[abstract]
소셜 네트워크에서 토픽(이슈)의 확산을 예측하는 것은 루머 대응, 여론 분석, 마케팅 전략 수립 등에 중요한 문제이다.
본 연구에서는 사용자 역할(user-role)과 토픽 영향력(topic-influence)의 시간적 변화(dynamics)를 고려한 토픽 확산 예측 모델 TPP-DA를 제안한다. 본 모델은 사용자와 토픽의 변화 속성을 반영하여 예측 정확도를 향상시키며, 기존 모델(TPP) 대비 평균 오차율을 약 33% 줄이는 성과를 보였다.
[introduction]
소셜 미디어는 오늘날 뉴스, 이슈, 루머 등이 퍼지는 가장 빠른 채널이다. 하지만 이 확산 과정은 매우 복잡하며 다음과 같은 특징이 있다:
- 사용자의 관심은 시시각각 변함
- 토픽의 인기(heat)도 지속적으로 변함
- 소셜 관계는 확산에 큰 영향 미침
기존 연구들은 사용자 역할이나 토픽 영향력의 시간적 변화를 정적으로 분석했기 때문에 예측 정확도에 한계가 있었다. 이를 개선하기 위해 동적 분석(dynamic analysis)을 도입한 것이 TPP-DA이다.
[framework]
TPP-DA는 다음의 세 가지 단계로 구성된다.
1️⃣ 사용자 역할(User-Role) 동적 분석
- 전문가 지수: 얼마나 많이 그 토픽에 대해 발언했는가
- 리더 지수: 다른 사용자에게 얼마나 영향을 주는가
- 소셜 관계 지수: 얼마나 많은 친구들과 연결되어 있는가
- 유사도 지수: 친구들과 얼마나 비슷한 주제를 다루는가
이 모든 요소는 시간축 기준으로 분석되어, 변화에 민감하게 대응한다.
2️⃣ 토픽 영향력(Topic-Influence) 동적 분석
토픽의 영향력도 시간에 따라 달라지며, 아래 두 수준에서 측정된다.
- 개인 수준: 해당 사용자가 토픽에 얼마나 집중했는가
- 그의 친구들 수준: 친구들이 얼마나 관심을 가졌는가
- 그룹 수준: 전체 네트워크에서 이슈의 '히트 정도'
3️⃣ 가중 확률 모델 기반 예측
- 행동 확률: 이 사용자가 다시 언급할 확률
- 관계 확률: 주변 사람이 언급했기 때문에 영향을 받을 확률
- 시간 확률: 관심이 점차 줄어들 확률
이 세 가지 확률에 사용자 역할과 토픽 영향력을 가중치로 적용하여 최종적으로 토픽 전파를 예측한다.
[experiment]
📊 데이터셋
- Sina Weibo: 4개 주요 이슈
- Twitter: 2개 이슈
- 약 6200명 이상의 사용자, 수십만 건의 포스트 및 관계 데이터를 사용
⚙️ 실험 설계
- 기존 모델 TPP (정적 분석)과 비교
- 평가 지표: 평균 오차율(MAE), RMSE, R² (결정계수)
📈 결과
- TPP 대비 평균 오차율 약 33% 감소
- R²: 0.94 이상 → 예측 결과가 실제 데이터와 매우 유사
- 특히 이슈가 여러 번 다시 주목받는 경우(복수 피크)에서도 안정적인 성능
[conclusion]
TPP-DA는 소셜 네트워크 상의 토픽 확산을 정확하고 유연하게 예측할 수 있는 모델이다.
핵심은 사용자와 토픽의 속성이 시간에 따라 변한다는 점을 반영했다는 것.
이러한 동적 분석 접근은 앞으로 SNS 분석, 여론 예측, 루머 대응 등 다양한 분야에 유용하게 활용될 수 있다.
🧠 다음 목표는 딥러닝 기반 모델을 도입하여 예측력을 더 높이는 것.
