[논문 리뷰] Learning and Forecasting Opinion Dynamics in Social Networks

Abir De, Isabel Valera외 3명|arXiv (Cornell University)|2015. 06. 17.

Opinion Dynamics and Social Influence참고 문헌 30인용 수 24

한 줄 요약

이 논문은 사회적 네트워크 내에서 사용자들의 잠재적 의견을 표현하는 데 marked jump diffusion 확률적 미분 방정식(SDE)을 사용하는 SLANT라는 모델을 제안한다. 은닉된 의견과 관측된 정서 메시지 간의 구분을 통해, 실시간으로 정확하고 확장 가능한 예측이 가능한 효율적인 가능도 기반 파rameter 추정 및 예측 공식을 제공하며, 실제 트위터 데이터에서 기존 방법들을 능가한다.

ABSTRACT

Social media and social networking sites have become a global pinboard for exposition and discussion of news, topics, and ideas, where social media users often update their opinions about a particular topic by learning from the opinions shared by their friends. In this context, can we learn a data-driven model of opinion dynamics that is able to accurately forecast opinions from users? In this paper, we introduce SLANT, a probabilistic modeling framework of opinion dynamics, which represents users opinions over time by means of marked jump diffusion stochastic differential equations, and allows for efficient model simulation and parameter estimation from historical fine grained event data. We then leverage our framework to derive a set of efficient predictive formulas for opinion forecasting and identify conditions under which opinions converge to a steady state. Experiments on data gathered from Twitter show that our model provides a good fit to the data and our formulas achieve more accurate forecasting than alternatives.

연구 동기 및 목표

• 시간에 따른 의견 변화를 모델링하여 데이터 기반으로 개인 사용자의 의견을 정확히 예측할 수 있는 모델을 개발한다.
• 기존 의견 역학 모델의 격차를 해소하기 위해, 잠재적 의견과 그에 대응하는 소음이 많은 관측된 정서 메시지 간의 구분을 시도한다.
• 실제 세부 이벤트 데이터(예: 트위터 정서 게시물 등)를 활용해 효율적인 파rameter 추정 및 시뮬레이션을 가능하게 한다.
• 단기 및 장기적 정서 예측을 위한 정확한 공식을 유도하며, 공감 또는 극단화 조건을 식별할 수 있도록 한다.
• 이전 모델들이 동기화 업데이트를 가정하고 실세계 데이터에 적합도가 떨어지거나 확장성에 결함이 있음을 해결한다.

제안 방법

• 사용자들의 잠재적 의견을 marked jump diffusion 확률적 미분 방정식(SDE)에 의해 지배되는 연속시간 확률적 과정으로 모델링하여 이질적인 의견 업데이트를 반영한다.
• 정서 메시지를 사용자들의 잠재적 의견에 대한 소음이 있는 관측값으로 표현하며, 각 메시지는 현재 의견 상태에 대한 순간적인 추정치를 드러낸다.
• 마르코프 성질을 활용하여 대규모 이벤트 데이터 기반으로 가능한 효율적인 가능도 기반 파rameter 추정을 위해 볼록 프로그래밍을 적용한다.
• 이벤트 발생 시간과 의견 업데이트를 효율적으로 샘플링함으로써 수백만 개의 정서 메시지를 분 단위로 생성할 수 있는 확장 가능한 시뮬레이션 알고리즘을 도입한다.
• 모델의 가정 하에 SDE를 해석적으로 풀어 닫힌 형태의 예측 공식을 도출함으로써 실시간 예측이 가능하게 한다.
• 의견과 메시지 강도의 평균 회귀 행동을 각각 파라미터 ω와 ν를 가진 지수 감쇠 커널로 모델링한다.

실험 결과

연구 질문

• RQ1 이전 정서 메시지만을 사용하여 데이터 기반 모델이 사회 네트워크 내 개인 사용자의 의견을 정확히 예측할 수 있는가?
• RQ2 비동기적 의견 업데이트와 잠재적 의견 상태는 동기화 업데이트를 가정하는 모델 대비 정서 예측 정확도에 어떤 영향을 미치는가?
• RQ3 의견이 공감 또는 극단화로 수렴하는 조건은 무엇이며, 제안된 모델을 통해 이를 해석적으로 식별할 수 있는가?
• RQ4 다양한 주제(정치, 영화 개봉, 복싱 대회, 볼리우드 평론, 미국 대선 등)에 걸쳐 실세계 트위터 데이터에 모델이 얼마나 잘 맞는가?
• RQ5 제안된 추정 및 시뮬레이션 절차는 대규모 네트워크와 수백만 건의 이벤트에 대해 확장성과 정확도를 유지할 수 있는가?

주요 결과

• SLANT 모델은 이산 시간 업데이트 기반 모델과 정서 전용 접근 방식을 포함한 기존 대안들보다 유의미하게 더 정확한 정서 예측 성능을 달성한다.
• 볼록 프로그래밍을 통한 파라미터 추정은 더 많은 이벤트 데이터가 입력될수록 평균 제곱 오차가 감소하며 진짜 파라미터에 수렴함을 보여, 강력한 학습 능력을 입증한다.
• 모델은 정치, 영화 개봉, 복싱 대회, 볼리우드 평론, 미국 대선 등 다섯 가지 다양한 주제에 대해 실트위터 데이터에 잘 맞는다.
• 모델에서 도출된 예측 공식은 효율적이고 정확한 예측을 가능하게 하며, 합성 및 실세계 데이터셋 모두에서 성능이 검증되었다.
• 모델은 영향력 파라미터와 네트워크 구조 간의 상호작용을 바탕으로 공감 또는 극단화로 수렴하는 조건을 식별할 수 있다.
• 수백만 개의 정서 메시지에 대한 확장 가능한 시뮬레이션은 분 단위 내로 수행 가능하여 실시간 정서 예측 시스템에 실용적 적용 가능성을 입증한다.