earticle

영어

For cluster analysis, which is one of the typical techniques of big data analysis, this paper summarizes the method of using subgroup analysis of social networks. Since the social network is basically based on relational data rather than attribute data, in this paper, the social network is constructed and analyzed by calculating the relational data between individuals based on the personality characteristic data of members. The Euclidean distance and Pearson's correlation coefficient were used for the calculation of relational data, and the subgroups of social networks can be obtained by Girvan·Newman algorithm. The clusters using Girvan·Newman algorithm subgroups were evaluated by comparing those by k-means and EM algorithm, which are methods of general cluster analysis. Although the subgroup analysis of the social network in this paper may have a value as a cluster analysis, additional research is needed on the aspect where the evaluation of cluster effectiveness is not consistent depending on the attribute similarity or the kind of the clustering validity index. In addition, it is considered that empirical research in various fields is necessary because the results of the analysis process such as this paper may not be consistent depending on the application field or the nature of the data.

한국어

빅 데이터 분석의 대표적 기법중의 하나인 군집분석에 대하여, 본고에서는 사회연결망의 서브 그룹 분석을 활용하는 방식을 정리하였다. 사회연결망은 기본적으로 속성형 데이터가 아닌 관계 형 데이터를 기반으로 구성되므로, 본고에서는 구성원의 속성형 데이터인 성격특성 데이터를 대 상으로 구성원 개체간의 관계형 데이터를 계산하여 사회연결망을 구성하고 분석하였다. 관계형 데이터는 유클리디안 거리 및 피어슨상관계수와 같은 속성유사도를 계산하여 활용하였고, 사회 연결망의 서브그룹은 거번·뉴먼 알고리즘으로 구할 수 있다. 서브그룹에 의한 군집결과에 대하 여 일반적인 군집분석인 k-평균, EM 알고리즘에 의한 군집결과와 군집유효성을 비교하여 평가 하였다. 본고에서 정리한 사회연결망의 서브그룹 분석이 군집분석으로서의 가치를 가질 수 있음 이 확인되지만, 속성유사도 또는 군집유효성지수의 종류에 따라 군집유효성의 평가가 일정하지 않은 면에 대해서는 추가적인 연구가 필요한 것으로 판단된다. 또한 활용분야 또는 데이터의 성 격에 따라 본고와 같은 분석과정의 결과와 상이할 수 있으므로 다양한 분야의 실증적 연구가 필요한 것으로 사료된다.