블로그 내에는 다수의 사용자들에게 컨텐츠를 파급시키는 영향력 있는 사용자들이 존재한다. 본 논문에서는 이러한 사용자들을 파급 파워 유저라고 정의하고, 이러한 사용자들을 파악하는 방법에 대하여 논의한다. 본 논문에서는 블로그 연결망에서 파급 파워 유저를 파악하기 위해서 독립 전파 모델을 이용하는데, 독립 전파 모델의 수행을 위해서는 사용자들 간의 동화확률로서 실질적인 값을 부여하는 것이 필수적이다. 따라서 본 논문에서는 사용자의 재생산 파워의 개념과 이를 계량화하는 방법을 제안하고, 사용자의 컨텐츠 파워와 재생산 파워를 이용하여 사용자 간의 동화확률을 부여하는 방안을 제안한다. 끝으로, 실제 블로그 연결망에서 제안하는 기법과 기존의 기법을 이용하여 파워 유저들을 파악하는 실험을 수행하고, 결과를 비교 및 분석한다.
블로그 내에는 다수의 사용자들에게 컨텐츠를 파급시키는 영향력 있는 사용자들이 존재한다. 본 논문에서는 이러한 사용자들을 파급 파워 유저라고 정의하고, 이러한 사용자들을 파악하는 방법에 대하여 논의한다. 본 논문에서는 블로그 연결망에서 파급 파워 유저를 파악하기 위해서 독립 전파 모델을 이용하는데, 독립 전파 모델의 수행을 위해서는 사용자들 간의 동화확률로서 실질적인 값을 부여하는 것이 필수적이다. 따라서 본 논문에서는 사용자의 재생산 파워의 개념과 이를 계량화하는 방법을 제안하고, 사용자의 컨텐츠 파워와 재생산 파워를 이용하여 사용자 간의 동화확률을 부여하는 방안을 제안한다. 끝으로, 실제 블로그 연결망에서 제안하는 기법과 기존의 기법을 이용하여 파워 유저들을 파악하는 실험을 수행하고, 결과를 비교 및 분석한다.
For business purposes, it is important to identify diffusion power users, a group of users who have big influence on other users in diffusing content. In this paper, we use the independent cascade model for determining diffusion power users, and to do so, we need a method for calculating the assimil...
For business purposes, it is important to identify diffusion power users, a group of users who have big influence on other users in diffusing content. In this paper, we use the independent cascade model for determining diffusion power users, and to do so, we need a method for calculating the assimilation probability between users. This paper proposes the concepts of user delivery power and a way to quantifying the value of this. User delivery power is used to compute the assimilation probability with user content power. We analyze the proposed method by comparing its performance with those of existing methods through experiments using a real blog network data.
For business purposes, it is important to identify diffusion power users, a group of users who have big influence on other users in diffusing content. In this paper, we use the independent cascade model for determining diffusion power users, and to do so, we need a method for calculating the assimilation probability between users. This paper proposes the concepts of user delivery power and a way to quantifying the value of this. User delivery power is used to compute the assimilation probability with user content power. We analyze the proposed method by comparing its performance with those of existing methods through experiments using a real blog network data.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
이때, Pa->b를 결정하는 데에 반영된 UCP(Ua)와 UDP(Ub) 의 비율을 측정할 수 있다면, 는 UCP(Ua)와 UDP(Ub) 에 각각의 반영비율을 곱하여 계산할 수 있을 것이다. 따라서 본 논문에서는 동화확률을 결정하는데 이용된 사용자 컨텐츠 파워와 사용자 재생산 파워의 비율을 측정하는 방법을 제안하고, 측정된 비율을 이용하여 동화확률을 계산하는 방법을 제안한다. 식 (3)은 WCP와 WDP 를 이용하여 Pa->b를 계산하는 방법을 나타낸 것이다.
따라서 본 논문에서는 블로그 연결망에서 독립 전파모델을 이용하여 파급 파워 유저를 파악하기 위해서 사용자 간에 파급이 발생할 확률로서 실질적인 값을 부여하는 방안에 대하여 논의한다. 이를 통해서 실제 응용에서 필요로 하는 파급 파워 유저들을 파악할 수 있다.
따라서, 본 논문에서는 라그랑지 보간법(lagrange interpolation)을 이용하여 가장 높은 정확도를 갖는 wcp와 WDP의 값을 측정하는 방법을 제안한다. 라그랑지 보간법은 좌표평면 위에 주어진 k개의 점을 모두 지나는 다항식을 찾는 기법이다[9].
본 논문에서는 각 사용자 간의 동화확률을 계산하기 위해서 앞 장에서 언급한 사용자의 컨텐츠 파워와 사용자의 재생산 파워를 이용하는 방법을 제안한다.
