[논문 리뷰] Stochastic Models of User-Contributory Web Sites

Tad Hogg, Kristina Lerman|ArXiv.org|2009. 03. 31.

Complex Network Analysis Techniques참고 문헌 16인용 수 20

한 줄 요약

이 논문은 Digg와 같은 사용자 기여형 웹사이트에서 집단 사용자 행동을 모델링하기 위해 확률적 과정 기반 프레임워크를 제안한다. 개별 사용자 상태와 전이를 사이트에서 제공하는 정보에 의해 이끄는 마르코프 모델을 사용한다. 이는 콘텐츠 인기도 및 메인 페이지 동역학과 같은 집합적 행동이 간단한 사용자 수준의 결정에서 유래됨을 보여주며, 웹사이트 기능의 예측 및 최적화를 가능하게 한다.

ABSTRACT

We describe a general stochastic processes-based approach to modeling user-contributory web sites, where users create, rate and share content. These models describe aggregate measures of activity and how they arise from simple models of individual users. This approach provides a tractable method to understand user activity on the web site and how this activity depends on web site design choices, especially the choice of what information about other users' behaviors is shown to each user. We illustrate this modeling approach in the context of user-created content on the news rating site Digg.

연구 동기 및 목표

• 참여형 웹사이트에서 집단 사용자 행동이 개별 행동에서 어떻게 유도되는지를 이해하기 위한 다용도이며 일반화 가능한 모델링 프레임워크를 개발하는 것.
• 특히 사용자 활동 정보를 어떻게 표시하느냐와 같은 웹사이트 설계 선택이 콘텐츠 인기도 및 메인 페이지 노출과 같은 집합적 행동에 어떻게 영향을 미치는지 조사하는 것.
• 사용자 수준의 의사결정 과정을 체계적 수준의 결과와 연결함으로써 사이트 성능의 예측 및 최적화를 가능하게 하는 것.
• 내재된 스토리 품질에 기인한 인기도와 가시성 및 사회적 피드백 메커니즘에 의한 인기도를 구분하는 것.

제안 방법

• 사용자의 현재 행동 또는 의도를 나타내는 소수의 이산 상태(예: 브라우징, 제출, 투표)를 가진 연속시간 마르코프 과정으로 개별 사용자를 모델링한다.
• 사용자 행동과 사이트에서 제공하는 정보(예: 평점, 메인 페이지 배치)에 기반한 상태 전이를 정의하며, 전이 비율은 실증 데이터로부터 추정한다.
• 주어진 분포의 시간 진화(예: 각 상태에 있는 스토리 수)를 유도하기 위해 마스터 방정식 또는 포커-플랭크 근사법을 사용한다.
• Digg의 실세계 데이터(메인 페이지 동역학, 스토리 인기도 분포 포함)와 모델 예측을 검증한다.
• 평균장 또는 확산 근사와 같은 단순화된 근사법을 적용하여 모델의 해석 가능성을 유지하면서도 핵심 집합적 행동을 유지한다.
• 모델 해를 활용해 설계 변경(예: 홍보 알고리즘 수정)을 시뮬레이션하고 체계적 수준의 결과에 미치는 영향을 예측한다.

실험 결과

연구 질문

• RQ1 간단한 사용자 수준의 의사결정 규칙이 Digg에서 바이러스성 콘텐츠 확산과 같은 복잡한 집합적 행동을 어떻게 유도하는가?
• RQ2 가시성 및 사회적 피드백(예: 메인 페이지 배치, 평점)이 콘텐츠의 진정한 인기도를 얼마나 강화하거나 왜곡하는가?
• RQ3 사용자 활동을 표시하는 방식과 같은 웹사이트 설계 선택은 어떻게 확률적 과정을 통해 모델링하고 최적화할 수 있는가?
• RQ4 제한된 상태 변수를 가진 마르코프 기반 모델이 사용자 기여형 사이트에서 실제 집합적 행동을 정확하게 예측할 수 있는가?
• RQ5 이러한 모델이 급격한 트래픽 폭증과 같은 극단적 사건이나 역사에 의존하는 행동을 포착하는 데에는 어떤 한계가 있는가?

주요 결과

• 확률적 모델은 Digg의 주요 실증적 특징을 성공적으로 재현한다. 예를 들어 스토리 인기도의 파워 라이드 분포와 메인 페이지 동역학을 포함한다.
• 콘텐츠 홍보와 같은 집합적 행동이 글로벌 조율가 아니라 단순한 국소적 사용자 결정에서 유래됨을 입증한다.
• 모델은 가시성 및 피드백 메커니즘(예: 메인 페이지 배치)이 스토리 품질의 초기 미미한 차이를 크게 확대할 수 있음을 보여준다.
• 평균장 근사와 같은 단순화된 방법은 해석 가능한 모델을 제공하며 일반적인 집합적 행동을 정확히 예측하지만, 극단적 사건은 간과할 수 있다.
• 이 프레임워크를 통해 가상의 설계 탐색이 가능하다. 예를 들어 Digg의 홍보 알고리즘을 사용자 네트워크 중심성까지 고려하도록 수정함으로써 열등한 콘텐츠의 홍보를 줄일 수 있는 방법을 제안한다.
• 모델은 관찰된 사용자 행동이 내재된 스토리 품질 외에도 사이트에서 제공하는 신호(예: 평점, 가시성)에 의해 영향을 받는다는 점을 밝혀낸다.