연결 비율 혼합 멤버십으로 보는 집계 소셜 네트워크의 커뮤니티 다양성

초록

본 논문은 집계된(코스그레이드) 소셜 네트워크에서 기존의 이산형 커뮤니티 탐지의 한계를 극복하기 위해 링크 프랙션 혼합 멤버십(LFMM) 방법을 제안한다. LFMM은 노드가 속한 커뮤니티와의 연결량 비율을 멤버십 값으로 정의하고, 집계·분해 과정에서 총 멤버십 합이 보존되는 일관성을 증명한다. 합성 SBM 데이터와 네덜란드 1,700만 명 규모 인구‑레지스터 네트워크에 적용해, 도시 중심부가 다양한 원거리 커뮤니티의 융합점임을 밝혀냈으며, 시간에 따른 지역별 커뮤니티 다양성 변화를 추적한다.

상세 분석

LFMM은 “링크 중심” 관점을 채택해, 노드 i의 커뮤니티 k에 대한 비정규화 멤버십 M_i(k)를 i와 k에 속한 모든 노드 사이의 가중 엣지 합계(자기루프 제외)로 정의한다. 정규화된 멤버십 m_i(k)=M_i(k)/∑_k M_i(k)는 i가 전체 연결 중 어느 비율을 각 커뮤니티에 할당하는지를 나타낸다. 핵심은 이 정의가 선형 연산이므로, 집계된 그래프 G′에 대해 직접 계산한 M′_x(k)와 개별 레벨 그래프 G에서 각 노드의 M_i(k)를 합산한 값이 정확히 일치한다는 수학적 증명(식 4)이다. 따라서 “집계에 강건함(aggregation‑invariance)”을 보장한다는 점에서 기존 MMSBM·오버랩 SBM과 차별화된다.

방법론은 두 단계로 구성된다. 첫째, 임의의 디스조인트 커뮤니티 탐지 알고리즘(논문에서는 Leiden‑Potts 모델)을 적용해 커뮤니티 라벨 C_k를 얻는다. 둘째, 위의 식을 이용해 각 집계 노드(예: 행정 구역)마다 LFMM 벡터를 계산하고, 이를 기반으로 커뮤니티 다양성 지표(예: 엔트로피 기반)와 중력 모형을 활용한 공간적 귀무모형을 구축한다.

실험에서는 (1) SBM 기반 합성 네트워크에서 μ(커뮤니티 친밀도)와 m(집계 혼합도)를 변동시키며 LFMM의 보존성 및 정규화 효과를 검증했고, (2) 네덜란드 레지스터 데이터(17 M 노드, 13 년 기간)를 3 000개 이웃·400개 시·군 수준으로 집계해 실제 현상을 분석했다. 결과는 다음과 같다.

• LFMM 값은 μ와 m이 각각 높을 때 크게 상승하지만, 두 요인이 동시에 존재하면 비선형적으로 상쇄 효과가 나타난다. 즉, 고도 혼합된 집계 구역은 높은 μ를 가진 동질 구역과 유사한 LFMM 패턴을 보인다.
• 도시 지역(암스테르담, 로테르담 등)은 LFMM 평균이 현저히 높아, 다양한 원거리 커뮤니티가 집중되는 ‘멜팅 팟’ 역할을 함을 확인했다. 이는 중력 귀무모형을 통해 공간적 기대값을 초과하는 것으로 통계적 유의성을 확보했다.
• 시간 축에서는 2012‑2024 사이에 일부 교외 구역의 LFMM이 상승하고, 전통적 산업 중심지의 LFMM이 감소하는 등, 인구 이동·주거 형태 변화가 커뮤니티 구조에 미치는 영향을 정량화했다.

한계점으로는 (i) LFMM이 엣지 중심이므로 고도 차수 노드가 과도하게 영향을 받을 수 있고, (ii) 정규화된 m_i는 집계 시 강도 비례 가중합으로 변환돼 원본 m과 정확히 일치하지 않는다. 또한, 동일한 LFMM 값을 갖는 집계 구역이 이질적 연결 패턴(동질 vs. 이질) 중 어느 원인에 기인했는지는 추가적인 구조적 분석이 필요하다.