복합 네트워크 노드의 동심원 특성화와 기능군 분류: 이론과 대학 협업 사례

초록

실제 네트워크는 이론적인 스케일프리 네트워크와 달리 다중 스케일 특성을 보이며, 노드가 서로 다른 유형의 기능적 그룹과 커뮤니티로 조직된다. 기존의 노드 분류 방법은 주로 각 노드 주변의 국소 토폴로지 측정에 의존했지만, 동심원(또는 계층적) 측정을 통해 노드 기능에 관한 유용한 정보를 얻을 수 있다. 본 연구에서는 동심원 측정값과 군집적 결합(agglomerative) 클러스터링 기법을 활용해 기능적 노드 그룹을 도출하는 가능성을 탐색한다. 동심원 클러스터링 계수와 수렴 비율을 구분 파라미터로 채택하여, 상파울루 대학교(University of São Paulo) 각 학과가 포함된 기관 협업 네트워크를 분석하였다. 덴드로그램을 생성하고 결과를 상세히 논의하였다. 주요 발견으로는 네트워크가 스케일프리 특성을 유지함과 동시에 인문·사회 과학과 자연·공학 과학 분야에서 서로 다른 저작 패턴이 드러났다는 점을 강조한다. 또한, 이론적 스케일프리 모델(예: BA 모델)과 달리 허브 노드가 동심원 레벨 전반에 고르게 분포한다는 흥미로운 결과도 제시한다.

상세 요약

이 논문은 복합 네트워크 연구에서 ‘동심원 측정(concentric or hierarchical measurements)’이라는 비교적 새로운 접근법을 체계적으로 적용한 점이 가장 큰 의의이다. 기존의 노드 중심(local) 지표—예를 들어, 차수, 클러스터링 계수, 베트위니스 중앙성—는 주로 1‑hop 이웃에 국한된 정보를 제공한다. 반면 동심원 지표는 특정 노드로부터 거리 r (= 반경)까지 포함된 모든 레이어를 고려함으로써, 그 노드가 네트워크 전반에서 차지하는 구조적 위치와 확산 역학을 보다 정밀하게 포착한다. 논문에서는 특히 ‘동심원 클러스터링 계수(concentric clustering coefficient)’와 ‘수렴 비율(convergence ratio)’을 두 개의 핵심 파라미터로 선정하였다. 전자는 각 반경 레이어 내에서의 삼각형 밀도를 측정해 지역적 응집성을 계량하고, 후자는 레이어 r 에서 레이어 r + 1 로 이동할 때 연결이 얼마나 집중되는지를 나타내는 지표로, 두 파라미터의 조합은 노드가 주변 커뮤니티와 얼마나 깊게 통합되는지를 다차원적으로 드러낸다.

분석 대상은 상파울루 대학교의 학과별 협업 네트워크이다. 이 네트워크는 저자‑논문 이분 그래프를 1‑모드 투영하여 학과 간 공동 저작 관계를 엣지로 만든 형태이며, 실제로는 여러 명목상 커뮤니티(인문·사회 과학, 자연·공학 과학 등)가 명확히 구분된다. 연구진은 각 학과를 노드로, 공동 논문 수를 가중치로 하는 무방향 가중 네트워크를 구축한 뒤, 모든 노드에 대해 동심원 지표를 계산하였다. 이어서 계층적 군집화(agglomerative clustering)를 적용해 거리 기반 유사도 행렬을 생성하고, 덴드로그램을 통해 군집 구조를 시각화하였다. 결과적으로, 전통적인 스케일프리 네트워크에서 흔히 관찰되는 ‘허브가 중심 레이어에 집중되는 비균등 분포’와는 달리, 이 실증 네트워크에서는 허브가 여러 동심원 레이어에 고르게 퍼져 있음을 확인했다. 이는 실제 학술 협업이 특정 핵심 연구 그룹에만 의존하기보다, 다양한 학과가 서로 교차·연계되는 분산형 구조를 띠고 있음을 시사한다.

또한, 동심원 클러스터링 계수와 수렴 비율을 축으로 한 2‑차원 플롯에서 인문·사회 과학 학과와 자연·공학 과학 학과가 뚜렷이 구분되는 군집을 형성했다. 이는 두 영역 간 저작 문화와 협업 패턴이 구조적으로 다름을 정량적으로 뒷받침한다. 예를 들어, 인문·사회 과학 분야는 높은 수렴 비율과 낮은 클러스터링을 보이며, 다수의 외부 파트너와 얇은 연결망을 형성하는 경향이 있다. 반면 자연·공학 과학은 높은 클러스터링과 중간 정도의 수렴 비율을 나타내, 보다 촘촘한 내부 협업과 제한된 외부 연결을 특징으로 한다. 이러한 차이는 정책 입안자나 대학 행정가가 분야별 연구 지원 전략을 설계할 때, 네트워크 구조적 특성을 고려한 맞춤형 접근이 필요함을 암시한다.

마지막으로, 논문은 동심원 기반 군집화가 기존 커뮤니티 탐지 알고리즘(예: 모듈러리티 최적화)보다 더 세밀한 기능적 구분을 제공한다는 점을 강조한다. 동심원 지표는 거리‑레벨별 연결 패턴을 직접 반영하므로, 동일한 모듈러리티 값을 갖는 두 노드라도 레이어 r 에서의 연결 밀도 차이에 따라 다른 군집에 배정될 수 있다. 따라서 복합 네트워크의 다중 스케일 특성을 이해하고, 실무적 의사결정에 활용하려는 연구자들에게 유용한 도구가 될 것으로 기대된다.