[논문 리뷰] Time Matters: Multi-scale Temporalization of Social Media Popularity

Bo Wu, Wen-Huang Cheng외 2명|arXiv (Cornell University)|2017. 12. 12.

Human Mobility and Location-Based Analysis참고 문헌 35인용 수 14

한 줄 요약

이 논문은 다중 시간 규모의 시간 동적 특성을 분해함으로써 소셜 미디어 인기도를 모델링하는 텐서 기반 프레임워크인 다중 척도 시간화(Multi-scale Temporalization, MT)를 제안한다. 이는 일일, 주간, 계절 단위의 시간 규모에서 시간 역동성을 분석하면서, 데이터 재정렬을 통한 맥락 적합성 향상으로 노이즈를 감소시킨다. 공동 저질 제약 조건과 다중 척도 분해를 통해 기존 방법 대비 예측 정확도를 10.9%~47.5% 향상시켜 최신 기술 수준을 초월한다.

ABSTRACT

The evolution of social media popularity exhibits rich temporality, i.e., popularities change over time at various levels of temporal granularity. This is influenced by temporal variations of public attentions or user activities. For example, popularity patterns of street snap on Flickr are observed to depict distinctive fashion styles at specific time scales, such as season-based periodic fluctuations for Trench Coat or one-off peak in days for Evening Dress. However, this fact is often overlooked by existing research of popularity modeling. We present the first study to incorporate multiple time-scale dynamics into predicting online popularity. We propose a novel computational framework in the paper, named Multi-scale Temporalization, for estimating popularity based on multi-scale decomposition and structural reconstruction in a tensor space of user, post, and time by joint low-rank constraints. By considering the noise caused by context inconsistency, we design a data rearrangement step based on context aggregation as preprocessing to enhance contextual relevance of neighboring data in the tensor space. As a result, our approach can leverage multiple levels of temporal characteristics and reduce the noise of data decomposition to improve modeling effectiveness. We evaluate our approach on two large-scale Flickr image datasets with over 1.8 million photos in total, for the task of popularity prediction. The results show that our approach significantly outperforms state-of-the-art popularity prediction techniques, with a relative improvement of 10.9%-47.5% in terms of prediction accuracy.

연구 동기 및 목표

• 기존의 인기도 예측 모델이 소셜 미디어 콘텐츠의 다중 시간 규모 시간 역동성을 간과하는 한계를 해결하기 위해.
• 실제 사용자 행동과 콘텐츠 트렌드를 반영하여 일일, 주간, 계절 단위의 다양한 시간 규모에서 소셜 미디어 인기도의 변화를 모델링하기 위해.
• 맥락 불일치로 인한 인기도 데이터 노이즈를 줄이기 위해 맥락 인식 데이터 재정렬 전처리 단계를 도입하기 위해.
• 사용자, 게시물, 시간 차원에서의 공동 저질 제약 조건을 통합적으로 활용하여 구조적 텐서 분해 프레임워크 내에서 예측 정확도를 향상시키기 위해.
• 실세계 대규모 소셜 미디어 데이터셋을 대상으로 다중 척도 시간 모델링의 효과성을 검증하기 위해.

제안 방법

• 일, 주, 계절의 세 가지 시간 규모에서 인기도 텐서를 분해하는 다중 척도 시간화 프레임워크를 제안한다.
• 맥락 집약을 기반으로 한 데이터 재정렬 단계를 적용하여 맥락 적합성을 향상시키고 일관성 없는 데이터 맥락에서 유래하는 노이즈를 감소시킨다.
• 사용자, 게시물, 시간 차원에 대한 3차원 텐서 공간을 구성하며, 시간 역동성은 다중 척도 분해를 통해 모델링한다.
• 전역 및 국소 인기도 패턴을 시간 규모 전반에 걸쳐 유지하기 위해 공동 저질 제약 조건을 활용한 구조적 재구성 작업을 수행한다.
• 예측의 해석 가능성과 대규모 데이터셋에서의 확장성을 유지하면서 인기도 변화 추세를 추정하기 위해 텐서 분해 기법을 활용한다.
• 다중 척도 시간 신호의 균형을 맞추는 통합 최적화 프레임워크를 통해 시간적 및 맥락적 정보를 통합한다.

실험 결과

연구 질문

• RQ1 일일, 주간, 계절 단위의 다양한 시간 규모가 소셜 미디어 콘텐츠 인기도 예측에 어떻게 기여하는가?
• RQ2 소셜 미디어 데이터의 맥락 불일치가 인기도 예측 모델의 성능을 얼마나 악화시키는가?
• RQ3 단일 척도 또는 전체 텐서 모델링 접근 방식에 비해 다중 척도 시간 분해가 예측 정확도 향상에 기여하는가?
• RQ4 일, 주, 계절 중 어느 시간 규모가 소셜 미디어 인기도 예측에서 가장 중요한가?
• RQ5 제안된 데이터 재정렬 단계는 텐서 분해의 인기도 모델링 효과성을 어떻게 향상시키는가?

주요 결과

• 제안된 다중 척도 시간화(Multi-scale Temporalization, MT) 프레임워크는 두 개의 대규모 Flickr 데이터셋에서 최신 기술 수준의 방법 대비 상대적 정확도 향상률이 10.9%~47.5%에 이른다.
• 계절 단위 시간 규모가 예측 성능에 가장 크게 기여하며, 이 규모를 제거할 경우 순위 상관관계가 0.1759로 가장 낮아진다.
• 월간 시간화(MST)는 일일 시간화(DST)보다 성능이 뛰어나며, GT 프레임워크에서 MST에서 DST로 전환할 경우 성능 저하가 1.3%~8.5% 발생한다.
• 특정 시간적 의미를 지닌 콘텐츠, 예를 들어 '아름다운 햇살' 또는 '세련된 패션' 태그가 붙은 사진과 같은 시간 민감도 콘텐츠에 대해 뛰어난 성능을 보이며, 예측 상관관계가 0.6를 초과한다.
• '빈 공간'이나 '부드러운 구름'과 같은 일반적이거나 추상적인 카테고리에서는 성능 저하가 심각하게 발생하여, 명확한 시간적 의미가 없는 콘텐츠 모델링에 한계가 있음을 시사한다.
• 모든 유한 제거 실험에서 모든 시간 규모를 함께 사용한 경우에 비해 성능이 낮게 나타나, 각 시간 규모가 모델의 효과성에 독립적이고도 통합적으로 기여하고 있음을 확인한다.