[논문 리뷰] Are 140 Characters Enough? A Large-Scale Linkability Study of Tweets

Mishari Al Mishari, Dali Kaafar외 2명|arXiv (Cornell University)|2014. 06. 11.

Authorship Attribution and Profiling참고 문헌 18인용 수 4

한 줄 요약

이 논문은 8,000명 이상의 사용자를 포함한 대규모 데이터셋을 바탕으로, 스타일미터적 분석을 통해 여러 계정을 운영하는 트위터 사용자 간의 연결 가능성(링크성)을 조사한다. 140자 이내의 메시지 제한 조건에서도 unigram 및 해시태그 특징을 기반으로 나이브 베이즈 분류기를 적용한 결과, 동일 저자 소유의 트윗을 90% 이상의 정확도로 연결할 수 있음을 입증하였으며, 이는 익명 계정을 사용하는 사용자에게 상당한 개인정보 유출 위험을 암시한다.

ABSTRACT

Microblogging is a very popular Internet activity that informs and entertains great multitudes of people world-wide via quickly and scalably disseminated terse messages containing all kinds of newsworthy utterances. Even though microblogging is neither designed nor meant to emphasize privacy, numerous contributors hide behind pseudonyms and compartmentalize their different incarnations via multiple accounts within the same, or across multiple, site(s). Prior work has shown that stylometric analysis is a very powerful tool capable of linking product or service reviews and blogs that are produced by the same author when the number of authors is large. In this paper, we explore linkability of tweets. Our results, based on a very large corpus of tweets, clearly demonstrate that, at least for relatively active tweeters, linkability of tweets by the same author is easily attained even when the number of tweeters is large. We also show that our linkability results hold for a set of actual Twitter users who tweet from multiple accounts. This has some obvious privacy implications, both positive and negative.

연구 동기 및 목표

• 다양한 계정을 통해 같은 저자가 작성한 트윗을 스타일미터적 특징을 기반으로 연결할 수 있는지의 가능성을 평가하는 것.
• 특히 unigram과 해시태그와 같은 단순한 특징들이 140자 이내의 메시지 제약 조건 하에서 얼마나 효과적인지 평가하는 것.
• 실제로 이중 계정을 운영하는 사용자를 대상으로 링크성의 실용적 개인정보 유출 위험을 입증하는 것.
• 대규모 실세계 트위터 데이터셋에서 링크성 모델의 확장성과 정확도를 탐색하는 것.
• 다수의 익명 계정을 운영하는 사용자들이 겪는 개인정보 보호의 상충관계에 대한 통찰을 제공하는 것.

제안 방법

• 토큰 간 조건부 독립을 가정하고, 스타일미터적 특징을 기반으로 트윗의 저자를 예측하기 위해 나이브 베이즈 분류기를 활용함.
• 저자 고유의 글쓰기 스타일을 모델링하기 위해 주로 unigram 단어 빈도와 해시태그 빈도를 특징으로 사용함.
• 베이즈 정리에 따라 특정 사용자 소속의 트윗일 확률을 후행 확률로 계산하고, 데이터셋 내 모든 사용자에 대해 최대화함.
• 프로파일러 트위터 사용자(2,000건 이상 트윗)와 덜 활동적인 사용자(300~400건 트윗)로 구성된 두 개의 대규모 데이터셋을 대상으로 정밀도, 재현율, F1 점수를 사용해 링크성 성능을 평가함.
• 실제로 이중 계정을 운영하는 사용자를 대상으로 동일한 분류기 프레임워크를 활용해 계정 간 링크성을 테스트함.
• 대규모 데이터 수집을 위해 트위터 API를 활용하여 글로벌 트윗 스냅샷을 확보함으로써 실제 세계의 관련성을 확보함.

실험 결과

연구 질문

• RQ1 140자 제한 조건 하에서 스타일미터적 특징만을 사용해 동일 저자 소유의 트윗을 신뢰성 있게 연결할 수 있는가?
• RQ2 해시태그는 표준 unigram에 비해 저자 링크성 향상에 얼마나 효과적인가?
• RQ3 저자 수가 수천 명으로 증가할 경우 링크성 성능이 떨어지는가?
• RQ4 제안된 방법이 실제로 다수의 트위터 계정을 운영하는 사용자들 간의 트윗을 성공적으로 연결할 수 있는가?
• RQ5 메시지 길이와 트윗 수가 스타일미터적 모델을 활용한 저자 소속 판단 정확도에 미치는 영향은 무엇인가?

주요 결과

• 나이브 베이즈 분류기는 문자와 단어 unigram 빈도만을 사용해 동일 저자 소유 트윗의 링크성에 대해 90% 이상의 정확도를 달성함.
• 해시태그만을 특징으로 사용한 경우, 분류기는 약 2/3 수준의 링크성 비율을 기록하여 강력한 분류 능력을 보임.
• 실제 14명의 사용자(이중 계정을 운영)에 대해 트윗을 성공적으로 연결함으로써, 이 방법이 실제 이중 계정 환경에 적용 가능한 것으로 확인됨.
• 저자 수가 많아져도 링크성이 높게 유지되어 실제 환경에서의 방법의 확장성과 유용성을 입증함.
• 엄격한 문자 제한 조건에도 불구하고 스타일미터적 분석이 마이크로블로깅 환경에서 여전히 매우 효과적인 저자 연결 수단임을 확인함.
• 결과적으로, 해시태그와 같은 최소한의 텍스트 특징조차도 링크성을 크게 향상시킬 수 있으며, 이는 익명 계정을 사용하는 사용자에게 실질적인 개인정보 유출 위험을 야기함.