[논문 리뷰] Anticipating Activity in Social Media Spikes

Desmond J. Higham, Peter Grindrod외 3명|arXiv (Cornell University)|2014. 06. 08.

Complex Network Analysis Techniques참고 문헌 23인용 수 7

한 줄 요약

이 논문은 이벤트 기반 소셜 미디어 급증 동안 가장 활동적인 트위터 사용자를 예측하는 수학적 모델을 제안한다. 정적 팔로워 네트워크와 동적 반응 행동을 조합한 모델은 사용자가 수신 메시지에 반응한다는 가설에 기반하며, 네트워크 구조를 통합함으로써 예측 정확도를 향상시키고 반응 속도 및 네트워크 크기를 사용해 급증의 반감기를 정량화한다.

ABSTRACT

We propose a novel mathematical model for the activity of microbloggers during an external, event-driven spike. The model leads to a testable prediction of who would become most active if a spike were to take place. This type of information is of great interest to commercial organisations, governments and charities, as it identifies key players who can be targeted with information in real time when the network is most receptive. The model takes account of the fact that dynamic interactions evolve over an underlying, static network that records who listens to whom. The model is based on the assumption that, in the case where the entire community has become aware of an external news event, a key driver of activity is the motivation to participate by responding to incoming messages. We test the model on a large scale Twitter conversation concerning the appointment of a UK Premier League football club manager. We also present further results for a Bundesliga football match, a marketing event and a television programme. In each case we find that exploiting the underlying connectivity structure improves the prediction of who will be active during a spike. We also show how the half-life of a spike in activity can be quantified in terms of the network size and the typical response rate.

연구 동기 및 목표

• 갑작스러운 소셜 미디어 활동 급증 기간 동안 핵심 영향력자(인플루언서)를 실시간으로 예측하는 모델을 개발하는 것.
• 기존 모델의 격차를 메우기 위해 정적 네트워크 구조(누가 누군가를 팔로우하는지)와 동적 메시지-반응 행동을 모두 통합하는 것.
• 실제 응용 사례(예: 마케팅 또는 위기 대응)에서 사용 가능한 검증 가능하고 계산 효율성이 높은 알고리즘을 제공하는 것.
• 반응 속도와 네트워크 크기의 관점에서 소셜 미디어 급증의 반감기를 정량화하는 것.
• 스포츠, 티비, 마케팅 캠페인 등 다양한 실제 이벤트에 걸쳐 모델을 검증하는 것.

제안 방법

• 사용자 활동이 수신 메시지에 의해 유도되는 선형 동적 시스템을 사용하며, 반응 속도 파rameter α를 포함한다.
• 정적 인접행렬 A(팔로워 관계를 나타냄)와 기본 활동 벡터 b(기본 사용자 활동)를 결합한다.
• 새로운 예측 점수 s*는 s* = b + α * A * r 로 계산되며, 여기서 r은 최근 수신 메시지 수의 벡터이다.
• 모델 간 비교를 가능하게 하기 위해 반응 속도 α를 A의 스펙트럼 반경(ρ(A))으로 정규화하여 α* = α / ρ(A)로 정의한다.
• 모델은 사전 급증 데이터만을 사용하여 급증 중 상위 100명의 활동 사용자를 예측하며, 일상적인 네트워크 및 활동 패tern을 기반으로 한다.
• 급증의 반감기는 γ = α * ρ(A) 를 사용해 추정하며, 반감기 ≈ |log(2) / log(γ)| 로 계산된다.

실험 결과

연구 질문

• RQ1 사전 급증 데이터만을 사용하여 외부 요인에 의해 유도된 소셜 미디어 급증 기간 동안 가장 활동적인 사용자를 예측할 수 있는가?
• RQ2 기본 모델 대비 정적 팔로워 네트워크 구조를 통합함으로써 예측 정확도가 얼마나 향상되는가?
• RQ3 다양한 이벤트 전반에서 예측 성능을 최대화하는 최적의 반응 속도 파rameter α는 무엇인가?
• RQ4 모델은 급증 정점 이후 트윗 수의 기하급수 감소 현상을 설명할 수 있는가?
• RQ5 급증의 반감기는 네트워크 크기와 사용자 반응 행동과 어떻게 관련이 있는가?

주요 결과

• 반응 파rameter α를 통한 정적 네트워크 구조 통합이 급증 기간 동안 상위 100명의 활동 사용자 예측에 크게 기여하며, 작은 α 값에서도 효과가 있다.
• 모델은 프리미어리그, 불데스가, 마케팅 이벤트, 티비 시리즈 등 네 가지 사례 연구 전반에서 성능 향상을 보이며, α = 0일 경우 성능 저하 없이 작은 α* 값에서도 일관된 성과 향상을 보였다.
• 급증의 반감기는 반응 속도 α와 팔로워 행렬 A의 페론-프로베니우스 고유값의 곱과 정량적으로 연결되며, 반감기 ≈ |log(2) / log(γ)| 로 표현된다.
• 모델의 예측 점수 s*는 α가 기계 정밀도를 초과하는 순간 즉시 변화함으로써 네트워크 구조에 대한 민감성이 즉각적으로 드러난다.
• 모델는 급증 정점 이후 트윗 수의 특징적인 기하급수 감소를 성공적으로 재현하며, 실증 관측 결과와 일치한다.
• 본 연구에서 사용된 맨체스터 유나이티드 트위터 데이터셋은 http://www.mathstat.strath.ac.uk/outreach/twitter/mufc 에서 공개될 예정이다.