보이지 않던 구조를 드러내다: SNA 시각화 실전 튜토리얼
NetMiner 5는 다양한 네트워크 분석 및 머신러닝·그래프 머신러닝 뿐만 아니라 인터렉티브한 시각화까지 한눈에 확인하실 수 있는 기능이 포함되어 있습니다.
SNA(Social Network Analysis) 시각화는 단순한 그래프 이미지 생성이 아닌, 데이터 구조에 숨어 있는 복잡한 관계와 패턴을 직관적으로 드러내 연구자들에게 다음과 같은 실질적 인사이트와 효용을 제공합니다.
이번 튜토리얼에서는 NetMiner 5를 이용하여 네트워크 분석 결과를 반영하여 다채로운 시각화 결과를 확인하는 프로세스를 살펴보는 시간을 갖도록 하겠습니다.
Section 1. 보이는 것이 생각을 이끈다: 연구자를 위한 시각화의 가치
A. 네트워크 시각화로 얻을 수 있는 인사이트
복잡한 관계를 분석하는 데 있어, 네트워크 분석이 연구자나 이해 관계자의 사고와 해석으로 이어지기 위해서는 , '보이는 형태'로 제시되는 것 또한 필수적입니다.
네트워크 시각화는 연구자들에게 다음과 같은 인사이트를 제공합니다:
핵심 인물 또는 노드 식별
집단 및 커뮤니티 구조 이해
연결 패턴 및 정보 흐름 파악
이상치 또는 단절 노드 탐지
시간 변화에 따른 구조 변화 파악
데이터 기반
이처럼 네트워크 시각화는 단순한 데이터 표현을 넘어, 연구자가 처음 데이터를 마주하고 구조를 탐색하는 출발점이며, 분석 결과를 소통하는 종착점이기도 합니다.
또한 시각화는 연구 성과를 외부에 설득력 있게 전달하는 데도 핵심적인 역할을 합니다. 정량 지표만으로는 설명하기 어려운 구조적 특징이나 흐름을, 한 장의 네트워크 이미지가 강력하게 보여줄 수 있기 때문입니다.
이는 보고서, 프레젠테이션, 논문, 정책 제안 등 다양한 맥락에서 큰 장점이 됩니다.
즉, 네트워크 시각화는 단순히 보여주는 것을 넘어, 연구자가 생각하고 질문하여, 전달하고 설득하는 전 과정에 깊이 관여하는 연구 도구라고 할 수 있습니다.
Section 2. 정치 블로그 간의 관계를 이용한 네트워크 분석
A. Polblogs 데이터 소개
이번 튜토리얼 시간에는 NetMiner 5에서 기본적으로 제공하는 샘플 데이터인 Polblog 데이터셋을 이용하여 네트워크 분석을 수행하도록 하겠습니다.
먼저, 데이터에 대한 간단한 소개를 드리겠습니다.
Political Blogs Dataset(약칭: Polblogs) 은 사회 연결망 분석 및 그래프 기반 연구에서 널리 사용되는 대표적인 예제 데이터로, 미국 내 정치 블로그 간의 하이퍼링크 구조를 기반으로 구성된 방향성 네트워크 데이터입니다.
※ 데이터 출처: L. A. Adamic and N. Glance, "The political blogosphere and the 2004 US Election", in Proceedings of the WWW-2005 Workshop on the Weblogging Ecosystem (2005)
아래 경로에서 polblogs.nm5 파일을 불러올 수 있습니다.
C:Users(사용자 계정명)NetMiner 5SampleDataMark Newman Datasetpolblogs
데이터에 대한 간단한 정보를 살펴보겠습니다.
각 노드는 2004년 미국 대선 시점을 전후로 운영되던 하나의 정치 블로그를 의미하고 총 1,490개의 노드들로 구성되어 있습니다. Value 속성은 해당 블로그의 정치 성향을 의미합니다. 0은 진보(Liberal, 좌파) 성향을 의미하고 1은 보수(Conservative, 우파) 성향을 의미합니다.
