소셜 네트워크의 시간적 토픽과 엣지·버텍스 정보를 활용한 커뮤니티 탐지 모델

초록

본 논문은 사용자 프로필(버텍스)과 상호작용(엣지) 데이터를 동시에 활용하고, 사건·이슈와 같은 시간적 토픽을 ‘버스트 워드’로 추출하여 가중치를 부여한다. 제안된 Interlinked Spatial Clustering Model(ILSCM)은 이러한 가중 엣지를 기반으로 베터니스 중심성을 계산하고, 사전 정의된 임계값을 넘어서는 서브그래프를 커뮤니티로 정의한다. 기존 알고리즘이 놓친 정적·동적 토픽 구분과 엣지 내용 활용을 보완함으로써 보다 정확한 커뮤니티 식별이 가능함을 실험적 예시를 통해 보여준다.

상세 분석

ILSCM은 소셜 네트워크를 정점 V와 연결 E로 표현하고, 각 정점은 사용자 프로필(이름, 성별, 거주지 등) 정보를, 각 엣지는 댓글, 좋아요, 공유, 태그 등 다양한 상호작용 메타데이터를 포함한다는 전제에서 시작한다. 핵심 아이디어는 ‘컨텍스트 키’(예: 특정 이벤트명)를 입력받아 해당 키와 연관된 버스트 워드 집합 B_xy를 각 엣지(v_x, v_y)에서 추출하고, 이 버스트 워드 수를 가중치 w_xy로 정의한다. 이렇게 정의된 가중치는 인접 행렬에 반영되어 각 정점 쌍 사이의 베터니스(중개 중심성)를 계산하는데 사용된다. 베터니스 값이 사전 설정된 임계값을 초과하면 해당 엣지는 커뮤니티 후보 서브그래프에 포함된다.

제안 모델은 기존 연구가 주로 정점 속성만을 이용하거나, 단순히 그래프 구조(밀도, 모듈러리티)만을 고려하는 한계를 극복한다. 특히, 시간적 토픽을 ‘버스트 워드’라는 형태로 정량화함으로써 정적 토픽(일상 대화)과 동적 토픽(시사·이벤트) 사이의 구분을 명확히 한다. 논문은 Yin & Bin 등 기존의 통합 토픽 모델과는 달리, 버스트 워드 추출 단계에서 피크 현상을 명시적으로 포착하고, 이를 엣지 가중치에 직접 매핑한다는 점에서 차별성을 가진다.

알고리즘 흐름은 (1) 컨텍스트 키 기반 검색 함수 f_s(C_k) 호출, (2) 모든 엣지에 대해 버스트 워드 집합 B_xy와 가중치 w_xy 계산, (3) 가중치가 임계값 이상인 엣지 선택, (4) 선택된 엣지와 해당 정점들로 서브그래프 R_G 구성의 네 단계로 단순화된다. 구현 예시에서는 10개의 엣지를 가진 소규모 그래프를 사용해 가중치 매핑, 인접 행렬 시각화, 베터니스 계산 과정을 단계별로 보여준다.

한계점으로는 (①) 버스트 워드 추출을 위한 키워드 선정이 수동적이며, (②) 임계값 설정이 데이터셋마다 경험적으로 조정되어야 한다는 점, (③) 대규모 실험이 부재해 확장성 검증이 미흡하다는 점을 논문 자체에서도 인정한다. 향후 연구에서는 자동 키워드 추출, 동적 임계값 학습, 그리고 수백만 노드·엣지를 포함한 대규모 네트워크에 대한 성능 평가가 필요하다.

전반적으로 ILCM은 정점·엣지 속성을 통합하고, 시간적 토픽을 가중치로 변환함으로써 커뮤니티 탐지 정확도를 향상시킬 수 있음을 보이며, 특히 이벤트 기반 커뮤니티(예: 독립기념일, 재난 상황) 탐지에 유용한 프레임워크를 제공한다.