[논문 리뷰] VIP: Incorporating Human Cognitive Biases in a Probabilistic Model of Retweeting

Jeon-Hyung Kang, Kristina Lermam|arXiv (Cornell University)|2015. 02. 02.

Complex Network Analysis Techniques참고 문헌 14인용 수 9

한 줄 요약

이 논문은 트위터에서의 재트윗 행동 예측을 향상시키기 위해 인간의 인지적 편향—피드 내 위치로 인한 가시성, 항목의 적합도(유행성), 사용자 관심사에 대한 개인적 관련성—을 통합한 확률적 모델인 VIP를 제안한다. 사용자 정보 부하로부터 가시성을 추정함으로써, 가시성을 忽시하는 기존 모델에 비해 모델이 유의미하게 뛰어난 성능을 보이며, 인지적 요소가 정보 확산 예측 가능성을 향상시킨다는 것을 입증한다.

ABSTRACT

Information spread in social media depends on a number of factors, including how the site displays information, how users navigate it to find items of interest, users' tastes, and the `virality' of information, i.e., its propensity to be adopted, or retweeted, upon exposure. Probabilistic models can learn users' tastes from the history of their item adoptions and recommend new items to users. However, current models ignore cognitive biases that are known to affect behavior. Specifically, people pay more attention to items at the top of a list than those in lower positions. As a consequence, items near the top of a user's social media stream have higher visibility, and are more likely to be seen and adopted, than those appearing below. Another bias is due to the item's fitness: some items have a high propensity to spread upon exposure regardless of the interests of adopting users. We propose a probabilistic model that incorporates human cognitive biases and personal relevance in the generative model of information spread. We use the model to predict how messages containing URLs spread on Twitter. Our work shows that models of user behavior that account for cognitive factors can better describe and predict user behavior in social media.

연구 동기 및 목표

• 정보 확산 과정에서 사용자 행동에 영향을 미치는 인지적 편향을 忽시하는 기존 사회적 추천 모델의 격차를 보완하기 위해.
• 사용자 정보 부하와 피드 내 항목 위치에 따른 가시성을 함수로 모델링함으로써 재트윗 행동 예측 정확도를 향상시키기 위해.
• 트위터에서 정보 확산을 이끄는 항목의 적합도, 개인적 관련성, 가시성의 기여도를 분리하여 분석하기 위해.
• 인지적 편향을 통합할 경우 소셜 미디어에서 사용자 수용 행동을 더 정확하고 강건하게 모델링할 수 있음을 입증하기 위해.

제안 방법

• VIP 모델은 항목의 가시성, 적합도, 사용자 관심사에 대한 개인적 관련성을 동시에 모델링하는 생성적 확률적 프레임워크를 사용한다.
• 가시성은 사용자 정보 부하를 간접적으로 추정한다—사용자가 특정 항목에 도달하기 위해 점검해야 하는 새로운 메시지의 수로, 팔로워 수와 방문 빈도에서 유도된다.
• 개인적 관련성은 도입력 이력에서 사용자 및 항목의 주제 프로파일을 추론하기 위해 은닉 주제 모델을 사용하여 계산된다.
• 항목의 적합도는 사용자 관심사와 무관한 도입력 잠재 경향으로 모델링되며, 유행성 효과를 포착한다.
• 모델은 트위터 URL 재트윗 데이터에 대해 최대우도추정법을 사용하여 이 세 가지 요소를 동시에 추정한다.
• 예측 성능 평가를 위해 VIP를 개인적 관련성만 사용하는 모델, 적합도만 사용하는 모델, 무작위 선택을 하는 모델과 비교한다.

실험 결과

연구 질문

• RQ1 사용자 피드 내 위치로 인한 가시성은 개인적 관련성과 적합도 외에 재트윗 행동의 분산을 얼마나 설명하는가?
• RQ2 항목의 적합도, 개인적 관련성, 가시성이 함께 작용하여 트위터에서 정보 확산의 크기에 어떻게 영향을 미치는가?
• RQ3 가시성과 적합도와 같은 인지적 편향을 통합한 모델은 단지 사용자 관심사 프로파일에 의존하는 전통적 사회적 추천 모델을 능가할 수 있는가?
• RQ4 다양한 유형의 콘텐츠(예: 유명인 뉴스 대비 전문 애호가 콘텐츠)에서 가시성, 적합도, 관련성의 상대적 기여도는 어떻게 다를까?

주요 결과

• 사용자 정보 부하로부터 추정한 가시성은 위치 편향을 忽시하는 모델에 비해 예측 정확도를 유의미하게 향상시킨다.
• VIP 모델은 모든 사용자 활동 수준에서 기존 모델을 능가하며, 개인적 관련성이 덜 확실한 저활동 사용자에서 가장 큰 성과를 보였다.
• 고품질 항목(높은 적합도와 관련성)의 경우, 가시성이 확산 크기의 추가 분산을 설명한다: 더 높은 가시성을 가진 항목이 더 널리 퍼진다.
• URL의 40%는 적합도와 확산 크기 간 상관관계가 없었으며, 이는 적합도만으로는 유행성을 예측하기에 부족함을 시사한다.
• Jay-Z 뮤직 비디오의 적합도는 Ian Somerhalder Foundation보다 6배 높았지만, 기대되는 가시성은 반으로 줄었음에도 불구하고 비슷한 재트윗 수를 기록하여, 적합도가 낮은 가시성을 상쇄할 수 있음을 보여준다.
• 항목의 적합도와 확산 크기 사이에 통계적으로 유의미한 상관계수 0.85가 관찰되었지만, 이는 일부 URL에 대해서만 성립했으며, 다중 요소 모델의 필요성을 강조한다.