추천·네트워크 공동진화 시뮬레이션 프레임워크

초록

본 논문은 콘텐츠 생산, 사용자 간 연결 형성, 그리고 그래프 어텐션 네트워크(GAT) 기반 추천 시스템이 서로 영향을 주고받는 폐쇄 루프를 구현한 에이전트 기반 시뮬레이터를 제시한다. Mastodon 데이터를 이용해 파라미터를 캘리브레이션하고 Bluesky 데이터로 외부 검증을 수행했으며, 추천 활성화 시점, 사용자 유형 비율, 탐색 파라미터 등 18가지 실험 설정을 통해 전이 시점이 네트워크 클러스터링·다양성·참여도에 미치는 영향을 정량화한다. 규모를 100명에서 5,000명까지 확대해도 주요 효과가 지속되지만 완화되는 것을 확인하고, Jacobian 기반 안정성 분석을 통해 모델이 제한된 반응성 파라미터 하에서 지역적으로 안정함을 보인다.

상세 분석

이 연구는 기존 사회 네트워크 진화 모델과 추천 시스템 연구 사이의 격차를 메우는 ‘폐쇄‑루프’ 시뮬레이션 프레임워크를 설계한다는 점에서 학술적·실용적 의의가 크다. 먼저, 에이전트는 ‘캐주얼’과 ‘열성’ 두 유형으로 구분되며, 각각 콘텐츠 생성 빈도(f_i)와 만족도 민감도(β)에서 차이를 보인다. 콘텐츠는 30차원 토픽 벡터에 기반해 생성되고, 사용자와의 코사인 유사도(sim)로 소비·만족도가 업데이트된다. 만족도 변화식(식 6)은 중립 임계값 τ를 중심으로 긍정·부정 반응을 비대칭적으로 모델링해, 사용자가 선호와 크게 벗어난 콘텐츠에 대해 더 큰 불만을 표현하도록 설계했다.

네트워크 진화는 로지스틱 함수(식 7)를 통해 유사도와 기존 상호작용 강도(e_ij)를 가중합한 뒤 시그모이드로 확률화한다. 여기서 γ 파라미터는 Mastodon 데이터에 맞춰 그리드 서치를 통해 (−1, 2, 1)로 고정했으며, 이는 실제 팔로우 확률이 유사도에 강하게 의존함을 반영한다. 탐색 메커니즘은 온도 T=1/r_explore 로 정의된 소프트맥스 형태(식 8)로 구현돼, 낮은 r_explore가 높은 온도를 만들어 다양성을 촉진한다.

추천 시스템은 GAT 기반으로, 사용자·콘텐츠 임베딩을 이웃 집계와 어텐션 가중치(α_ij)로 학습한다. 매 5 타임스텝마다 재학습을 수행해 ‘컨셉 드리프트’를 완화하고, 재학습이 없을 경우 AU‑C가 0.85→0.71로 급감한다는 실험 결과를 제시한다. 이는 실제 운영 환경에서 모델 업데이트 주기의 중요성을 시사한다.

실험에서는 18가지 팩터리얼 설계(추천 활성 시점 t=10 vs t=40, 열성 비율 α, 탐색 파라미터 r_explore 등)를 100명 에이전트 시뮬레이션에 적용해 구조적 메트릭(전이성, 클러스터링 C, 모듈러리티 Q)과 콘텐츠 메트릭(다양성, 참여도) 변화를 측정했다. 주요 발견은 다음과 같다.

1. 활성 시점 효과: t=10에서 추천을 시작하면 전이성이 0.27→0.24(≈10% 감소)하고, 콘텐츠 다양성이 9% 상승한다. 반면 참여도 차이는 <8%에 머문다. 이는 초기 단계에서 알고리즘이 네트워크 구조를 형성하는 ‘핵심 시드’를 제공해 이후 클러스터링을 억제함을 의미한다.
2. 사용자 유형 비율: 열성 비율을 0.8로 높이면 전이성이 14% 감소하고 로컬 클러스터링이 9% 감소한다. 열성 사용자는 높은 생성 빈도로 다양한 콘텐츠를 공급해 네트워크를 ‘다리’ 역할로 확장한다.
3. 탐색 파라미터: 높은 탐색(r_explore 낮음)은 다양성을 712% 향상시키지만, 모듈러리티가 35% 감소한다. 이는 사용자가 기존 팔로우 관계를 넘어 새로운 노드를 탐색하게 함으로써 커뮤니티 경계가 흐려지는 현상을 반영한다.
4. 규모 확장성: n=5,000까지 확대했을 때도 전이성 감소 효과가 6% 수준으로 남아 있다(초기 10% 대비 약 절반). 이는 작은 네트워크에서 관찰되는 ‘초기 조건 의존성’이 큰 규모에서는 완화되지만, 여전히 비무작위적 구조 변화를 일으킨다는 점을 보여준다.
5. 안정성 분석: 시스템 상태 전이 함수를 미분해 Jacobian을 구하고, 반응성 파라미터(β, γ 등)를 제한 범위 내에서 설정하면 모든 고유값의 실부가 <1임을 확인했다. 이는 시뮬레이션이 발산하지 않고, 파라미터 변동에 대해 지역적으로 안정적임을 의미한다.

재현성을 위해 구성 스키마, 시드 리스트, 전체 파이프라인 스크립트를 공개했으며, 95% 부트스트랩 신뢰구간을 제공해 결과의 통계적 신뢰성을 확보했다. 전체적으로 이 프레임워크는 ‘추천·네트워크 공동진화’를 정량적으로 탐색할 수 있는 최초의 도구이며, 특히 연합형 소셜 플랫폼(Mastodon, Bluesky 등)에서 정책 입안자가 알고리즘 도입 시점과 탐색 강도를 사전에 평가할 수 있게 한다.