[논문 리뷰] The Social Media Genome: Modeling Individual Topic-Specific Behavior in Social Media

Petko Bogdanov, Michael Busch외 3명|arXiv (Cornell University)|2013. 07. 01.

Complex Network Analysis Techniques참고 문헌 19인용 수 32

한 줄 요약

이 논문은 개인 사용자의 관심, 활동 및 정보 수용 가능성 등을 캡처하는 주제별 행동 모델인 '소셜 미디어 유전자형'을 도입한다. 사용자 행동을 변화하지 않는 유전자형으로 모델링하고 주제별 影響 뼈대를 유도함으로써, 영향력 예측 성능을 20% 이상 향상시키고, 핵심 사용자 1%를 대상으로 정보 확산 지연을 최대 40% 감소시킬 수 있다.

ABSTRACT

Information propagation in social media depends not only on the static follower structure but also on the topic-specific user behavior. Hence novel models incorporating dynamic user behavior are needed. To this end, we propose a model for individual social media users, termed a genotype. The genotype is a per-topic summary of a user's interest, activity and susceptibility to adopt new information. We demonstrate that user genotypes remain invariant within a topic by adopting them for classification of new information spread in large-scale real networks. Furthermore, we extract topic-specific influence backbone structures based on information adoption and show that they differ significantly from the static follower network. When employed for influence prediction of new content spread, our genotype model and influence backbones enable more than $20% improvement, compared to purely structural features. We also demonstrate that knowledge of user genotypes and influence backbones allow for the design of effective strategies for latency minimization of topic-specific information spread.

연구 동기 및 목표

• 정적 팔로워 네트워크를 넘어서 개인 사용자 행동을 모델링하기 위해 주제별 관심사와 수용 패턴을 캡처한다.
• 트위터에서 확보한 실증 데이터를 활용해 시간과 주제 간 사용자 행동의 일관성을 검증한다.
• 정적 팔로워 네트워크와 다름을 보이는 주제별 영향력 뼈대를 추출하여 예측 모델링을 향상시킨다.
• 유전자형과 뼈대를 적용해 신규 콘텐츠의 수용자/영향력자 예측을 정확하게 수행한다.
• 사용자 유전자형 지식을 활용해 정보 확산 지연을 최소화하는 효과적인 전략을 설계한다.

제안 방법

• 트위터에서 해시태그 수용 패턴을 활용해 주제별 관심, 활동 및 정보 수용 가능성의 요약으로 사용자 유전자형을 정의한다.
• 대규모 트위터 데이터셋에서 팔로워 구조와 사용자 게시물의 조합을 통해 주제별 행동 특성을 추출하여 게놈을 구축한다.
• 유전자형 기반 분류기로 관측되지 않은 해시태그의 주제를 예측하여 분류 정확도 87%를 달성한다.
• 실제 정보 수용 기반으로 활성 전파 경로를 식별함으로써 정적 팔로워 연결이 아닌, 주제별 영향력 뼈대를 추출한다.
• 뼈대 내 방향성 경로의 각 노드 응답 시간(Time(u))의 합으로 경로 지연을 모델링하고, 소스-대상 지연을 이러한 합의 최소값으로 정의한다.
• k-지연 최소화를 위한 세 가지 휴리스틱(Max Lat, Max BC, Greedy)을 적용하여, 노드 지연과 구조적 중간성 정보를 조합해 최적의 노드를 선별한다.

실험 결과

연구 질문

• RQ1 소셜 미디어에서 개인 사용자 행동은 시간이 지나도 일관되게 주제별로 고정된 특성(유전자형)으로 모델링될 수 있는가?
• RQ2 주제별 영향력 뼈대는 정적 팔로워 네트워크와 구조적으로 어떻게 다를까?
• RQ3 유전자형 기반 모델은 정적 구조적 특성만을 사용하는 것보다 새로운 정보의 수용자 및 영향력자를 더 정확하게 예측할 수 있는가?
• RQ4 사용자 유전자형과 영향력 뼈대 지식을 통해 정보 확산 지연을 얼마나 줄일 수 있는가?
• RQ5 네트워크 전체의 확산 지연을 최소화하기 위해 가장 효과적인 휴리스틱은 무엇인가?

주요 결과

• 복합 유전자형 기반 분류기를 사용해 관측되지 않은 해시태그의 주제를 87%의 정확도로 분류하는 데 성공했다.
• 주제별 영향력 뼈대는 정적 팔로워 네트워크와 현저히 다르며, 동적이고 행동 기반의 전파 구조를 드러낸다.
• 팔로워 구조만을 사용하는 것보다 유전자형 모델이 신규 해시태그에 대한 영향력 예측 성능을 20% 이상 향상시킨다.
• k-지연 최소화를 위한 그레디 휴리스틱은 단지 가장 반응성이 높은 1%의 노드만 수정함으로써 평균 네트워크 지연을 40% 이상 감소시켰다.
• 스포츠 및 유명인 주제에서는 고도수 중심 노드가 존재함에 따라, 중심성 중심성(Min BC)이 그레디 휴리스틱과 거의 동일한 성능을 보였다.
• k-지연 최소화 문제는 NP-난이도이지만, 유전자형과 구조적 정보를 조합한 그레디 휴리스틱은 각각의 요소에만 의존하는 방법보다 뛰어난 성능을 보였다.