용적인 고속 알고리즘을 동시에 제공한다는 점에서 학술적·실무적 의의가 크다. 또한 음성 우위 규칙과 같은 모델링 선택이 결과에 미치는 영향을 논의하며, 향후 다중 경쟁자·다중 라운드 확산, 동적 시드 선택 등 확장 연구의 토대를 마련한다.