소셜 네트워크에서 영향 겹침 측정을 통한 확산 영향 극대화

초록

본 논문은 영향 확산 과정에서 발생하는 ‘영향 겹침’이 중복 영향을 초래해 전체 확산 효율을 저하시킨다는 가설을 제시한다. 저자는 겹침 정도를 정량화하는 이론적 방법을 제시하고, 중복 영향을 최소화하는 두 가지 스프레더 선택 알고리즘인 DRS(Degree‑Redundant‑Influence)와 DSN(Degree‑Second‑Neighborhood)을 설계한다. 네 개의 실제 소셜 네트워크 데이터에 실험을 수행한 결과, DSN 알고리즘이 선택한 스프레더는 전통적인 중심성 지표(정점 차수, k‑core)에서 상대적으로 낮은 값을 가지면서도 전체 확산 규모를 크게 향상시켰다.

상세 분석

이 연구는 기존의 영향력 최대화 문제를 ‘중복 영향’이라는 새로운 차원에서 재조명한다. 전통적인 방법들은 보통 높은 차수 혹은 높은 k‑core 값을 가진 정점을 스프레더로 선택하지만, 이들 정점이 서로 인접하거나 동일한 2‑hop 이웃을 공유할 경우 동일한 노드에 여러 번 영향을 미치게 된다. 저자는 이를 ‘영향 겹침’이라 정의하고, 각 스프레더 집합 S에 대해 정점 v가 받는 총 기대 영향 I(v)와 실제 중복되지 않은 영향 Î(v) 사이의 차이를 ‘중복 영향’ R(v)=I(v)−Î(v)로 수식화한다. 이때 I(v)는 독립적인 전파 확률 모델(예: 독립 전파 모델, IC) 하에서 S의 모든 스프레더가 v에 도달할 확률의 합으로 계산된다. R(v)가 클수록 해당 정점은 여러 스프레더에 의해 중복된 영향을 받으며, 전체 네트워크 차원에서는 이러한 R(v)의 합이 클수록 효율이 낮아진다.

이론적 정의를 바탕으로 두 알고리즘을 설계하였다. DRS는 정점 차수를 기준으로 후보 스프레더를 순차 선택하면서, 현재까지 선택된 스프레더 집합에 의해 발생하는 중복 영향을 실시간으로 계산한다. 후보 정점이 추가될 경우 발생하는 추가 중복 영향이 사전에 정의한 임계값을 초과하면 선택을 포기하고 다음 후보로 넘어간다. 이렇게 하면 높은 차수를 가진 정점이지만 주변에 이미 많은 스프레더가 존재하는 경우는 배제된다.

DSN은 DRS의 계산 복잡성을 완화하기 위해 2‑hop 이웃 정보를 활용한다. 후보 정점의 차수와 동시에 그 정점이 차지하는 2‑hop 영역(즉, 후보 정점의 이웃과 이웃의 이웃)의 크기를 고려한다. 2‑hop 영역이 작을수록 기존 스프레더와의 겹침 가능성이 낮다고 판단하고, 차수가 높은 정점 중에서 이러한 정점을 우선 선택한다. 따라서 DSN은 ‘차수 + 2‑hop 영역 최소화’라는 휴리스틱을 통해 중복 영향을 자연스럽게 억제한다.

실험에서는 Facebook, Email‑Eu, DBLP, 그리고 LiveJournal 네트워크를 사용하였다. 각 네트워크에 대해 전통적인 고차수 선택, k‑core 기반 선택, 그리고 제안된 DRS·DSN을 적용하고, 독립 전파 모델(IPM) 하에서 10 %의 초기 활성 정점 비율을 고정한 뒤 전파 규모를 측정하였다. 결과는 DSN이 가장 높은 전파 규모를 달성했으며, DRS도 기존 방법보다 평균 8 %~12 % 정도 향상되었다. 흥미롭게도 DSN이 선택한 스프레더들의 평균 차수와 k‑core 값은 기존 방법보다 현저히 낮았음에도 불구하고, 중복 영향을 최소화함으로써 전체 확산 효율을 크게 끌어올렸다.

이 논문의 주요 기여는 다음과 같다. 첫째, 영향 겹침을 정량화하는 이론적 프레임워크를 제시함으로써 기존 영향력 최대화 연구에 새로운 평가 지표를 도입했다. 둘째, 중복 영향을 직접 최소화하는 두 가지 실용적인 알고리즘을 설계했으며, 특히 DSN은 계산 복잡도와 성능 사이의 균형을 잘 맞춘다. 셋째, 실험을 통해 ‘높은 중심성’이 반드시 ‘높은 확산 효과’를 의미하지 않으며, 오히려 겹침을 고려한 스프레더 선택이 더 효율적임을 입증했다. 향후 연구에서는 동적 네트워크, 다중 전파 모델, 그리고 비용 제한 조건 하에서의 최적 스프레더 집합 탐색으로 확장할 여지가 있다.