[논문 리뷰] Determinants of Meme Popularity

James P. Gleeson, Kevin P. O’Sullivan외 2명|arXiv (Cornell University)|2015. 01. 23.

Opinion Dynamics and Social Influence인용 수 6

한 줄 요약

이 논문은 수학적 인구유전학에서 유래한 생성 모델을 제안하여 멤의 인기 동역학을 설명한다. 이 모델은 사용자 주의력에 대한 경쟁이 자가조직적 임계상태를 유도하며, 이로 인해 꼬리가 무거운 인기 분포가 발생함을 보여준다. 모델은 경험적 마이크로블로깅 데이터에 잘 맞는 스케일링 법칙을 분석적으로 유도하며, 사용자 기억력과 네트워크 연결성의 역할을 구분한다.

ABSTRACT

Online social media have greatly affected the way in which we communicate with each other. However, little is known about what are the fundamental mechanisms driving dynamical information flow in online social systems. Here, we introduce a generative model for online sharing behavior and analytically show, using techniques from mathematical population genetics, that competition between memes for the limited resource of user attention leads to a type of self-organized criticality, with heavy-tailed distributions of meme popularity: a few memes go viral but the majority become only moderately popular. The time-dependent solutions of the model are shown to fit empirical micro-blogging data on hashtag usage, and to predict novel scaling features of the data. The presented framework, in contrast to purely empirical studies or simulation-based models, clearly distinguishes the roles of two distinct factors affecting meme popularity: the memory time of users and the connectivity structure of the social network.

연구 동기 및 목표

• 온라인 소셜 시스템에서 정보 흐름을 이끄는 기본 메커니즘을 이해하기 위해.
• 어떤 멤은 바이러스적으로 퍼지지만 대부분는 중간 수준의 인기를 얻는 이유를 규명하기 위해.
• 멤의 인기 분포가 꼬리가 두꺼운 형태를 띠는 이론적 프레임워크를 개발하기 위해.
• 사용자 기억 시간과 사회적 네트워크 연결성의 영향을 분리하여 분석하기 위해.
• Hashtag 사용에 관한 경험적 마이크로블로깅 데이터를 기반으로 모델을 검증하기 위해.

제안 방법

• 저자는 수학적 인구유전학 기법을 활용하여 온라인 공유를 확률적 과정으로 모델링한다.
• 사용자 주의력의 제한된 자원을 두고 멤 간의 경쟁을 시뮬레이션할 수 있는 생성 모델을 구축한다.
• 모델은 공유 확률에 영향을 주는 별개의 매개변수로 사용자 기억 시간과 네트워크 연결성을 포함한다.
• 시간에 따라 변화하는 멤의 인기성에 대한 분석적 해를 도출하며, 스케일링 행동을 드러낸다.
• 모델의 예측은 마이크로블로깅 플랫폼에서 Hashtag 사용에 관한 경험적 데이터와 비교된다.
• 모델의 시간에 따라 변화하는 해를 사용하여 데이터의 스케일링 특징을 예측하고 검증한다.

실험 결과

연구 질문

• RQ1 온라인 소셜 시스템에서 멤의 인기 분포가 꼬리가 두꺼운 형태를 띠는 데 기여하는 메커니즘은 무엇인가?
• RQ2 사용자 기억력과 네트워크 구조가 함께 작용하여 멤이 바이러스적으로 퍼질 가능성을 어떻게 영향을 주는가?
• RQ3 인구유전학 기반의 생성 모델이 실제 세계의 멤 인기 동역학을 정확하게 예측할 수 있는가?
• RQ4 온라인 공유에서 사용자 주의력에 대한 경쟁에서 어떤 스케일링 법칙이 도출되는가?
• RQ5 모델의 분석적 해가 경험적 마이크로블로깅 데이터에 얼마나 잘 맞는가?

주요 결과

• 사용자 주의력에 대한 경쟁은 온라인 정보 흐름에서 자가조직적 임계상태를 유도한다.
• 모델은 경험적 관찰과 일치하는 꼬리가 두꺼운 인기 분포를 생성한다.
• 모델의 시간에 따라 변화하는 해는 마이크로블로깅 플랫폼에서 Hashtag 사용에 관한 경험적 데이터를 정확하게 맞춘다.
• 모델은 데이터에 새로운 스케일링 특징을 예측하며, 이는 경험적 분석을 통해 확인된다.
• 사용자 기억 시간과 네트워크 연결성이 멤의 인기 형성에 서로 다른 역할을 하며, 분석적으로 분리 가능하다는 게 입증된다.
• 이 프레임워크는 순수하게 경험적 또는 시뮬레이션 기반 접근 방식을 뛰어넘는 설명력 있는 이론적 기반을 제공한다.