온라인 소셜 네트워크를 위한 커뮤니티 기반 DPL 샘플링

초록

본 논문은 온라인 소셜 네트워크 그래프를 샘플링할 때, 노드와 엣지의 비율과 전체 토폴로지를 동시에 보존하도록 설계된 새로운 방법을 제안한다. 계층적 커뮤니티 추출로 그래프를 밀집된 서브그래프 집합으로 분할하고, Densification Power Law(DPL)을 이용해 각 커뮤니티별 노드·엣지 비율을 조절한다. 실험 결과, 제안 방법은 기존 랜덤 노드·엣지 선택 및 탐색 기반 샘플링에 비해 degree distribution, singular value/vector, clustering coefficient, hop distance 등 주요 구조적 특성을 더 정확히 재현한다.

상세 분석

제안된 샘플링 기법은 두 핵심 아이디어, 즉 계층적 커뮤니티 추출과 Densification Power Law(DPL) 적용을 결합한다. 먼저, 기존 방법들은 그래프 전체 혹은 부분을 무작위로 선택하기 때문에 노드‑엣지 비율이 원본과 크게 차이날 위험이 있다. 특히, 소셜 네트워크는 노드 수가 선형적으로 증가할 때 엣지 수는 n^α (1<α<2) 형태로 비선형적으로 증가하는 DPL 특성을 보이는데, 기존 샘플링은 이를 반영하지 못한다. 논문은 Louvain 혹은 Infomap과 같은 커뮤니티 탐지 알고리즘을 이용해 그래프를 다중 레벨의 커뮤니티 트리(덴드로그램)로 분할한다. 각 커뮤니티는 상대적으로 밀집된 서브그래프이며, 이 구조는 원본 그래프의 지역 토폴로지를 보존한다.

다음 단계에서는 각 커뮤니티별 DPL 지수 α를 실제 노드·엣지 수로부터 추정한다. 샘플링 비율이 주어지면, 해당 커뮤니티의 노드 수를 비례적으로 선택하고, α 값을 이용해 필요한 엣지 수를 계산한다. 노드 선택은 degree‑비례 확률로 수행해 고도 노드가 과도하게 편중되지 않도록 하면서도 중요한 구조적 역할을 유지한다. 선택된 노드들 사이의 엣지는 원본 그래프에서 존재하는 경우에만 포함시켜, 지역적인 densification 특성을 정확히 재현한다.

마지막으로, 하위 샘플 서브그래프들을 덴드로그램의 위계 구조에 따라 바텀‑업 방식으로 병합한다. 이 과정에서 부모‑자식 커뮤니티 간 연결을 보존하기 위해 상위 레벨에서 추가적인 엣지를 삽입한다. 결과적으로, 전체 샘플 그래프는 각 지역의 노드‑엣지 비율과 전역 토폴로지를 동시에 만족한다.

실험에서는 Facebook, Twitter, YouTube 등 실제 소셜 네트워크 데이터를 사용해 기존 7가지 샘플링 기법(RN, RDN, RE, RNE, RW, RJ, FF)과 비교하였다. K‑S D‑통계량을 기반으로 degree distribution, singular value/vector, clustering coefficient, hop distance 등 5가지 특성을 평가했으며, 제안 방법이 모든 지표에서 가장 낮은 차이를 보였다. 특히, DPL을 명시적으로 적용함으로써 샘플 그래프의 edge‑to‑node 비율이 원본과 거의 일치했으며, 커뮤니티 기반 구조 보존 덕분에 클러스터링 계수와 평균 경로 길이도 정확히 재현되었다.

이와 같이, 논문은 샘플링 과정에서 두 가지 중요한 설계 목표—노드‑엣지 비율 보존과 토폴로지 유지—를 동시에 달성하는 방법을 제시하고, 실험을 통해 그 효과를 입증하였다. 다만, 커뮤니티 탐지 단계의 복잡도와 α 추정의 정확도가 전체 성능에 영향을 미칠 수 있다는 점은 향후 연구에서 개선 여지가 있다.