트위터에서 드러난 방향성 클로저: 정보 네트워크 연결 메커니즘 분석

본 연구는 정보 네트워크, 특히 트위터와 같은 마이크로블로깅 플랫폼에서 “방향성 클로저(directed closure)”라는 현상이 실제로 작동하는지를 실증적으로 조사한다. 방향성 클로저는 A가 B를, B가 C를 팔로우한 상황에서 A가 C를 새롭게 팔로우함으로써 기존의 두 단계 경로를 단축하는 과정을 의미한다. 이는 전통적인 사회 네트워크에서의 삼각형 형성(triadic closure)과 유사하지만, 방향성 네트워크에서는 에지의 도착 순서가 반드시 고려되어야 한다는 점에서 차별화된다. 연구진은 먼저 이론적 정의를 명확히 하고, 클로저를 판단하기 위한 “클로저 비율(closure ratio)”이라는 지표를 도입한다. 클로저 비율은 특정 노드(여기서는 팔로워 수가 1만~5만 명인 µ‑celebrity)의 전체 인커밍 에지 중, 해당 에지가 두 단계 경로를 이미 가지고 있었을 때 형성된 비율을 의미한다. 데이터 수집 단계에서는 트위터 API를 이용해 무작위로 선정된 µ‑celebrity들의 팔로워 리스트와 각 팔로워가 언제 어떤 계정을 팔로우했는지에 대한 시간 순서 정보를 확보한다. 이 정보를 바탕으로 각 팔로우가 클로저를 만족하는지 여부를 판단한다. 실험 결과, 실제 트위터 네트워크에서 관찰된 클로저 비율은 무작위 에지 순서 시뮬레이션(랜덤 오더링)에서 기대되는 값보다 현저히 높았다. 특히, 동일한 대상 C에 대해 k명 이상의 사용자가 동시에 팔로우하는 “k‑linked” 경우, k가 작을수록 실제 클로저 비율이 기대값을 크게 초과했다. 이는 사용자가 기존에 팔로우하고 있던 계정을 통해 새로운 계정을 발견하고 복제하는 메커니즘이 작동하고 있음을 시사한다. 다음으로, 클로저 비율의 시간적 안정성을 분석하였다. µ‑celebrity마다 팔로워가 추가될 때마다 클로저 비율을 추적했으며, 대부분의 경우 초기 수백 개의 팔로워가 추가된 시점에서 비율이 급격히 수렴하고 이후에는 거의 변하지 않았다. 그러나 이 수렴값은 사용자마다 크게 차이나며, 팔로워 수 자체와는 약한 상관관계만을 보였다. 즉, 같은 규모의 팔로워를 가진 사용자라도 클로저 비율은 크게 다를 수 있다. 이러한 현상을 설명하기 위해 기존의 선호 연결 모델을 적용해 보았다. 전통적인 선호 연결은 새로운 노드가 기존 노드에 연결될 확률이 그 노드의 현재 인‑디그리에 비례한다는 가정이다. 시뮬레이션 결과, 인‑디그리가 매우 높은 노드에서는 일정 수준의 클로저 비율이 나타났지만, µ‑celebrity 수준의 중간 인‑디그리를 가진 노드에서는 거의 0에 가까운 비율을 보였다. 또한, 클로저 비율은 인‑디그리가 증가함에 따라 단조롭게 상승하는 경향을 보여, 실제 데이터에서 관찰된 이질성을 설명하지 못했다. 이를 보완하기 위해 두 가지 확장 모델을 도입했다. 첫 번째는 “피트니스 기반 선호 연결”으로, 각 노드에 고유한 매력도(피트니스)를 부여해 연결 확률을 조정한다. 이 모델은 일부 노드의 클로저 비율을 높일 수 있었지만, 전체적인 이질성 및 중간 규모 노드의 높은 클로저 비율을 재현하는 데는 한계가 있었다. 두 번째는 “커뮤니티 구조를 포함한 선호 연결” 모델이다. 여기서는 노드가 특정 커뮤니티에 속하며, 같은 커뮤니티 내에서 연결될 확률이 더 높도록 설계한다. 이 모델은 팔로워들의 인‑디그리 합계가 클로저 비율에 강한 양의 상관관계를 만든다는 실증적 결과와 일치하였다. 즉, 한 사용자의 팔로워들이 많이 팔로우하고 있는 다른 사용자들의 인‑디그리 총합이 클로저 비율을 높이는 주요 요인으로 작용한다는 것이다. 결론적으로, 트위터와 같은 정보 네트워크에서는 방향성 클로저가 실제로 존재하고, 그 강도는 사용자마다 크게 다르며, 단순한 선호 연결 메커니즘만으로는 설명되지 않는다. 팔로워들의 인‑디그리 합계와 커뮤니티 구조를 고려한 모델이 이러한 현상을 가장 잘 설명한다. 연구는 정보 네트워크 성장 이론에 새로운 시각을 제공하며, 향후 네트워크 설계 및 영향력 확산 모델링에 중요한 시사점을 제시한다.