[논문 리뷰] Popularity Prediction in Microblogging Network: A Case Study on Sina Weibo

Peng Bao, Huawei Shen외 2명|arXiv (Cornell University)|2013. 04. 16.

Complex Network Analysis Techniques참고 문헌 7인용 수 33

한 줄 요약

이 논문은 신장 웨이보의 마이크로블로깅 콘텐츠에 대한 인기 예측 모델을 제안하며, 초기 재트윗 네트워크의 구조적 특성—특히 링크 밀도와 확산 깊이—를 초기 인기와 함께 통합한다. 이 방법은 기준 모델 대비 예측 정확도를 크게 향상시켜 초기 수용자 네트워크의 구조적 다양성을 활용함으로써 RMSE를 0.77에서 0.61로 감소시킨다.

ABSTRACT

Predicting the popularity of content is important for both the host and users of social media sites. The challenge of this problem comes from the inequality of the popularity of con- tent. Existing methods for popularity prediction are mainly based on the quality of content, the interface of social media site to highlight contents, and the collective behavior of user- s. However, little attention is paid to the structural charac- teristics of the networks spanned by early adopters, i.e., the users who view or forward the content in the early stage of content dissemination. In this paper, taking the Sina Weibo as a case, we empirically study whether structural character- istics can provide clues for the popularity of short messages. We find that the popularity of content is well reflected by the structural diversity of the early adopters. Experimental results demonstrate that the prediction accuracy is signif- icantly improved by incorporating the factor of structural diversity into existing methods.

연구 동기 및 목표

• 마이크로블로깅 플랫폼에서 초기 재트윗 네트워크의 구조적 특성이 장기적인 콘텐츠 인기 예측에 기여할 수 있는지 조사하기 위해.
• 기존의 인기 예측 방법이 초기 확산 시 네트워크 구조를 간과하는 한계를 해결하기 위해.
• 링크 밀도 및 확산 깊이와 같은 네트워크 수준의 지표를 통합하여 예측 정확도를 향상시키기 위해.
• 다양한 초기 확산 경로가 더 높은 최종 인기와 상관관계가 있음을 경험적으로 검증하기 위해.
• 초기 인기와 구조적 네트워크 특징을 결합한 하이브리드 예측 모델을 개발하고 평가하기 위해.

제안 방법

• 모델은 초기 인기의 로그와 로그 링크 밀도의 선형 조합으로 최종 인기를 모델링한다: $\ln{\hat{p}_{k}(t_{r})} = \alpha_{1}\ln{p_{k}(t_{i})} + \alpha_{2}\ln{\rho_{k}(t_{i})} + \alpha_{3}$.
• 다른 모델은 링크 밀도 대신 확산 깊이를 사용한다: $\ln{\hat{p}_{k}(t_{r})} = \beta_{1}\ln{p_{k}(t_{i})} + \beta_{2}d_{k}(t_{i}) + \beta_{3}$.
• 링크 밀도는 초기 재트윗자 간 실제 팔로우 관계 수를 그들의 부분 그래프에서 가능한 모든 연결 수로 나눈 비율로 정의된다.
• 확산 깊이는 초기 확산 네트워크에서 원본 게시자에서 어떤 재트윗자까지의 가장 긴 경로 길이를 측정한다.
• 모델 계수 ($\alpha_{1}, \alpha_{2}, \alpha_{3}$ 등)는 회귀를 통해 학습 데이터로부터 유도된다.
• 기준 모델은 초기 인기만을 사용하며, RMSE와 MAE를 평가 지표로 사용한다.

실험 결과

연구 질문

• RQ1 초기 재트윗 네트워크의 구조적 특성이 마이크로블로그 게시물의 최종 인기 예측에 기여할 수 있는가?
• RQ2 초기 수용자 네트워크의 링크 밀도와 장기적 인기 간에 유의미한 상관관계가 있는가?
• RQ3 초기 확산 경로의 확산 깊이가 넓은 콘텐츠 확산과 상관관계가 있는가?
• RQ4 초기 인기와 구조적 특징을 결합하면 기준 모델을 초월해 예측 정확도를 향상시킬 수 있는가?
• RQ5 초기 확산 경로의 구조적 다각성은 인기 예측에 어느 정도 기여하는가?

주요 결과

• 초기 재트윗 네트워크에서 최종 인기와 링크 밀도 사이에 강한 음의 선형 상관관계가 존재하며, 이는 희박한 네트워크일수록 더 높은 확산성을 예측함을 시사한다.
• 최종 인기와 확산 깊이 사이에는 강한 양의 거의 선형 상관관계가 존재하며, 이는 더 깊은 확산 경로일수록 더 넓은 영향을 미친다는 것을 시사한다.
• 링크 밀도를 예측 모델에 통합함으로써 RMSE는 기준 모델의 0.77에서 0.63으로 감소하여 18.2% 향상되었다.
• 링크 밀도 대신 확산 깊이를 사용할 경우 RMSE는 0.61로 더욱 낮아져 기준 모델 대비 20.8% 감소하였다.
• 확산 깊이에 대한 학습된 계수($\beta_2$)는 0.07로, 예측 정확도에 의미 있는 기여를 한다는 것을 시사한다.
• 결과적으로 경험적으로 초기 수용자 네트워크의 구조적 다각성이 장기적인 콘텐츠 인기 예측에 강력한 예측 변수임을 확인하였다.