동적 네트워크에서 커뮤니티 안정성 강화 방안

초록

본 논문은 이동통신 통화·문자 데이터로 구성된 월별 그래프에서 커뮤니티를 추적할 때, 기존 Louvain 알고리즘의 불안정성을 보완하기 위해 두 가지 수정(고정 노드 비율 p와 선호적 부착 확률 q)을 제안한다. 실험 결과 p 값을 높이면 파티션 간 상호정보와 매칭 커뮤니티 수가 크게 증가하지만 모듈러티는 약간 감소한다. q는 큰 영향을 주지 않아 두 번째 수정은 실용성이 낮다.

상세 분석

이 연구는 이동통신 사업자의 대규모 통화·문자 로그를 활용해 월별 사회 그래프를 구축하고, 이러한 동적 그래프에서 커뮤니티의 연속성을 유지하는 방법을 탐구한다. 기존 정적 커뮤니티 탐지 알고리즘인 Louvain은 각 스냅샷에 대해 독립적으로 최적화되기 때문에, 시간에 따라 파티션이 급격히 변하는 ‘불안정성’ 문제가 있다. 이를 해결하기 위해 저자들은 두 가지 메커니즘을 도입한다. 첫 번째는 일정 비율 p (0 ~ 1) 만큼의 노드를 이전 스냅샷에서 속했던 커뮤니티에 고정시키는 ‘고정 노드’ 전략이다. 고정된 노드 집합 F 는 무작위로 선택되며, |F| = p·|R| (여기서 R 은 두 스냅샷 간에 공통으로 존재하는 노드)이다. 두 번째는 새롭게 등장하거나 재배치되는 노드 중 q 비율을 선별해, 인접한 이전 커뮤니티에 우선적으로 할당하도록 하는 ‘선호적 부착’ 전략이다. 이때 노드 x 가 P 집합에 포함되면, x 의 이웃 중 이전 커뮤니티에 속한 노드 A(x) 가 존재할 경우, 모듈러티 증가량이 가장 큰 기존 커뮤니티에 배정한다.

실험은 2012년 1월부터 2013년 1월까지의 데이터를 이용해, 3개월 간의 통화·문자 기록을 합산해 월별 무방향 그래프를 생성하였다. 원본 그래프는 약 92 백만 노드와 565 백만 엣지를 포함했으며, 양방향 통신만 남기고 고도수 노드(연결도 > 200)를 제거해 최종적으로 56 백만 노드와 133 백만 엣지를 얻었다. 각 월에 대해 Louvain(기존 변형 포함)과 제안된 동적 Louvain을 적용하고, 파티션 간 상호정보(MI), 매칭 커뮤니티 수, 최종 모듈러티를 측정하였다.

결과는 p값이 증가할수록 MI와 매칭 커뮤니티 수가 급격히 상승함을 보여준다. p = 100 %일 때 MI는 거의 최댓값에 도달하고, 매칭 커뮤니티 비율도 크게 향상된다. 반면 q값은 MI와 매칭 수에 일관된 영향을 미치지 못했으며, 오히려 작은 p값에서 q를 높이면 약간의 변동만 발생했다. 모듈러티 측면에서는 p를 높일수록 약간 감소했으며, q가 높을수록 변동이 커졌다. 따라서 고정 노드 비율 p 을 활용하는 것이 안정성을 크게 개선하면서도 품질 손실을 최소화하는 실용적인 방법임을 확인했다.

이 연구의 의의는 두 가지이다. 첫째, 실제 통신 사업자의 대규모 데이터에 적용 가능한 동적 커뮤니티 추적 프레임워크를 제시함으로써, 마케팅·이탈 예측 등 실무적 활용 가능성을 높였다. 둘째, ‘고정 노드’라는 간단한 메커니즘이 파티션 간 연속성을 보장하는 데 큰 효과가 있음을 실증적으로 입증했다. 그러나 몇 가지 한계도 존재한다. 고정 노드 비율 p 을 100 %로 설정하면 사실상 이전 파티션을 그대로 복제하는 효과가 있어, 새로운 구조적 변화를 포착하기 어려울 수 있다. 또한 선호적 부착 q 가 기대한 바와 달리 성능에 기여하지 못한 이유는, 노드 간 연결성 패턴이 충분히 강하지 않아 기존 커뮤니티에 자연스럽게 끌려가지 않았기 때문일 가능성이 있다. 향후 연구에서는 p와 q를 동적으로 조정하거나, 노드의 활동성·중심성 등 추가적인 속성을 고려한 가중치를 도입해 보다 정교한 안정성-품질 트레이드오프를 탐색할 필요가 있다.