본 논문에서는 블로그 연결망에서 파급 파워 유저를 파악하는 방안에 대하여 논의하였다. 이를 위해서 각 사용자의 재생산 파워를 계량화하는 방안올 제안하였고, 사용자의 재생산 파워와 사용자의 컨텐츠 파워를 이용하여 사용자 간의 동화확률로서 실질적인 값을 부여하는 방안을 제안하였다, 또한, 계산된 사용자 간의 동화확률의 정확도를 측정하는 기법을 제안하고’ 이를 이용하여가장 높은 정확도를 갖는 값을 사용자 간의 동화확률로서 결정하는 기법을 제안하였다.
제안 방법
그림 5는 실험의 결과를 나타낸 것으로서, 지면의 제약으로 인해 기법(DEG), 기법(C_T), 기법(SL_T), 기법 (CP_T), 기법(CST_10), 기법(DFP)만을 제시하였다. 선정한 파워유저 집합의 크기는 50명, 100명, 200명으로 설정하였다.
라그랑지 보간법은 좌표평면 위에 주어진 k개의 점을 모두 지나는 다항식을 찾는 기법이다[9]. 따라서 k개의 wcp와 wdp를통해서 파급 정확도들을 측정하고, 이 값들을 토대로 라그랑지 보간법을 이용하여 wcp와 wdp의 변화에 따른 파급 예측 정확도의 변화를 예상하여 가장 높은 정확도를 갖는 WCP 와 WDP 를 선택한다.
재생산 액션의 종류는 블로그 서비스 환경과 분석가에 따라서 다양하게 결정할 수 있다. 본 논문에서는 사용자의 재생산 액션으로서 스크랩하기와 엮인 글 달기만을 고려하였다. 식 (2)는 사용자 以의 재생산파워를 UDP(Ui)의 계량화 방법을 나타낸 것이다.
본 논문에서는 시간의 흐름에 따라 각 기법을 이용하여 선정한 파워유저 집합의 생존률 변화를 비교하였다. 이를 위해서 전체 분석 구간을 25일 간격으로 총 9개의 구간으로 나누어 실험을 수행하였다.
본 논문에서는 파급 예측 정확도를 계산하기 위해서 특정 사용자가 게시글을 작성하였을 때, 이 게시글에 의하여 실제로 동화된 사용자들과 독립 전파 모델을 통해서 이 사용자가 동화시키리라고 예즉된 사용자들을 비교하는 방법을 이용한다. 그림 3은 파급 예측 정확도를 측정하는 예를 나타낸 것이다.
사용하였다. 분석 기간 중에 생성된 게시글의 수는 약 100,000, 000개이며, 블로그 연결망의 구성을 위해서 블로그들 간의 관계로서 블로그 간의 이웃 여부가 아니라, 블로그 간에 교류의 빈번한 정도가 일정 이상인 경우를 관계로 설정하였다. 이는 블로그 간에 이웃 관계가 설정되어 있어도 빈번한 교류를 갖지 않는 경우가 많다는 사실에 근거한 것이다.
식 (2)는 사용자 以의 재생산파워를 UDP(Ui)의 계량화 방법을 나타낸 것이다. 사용자의 재생산 파워를 계량화하기 위해서 재생산 액션들의 빈도수와 각 재생산 액션들의 가중치의 곱을 더하는 방법을 이용하였다.
사용자 간의 서로이웃 관계를 이용하여 연결 중앙성 기법인 (DEG), 게시글들의 덧글의개수를 이용하는 기법인 Comment_Direct(C_D), 간접적으로 생산한 게시글들의 덧글의 개수를 이용하는 기법인 Comment_Indirect(C_I), 직접적으로 생산한 게시글들과 간접적으로 생산한 게시글들의 덧글의 개수를 이용하는 기법인 Comment_Total(C_T), 마찬가지로 스크랩 및 엮인글의 개수를 이용한 기법인 (SL_D), (SL_I), (SL_T), 컨텐츠 파워를 이용한 기법인 (CP_D), (CP_I), (CP_T), 사용자의 재생산 파워를 이용한 기법인 (DP). 사용자의 파급 파워를 이용한 기법은 독립 전파 모델의 수행을 위해서 필요로 하는 사용자 간의 파급확률을 부여하는 정책에 따라 나뉘며, 모든 관계의 파급확률로서 1%를 부여한 (CST_1), 모든 관계의 파급확률로서 10% 를 부여한 (CST_10)[8], 본 논문에서 제안하는 기법을 이용하여 사용자 간의 파급확률을 부여하는 기법인 (DFP) 를 사용하였다.
WCP와 WDP에 따른 전체 파급 예측 정확도는 각사 용자의 ICM의 정확도의 합을 이용한다. 이 때, 각 사용자가 작성한 게시글이 실제로 파급된 횟수를 각 ICM 의 정확도에 반영하여 가중치 평균을 계산한다. ICM(A) 의 반영 비율은 사용자 Ua에 의해서 실제로 파급된 횟수 즉, |DH#1|뉘DH#3l=2+3=5이고, ICM(C)의 반영 비율은 |DH#2|귀DH#4l=2+3=5, ICM(G)의 반영 비율은 |DH#5l=3이 된다.
