클러스터링 함수로 보는 사회적 영향력

초록

본 논문은 네트워크에서 두 정점이 공통 이웃 r개를 가질 때 그들이 직접 연결될 확률을 나타내는 클러스터링 함수 cl(r)를 정의하고, 실제 사회·기술 네트워크와 무작위 교차 그래프 모델에서의 행동을 비교·분석한다. 실험 결과는 다양한 네트워크가 비슷한 cl(r) 패턴을 보이며, 특히 r이 작을 때 급격히 감소하고 일정 r 이후 평탄해지는 규칙성을 드러낸다. 또한, 정점 수가 무한대로 갈 때 클러스터링 함수의 1차 근사식을 제시하고, 이때 클러스터링 계수가 영이 아닌 값을 유지하면서 차수 분포의 두 번째 모멘트가 유한함을 증명한다.

상세 분석

논문은 먼저 전통적인 클러스터링 계수 C가 “두 이웃이 서로 연결될 확률”을 평균적으로 측정한다는 점을 지적하고, 이를 일반화하여 r개의 공통 이웃을 가진 두 정점이 직접 연결될 조건부 확률 cl(r)를 도입한다. 이 함수는 r=0일 때는 단순히 전체 연결 확률, r=1일 때는 삼각형 형성 확률과 일치하므로 기존 지표를 포함하는 확장 형태이다. 실증 분석에서는 소셜 네트워크(페이스북, 트위터), 협업 네트워크(학술 논문 공동 저자), 그리고 생물학적 네트워크(단백질 상호작용) 등 네 종류를 대상으로 cl(r) 곡선을 추출하였다. 모든 데이터셋에서 r이 1~3 정도까지는 급격히 상승한 뒤, r이 커질수록 포화 현상을 보이며 거의 일정값에 수렴한다는 공통된 패턴이 나타났다. 이는 네트워크가 높은 지역 밀집도를 갖지만, 공통 이웃이 많아질수록 추가적인 연결 가능성이 포화된다는 구조적 특성을 반영한다.

이러한 현상을 이론적으로 설명하기 위해 저자들은 무작위 교차 그래프(Random Intersection Graph, RIG) 모델을 채택한다. RIG는 각 정점에 독립적인 속성 집합을 할당하고, 두 정점이 공통 속성을 하나라도 공유하면 연결되는 방식으로, 실제 사회적 네트워크에서의 “공통 관심·소속” 메커니즘을 모사한다. 논문은 특히 속성 수와 할당 확률이 적절히 스케일링될 때, 즉 평균 차수가 일정하고 두 번째 모멘트가 유한한 경우에 클러스터링 계수가 양의 상수값으로 수렴함을 보인다. 이 전제 하에, 클러스터링 함수 cl(r)의 1차 비대칭식(cl(r)≈a·r/(b+r) 형태)을 도출하고, a와 b는 모델 파라미터(속성 평균 수, 할당 확률)와 직접 연결된다. 증명 과정에서는 대수적 기대값 계산과 중심극한정리 적용을 통해, 정점 수 n→∞일 때 확률적 편차가 O(n^{-1/2}) 수준으로 수렴함을 확인한다.

또한, 논문은 차수 분포가 파레토형이 아닌 경우(즉, 두 번째 모멘트가 유한한 경우)에도 동일한 1차 근사가 유효함을 실험적으로 검증한다. 이는 기존 연구에서 주로 다루던 “스케일프리 네트워크에서 클러스터링이 사라진다”는 가설과 대비되는 중요한 결과이며, 실제 사회적 네트워크가 보이는 높은 클러스터링 현상을 무작위 모델로도 재현할 수 있음을 시사한다. 마지막으로, 저자들은 cl(r) 함수를 사회적 영향력의 정량적 지표로 활용할 가능성을 제시한다. r이 큰 경우에도 높은 연결 확률을 보이는 네트워크는 핵심 커뮤니티가 견고하고, 정보·행동 전파가 효율적일 가능성이 크다.