다중 부분정렬 소셜 네트워크의 상호 커뮤니티 탐지

초록

본 논문은 서로 일부 사용자(앵커 사용자)만 공유하는 여러 이질적 소셜 네트워크에서, 각 네트워크의 고유 구조를 보존하면서 앵커 사용자의 커뮤니티를 상호 보강하는 새로운 군집화 방법인 MCD(Mutual Community Detector)를 제안한다. 메타패스 기반 유사도(HNMP‑Sim)를 정의하고, 네트워크 특성 보존을 위한 독립 클러스터링과 정규화된 불일치 최소화를 통한 공동 클러스터링을 결합한다. 실험 결과, 제안 기법이 기존 방법에 비해 커뮤니티 품질과 일관성을 동시에 향상시킴을 확인하였다.

상세 분석

본 연구는 “부분정렬(partially aligned)된” 다중 소셜 네트워크에서의 공동 커뮤니티 탐지라는 새로운 문제를 정의하고, 이를 해결하기 위한 MCD 프레임워크를 설계하였다. 주요 기술적 기여는 다음과 같다.

1. HNMP‑Sim 메타패스 기반 유사도: 기존의 동질 그래프용 유사도(예: Common Neighbor, Jaccard)와 달리, 이질적 네트워크의 다양한 관계(팔로우, 포스트‑워드, 포스트‑시간, 포스트‑위치 등)를 메타패스로 모델링하고, 각 메타패스별 가중치를 학습하여 사용자 간의 종합적인 친밀도를 정량화한다. 이는 직접·간접 연결을 모두 포착함으로써, 이질적 데이터가 풍부한 Foursquare와 Twitter와 같은 플랫폼에 적합하다.

2. 네트워크 특성 보존을 위한 독립 클러스터링: 각 네트워크를 별도로 정규화 컷(Ncut) 최적화 문제로 풀어, 네트워크 고유의 구조적 특성을 손실 없이 유지한다. 여기서 얻어진 클러스터링 결과는 confidence matrix H로 표현되며, 이후 공동 최적화 단계의 초기값으로 활용된다.

3. 정규화 불일치 기반 공동 클러스터링: 앵커 사용자 간의 클러스터링 불일치를 정규화된 형태로 정의하고, 이를 최소화하는 공동 목적함수를 도입한다. 이 과정에서 비앵커 사용자는 각 네트워크의 독립 클러스터링 결과에 그대로 남겨 두어, 외부 네트워크의 영향을 받지 않도록 설계하였다.

4. 통합 품질·일관성 지표(IQC): 기존의 단일 네트워크 품질 지표와 다중 네트워크 일관성 지표를 결합한 새로운 평가 메트릭을 제시함으로써, 상호 클러스터링 방법의 전반적인 성능을 객관적으로 비교할 수 있게 하였다.

5. 실험 설계 및 결과: 실제 Foursquare와 Twitter 데이터를 이용해, MCD가 기존의 다중‑뷰 클러스터링, 공동 정규화 모델, 메타패스 기반 단일 네트워크 방법보다 높은 NMI, Modularity, 그리고 제안한 IQC 점수를 기록하였다. 특히 앵커 사용자의 커뮤니티 경계가 모호한 경우, 다른 네트워크의 메타패스 정보를 활용해 정확도가 크게 향상되는 것을 확인하였다.

전체적으로 MCD는 (1) 이질적 관계를 포괄하는 유사도 정의, (2) 각 네트워크 고유 특성 보존, (3) 앵커 사용자에 대한 상호 정규화라는 세 축을 균형 있게 결합함으로써, 기존 방법이 놓치기 쉬운 “부분정렬” 상황에서의 커뮤니티 탐지를 효과적으로 수행한다는 점이 큰 강점이다. 또한, 메타패스 가중치 학습과 정규화 불일치 최소화라는 두 단계 최적화가 서로 보완적으로 작용해, 확장성 및 적용 범위가 넓은 점도 주목할 만하다.