동적 사회망 시간프레임 유형과 크기가 그룹 진화 탐지에 미치는 영향

초록

본 논문은 동적 사회망을 분석할 때 시간프레임의 유형과 길이가 GED(Group Evolution Discovery) 방법의 결과에 미치는 영향을 실험적으로 조사한다. 다양한 고정, 이동, 겹침 프레임을 적용하고, 프레임 길이를 30일에서 180일까지 변화시켜 그룹의 생성·소멸·합병·분할 등 진화 이벤트를 추적한다. 실험 결과, 프레임 길이가 짧을수록 이벤트 검출이 과다하게 나타나고, 프레임 유형에 따라 안정적인 그룹 식별 정도가 크게 달라짐을 확인한다.

상세 분석

이 연구는 동적 사회망 분석에서 가장 핵심적인 문제 중 하나인 시간적 분할 방식을 체계적으로 검증한다. 먼저 저자는 사회망 데이터를 일별 활동 로그로부터 추출하고, 이를 기반으로 세 가지 시간프레임 유형—고정(Non‑overlapping), 이동(Sliding), 겹침(Overlapping)—을 정의한다. 각 유형별로 프레임 길이를 30일, 60일, 90일, 120일, 150일, 180일로 설정하여 총 18가지 실험 조건을 만든다. GED 방법은 각 프레임에서 발견된 커뮤니티를 전후 프레임의 커뮤니티와 매칭시켜 진화 이벤트(생성, 소멸, 성장, 축소, 합병, 분할)를 식별한다. 매칭 기준은 Jaccard 유사도와 임계값 α, β를 활용한 정량적 측정이며, 저자는 α=0.5, β=0.5를 기본값으로 채택하고 민감도 분석을 추가한다.

실험 결과는 두 가지 주요 패턴을 보여준다. 첫째, 프레임 길이가 짧을수록 커뮤니티의 변동성이 과대 평가된다. 30일 프레임에서는 짧은 기간 내에 발생하는 일시적 상호작용까지도 독립적인 그룹으로 인식되어 생성·소멸 이벤트가 급증한다. 반면 180일 프레임에서는 장기적인 관계만이 유지되므로 이벤트 수가 현저히 감소하고, 특히 합병·분할 이벤트가 거의 관찰되지 않는다. 둘째, 프레임 유형에 따라 이벤트 검출의 안정성이 크게 차이난다. 고정 프레임은 경계 효과가 강해 프레임 전환 시점에 급격한 이벤트가 발생하는 경향이 있다. 이동 프레임은 프레임이 겹치면서 연속성을 확보해 이벤트가 부드럽게 전이되지만, 겹치는 구간이 중복 계산을 야기해 전체 이벤트 수가 증가한다. 겹침 프레임은 일정 비율(예: 50%)로 겹치게 설계했을 때, 가장 균형 잡힌 결과를 제공한다. 이는 프레임 간 정보 손실을 최소화하면서도 과도한 중복을 방지한다는 점에서 실용적이다.

또한 저자는 α, β 임계값 변동에 따른 민감도 분석을 수행한다. α와 β를 0.3으로 낮추면 매칭 기준이 완화되어 이벤트 수가 크게 늘어나지만, 잡음이 증가해 의미 없는 변동이 포함된다. 반대로 0.7으로 높이면 매칭이 엄격해져 핵심적인 진화만이 포착되지만, 작은 성장·축소 이벤트가 누락된다. 따라서 프레임 설정과 함께 α, β 튜닝이 필요함을 강조한다.

결론적으로, 시간프레임의 선택은 GED 결과에 결정적인 영향을 미치며, 연구 목적에 따라 프레임 길이와 유형을 신중히 조정해야 한다. 단기적인 동향을 탐색하고자 할 때는 짧은 이동 프레임이, 장기적인 구조 변화를 파악하고자 할 때는 중간 길이의 겹침 프레임이 적합하다는 실용적 가이드라인을 제시한다.