블로그 간의 링크 관계를 엣지 리스트 형태로 표현한 방향성이 있는 네트워크 데이터입니다. 총 19,090개의 연결 관계(네트워크)가 형성되어 있는 것을 확인할 수 있습니다.
B. Polblogs 네트워크 중심성 분석
이제, 본격적으로 Polblog 네트워크 데이터를 이용하여 네트워크 중심성 분석을 수행하겠습니다.
네트워크(Network) > 중심성(Centrality) > 연결 중심성(Degree Centrality)을 실행합니다.
오른쪽 컨트롤 패널에서 Input에 블로그 간 연결 관계를 나타낸 Network를 선택하고 Run Process 버튼을 클릭합니다.
[T]Degree Centrality에서 Add to Dataset > Node Attribute 버튼을 클릭하세요.
In-Degree Centrality와 Out-Degree Centrality가 모두 선택된 것을 확인하고 OK 버튼을 누릅니다. 이제 중심성 값이 노드셋의 새로운 속성으로 추가되었습니다.
위와 동일한 방식으로 매개 중심성(Betweenness Centrality)과 근접 중심성 분석(Closeness Centrality)도 수행합니다.
C. Polblogs 네트워크의 컴포넌트와 커뮤니티 분석
다음은 블로그 간의 링크 관계의 응집 구조를 탐지하기 위해 컴포넌트 분석을 수행한 다음, 최대 컴포넌트(Giant Component)만 추출하여 해당 네트워크에서 형성하고 있는 커뮤니티 구조를 탐색하도록 하겠습니다.
네트워크(Network) > 하위집단(Subgroup) > 컴포넌트(Component)
오른쪽 컨트롤 패널에서 1-모드 네트워크를 선택합니다.
방향성이 있는 네트워크이기 때문에, 방향성을 고려하기 위하여 Component Type을 Strong Component로 지정하고 최소 컴포넌트 크기(Minimum Size of Component)는 2로 설정합니다.
Run Process 버튼을 클릭하여 컴포넌트 분석 결과를 확인합니다.
총 10개의 컴포넌트가 생성되었습니다. 그중 3번 컴포넌트가 793개의 노드를 포함하고 있고 이는 전체 노드의 약 53.2%를 차지하고 있었습니다.
이제 최대 컴포넌트인 3번 컴포넌트만 추출하도록 하겠습니다.
[T]Component 에서 Add to Dataset > Node Attribute 버튼을 클릭하세요. 컴포넌트 값이 노드셋의 새로운 속성으로 추가되었습니다.
Tools > Query 또는 상단의 { } 아이콘을 클릭합니다.
Main 노드셋을 선택하고 Component Partition을 클릭하고 3번 컴포넌트만 추출합니다.
3번 컴포넌트에 포함된 노드와 이들 간의 네트워크를 새로운 워크스페이스로 추가합니다.
추출한 최대 컴포넌트 네트워크 내에서는 어떤 커뮤니티 구조를 이루고 있는지 탐지하기 위해 Louvain 커뮤니티 분석을 수행하겠습니다.
네트워크(Network) > 하위집단(Subgroup) > 커뮤니티(Community) > Louvain
오른쪽 패널에 분석할 1-모든 네트워크를 선택합니다.
방향성을 유지하기 위해 Symmetrize 체크는 해제하고 Run Process 버튼을 클릭합니다.
총 5개의 커뮤니티로 구분할 수 있었습니다. 그중 3번 커뮤니티가 448개의 노드를 포함하고 있었고 이는 전체 노드의 약 56.5%를 차지하고 있었습니다. 그 다음으로는 1번 커뮤니티가 338개의 노드를 포함하고 있었고 전체 노드의 약 42.6% 의 비중을 차지하고 있는 것을 확인할 수 있었습니다.
