소셜 네트워크의 개인 중심 커뮤니티 탐색: 에고뮤니티와 결속도 지표

초록

본 논문은 삼각형(클러스터)과 약한 연결을 기반으로 한 ‘결속도(cohesion)’라는 새로운 지표를 제안하고, 이를 이용해 특정 사용자의 이웃 내에서 겹치는 개인 중심 커뮤니티인 ‘에고뮤니티(egomunities)’를 탐색하는 휴리스틱 알고리즘을 설계한다. 페이스북 친구 관계 데이터를 통해 실험을 수행하고, 정보 추론·관심사 추천 등 실용적 응용 가능성을 논의한다.

상세 분석

논문은 기존의 모듈러리티 기반 겹침 커뮤니티 탐지 방법이 전체 네트워크의 파티션을 전제로 하는 한계를 지적하고, 개인 중심의 지역적 커뮤니티 정의가 필요함을 설득력 있게 제시한다. 이를 위해 ‘결속도’를 다음과 같이 정의한다: C(S)= (Δ_in(S)/C3|S|)·(Δ_in(S)/(Δ_in(S)+Δ_out(S))) 여기서 Δ_in은 집합 S 내부에 존재하는 삼각형 수, Δ_out은 S 내부 두 정점과 외부 정점이 이루는 삼각형 수이다. 이 식은 (1) 삼각형 밀도(내부 결속)와 (2) 외부와 연결된 삼각형 비율(경계 약함)을 동시에 고려함으로써, 단순히 엣지 밀도만 보는 기존 지표보다 커뮤니티의 사회학적 의미를 더 잘 포착한다. 약한 연결(weak tie)은 삼각형에 포함되지 않은 엣지로 정의하고, 이를 제거한 그래프 G△에서도 결속도가 동일함을 증명함으로써 ‘약한 연결은 커뮤니티 내부 구조에 영향을 주지 않는다’는 사회학적 가설을 수학적으로 뒷받침한다.

에고뮤니티 탐지는 각 노드 u의 1‑hop 이웃 N(u)에서 시작한다. 알고리즘은 초기 후보 집합을 하나의 정점으로 두고, 인접 정점을 순차적으로 추가하면서 결속도를 최대화한다. 추가 과정에서 Δ_in과 Δ_out을 효율적으로 업데이트하기 위해 삼각형 카운팅을 사전 계산하고, 후보 정점의 ‘증분 결속도’를 평가한다. 이때, 현재 집합에 포함된 정점 수가 증가함에 따라 결속도가 감소하면 추가를 중단한다. 결과적으로 얻어진 에고뮤니티는 겹칠 수 있으며, 하나의 노드가 여러 에고뮤니티에 속함으로써 개인의 다중 사회적 역할을 반영한다.

실험에서는 한 명의 페이스북 사용자를 대상으로 71개의 에고뮤니티를 도출했으며, 각 커뮤니티가 실제 친밀도(가족, 학교 동창, 직장 동료 등)와 높은 일치도를 보였다. 또한 대규모 페이스북 데이터셋(수십만 사용자)에서 알고리즘의 실행 시간은 삼각형 카운팅 단계가 병렬화 가능함을 감안하면 실시간 서비스 수준에서도 적용 가능함을 시사한다.

하지만 몇 가지 한계도 존재한다. 첫째, 삼각형 카운팅은 희소 그래프에서도 O(m·d_max) 정도의 비용이 들며, 매우 큰 네트워크에서는 메모리와 시간 부담이 커질 수 있다. 둘째, 휴리스틱 탐색이 전역 최적을 보장하지 않으며, 초기 시드 선택에 따라 결과가 달라질 가능성이 있다. 셋째, 정량적 평가가 제한적이며, 기존 겹침 커뮤니티 방법과의 비교 실험이 부족하다. 마지막으로, 가중치가 있는 네트워크에 대한 확장은 제안만 하고 구현·검증이 이루어지지 않았다. 이러한 점들을 보완하기 위해 삼각형 근사 카운팅, 다중 시드 전략, 그리고 정밀한 벤치마크가 필요하다.