[논문 리뷰] Stochastic Models Predict User Behavior in Social Media

Tad Hogg, Kristina Lerman외 1명|arXiv (Cornell University)|2013. 09. 08.

Complex Network Analysis Techniques인용 수 5

한 줄 요약

이 논문은 사용자가 콘텐츠에 응답하기 전에 숨겨진 상태를 거쳐가는 방식으로 소셜 미디어에서의 사용자 행동을 모델링하는 확률적 모델을 제안한다. 특히 트위터에서 옹호자들에 대한 반응에 초점을 맞추고 있다. 이 모델은 동적 사용자 상태와 인터페이스 요소를 고려함으로써 간단한 모델보다 사용자 참여도 예측 성능을 뛰어나게 하며, 높은 관심을 가진 사용자를 식별한다.

ABSTRACT

User response to contributed content in online social media depends on many factors. These include how the site lays out new content, how frequently the user visits the site, how many friends the user follows, how active these friends are, as well as how interesting or useful the content is to the user. We present a stochastic modeling framework that relates a user's behavior to details of the site's user interface and user activity and describe a procedure for estimating model parameters from available data.We apply the model to study discussions of controversial topics on Twitter, specifically, to predict how followers of an advocate for a topic respond to the advocate's posts. We show that a model of user behavior that explicitly accounts for a user transitioning through a series of states before responding to an advocate's post better predicts response than models that fail to take these states into account. We demonstrate other benefits of stochastic models, such as their ability to identify users who are highly interested in advocate's posts.

연구 동기 및 목표

• 동적 사용자 상태와 인터페이스 요소를 고려하여 소셜 미디어에서의 사용자 반응 행동을 모델링하는 확률적 프레임워크를 개발하는 것.
• 소셜 미디어 옹호자들의 팔로워가 그들의 게시물에 어떻게 반응할지, 특히 논란이 되는 주제에 대해 예측하는 것.
• 실제 데이터(예: 트위터 활동 및 사용자 상호작용)에서 모델 파라미터를 추정하는 것.
• 상태 기반 행동 모델링을 통해 옹호자 콘텐츠에 대해 높은 관심을 가진 사용자를 식별하는 것.

제안 방법

• 사용자가 게시물에 응답하기 전에 관측되지 않는 상태를 거쳐가는 방식으로 모델을 표현하기 위해 은닉 마르코프 모델(HMM) 프레임워크를 사용한다.
• 사용자 상태는 주의 또는 관심 수준의 다양성을 나타내며, 사이트 레이아웃, 방문 빈도, 친구 활동 등에 의해 영향을 받는다.
• 응답 가능성 예측을 위해 친구 수, 친구 활동 수준, 콘텐츠 관련성 등의 관측 가능한 요소를 모델에 통합한다.
• 실제 트위터 데이터(논란이 되는 주제에 대한 토론 기반)를 사용하여 최대우도추정법을 통해 파라미터 추정을 수행한다.
• 상태 전이를 고려하지 않는 기준 모델과 비교하여 응답 예측 정확도를 평가한다.
• 상태 전이 프레임워크 내에서 반복 빈도와 응답 시점 분석을 통해 높은 관심을 가진 사용자를 식별한다.

실험 결과

연구 질문

• RQ1 사용자 인터페이스 설계와 사용자 활동 패턴은 소셜 미디어 콘텐츠에 대한 반응 행동에 어떤 영향을 미치는가?
• RQ2 사용자 상태 전이를 모델링하면 트위터에서 옹호자 게시물에 대한 반응 예측 성능이 향상되는가?
• RQ3 네트워크 요소(예: 친구 수, 친구 활동 수준)는 사용자 반응 행동에 어떤 역할을 하는가?
• RQ4 확률적 모델은 특정 콘텐츠에 대해 높은 관심을 가진 사용자를 어떻게 식별할 수 있는가?
• RQ5 은닉 사용자 상태를 고려하면 정적 모델보다 예측 성능이 향상되는가?

주요 결과

• 상태 기반 확률적 모델은 사용자 상태 전이를 忽시하는 모델보다 옹호자 게시물에 대한 사용자 반응 예측에서 유의미하게 뛰어난 성능을 보인다.
• 사용자 상태 전이를 고려함으로써 지연된 또는 즉각적인 반응이 아닌 반응을 더 잘 포착할 수 있어 예측 정확도가 향상된다.
• 응답 패턴과 응답 시점 분석을 통해 모델은 옹호자 콘텐츠에 대해 높은 관심을 가진 사용자를 성공적으로 식별한다.
• 사용자 반응 행동은 사이트 레이아웃, 방문 빈도, 친구 활동 수준에 의해 강하게 영향을 받는다.
• 사용자 참여 행동은 즉각적인 것이 아니라 주의 상태의 연속적인 시퀀스에 기인하므로, 이를 명시적으로 모델링해야 한다.
• 실제 트위터 데이터로부터의 파라미터 추정은 모델의 실현 가능성과 실세계 소셜 미디어 분 析 응용에서의 실용적 유용성을 확인한다.