[논문 리뷰] Predicting the Temporal Dynamics of Information Diffusion in Social Networks

Adrien Guille, Hakim Hacid외 1명|arXiv (Cornell University)|2013. 02. 21.

Complex Network Analysis Techniques참고 문헌 21인용 수 17

한 줄 요약

이 논문은 베이지안 로지스틱 회귀를 사용하여 트위터 데이터에서 사용자 행동을 학습함으로써 시간에 따라 변하는 정보 확산의 시간적 동역학을 예측하는 시간 의존 모델인 T-BaSIC를 제안한다. 이 모델은 주제별 확산 패턴을 포착하고 온라인 환경에서 '이단계 이론'을 검증하며, 기준 모델 대비 향상된 예측 정확도를 보인다.

ABSTRACT

Online social networks play a major role in the spread of information at very large scale and it becomes essential to provide means to analyse this phenomenon. In this paper we address the issue of predicting the temporal dynamics of the information diffusion process. We develop a graph-based approach built on the assumption that the macroscopic dynamics of the spreading process are explained by the topology of the network and the interactions that occur through it, between pairs of users, on the basis of properties at the microscopic level. We introduce a generic model, called T-BaSIC, and describe how to estimate its parameters from users behaviours using machine learning techniques. Contrary to classical approaches where the parameters are fixed in advance, T-BaSIC's parameters are functions depending of time, which permit to better approximate and adapt to the diffusion phenomenon observed in online social networks. Our proposal has been validated on real Twitter datasets. Experiments show that our approach is able to capture the particular patterns of diffusion depending of the studied sub-networks of users and topics. The results corroborate the "two-step" theory (1955) that states that information flows from media to a few "opinion leaders" who then transfer it to the mass population via social networks and show that it applies in the online context. This work also highlights interesting recommendations for future investigations.

연구 동기 및 목표

• 온라인 소셜 네트워크에서 주제 및 해시태그에 대해 정보 확산의 시간적 동역학을 예측하는 것.
• 사회적, 의미적, 시간적 차원을 통합하여 정보가 소셜 네트워크에서 어떻게 퍼지는지 모델링하는 것.
• 고정된 매개변수 모델과는 달리 시간에 따라 매개변수를 조정하는 일반적이고 데이터 기반의 모델을 개발하는 것.
• 실제 트위터 데이터를 사용하여 온라인 소셜 네트워크에서 '이단계 이론'의 적용 가능성을 검증하는 것.
• 기준 방법에 비해 확산의 총량과 동적 패턴에 대한 예측 정확도를 향상시키는 것.

제안 방법

• T-BaSIC 모델은 AsIC 이론 프레임워크의 시간 의존적 확장을 기반으로 하며, 확산 노드의 관점에서 확산을 모델링한다.
• 행동 특징을 기반으로 시간에 따라 변하는 사용자 간 확산 확률을 추정하기 위해 베이지안 로지스틱 회귀를 사용한다.
• 특징은 세 가지 차원에서 유도된다: 사회적(네트워크 구조), 주제(의미적 내용), 시간적(시계열 패턴).
• 모델은 실제 트위터 데이터셋에서 학습되어 사용자 참여도와 정보 전파의 변화를 반영하는 매개변수를 추론한다.
• 예측 오차는 총 도달 수의 편차를 측정하는 '총량 오차'와 변화율의 편차를 측정하는 '동역학 오차'라는 두 가지 지표를 사용해 평가된다.
• 1단계 지연 예측기(1-time lag predictor)는 비교를 위한 기준으로 사용되며, 총량과 동역학에 대해 상대 오차 감소율이 보고된다.

실험 결과

연구 질문

• RQ1 시간에 따라 변하는 매개변수를 사용하여 소셜 네트워크에서 정보 확산의 시간적 동역학을 정확히 예측할 수 있는가?
• RQ2 소셜 네트워크의 구조와 사용자 행동이 주제의 거시적 확산을 얼마나 설명하는가?
• RQ3 매체가 의견 주도자를 정보화하고 그들이 대중에게 퍼뜨리는 '이단계 이론'이 온라인 소셜 네트워크에서 성립하는가?
• RQ4 데이터 기반의 시간 의존적 모델이 고정 매개변수 또는 단순 지연 기반 예측기보다 확산 총량과 동역학을 더 잘 예측할 수 있는가?
• RQ5 다양한 주제 유형(예: 바이럴 vs. 서서히 퍼지는)이 예측 모델의 성능에 어떤 영향을 미치는가?

주요 결과

• 가장 흔한 확산 형태에 대해 T-BaSIC 모델은 1단계 지연 기준 모델 대비 총량 오차 34.04% 감소, 동역학 오차 43.46% 감소를 달성했다.
• 두 번째로 흔한 확산 패턴에 대해 총량 오차 42.89% 감소, 동역학 오차 47.70% 감소를 기록했다.
• 느리고 지속적인 성장을 보이는 주제에 대해서는 예측 정확도가 총합 31.85% 향상되었다.
• 결과는 '이단계 이론'을 지지하며, 온라인 네트워크에서 정보가 매체에서 의견 주도자에게 전파된 후 대중에게 퍼지는 방식으로 퍼진다는 것을 보여준다.
• 외부 정보원을 고려하지 않는 '폐쇄 환경'이라는 가정으로 인해 총량을 略적으로 과소평가하는 경향이 있다.
• T-BaSIC의 시간 의존적 매개변수는 고정 매개변수 모델보다 실제 확산 패턴에 더 잘 적응할 수 있다.