계층적 무한 혼합 멤버십 블록모델을 통한 사회 네트워크의 중첩 커뮤니티 탐색

초록

본 논문은 배우들이 상황에 따라 여러 역할을 수행하고, 이러한 역할‑특정 상호작용이 복합적인 커뮤니티 구조를 만든다는 점에 주목한다. 이를 위해 무한히 깊은 계층을 갖는 혼합 멤버십 스토캐스틱 블록모델(H‑MMSB)을 제안하고, 베이즈 비비리티를 활용한 Gibbs 샘플링 추정기를 설계한다. 합성 데이터와 포식‑피식 네트워크, 인용 네트워크에 적용해 계층적 커뮤니티와 역할 분포를 성공적으로 복원함을 보인다.

상세 분석

이 연구는 기존 MMSB가 단일 레벨의 혼합 멤버십만을 모델링하는 한계를 지적하고, 사회적 관계가 다중 레벨의 조직(예: 팀‑부서‑기업)과 역할(예: 리더‑팔로워‑중재자)로 구성될 수 있음을 강조한다. 이를 구현하기 위해 무한 히에라키를 생성하는 Nested Chinese Restaurant Process(NCRP)를 도입해 각 배우가 트리 구조상의 여러 노드에 부분적으로 할당되도록 설계하였다. 각 레벨의 블록 행렬은 베타-베르누이 형태의 확률적 블록 모델로 정의돼, 같은 커뮤니티 내에서는 높은 연결 확률, 다른 커뮤니티 간에는 낮은 확률을 부여한다. 역할‑특정 상호작용은 레벨별 멤버십 벡터와 블록 행렬의 내적을 통해 확률적으로 생성되며, 이는 기존 MMSB의 역할‑커뮤니티 매핑을 일반화한다. 추정 단계에서는 전체 트리 구조와 각 노드의 멤버십을 동시에 샘플링하는 Gibbs 알고리즘을 제시했으며, 비정규화된 카운트와 베타 사전 덕분에 수렴 속도가 비교적 빠른 편이다. 실험에서는 합성 데이터에서 트리 깊이와 브랜치 수를 정확히 복원하고, 실제 포식‑피식 네트워크에서는 먹이 사슬의 위계가, 인용 네트워크에서는 학문 분야와 하위 연구 주제가 자연스럽게 계층화되는 것을 확인했다. 비교 모델인 기본 MMSB와 비계층적 HDP‑MMSB에 비해 로그우도와 정밀도·재현율 모두 우수했으며, 특히 교차‑커뮤니티 상호작용을 설명하는 능력이 크게 향상되었다. 그러나 모델 복잡도와 Gibbs 샘플링의 계산 비용이 증가하는 점, 트리 구조가 과도하게 깊어질 경우 과적합 위험이 존재한다는 제한점도 논의된다.