그래프 신경망 기반 소셜 네트워크 영향력 예측

정보 확산을 극대화할 수 있는 영향력 있는 노드를 식별하는 것은 소셜 네트워크 분석의 근본적인 문제인 영향력 최대화(Influence Maximization)에 해당합니다. 기존의 확산 모델 기반, 탐욕 및 휴리스틱 알고리즘은 계산 비용이 높거나 네트워크 구조를 제대로 인식하지 못하는 한계가 있으며, 특히 대규모 네트워크에서 이러한 단점이 두드러집니다. 본 연구는 이러한 문제점을 극복하기 위해 그래프 신경망(GNN)과 개미 군집 최적화(ACO)를 결합한 하이브리드 아키텍처를 제안합니다. GNN은 노드 수준에서 영향력 표현을 학습하여 네트워크의 지역적 및 고차 구조적 의존성을 공동으로 모델링합니다. ACO는 이렇게 학습된 표현을 활용하여 중복되지 않고 다양한 시드 집합을 구성합니다. 선택된 시드 집합은 독립 캐스케이드 확산 모델을 기반으로 테스트되었으며, 영향력 확산 범위가 주요 성능 측정 지표로 사용되었습니다. 실제 소셜 네트워크 데이터에 대한 실험 결과, 제안된 GNN-ACO 프레임워크는 기존 기준선 방법들보다 확산 영향력 측면에서 지속적으로 우수함을 보였습니다. 또한, 다양한 시드 집합 크기에서도 비교적 효율적인 계산 성능을 나타냈습니다. 이러한 발견은 최적화 기반 시드 선택 전략과 표현 학습을 활용하여 영향력 최대화 문제를 효과적으로 해결할 수 있음을 입증합니다.