[T]Community(Louvain) 에서 Add to Dataset > Node Attribute 버튼을 클릭하세요. 컴포넌트 값이 노드셋의 새로운 속성으로 추가되었습니다.
Section 3. 중심성 분석 결과로 완성한 Polblogs 네트워크맵
A. 구조만으로 말하다: Polblogs 네트워크 전경
최대 컴포넌트만 추출한 새로운 워크스페이스에서 시각화를 진행하겠습니다.
시각화(Visualize) > 네트워크(Network) > 1-모드(1-Mode)를 실행합니다.
오른쪽 컨트롤 패널에서 스타일(Style) 탭을 클릭합니다.
노드 색상(Color) 조절: Node 탭에서 Color 항목 오른쪽의 팔레트 아이콘을 클릭합니다. 블로그의 정치 성향을 의미하는 value 칼럼을 선택하면, 노드 색상이 즉시 변경되는 것을 볼 수 있습니다.
value 0은 진보를 의미하고 value 1은 보수를 의미합니다. 기본으로 지정된 색상이 아닌 이용자가 직접 색상을 지정하기 위해선 Color List에 표시된 색상을 클릭해서 원하는 색상을 선택하면 노드에 곧바로 반영이 됩니다.
우측 상단 Theme Toggle 아이콘을 클릭하면 다크 모드로 변환이 됩니다.
노드의 라벨을 블로그 페이지 이름으로 변경하기 위해 Label에서 page를 선택합니다.
[polblogs network]
오른쪽 컨트롤 패널에서 스타일(Style) 탭을 클릭합니다.
노드 크기(Size) 조절: Node 탭에서 Size 항목의 오른쪽의 크기 아이콘을 클릭합니다. 분석 후 노드에 추가했던 In-Degree Centrality를 선택하면, 많은 수의 다른 노드로부터 연결을 받고 있는 노드일수록 노드 크기가 커지는 것을 확인할 수 있습니다.
즉, 다른 블로그들이 자주 링크하거나 인용하는 블로그로, 정보 확산의 중심이자 영향력이 있는 블로그로 해석할 수 있습니다.
[In-Degree Centrality]
매개 중심성 결과를 반영한 시각화 결과는 다음과 같습니다. 매개 중심성은 한 노드가 다른 노드 쌍 간 최단 경로 위에 얼마나 자주 위치하는지를 나타낸 지표입니다. 즉, 해당 노드가 정보, 자원, 영향력이 전달되는 경로에서 얼마나 중요한 매개자(통로) 역할을 하는지 보여줍니다.
노드의 크기가 클수록 보수와 진보 진영 사이를 연결하는 다리 역할을 하며, 양 진영 모두에서 주목하거나 인용하는 블로그일 가능성이 높습니다.
[Betweenness Centrality]
근접 중심성 결과를 반영한 시각화 결과는 다음과 같습니다. 근접 중심성은 해당 노드가 다른 노드들로부터 얼마나 가까운 위치에 있는지를 나타낸 지표입니다. 즉, 다른 노드들이 이 노드에 얼마나 빨리 도달할 수 있는가를 측정합니다.
노드의 크기가 클수록 다른 블로그에서 인용되기까지의 경로가 짧은 블로그, 정보가 집중되는 중심지 역할을 할 가능성이 높습니다.
[In-Closeness Centrality]
NetMiner 5에서는 중심성 분석, 응집 그룹 분석과 같은 대표적인 네트워크 분석 방법론을 손쉽게 할 수 있고 이를 네트워크 시각화에도 빠르게 반영하여 복잡한 네트워크 관계를 한눈에 확인할 수 있습니다.
이제 NetMiner 5를 이용하여 이용자가 원하는 스타일로 시각화를 정교하게 커스터마이징하고 분석 흐름과 통합하여 보다 효과적인 결과 도출을 확인해보세요!
※ 관련 튜토리얼