[논문 리뷰] Smart broadcasting: Do you want to be seen?

Mohammad Reza Karimi, Erfan Tavakoli외 3명|arXiv (Cornell University)|2016. 05. 22.

Complex Network Analysis Techniques참고 문헌 16인용 수 16

한 줄 요약

이 논문은 시간적 포인트 프로세스를 사용하여 사용자 게재 행동을 모델링함으로써 소셜 미디어에서 '언제 게재할 것인가' 문제를 위한 볼록 최적화 프레임워크를 제안한다. 조건부 강도와 가시성(팔로워의 피드에서 포스트가 상위-k 스토리에 남아 있는 시간으로 정의됨)을 연결하는 새로운 공식을 유도함으로써, 기존 전략 대비 실제 트위터 데이터 기반으로 평균 1.5배 높은 포스트 가시성을 달성하는 효율적이고 증명 가능한 최적 스케줄링을 가능하게 한다.

ABSTRACT

Many users in online social networks are constantly trying to gain attention from their followers by broadcasting posts to them. These broadcasters are likely to gain greater attention if their posts can remain visible for a longer period of time among their followers' most recent feeds. Then when to post? In this paper, we study the problem of smart broadcasting using the framework of temporal point processes, where we model users feeds and posts as discrete events occurring in continuous time. Based on such continuous-time model, then choosing a broadcasting strategy for a user becomes a problem of designing the conditional intensity of her posting events. We derive a novel formula which links this conditional intensity with the visibility of the user in her followers' feeds. Furthermore, by exploiting this formula, we develop an efficient convex optimization framework for the when-to-post problem. Our method can find broadcasting strategies that reach a desired visibility level with provable guarantees. We experimented with data gathered from Twitter, and show that our framework can consistently make broadcasters' post more visible than alternatives.

연구 동기 및 목표

• 팔로워의 동적 피드에서 제한된 주목을 두고 브로드캐스터들이 경쟁하는 '언제 게재할 것인가' 문제를 해결하기 위해.
• 시간 연속 이벤트로 사용자 게재 행동을 모델링하기 위해 시간적 포인트 프로세스를 사용하여 가시성에 대한 정밀한 제어를 가능하게 하기 위해.
• 사용자별 제약 조건과 팔로워 행동 패턴을 고려하면서도 가시성을 최대화하는 게재 강도를 최적화하는 프레임워크를 개발하기 위해.
• 볼록 최적화를 통해 가시성 향상에 대한 증명 가능한 보장을 제공함으로써, 시간 간격에 걸쳐 가시성에 대한 미세한 제어를 가능하게 하기 위해.
• 실제 트위터 데이터 기반으로 프레임워크를 검증하여 히وري스틱 및 기준 전략 대비 일관된 우수성을 입증하기 위해.

제안 방법

• 기록에 의존하지 않는 조각별로 부드러운 조건부 강도 함수를 갖는 비균일한 포아송 프로세스를 사용하여 연속 시간 내 이산 이벤트로 피드와 포스트를 모델링한다.
• 브로드캐스터의 조건부 강도 함수와 그녀의 팔로워 피드에서의 가시성(최소한 한 개의 포스트가 상위-k 최신 스토리에 남아 있는 시간으로 정의됨)을 연결하는 새로운 분석 공식을 유도한다.
• 평균 가시성이 강도 함수에 대해 볼록 함수임을 증명하여, 가시성 조정 작업에 대해 효율적인 볼록 최적화를 가능하게 한다.
• 밀리초 내로 최적의 게재 강도를 계산할 수 있는 기울기 기반 최적화 알고리즘을 개발하여, 수천 명의 팔로워를 가진 브로드캐스터에게도 적용 가능하다.
• 평균 가시성 최대화 및 최소 최대 가시성 최대화와 같은 가시성 조정 작업을 볼록 최적화 문제로 공식화하여 수렴성 및 성능 보장을 갖춘 증명 가능한 성능을 확보한다.
• 내용 효과를 배제하기 위해 별도의 데이터를 확보하여 가시성을 추정함으로써, 좋아요나 공유 등의 혼란 요인을 피한다.

실험 결과

연구 질문

• RQ1 시간적 포인트 프로세스를 기반으로 한 연속 시간 모델이 브로드캐스터의 게재 강도를 그녀의 팔로워 피드에서의 가시성과 효과적으로 연결할 수 있는가?
• RQ2 부드러운 강도 함수 공간에서 브로드캐스터의 가시성이 볼록 함수인가? 이는 최적 스케줄링을 위한 볼록 최적화를 가능하게 하는가?
• RQ3 제안된 프레임워크가 실제 소셜 미디어 데이터 기반으로 히وري스틱 및 기준 전략을 능가하여 포스트 가시성을 높일 수 있는가?
• RQ4 대규모 팔로워 수를 가진 브로드캐스터에게 프레임워크는 어떻게 스케일링되며, 최적화의 계산 효율성은 어떠한가?
• RQ5 이 프레임워크는 알고리즘적으로 캐시된 피드나 하크스 프로세스와 같은 더 복잡한 포인트 프로세스를 다룰 수 있도록 확장 가능한가?

주요 결과

• 평균 가시성 최대화 작업에서, 우리의 프레임워크는 이론적 목적 함수를 1.5배 높이고, 검증 데이터 기반 평균 유틸리티를 1.3배 높여, 브로드캐스터가 적합한 강도 함수를 사용한 경우보다 뚜렷이 뛰어난 성능을 보였다.
• 더 어려운 최소 최대 가시성 최대화 작업에서는, 우리의 방법이 이론적 목적 함수를 1.6배 높이고 평균 유틸리티를 1.4배 높여, 모든 브로드캐스터에서 일관된 성능 향상을 보였다.
• 최적화된 강도 함수는 팔로워 수에 관계없이 모든 테스트된 브로드캐스터에서 일관되게 가시성을 향상시키며, 팔로워 수가 증가함에 따라 성능 저하 없이 유지된다.
• 프레임워크는 효율적으로 확장 가능하다: 2,000명의 팔로워를 가진 브로드캐스터의 경우, 64개 코어와 1.5TB RAM을 갖춘 단일 머신에서 최적 강도 계산에 약 250밀리초가 소요된다.
• 이론적 목적과 시뮬레이션 목적 간의 차이가 거의 없어, 가시성 추정 및 최적화 프레임워크의 정확성을 검증한다.
• 기준 전략은 절반 이상의 경우에서 가시성을 향상시키지 못하지만, 우리의 방법은 다양한 가시성 조정 작업 전반에서 일관된 성능 향상을 유지한다.