공동인용 클러스터의 구조와 동역학: 다중 관점 분석 기법

초록

본 논문은 네트워크 시각화, 스펙트럴 클러스터링, 자동 라벨링 및 텍스트 요약을 결합한 다중 관점 공동인용 분석 방법을 제시한다. 정보과학 분야(1996‑2008)에서 저자·문서 공동인용 네트워크를 분해·해석함으로써 클러스터의 의미와 시간적 변화를 보다 명확히 파악한다.

상세 분석

이 연구는 기존 공동인용 분석(ACA, DCA)의 해석 한계를 극복하기 위해 ‘다중 관점’ 프레임워크를 설계하였다. 첫 단계는 대상 분야의 핵심 저널 12곳에서 추출한 인용 데이터를 기반으로 연도별 공동인용 네트워크를 구축하는 것이다. 구축된 네트워크는 무방향 가중 그래프로 표현되며, 노드(저자·문서) 간의 공동인용 횟수가 가중치가 된다.

다음으로 스펙트럴 클러스터링을 적용한다. 라플라시안 행렬을 이용해 그래프의 고유벡터를 계산하고, k‑means 알고리즘으로 저차원 임베딩 공간에서 클러스터를 분할한다. 이 과정은 전통적인 모듈러리티 기반 군집화보다 클러스터 경계가 부드럽고, 서로 겹치는 영역을 자연스럽게 포착한다는 장점이 있다.

클러스터 해석을 위해 자동 라벨링 모듈을 도입한다. 각 클러스터 내부의 핵심 논문·저자를 추출하고, 해당 문헌의 제목·초록·키워드에서 TF‑IDF 가중치를 적용해 상위 n개의 용어를 라벨 후보로 선정한다. 이후 용어 간 의미적 연관성을 Word2Vec 임베딩으로 평가해 최종 라벨을 결정한다.

텍스트 요약 단계에서는 클러스터에 속한 논문의 초록을 집합적으로 요약한다. 추출 기반 요약(문장 중요도 점수)과 생성 기반 요약(Transformer 모델) 두 가지 접근을 병행해, 핵심 내용과 흐름을 동시에 제공한다.

실증 분석은 세 부분으로 진행된다. (1) 정적 저자 공동인용 분석(ACA)에서는 1996‑2008 기간 전체를 하나의 네트워크로 보고, 주요 연구 흐름과 학문적 파벌을 식별한다. (2) 시간 시리즈 ACA에서는 3년 단위 슬라이딩 윈도우를 적용해 클러스터의 성장·소멸·합병 과정을 추적한다. (3) 문서 공동인용 분석(DCA)에서는 핵심 논문 군집을 도출하고, 각 군집의 연구 주제와 전이 패턴을 파악한다.

결과적으로 다중 관점 방법은 기존 ACA·DCA보다 클러스터의 의미적 일관성을 높이고, 해석 과정의 투명성을 제공한다. 특히 자동 라벨링과 요약이 결합됨으로써 연구자들이 복잡한 네트워크 구조를 직관적으로 이해하고, 시간적 변화를 정량·정성적으로 서술할 수 있게 된다.