소셜 네트워크에서 완고한 에이전트 배치를 최적화하여 의견을 조정하기

초록

본 논문은 소셜 네트워크 내에서 의견이 고정된 ‘완고한’ 사용자와 변동 가능한 ‘비완고한’ 사용자를 구분하고, 제한된 수의 완고한 에이전트를 전략적으로 배치해 전체 의견 평균, 분산 및 특정 임계값 초과 인원의 수를 최대화하는 최적화 문제를 제시한다. 평균 의견이 단조·서브모듈러임을 증명해 그리디 알고리즘으로 근사해결하고, 실제 트위터 데이터에 적용해 소수의 완고한 에이전트만으로도 의미 있는 의견 변화를 유도함을 실증한다. 또한, 통신 노이즈와 시간에 따라 증가하는 완고함을 포함한 새로운 의견 동역학 모델을 제안하고, 일반적인 조건 하에 이 모델이 DeGroot 균형과 동일한 정착점에 수렴함을 이론적으로 증명한다.

상세 분석

이 연구는 두 가지 차원에서 기존 의견 동역학 및 영향력 최대화 문헌에 중요한 기여를 한다. 첫째, 의견 평형을 전제로 한 최적화 모델을 수학적으로 정형화하고, 목표 함수인 평균 의견을 단조·서브모듈러로 증명함으로써 그리디 알고리즘이 (1‑1/e)‑근사 보장을 갖는다는 점을 명확히 제시한다. 이는 Kempe 등(2003)의 확산 모델에서 서브모듈러성을 활용한 접근과 유사하지만, 여기서는 ‘노드 전환’이 아니라 ‘완고한 에이전트 삽입’이라는 새로운 제어 메커니즘을 도입한다는 점이 차별점이다. 또한, 평균 외에도 의견 분산과 임계값 초과 인원 수를 목표 함수로 고려했으며, 후자는 비단조적이지만 실험적으로 그리디와 비교할 수 있는 벤치마크를 제공한다.

둘째, 저자들은 기존 DeGroot 모델의 한계를 보완하는 확장 모델을 설계한다. 구체적으로, 각 에이전트가 시간에 따라 ‘완고함(stubbornness)’을 증가시키는 함수 α_i(t) 를 갖고, 이때 통신은 확률적이며 전송되는 의견은 가우시안 노이즈가 섞인 형태이다. 이러한 설정은 사회심리학에서 보고된 연령·경험에 따른 의견 고정화 현상을 수학적으로 구현한다. 저자는 마르코프 연쇄와 확률적 행렬 이론을 이용해, α_i(t) 가 충분히 빠르게 1에 수렴하고 네트워크가 강하게 연결돼 있다면, 시스템은 결국 고정점 θ* = (I‑G)^{-1}Fθ_0 와 동일한 평형에 수렴함을 증명한다. 이는 노이즈와 비정상적 업데이트가 존재함에도 불구하고, 전통적인 전기 회로 비유(전압·전류 흐름)와 일치하는 강인한 결과이다.

실험 부분에서는 수십만 규모의 트위터 팔로우 그래프를 활용해, 실제 텍스트 데이터를 신경망 기반 감성 분석기로 의견(0‑1 스칼라)으로 변환한다. 이후, 제시된 그리디 알고리즘을 적용해 상위 k개의 목표 노드를 선택하고, 선택된 노드에 ‘완고한 에이전트’를 삽입했을 때 평균 의견이 얼마나 상승하는지를 측정한다. 결과는 무작위 선택, 높은 중심성(페이지랭크·디그리) 기반 선택, 그리고 기존 ‘조화 영향력 중심성’ 대비 평균 15‑20% 이상의 개선을 보이며, 특히 k가 작을수록(예: k=5) 효과가 두드러진다.

한계점으로는 (1) 의견 평형이 실제 사회에서 항상 존재한다는 가정이 강하게 작용한다는 점, (2) 감성 분석기의 오류가 평형 추정에 전이될 가능성, (3) 완고한 에이전트의 ‘의견값’이 고정된 0 혹은 1이 아니라 연속값이라는 점을 더 정교히 모델링할 여지가 있다. 향후 연구는 동적 네트워크(시간에 따라 변하는 팔로우 관계)와 다중 이슈(다차원 의견) 상황에서 서브모듈러성 유지 여부를 탐색하고, 강화학습 기반의 에이전트 배치 정책을 설계하는 방향으로 확장될 수 있다.