We classify networks with two categories: functional networks and non-functional networks. Biological networks and artificial networks belong to the functional network and Social networks belong to non-functional networks. In the evolution of non-functional networks, the clustering coefficient plays a crucial role. We model the non-functional network with optimization of clustering coefficient. In result, hubs and power-law degree distribution emerge in the optimization process. Power-law decay in clustering coefficient distribution implies hierarchical organization.
사회학에서는 오래전부터 사람들 사이의 연결망에 대한 연구를 해왔다. 일례로 어떤 두 사람을 임의로 선택해도 6단계만 건너면 두 사람을 연결할 수 있다는 '좁은세상' 개념이 있었다. 그러나 사람사이 연결망은 조사하기가 매우 힘들었으며, 그래서 크기와 정확성이 제한되어 있었다. 그러다가 연구자들은 다른 복잡계에도 이런 연결망 구조가 있음을 인식하였으며, 컴퓨터가 발달하여 자료들이 전산화됨으로 인해 크고 정확한 연결망 구조를 분석할 수 있는 길이 열렸다.
이렇게 밝혀진 복잡계 연결망의 구조는 수많은 사람들을 매료시킨다. 실제 연결망은 자라나고, 활발하게 움직이며, 불균일하고, 풍부한 세부 구조를 가지고 있다.
복잡계 연결망을 시늉내는 많은 모형들이 만들어졌다. 초기의 모형들은 연결망의 움직임보다는 형태에 초점을 맞추었지만 최근에는 움직임에 초점을 맞춘 모형들이 등장했다. 형태에 초점을 맞춘 모형들이 주로 어떤 규칙에 의해 연결망을 성장시키거나 구조를 바꾸게 했던 것에 비해 새로운 모형들은 생물체가 진화를 하여 환경에 적응하듯이 어떤 양을 정해 그 양을 최소화 하거나 최대화 시키는 방향으로 진화를 일으키는 방법을 택했다.
위에서 서술한 새로운 흐름들은 연결망을 몰아가는 방향으로 그 연결망을 만드는 데 드는 비용을 줄이고 연결망 위의 개체끼리의 거리를 줄이는 쪽을 택했다. 즉 작은 비용으로 큰 효율을 가지는 연결망을 시늉냈다. 이 방법은 생체안의 연결망이나 전자회로 연결망등 특정 기능을 하는 연결망의 경우에는 잘 들어맞는다. 하지만 사람사이 연결망과 같은 사회 연결망의 경우는 개체끼리의 거리를 줄이거나 연결고리의 숫자를 줄이는 과정이 큰 의미를 지니지 못한다.
그렇다면, 어떻게 연결망을 몰아가는 것이 사회 연결망의 진화의 중요한 특성을 잘 드러낼 수 있을까? 이 논문은 그 방법의 한 가지로 '군집성'을 제시한다.
군집성은 다음과 같이 설명할 수 있다. 어떤 집단이 있다고 하면, 그 집단의 사람들은 서로 알고 있을 확률이 크다. 그리고 같은 집단에 속하지 않은 두 사람도 만일 어떤 사람과 공통적으로 알고 있다면 중간에 있는 사람이 다리역할을 하여 다른 집단의 두 사람을 연결시켜 줄 수 있다.
이런 개념을 나타내는 군집계수(clustering coefficient)는 이미 정의되어 있으며, 이 논문에서는 이 계수를 크게 하는 방향으로 연결망을 몰아가는 시늉내기를 하였다. 그 결과로 실세계 연결망의 특성과 부합하는 연결망을 얻었다.
