거래형 네트워크를 위한 혼합소속 블록 모델

초록

본 논문은 이메일이나 포럼 글과 같이 한 명이 여러 수신자에게 동시에 전송하는 거래형 네트워크 데이터를 다루기 위해, 노드의 혼합소속을 허용하는 확률적 블록 모델을 제안한다. 변분 EM 알고리즘을 이용해 파라미터를 추정하고, 시뮬레이션 및 실제 Enron·Reddit 데이터에 적용해 군집화와 거래 예측에서 기존 방법보다 우수함을 보인다. 또한 소프트 클러스터링 비교를 위한 새로운 성능 지표를 도입하였다.

상세 분석

제안된 모델은 전통적인 이분 그래프 기반 블록 모델이 갖는 한계, 즉 두 노드 간의 이진 관계만을 다루는 점을 극복하고, 다중 수신자를 포함하는 거래(transaction)를 하나의 관측치로 모델링한다. 각 노드는 K개의 잠재 집단에 대해 혼합소속 벡터 π_i 를 갖으며, 거래의 발신자와 수신자 각각에 대해 독립적인 집단 선택이 이루어진다. 발신자 i가 집단 g, 수신자 j가 집단 h에 속할 확률은 π_i(g)·π_j(h)이며, 실제 거래 발생 여부는 B_{gh}라는 블록 매개변수 행렬을 통해 Bernoulli 확률로 결정된다. 이 구조는 B가 비대칭일 경우에도 방향성을 자연스럽게 포착한다.

학습 단계에서는 완전한 사후분포를 계산하기 어려우므로, 변분 베이지안 접근을 채택한다. 변분 파라미터 γ_i (발신자 집단)와 φ_{ij} (수신자 집단) 를 도입해 ELBO를 최대화하는 EM 절차를 설계했으며, 각 반복에서 기대값을 이용해 B와 π를 업데이트한다. 이때 수신자 집합이 가변적이므로, 거래당 수신자 수에 비례하는 연산 복잡도를 갖지만, 희소성을 활용해 효율성을 확보한다.

모델 검증을 위해 두 가지 실험을 수행했다. 첫 번째는 사전 정의된 B와 π를 이용해 합성 데이터를 생성하고, 변분 EM이 원래 파라미터를 얼마나 정확히 복원하는지 평가했다. 결과는 평균 제곱 오차가 매우 낮아 모델 식별 가능성을 입증했다. 두 번째는 실제 Enron 이메일 데이터와 Reddit 포스트‑댓글 데이터를 적용했으며, 여기서는 기존의 MMSB(혼합소속 블록 모델)와 LDA 기반 방법을 비교했다. 군집 품질을 측정하기 위해 제안된 소프트 클러스터링 유사도 지표를 사용했을 때, 제안 모델이 특히 다중 수신자 구조를 잘 포착해 높은 NMI와 ARI를 기록했다. 또한, 거래 예측 실험에서 ROC‑AUC가 기존 방법보다 5~7% 상승했다.

이 논문의 핵심 기여는 (1) 거래형 네트워크를 위한 확률적 혼합소속 블록 모델 설계, (2) 변분 EM을 통한 효율적 추정 알고리즘, (3) 소프트 클러스터링 비교를 위한 새로운 성능 지표, (4) 실제 대규모 데이터에 대한 실증 검증이다. 특히, 블록 매개변수 B가 비대칭이고 희소한 경우에도 모델이 안정적으로 수렴한다는 점은 실제 소셜 미디어나 기업 커뮤니케이션 네트워크에 적용 가능성을 크게 확장한다. 향후 연구에서는 시간에 따른 동적 변화를 모델링하거나, 거래의 내용(텍스트)과 결합한 다모달 확장도 고려될 수 있다.