[논문 리뷰] Personalized Emphasis Framing for Persuasive Message Generation

Tao Ding, Shimei Pan|arXiv (Cornell University)|2016. 07. 29.

Media Influence and Health참고 문헌 34인용 수 5

한 줄 요약

이 논문은 성격 및 가치와 같은 심리학적으로 동기화된 도메인 독립적 특성에 기반해 콘텐츠를 선택하는 개인화된 강조 프레임워크 모델을 제안한다. 회귀 기반 특성-중요도 매핑, 상호작용 규칙, 그리고 캐스케이드 랭킹 모델을 통합함으로써 인간 평가와 62%의 상위 1위 일치도 및 87%의 상위 3위 일치도를 달성하였으며, 단지 요소 값만을 사용하는 베이스라인에 비해 유의하게 뛰어난 성능을 보였다.

ABSTRACT

In this paper, we present a study on personalized emphasis framing which can be used to tailor the content of a message to enhance its appeal to different individuals. With this framework, we directly model content selection decisions based on a set of psychologically-motivated domain-independent personal traits including personality (e.g., extraversion and conscientiousness) and basic human values (e.g., self-transcendence and hedonism). We also demonstrate how the analysis results can be used in automated personalized content selection for persuasive message generation.

연구 동기 및 목표

• 개인의 심리적 특성에 기반해 개인화된 강조 프레임워크를 자동으로 생성하는 모델을 개발하는 것.
• 도메인 특화 사용자 선호도를 넘어 성격 및 기본 인간 가치와 같은 도메인 독립적 개인 특성을 사용하여 사용자 선호도를 초월하는 것.
• 심리학적 통찰을 캐스케이드 콘텐츠 선택 모델에 통합하여 효과적인 자동화된 설득 메시지 생성을 위한 것.
• 자동차 광고의 요소 선택에서 인간 평가와의 비교를 통해 모델 성능을 평가하는 것.

제안 방법

• 모델은 외향성 및 자기초월성과 같은 사용자 특성에 기반해 메시지 요소의 인식된 중요도를 예측하기 위해 회귀 모델을 사용한다.
• 특정 특성 임계값을 초과할 경우 순서를 조정하는 상호작용 규칙(예: Safety-1, Quality-1)을 적용한다.
• 회귀 예측과 규칙 기반 조정을 모두 활용해 재정렬하는 캐스케이드 콘텐츠 선택 파이프라인을 통해 최종 출력을 정밀하게 조정한다.
• 모델은 10대의 자동차에 대해 38명의 AMT 참가자가 라벨링한 총 380개의 인간 라벨링 요소 선택 데이터셋을 기반으로 훈련 및 평가된다.
• 재정렬 과정에서 상호작용 규칙 적용 여부를 결정하기 위해 델타 기반 임계값 메커니즘(δ₁=0, δ₂=0.5)을 사용한다.
• 평가에서는 상위-n 겹침 비율을 사용해 모델 출력과 인간 선택을 비교하며, 통계적 유의성은 대응 t-검정을 통해 테스트한다.

실험 결과

연구 질문

• RQ1 개별 성격 특성과 기본 인간 가치는 메시지 요소의 인식된 중요도에 어떤 영향을 미치는가?
• RQ2 도메인 독립적 심리적 특성을 사용해 개인화된 요소 중요도를 효과적으로 예측할 수 있는 계산 모델은 가능한가?
• RQ3 특성 기반 예측과 상호작용 규칙을 통합한 캐스케이드 콘텐츠 선택 모델은 인간의 요소 선택 행동과 얼마나 유사한가?
• RQ4 제안된 모델은 단지 요소 값에 의존하는 베이스라인에 비해 어느 정도 뛰어나게 성능을 발휘하는가?

주요 결과

• 제안된 캐스케이드 콘텐츠 선택 모델은 인간 선택과 62%의 상위 1위 일치도를 달성하였으며, 베이스라인의 54%에 비해 유의하게 높았다(p ≤ 0.05).
• 상위 3위 요소 선택의 경우, 모델은 인간 평가와 87%의 일치도를 보였으며, 베이스라인의 46%에 비해 뛰어났다(p ≤ 0.05).
• 모델의 성능은 δ₁=0 및 δ₂=0.5일 때 가장 우수했으며, 이는 상호작용 규칙 적용에 최적의 임계값 설정임을 시사한다.
• 회귀 모델은 특성 기반 중요도 패턴을 성공적으로 포착하였으며, 성격과 가치가 요소 순서에 유의미한 영향을 미쳤다.
• Safety-1 및 Quality-1와 같은 상호작용 규칙은 사용자 특성이 임계값을 초과할 경우 순서를 효과적으로 조정하여 개인화를 향상시켰다.
• 성격 및 가치와 같은 도메인 독립적 특성의 사용은 도메인 특화 선호도에 의존하는 시스템과 달리 다양한 도메인으로의 강력한 일반화를 가능케 하였다.