커뮤니티 구조를 활용한 누락된 링크 예측

초록

본 논문은 네트워크에서 결손된 엣지를 찾기 위해 먼저 커뮤니티를 탐지하고, 같은 커뮤니티 내부와 외부에서 각각 정점 유사도 기반 예측 지표를 적용하는 두 단계 전략을 제안한다. 실험 결과, 기존 로컬·글로벌 예측 방법보다 높은 AUC를 달성함을 보인다.

상세 분석

이 연구는 네트워크의 커뮤니티 구조와 정점 유사도라는 두 가지 핵심 특성을 결합한다. 첫 단계에서는 InfoMap과 OSLOM이라는 최신 커뮤니티 탐지 알고리즘을 사용해 네트워크를 여러 커뮤니티로 분할한다. 두 알고리즘은 각각 비중첩(InfoMap)과 중첩(OSLOM) 커뮤니티를 효율적으로 식별하며, 결손 엣지가 존재해도 구조를 복원하는 내성을 가진다. 두 번째 단계에서는 Common Neighbors(CN), Adamic‑Adar(AA), Resource Allocation(RA)와 같은 로컬 기반 유사도 지표를 적용한다. 중요한 점은 예측 순서를 두 단계로 나눈다는 것이다. 같은 커뮤니티 내 정점 쌍에 대해 먼저 점수를 매겨 높은 순위로 배치하고, 이후 커뮤니티 간 정점 쌍을 평가한다. 이는 “같은 커뮤니티에 속한 정점은 연결될 확률이 높다”는 가정을 정량화한 것으로, 기존 방법이 단일 스코어링만 수행하는 것과 차별화된다. 실험 설계는 인공 LFR 네트워크와 실제 소셜·생물학 네트워크(예: Southern women, football, email, blogs 등)를 사용해 무작위 결손 엣지를 삽입하고, AUC(ROC 아래 면적)로 성능을 평가한다. 결과는 다음과 같다. ① 비중첩 커뮤니티가 뚜렷한 경우, Infomap+AA 혹은 OSLOM+AA가 기본 AA보다 현저히 높은 AUC를 기록한다. ② 결손 비율이 매우 높아 커뮤니티 구조 복원이 어려워질 때는 HRG(Hierarchical Random Graph)와 같은 복잡한 모델이 일시적으로 우위를 점하지만, 전체적으로는 제안 방법이 더 빠르고 실용적이다. ③ 중첩 커뮤니티가 존재하는 경우에도 OSLOM이 중첩을 잘 포착하고, Infomap은 비중첩 부분을 효과적으로 추출해 성능 저하를 최소한다. ④ 실행 시간 측면에서 제안 방법은 O(N·log N) 수준으로 HRG의 O(N³) 대비 크게 앞선다. 마지막으로, 낮은 클러스터링 계수를 가진 네트워크(email, blogs)에서는 PA(Preferential Attachment)가 일시적으로 우수한 결과를 보이지만, 전반적인 경향은 커뮤니티 기반 접근법이 더 안정적이다. 이 논문은 커뮤니티 탐지와 로컬 유사도 결합이라는 간단하지만 강력한 프레임워크를 제시하며, 복잡한 확률 모델 없이도 실시간 대규모 네트워크에 적용 가능함을 입증한다.