모델 기반 겹치는 시드 확장을 이용한 고중첩 커뮤니티 탐지

초록

본 논문은 소셜 네트워크에서 다중 커뮤니티에 동시에 속하는 노드가 다수인 고중첩 구조를 효과적으로 탐지하기 위해, 통계적 모델에 기반한 확장 가능한 알고리즘 MOSES를 제안한다. 합성 데이터와 실제 대학 친구 관계 네트워크에 대한 실험을 통해 기존 방법보다 높은 중첩 정도에서도 정확도가 우수함을 입증한다.

상세 분석

MOSES는 “Model‑based Overlapping Seed Expansion”의 약자로, 먼저 그래프에서 잠재적인 커뮤니티 시드를 선택하고, 이를 통계적 모델에 의해 정의된 확률적 성장 규칙에 따라 확장한다. 핵심은 각 노드가 속할 수 있는 커뮤니티 수에 대한 사전 분포를 명시하고, 엣지 존재 확률을 커뮤니티 멤버십의 합으로 모델링한다는 점이다. 이때 노드 i와 j 사이에 엣지가 존재할 확률은 1 − exp(−θ·|C_i∩C_j|) 형태로 정의되며, θ는 커뮤니티 간 연결 강도를 조절하는 파라미터이다. 알고리즘은 베이즈 추정법을 이용해 시드 집합을 초기화하고, 기대‑최대화(EM) 절차를 통해 멤버십 행렬을 반복적으로 업데이트한다. 특히, “오버랩”을 허용하기 위해 각 노드가 여러 커뮤니티에 동시에 할당될 수 있도록 설계했으며, 멤버십 확률이 일정 임계값 이하인 경우 자동으로 제외한다.

성능 평가에서는 LFR(Lancichinetti‑Fortunato‑Radicchi) 모델을 변형한 고중첩 합성 그래프를 사용했으며, 평균 노드당 커뮤니티 수가 2에서 5까지 증가할 때 MOSES는 NMI(Normalized Mutual Information)와 F1‑score 모두 기존 알고리즘(예: CPM, OSLOM, SLPA)보다 현저히 높은 값을 기록했다. 특히, 노드당 커뮤니티 수가 4~5인 경우에도 정확도가 급격히 떨어지지 않는 것이 큰 장점이다.

실제 데이터에서는 미국 5개 대학의 학생 친구 관계 네트워크(수천 명, 수만 엣지)를 분석했다. MOSES는 학과, 동아리, 기숙사 등 다양한 사회적 그룹이 겹쳐 있는 구조를 자연스럽게 복원했으며, 시각화 결과는 기존 방법이 놓치기 쉬운 미세한 중첩 패턴을 드러냈다. 또한, 알고리즘의 시간 복잡도는 O(|E|·k) 수준으로, 여기서 k는 평균 커뮤니티 수이며, 대규모 네트워크에서도 실시간에 가까운 처리 속도를 보였다.

이 논문의 주요 기여는 (1) 고중첩 상황에서도 안정적인 커뮤니티 탐지를 가능하게 하는 통계적 모델 설계, (2) 시드 기반 확장 전략을 통해 계산 효율성을 확보한 스케일러블 알고리즘 구현, (3) 합성 및 실제 데이터에서 기존 최첨단 방법들을 능가하는 정량적 성능 입증이다. 다만, 파라미터 θ와 초기 시드 선택에 대한 민감도 분석이 추가된다면 적용 범위가 더욱 확대될 것으로 보인다.