인용 네트워크 커뮤니티 탐지 알고리즘의 안정성 연구

초록

본 논문은 인용 네트워크가 갖는 방향성·비순환성 특성을 고려하여, 기존 무방향 사회망용 커뮤니티 탐지 기법들의 적용 가능성을 시뮬레이션 기반으로 평가한다. 다양한 알고리즘의 시간적 안정성을 비교 분석하고, 상황별 적합 알고리즘 선택 가이드를 제시한다.

상세 분석

인용 네트워크는 논문·특허 등에서 인용 관계가 시간 순으로만 진행되는 유향 비순환 그래프(DAG)라는 고유한 구조적 특성을 가진다. 이러한 특성은 무방향 그래프를 전제로 설계된 모듈러리티 기반 Louvain, Infomap, Leiden 등 기존 커뮤니티 탐지 알고리즘이 직접 적용될 경우, 방향 정보 손실·사이클 가정 위반·시간적 일관성 결여 등의 문제를 야기한다. 논문은 이러한 문제점을 정량적으로 파악하기 위해, (1) 인용 네트워크의 성장 메커니즘을 모사한 시뮬레이터를 구축하고, (2) 시뮬레이션 과정에서 사전 정의된 “진실” 커뮤니티 구조를 삽입한다. 시뮬레이션 파라미터는 논문 발표 속도, 인용 평균 수, 커뮤니티 내·외부 인용 비율 등 네 가지 축으로 다양화하였다.

알고리즘 비교는 크게 세 그룹으로 나뉜다. 첫 번째는 방향성을 무시하고 무방향 그래프로 변환한 뒤 적용하는 전통적 방법(Louvain, Leiden, Infomap). 두 번째는 방향 정보를 그대로 활용하도록 확장된 방법(Directed‑Louvain, Directed‑Infomap)이며, 세 번째는 시간적 흐름을 모델링한 동적 블록 모델(Dynamic SBM)과 같은 베이지안 접근법이다. 각 방법에 대해 (i) 정밀도·재현율 기반의 NMI, ARI 등 정적 일치도 지표, (ii) 시간 단계별 커뮤니티 변동성을 측정하는 Jaccard 안정성 지표, (iii) 계산 복잡도와 메모리 사용량을 종합적으로 평가하였다.

실험 결과, 무방향 변환 방법은 커뮤니티 경계가 흐릿해지는 경우에만 비교적 높은 NMI를 보였으나, 시간적 안정성(Jaccard)에서는 급격히 감소하였다. 반면, 방향성을 보존한 Directed‑Infomap은 초기 단계에서는 높은 일치도를 유지했지만, 인용 밀도가 급증하는 후기 단계에서는 과도한 분할(over‑splitting) 현상이 나타났다. Dynamic SBM은 전체 시뮬레이션 구간에 걸쳐 가장 일관된 커뮤니티 추적을 제공했으며, 특히 커뮤니티 간 인용 비율이 낮고 성장 속도가 완만한 경우에 최적의 성능을 발휘했다. 그러나 계산 비용이 가장 높아 대규모 실데이터 적용 시 사전 샘플링이 필요함을 시사한다.

이러한 정량적 분석을 토대로 논문은 (1) 인용 네트워크가 초기 성장 단계이거나 인용 밀도가 낮을 때는 Directed‑Infomap과 같은 경량 알고리즘이 실용적이며, (2) 커뮤니티 구조가 명확히 구분되고 장기적인 추적이 요구되는 경우 Dynamic SBM을 우선 고려해야 함을 제안한다. 또한, 알고리즘 선택 시 “시간적 안정성”을 핵심 평가 지표로 삼을 것을 강조한다.