[논문 리뷰] Influence Analysis in the Blogosphere

Michinari Momma, Yün Chi외 3명|arXiv (Cornell University)|2012. 12. 24.

Complex Network Analysis Techniques참고 문헌 19인용 수 3

한 줄 요약

이 논문은 BIGLOBE 블로그 생태계의 실제 서버 로그 데이터를 분석하여, 작가들 간 직접적이고 고신뢰도의 영향력을 탐지하기 위한 원칙적인 프레임워크를 제안한다. 시간적 순서, 콘텐츠 겹침, 통계적 검정을 활용함으로써 주제별 및 회원별 영향력을 식별하며, 추출된 영향력을 기반으로 한 개인 맞춤형 추천이 전역 기반 추천보다 유의미하게 뛰어나다는 것을 입증한다.

ABSTRACT

In this paper we analyze influence in the blogosphere. Recently, influence analysis has become an increasingly important research topic, as online communities, such as social networks and e-commerce sites, playing a more and more significant role in our daily life. However, so far few studies have succeeded in extracting influence from online communities in a satisfactory way. One of the challenges that limited previous researches is that it is difficult to capture user behaviors. Consequently, the influence among users could only be inferred in an indirect and heuristic way, which is inaccurate and noise-prone. In this study, we conduct an extensive investigation in regard to influence among bloggers at a Japanese blog web site, BIGLOBE. By processing the log files of the web servers, we are able to accurately extract the activities of BIGLOBE members in terms of writing their blog posts and reading other member's posts. Based on these activities, we propose a principled framework to detect influence among the members with high confidence level. From the extracted influence, we conduct in-depth analysis on how influence varies over different topics and how influence varies over different members. We also show the potentials of leveraging the extracted influence to make personalized recommendation in BIGLOBE. To our best knowledge, this is one of the first studies that capture and analyze influence in the blogosphere in such a large scale.

연구 동기 및 목표

• 온라인 영향력 분석에서 인과적 영향력과 순수 상관관계를 구분하는 데 도전하는 것.
• 실제 행동 로그를 기반으로 한 원칙적이고 데이터 기반의 방법을 개발하여 작가들 간 직접적 영향력을 식별하는 것.
• 영향력이 주제별로, 그리고 개인 회원별로 다를 수 있는지 조사하는 것.
• 추출된 영향력이 개인 맞춤형 블로거 추천에 유용한가 평가하는 것.
• 실제 블로그 커뮤니티에서 대규모이고 경험적 기반의 영향력 분석을 제공하는 것.

제안 방법

• 프레임워크는 BIGLOBE 회원 간 블로그 작성 및 읽기 활동의 정확한 시퀀스를 서버 로그 파일에서 추출한다.
• 영향력은 한 작가의 게시물이 다른 작가의 게시물 읽기 이벤트 이후에 나타나는지 여부를 통계적 검정을 통해 확인하며, 키워드 겹침을 조건으로 삼는다.
• 읽은 게시물과 독자의 게시물 간 키워드 겹침을 분석하여 주제별 영향력 모델을 수립한다.
• 데이터 유출과 '북마크 효과'를 방지하기 위해 훈련 및 테스트 세트로 영향력 네트워크를 분할하는 할아웃 방법을 사용한다.
• 개인 맞춤형 추천은 주제별 영향력과 주제 가능성의 베이지안 융합을 통해 생성되며, iOLAP 및 PCL-DC가 핵심 알고리즘으로 사용된다.
• 성능 평가는 리콜-어-엔(Recall-at-N)을 사용하여 전역 기반(TG)과 개인 맞춤형(iOLAP, PCL-DC) 추천 전략을 비교한다.

실험 결과

연구 질문

• RQ1 논의 중인 주제에 따라 영향력 있는 블로거가 다를까?
• RQ2 동일한 주제를 논의할 때도 회원별로 영향력 있는 블로거의 집합이 다를까?
• RQ3 실제 행동 로그에서 추출한 영향력을 개인 맞춤형 블로거 추천에 효과적으로 활용할 수 있을까?
• RQ4 콘텐츠 겹침과 시간적 순서는 인과적 영향력과 상관관계를 어떻게 구분하는 데 도움이 될까?
• RQ5 링크 구조 분석과 콘텐츠 분석 중 어느 것이 영향력 모델링에 더 큰 기여를 할까?

주요 결과

• 개인 맞춤형 영향력 모델(iOLAP 및 PCL-DC)은 리콜-어-엔에서 전역 추천(TG)보다 유의미하게 뛰어나며, 영향력이 주제별로도, 회원별로도 다르다는 것을 확인한다.
• 콘텐츠 분석 없이 링크 분석만을 사용하는 단순화된 PCL 모델은 PCL-DC보다 성능이 열 劣하므로, 정확한 영향력 모델링을 위해 콘텐츠 분석이 필수적임을 보여준다.
• 통계적 검정 프레임워크는 시간적 순서와 콘텐츠 겹침을 조합함으로써 높은 신뢰도로 영향력을 식별하며, 상관관계로 인한 오진을 줄인다.
• 주제별 영향력은 경험적으로 검증되었다: 논의 주제에 따라 영향력 있는 블로거가 달라진다.
• 회원별로 영향력이 달라진다: 동일한 주제에 대해 다른 사용자에게는 다른 블로거가 영향력 있는 것으로 나타나며, 이는 개인 맞춤형 추천의 필요성을 뒷받침한다.
• 이 연구는 알려진 바로는 최초로 실제 행동 로그를 기반으로 하며 철저한 통계적 검증을 수행한 대규모 블로그 생태계 내 영향력 분석을 수행한다.