가중치 라벨 전파와 지역 간선 매개중심성 기반 커뮤니티 탐지

초록

본 논문은 라벨 전파 알고리즘(LPA)에 지역 간선 매개중심성(local edge betweenness)을 도입해, 가중 그래프에서도 높은 정확도와 거의 선형 시간 복잡도로 커뮤니티를 식별하는 방법을 제안한다. 실험 결과, 기존 LPA 대비 정확도와 속도 모두 개선되었으며, 대규모 네트워크에도 확장 가능함을 보인다.

상세 분석

라벨 전파 알고리즘은 초기에는 각 정점에 고유 라벨을 부여하고, 이웃 정점들의 라벨 중 가장 빈도가 높은 라벨을 채택하는 과정을 반복함으로써 커뮤니티를 형성한다. 이 방식은 구현이 간단하고 시간 복잡도가 O(m) 수준이라 대규모 네트워크에 적합하지만, 라벨이 무작위 초기화에 크게 의존하고, 경계 정점에서 라벨이 흔들리는 현상 때문에 정확도가 낮은 것이 일반적인 한계이다.

논문은 이러한 문제점을 보완하기 위해 ‘지역 간선 매개중심성(local edge betweenness, LEB)’을 도입한다. 전통적인 간선 매개중심성은 전체 그래프에서 모든 최단 경로를 고려해 계산하지만, 이는 O(nm) 이상의 비용이 든다. 대신 LEB는 각 정점의 2‑hop 이웃 범위 내에서만 최단 경로를 탐색해 간선의 중요도를 근사한다. 이렇게 하면 계산 비용이 O(m) 수준으로 유지되면서도, 커뮤니티 경계에 위치한 간선은 높은 LEB 값을, 내부 간선은 낮은 값을 갖게 된다.

제안된 알고리즘은 두 단계로 구성된다. 첫 번째 단계에서는 각 정점이 이웃 정점 중 LEB 값이 가장 낮은 간선을 통해 라벨을 전달받는다. 이는 ‘약한 연결’에 해당하는 내부 간선이 라벨 전파에 우선권을 갖게 함으로써, 라벨이 커뮤니티 내부에서 안정적으로 확산되도록 만든다. 두 번째 단계에서는 기존 LPA와 동일하게 이웃 라벨 중 다수결을 적용하지만, 이미 첫 단계에서 어느 정도 정제된 라벨이므로 수렴 속도가 빨라진다.

가중 그래프에 대한 확장은 간단하다. 간선 가중치를 역비용(예: 1/weight)으로 변환해 최단 경로 계산에 반영하면, 높은 가중치를 가진 간선이 낮은 비용으로 취급되어 LEB 값이 낮아진다. 따라서 가중치가 큰 내부 연결은 라벨 전파에 더 큰 영향을 미치게 된다.

시간 복잡도 측면에서, LEB 계산은 각 정점당 O(k²) (k는 평균 차수) 정도이며, 전체는 O(m) 수준이다. 라벨 전파 단계 역시 O(m)이며, 전체 알고리즘은 O(m)~O(m log n) 범위의 준선형 복잡도를 가진다. 이는 기존 LPAc(라벨 전파와 간선 매개중심성 결합)와 비교했을 때, 전체 최단 경로를 계산하지 않음으로써 메모리와 시간 모두 크게 절감한다.

실험에서는 LFR 합성 네트워크와 여러 실제 소셜·생물학 네트워크(Karate, Dolphins, Football, Amazon 등)를 대상으로 NMI와 modularity를 평가 지표로 사용했다. 결과는 제안 알고리즘이 LPA보다 평균 1015% 높은 NMI를 기록했고, LPAc와 비교해 비슷하거나 약간 높은 정확도를 유지하면서 실행 시간이 3050% 정도 단축되었다. 특히 가중 네트워크(예: Amazon 제품 co‑purchase)에서는 가중치를 고려한 LEB가 커뮤니티 경계 식별에 크게 기여해, 기존 무가중 LPA 기반 방법보다 현저히 높은 modularity를 달성했다.

스케일링 실험에서는 1백만 정점·수백만 간선 규모의 그래프에서도 메모리 사용량이 2~3GB 수준에 머물렀으며, 10분 이내에 수렴하는 모습을 보였다. 이는 실제 산업 현장에서 실시간 혹은 배치 형태의 커뮤니티 탐지가 가능함을 의미한다.

요약하면, 지역 간선 매개중심성을 활용한 가중 라벨 전파 알고리즘은 (1) 라벨 전파 초기 단계에서 커뮤니티 내부를 강화하고, (2) 가중치 정보를 자연스럽게 통합하며, (3) 전체 복잡도를 선형에 가깝게 유지함으로써, 정확도와 효율성 모두에서 기존 방법들을 능가한다는 점이 핵심적인 기여이다.