[논문 리뷰] Memory and Structure in Human Navigation Patterns.

Philipp Singer, Denis Helić외 2명|arXiv (Cornell University)|2014. 02. 04.

Web Data Mining and Analysis참고 문헌 24인용 수 9

한 줄 요약

이 논문은 인간의 웹 내비게이션을 모델링하기 위해 일阶 Markov 체인 모델과 고계 Markov 체인 모델의 적절성을 평가한다. 두 가지 내비게이션 데이터셋에 고도의 추론 기법을 적용한 결과, 페이지 수준에서는 기억 없는 모델이 충분히 작용하지만, 주제 수준의 내비게이션은 기억 효과를 드러내며 고계 모델이 필요로 하며, 이는 맥락 인식 내비게이션 모델링의 필요성을 강조한다.

ABSTRACT

One of the most frequently used models for understanding human navigation on the Web is the Markov chain model, where Web pages are represented as states and hyperlinks as probabilities of navigating from one page to another. Predominantly, human navigation on the Web has been thought to satisfy the memoryless Markov property stating that the next page a user visits only depends on her current page and not on previously visited ones. This idea has found its way in numerous applications such as Google's PageRank algorithm and others. Recently, new studies suggested that human navigation may better be modeled using higher order Markov chain models, i.e., the next page depends on a longer history of past clicks. Yet, this finding is preliminary and does not account for the higher complexity of higher order Markov chain models which is why the memoryless model is still widely used. In this work we thoroughly present a diverse array of advanced inference methods for determining the appropriate Markov chain order. We highlight strengths and weaknesses of each method and apply them for investigating memory and structure of human navigation on the Web. Our experiments reveal that the complexity of higher order models grows faster than their utility, and thus we confirm that the memoryless model represents a quite practical model for human navigation on a page level. However, when we expand our analysis to a topical level, where we abstract away from specific page transitions to transitions between topics, we find that the memoryless assumption is violated and specific regularities can be observed. We report results from experiments with two types of navigational datasets (goal-oriented vs. free form) and observe interesting structural differences that make a strong argument for more contextual studies of human navigation in future work.

연구 동기 및 목표

• 인간의 웹 내비게이션은 기억 없는 Markov 성질을 따르는가 아니면 고계 모델이 필요한가를 평가하는 것.
• 실제 내비게이션을 모델링할 때 고계 Markov 체인과 일계 모델 간의 복잡성과 유용성을 비교하는 것.
• 목표 지향적 내비게이션과 자유형 브라우징 행동 간의 내비게이션 패턴의 구조적 차이를 조사하는 것.
• 추상화된 주제 수준에서 기억 없는 가정이 언제 어떻게 붕괴되는지, 특히 그 이유를 밝히는 것.
• 특히 주제 수준에서 기억 효과가 나타나는 만큼, 인간 내비게이션의 맥락 민감한 모델링을 주장하는 것.

제안 방법

• 주어진 내비게이션 데이터에 최적의 Markov 체인 순서를 결정하기 위해 다양한 고급 추론 기법을 적용한다.
• 목표 지향적 및 자유형 내비게이션이라는 두 가지 다른 데이터셋을 사용하여 다양한 브라우징 맥락에서 모델 성능을 평가한다.
• 페이지 수준 전이를 주제 수준 전이로 추상화하여 개별 페이지를 초월한 기억 효과를 평가한다.
• 통계적 추론 방법을 사용하여 고계 Markov 체인에서 모델 복잡성과 예측 유용성 간의 비교를 수행한다.
• 내비게이션 시퀀스의 구조적 규칙성을 분석하여 기억 없는 가정 위반 여부를 탐지한다.
• 모델 복잡성과 정확성 간의 트레이드오프를 평가하여 고계 모델의 실용적 적용 가능성을 결정한다.

실험 결과

연구 질문

• RQ1 인간의 웹 내비게이션은 페이지 수준에서 기억 없는 Markov 성질을 만족하는가?
• RQ2 고계 Markov 모델의 복잡성은 내비게이션 모델링에서의 예측 성능 향상과 비교해 볼 때 어떻게 되는가?
• RQ3 주제 수준에서 볼 때, 일계 Markov 가정을 위반하는 내비게이션의 구조적 패턴이 존재하는가?
• RQ4 목표 지향적 내비게이션과 자유형 내비게이션 행동은 기억과 구조적 규칙성 측면에서 어떻게 다를까?
• RQ5 기억 없는 가정이 붕괴되는 조건는 무엇이며, 이는 내비게이션 모델링에 어떤 영향을 미치는가?

주요 결과

• 기억 없는 일계 Markov 모델은 개인적 페이지 수준의 인간 내비게이션에 대해 실용적이고 충분한 모델이다.
• 고계 Markov 모델은 유용성 대비 복잡도가 더 빠르게 증가하여 페이지 수준 모델링에 있어 효율성이 떨어진다.
• 주제 수준에서는 기억 없는 가정이 위반되며, 내비게이션 행동에서 일관된 구조적 패턴이 드러난다.
• 목표 지향적 내비게이션과 자유형 내비게이션은 서로 다른 구조적 규칙성을 보이며, 이는 맥락 의존적 내비게이션 역학을 시사한다.
• 향후 내비게이션 연구에서는 특히 페이지 수준 분석을 초월할 때 더 맥락 민감하고 주제 인식 모델이 필요하다는 것을 뒷받침한다.
• 연구는 내비게이션을 주제 수준으로 추상화할 경우 고계 모델이 필요하다는 경험적 증거를 제공한다. 이는 페이지 수준에서는 덜 필요한 경우일 수 있다.