희소 네트워크에서 의미 있는 커뮤니티 찾기

초록

본 논문은 연결이 부족한 대규모 네트워크에서 커뮤니티 검출 결과의 통계적 유의성을 평가하기 위해, 삼각형 완성 기반의 링크 추가 방식을 제안한다. 기존의 링크 제거 방식이 희소 그래프를 쉽게 파편화시키는 문제를 해결하고, 여러 번의 재샘플링을 통해 강건한 커뮤니티 구조를 추출한다. 벤치마크 실험과 유럽 사법재판소(ECJ) 판례 인용 네트워크에 적용한 결과, 의미 있는 법 분야를 식별하고, 불확실한 영역을 시각화하는 데 성공하였다.

상세 분석

이 연구는 희소 네트워크에서 커뮤니티 검출의 신뢰성을 평가하는 새로운 퍼터베이션 프레임워크를 제시한다. 핵심 아이디어는 ‘삼각형 완성(triangle completion)’이라는 매우 단순한 링크 예측 기법을 이용해, 기존 네트워크에 존재하는 열린 삼각형을 닫음으로써 잠재적인 누락 링크를 보완하는 것이다. 삼각형은 커뮤니티 내부에서 높은 밀도로 나타나는 구조적 단위이므로, 이를 완성하면 커뮤니티 내부 연결성이 강화되고, 파편화된 작은 모듈이 자연스럽게 합쳐져 원래의 규모와 형태에 가까운 클러스터를 재구성한다.

제안 방법은 다음 단계로 구성된다. 첫째, 원본 그래프에서 모든 열린 삼각형을 탐색한다. 둘째, 일정 비율(또는 전체)로 선택된 삼각형의 누락된 변을 추가한다. 셋째, 이렇게 보강된 그래프에 기존의 커뮤니티 탐지 알고리즘(논문에서는 Infomap을 사용)으로 클러스터링을 수행한다. 넷째, 이 과정을 여러 번 반복해 다수의 부트스트랩 네트워크를 생성하고, 각 노드가 동일한 커뮤니티에 속할 확률을 집계한다. 최종적으로 확률이 높은 그룹을 ‘유의미한 커뮤니티’로 정의하고, 낮은 확률을 보이는 영역은 ‘불확실한’ 혹은 ‘노이즈’로 간주한다.

벤치마크 실험에서는 Lancichinetti–Fortunato–Radicchi(LFR) 모델을 이용해 다양한 혼합 파라미터 μ와 링크 제거 비율을 테스트하였다. μ가 0.25 이하인 경우, 즉 커뮤니티 내부 연결이 외부보다 현저히 강한 경우, 삼각형 완성은 NMI(Normalized Mutual Information)와 모듈 크기 비율(MS ratio) 모두에서 원본 구조와 높은 유사성을 유지하였다. 반면 μ가 0.5를 초과하면 내부·외부 연결이 비슷해져 삼각형 완성 자체가 구조를 왜곡시키고, 커뮤니티가 합쳐지거나 사라지는 현상이 관찰되었다. 이는 μ≈0.5가 이 방법의 적용 한계임을 시사한다.

실제 데이터 적용에서는 ECJ 판례 인용 네트워크(8,000여 사건, 32,000여 인용)라는 매우 희소하고 시간 의존적인 그래프에 삼각형 완성을 수행하였다. 판례는 시간 순서대로 인용 관계가 형성되므로, 열린 삼각형은 ‘새로운 사건이 기존 두 사건을 모두 인용할 가능성’을 의미한다. 이 과정을 통해 기존에 파편화된 소규모 클러스터가 합쳐져, 법학적으로 의미 있는 ‘실체적’(substantive)과 ‘헌법적’(constitutional) 분야가 명확히 구분되는 커뮤니티 구조가 도출되었다. 또한, 공식적인 ECJ 분류 코드와 비교했을 때, NMI는 낮지만, 삼각형 완성 후 NMI가 점진적으로 상승하는 추세를 보이며, 제안 방법이 실제 법적 분류와 일관된 변화를 반영함을 확인했다.

결과적으로, 이 논문은 (1) 희소 네트워크에서 무작위 링크 추가가 파괴적일 수 있음을, (2) 구조적 삼각형 완성이 상대적으로 안전하고 효과적인 퍼터베이션 방법임을, (3) 다중 부트스트랩을 통한 확률적 커뮤니티 평가가 기존 단일 실행 방식보다 더 견고한 결과를 제공함을 입증한다. 또한, 법학 분야와 같이 도메인 지식이 제한된 상황에서도, 단순한 구조적 가정만으로 의미 있는 클러스터를 추출할 수 있음을 보여준다.