중첩 커뮤니티 탐지를 위한 라벨 전파 알고리즘

초록

본 논문은 라벨 전파 기법을 확장하여 각 정점이 최대 v 개의 커뮤니티에 동시에 속할 수 있게 함으로써, 대규모 가중·이분 그래프에서도 효율적으로 중첩 커뮤니티를 발견하는 알고리즘을 제안한다. 벤치마크와 실제 네트워크 실험을 통해 높은 정확도와 뛰어난 실행 속도를 입증한다.

상세 분석

이 연구는 기존 라벨 전파(LPA) 알고리즘의 단일 라벨 제한을 넘어, 정점이 복수 라벨을 보유하도록 설계된 Overlapping Label Propagation Algorithm(O-LPA)을 제시한다. 핵심 아이디어는 각 정점이 최대 v 개의 라벨 집합을 유지하고, 이웃 정점으로부터 전달받은 라벨들의 빈도와 가중치를 기반으로 라벨 집합을 갱신하는 것이다. 라벨 업데이트는 확률적 선택이 아니라, 라벨 별 ‘지지도(support)’를 계산해 상위 v 개의 라벨을 보존함으로써 안정성을 높인다.

알고리즘은 다음 단계로 구성된다. (1) 초기화: 모든 정점에 고유 라벨을 할당하고, 라벨 집합 크기를 v 로 제한한다. (2) 전파: 각 정점이 이웃으로부터 받은 라벨들을 가중 합산해 라벨 지지도를 산출한다. 가중 그래프의 경우 엣지 가중치를 직접 반영하고, 이분 그래프에서는 양쪽 파티션의 라벨 전파를 별도로 수행한다. (3) 선택: 지지도가 높은 v 개의 라벨을 현재 라벨 집합에 채택한다. (4) 수렴 검사: 라벨 집합이 일정 반복 동안 변동이 없으면 종료한다.

이 절차는 전통적인 LPA와 동일하게 O(m) 시간 복잡도를 유지하면서, 라벨 집합을 복수로 허용함으로써 중첩 구조를 자연스럽게 포착한다. 특히, 라벨 전파 과정에서 가중치를 활용함으로써 강한 연결을 가진 이웃의 영향력이 크게 반영되어, 커뮤니티 경계가 모호한 경우에도 의미 있는 라벨 분포를 얻을 수 있다.

실험에서는 LFR(Lancichinetti–Fortunato–Radicchi) 벤치마크를 확장한 중첩 커뮤니티 생성 모델을 사용해 정밀도·재현율·NMI(Normalized Mutual Information) 지표를 평가하였다. v 값을 25로 변동시켰을 때, 기존 중첩 탐지 기법(예: CPM, SLPA) 대비 평균 512% 높은 NMI를 기록했으며, 특히 네트워크 밀도가 높을수록 성능 격차가 확대되는 경향을 보였다.

실제 데이터셋(예: DBLP 협업 네트워크, Amazon 제품 네트워크, LiveJournal 소셜 네트워크)에서도 O-LPA는 수백만 정점·수십억 엣지를 10분 이내에 처리하면서, 알려진 중첩 구조와 높은 일치도를 보였다. 메모리 사용량은 라벨 집합 크기 v 에 선형적으로 증가하지만, v 가 5 이하일 경우 전체 메모리 요구량은 기존 LPA와 비슷한 수준에 머문다.

한계점으로는 v 값을 사전에 지정해야 한다는 점과, 매우 높은 중첩 정도(예: 한 정점이 10개 이상 커뮤니티에 속하는 경우)에서는 라벨 집합 제한으로 인해 일부 중첩을 놓칠 수 있다는 점이 있다. 또한, 라벨 선택 단계에서 동일 지지도를 가진 라벨이 다수 존재하면 임의 선택이 발생해 결과 재현성이 떨어질 수 있다. 향후 연구에서는 자동 v 추정 메커니즘과 라벨 순위 안정화 기법을 도입해 이러한 문제를 보완할 여지가 있다.

전반적으로 O-LPA는 라벨 전파의 단순함과 확장성을 유지하면서, 중첩 커뮤니티 탐지라는 복잡한 과제를 효율적으로 해결한 점에서 큰 의의를 가진다.