방안에 대하여 논의하였다. 이를 위해서 각 사용자의 재생산 파워를 계량화하는 방안올 제안하였고, 사용자의 재생산 파워와 사용자의 컨텐츠 파워를 이용하여 사용자 간의 동화확률로서 실질적인 값을 부여하는 방안을 제안하였다, 또한, 계산된 사용자 간의 동화확률의 정확도를 측정하는 기법을 제안하고’ 이를 이용하여가장 높은 정확도를 갖는 값을 사용자 간의 동화확률로서 결정하는 기법을 제안하였다. 제안하는 기법과 기존의 기법들을 이용하여 실제 블로그 연결망에서 파워 유저들을 파악하는 실험을 수행하고, 이 결과를 비교 및 분석하였다.
비교하였다. 이를 위해서 전체 분석 구간을 25일 간격으로 총 9개의 구간으로 나누어 실험을 수행하였다. 파워유저 집합의생존률은 분석구간 1에서의 파워유저 집합이 이후의 분석구간에서 선정한 파워유저 집합에 포함되는 정도를 의미한다.
이를 위해서 전체 사용자들의 파워값의 분포영역을 동일한 사용자 수를 갖는 임의의 개수의 그룹으로 나누어 각 그룹 내의 사용자들이 동일한 파워 값을 갖도록 한다.
이에 착안하여 본 논문에서는 사용자의 컨텐츠의 질의 척도로서 사용자의 컨텐츠 파워를 이용한다. 또한, 블로그 사용자들은 자신이 직접 게시글을 작성하는 것 외에도 다른 사용자들의 게시글들을 스크랩하거나 엮인글을 달수 있는데, 본 논문에서는 사용자의 이러한 행동을 '컨텐츠 재생산'이라고 부른다.
대상 데이터
이 예에서는 정확도의 변화를 분석하기 위해서 4개의 WCP 의 값들인 Wcpi, .WCP2, WCP3, WCP4를 임의로 선정하였다. 아래의 그래프는 WCP1, WCP2, WCP3, WCP4를 통해서얻어진 파급 예측 정확도를 이용하여 라그랑지 보간법으로 WCP의 변화에 따른 파급 예측 정확도의 변화를 예상한 것이다.
본 연구에서는 성능 분석을 위하여 한국의 블로그 포털 사이트의 2006년 7월부터 약 7개월간 수집한 데이터를 사용하였다. 분석 기간 중에 생성된 게시글의 수는 약 100,000, 000개이며, 블로그 연결망의 구성을 위해서 블로그들 간의 관계로서 블로그 간의 이웃 여부가 아니라, 블로그 간에 교류의 빈번한 정도가 일정 이상인 경우를 관계로 설정하였다.
선정한 파워유저 집합의 크기는 50명, 100명, 200명으로 설정하였다. X축은 분석구간 1과 비교 대상이 되는 분석구간을 나타내고, y축은 생존률로서 분석구간 1과 각 분석구간과의 파워유저 집합의 일치 정도를 의미한다.
데이터처리
이를 위해서 각 사용자의 재생산 파워를 계량화하는 방안올 제안하였고, 사용자의 재생산 파워와 사용자의 컨텐츠 파워를 이용하여 사용자 간의 동화확률로서 실질적인 값을 부여하는 방안을 제안하였다, 또한, 계산된 사용자 간의 동화확률의 정확도를 측정하는 기법을 제안하고’ 이를 이용하여가장 높은 정확도를 갖는 값을 사용자 간의 동화확률로서 결정하는 기법을 제안하였다. 제안하는 기법과 기존의 기법들을 이용하여 실제 블로그 연결망에서 파워 유저들을 파악하는 실험을 수행하고, 이 결과를 비교 및 분석하였다.
이론/모형
본 논문에서는 정보검색분야에서 사용되는 응답도 (recall)와 정밀도(precision)의 개념을 이용하여 이들의 평균을 ICM(A)의 정확도로 사용한다. ICM(A)의 응답도 는 IBI/KB, C, D, G)l=l/4이고, 정밀도는 IBI/KB, E)l=l/2이다.
다음과 같다. 사용자 간의 서로이웃 관계를 이용하여 연결 중앙성 기법인 (DEG), 게시글들의 덧글의개수를 이용하는 기법인 Comment_Direct(C_D), 간접적으로 생산한 게시글들의 덧글의 개수를 이용하는 기법인 Comment_Indirect(C_I), 직접적으로 생산한 게시글들과 간접적으로 생산한 게시글들의 덧글의 개수를 이용하는 기법인 Comment_Total(C_T), 마찬가지로 스크랩 및 엮인글의 개수를 이용한 기법인 (SL_D), (SL_I), (SL_T), 컨텐츠 파워를 이용한 기법인 (CP_D), (CP_I), (CP_T), 사용자의 재생산 파워를 이용한 기법인 (DP). 사용자의 파급 파워를 이용한 기법은 독립 전파 모델의 수행을 위해서 필요로 하는 사용자 간의 파급확률을 부여하는 정책에 따라 나뉘며, 모든 관계의 파급확률로서 1%를 부여한 (CST_1), 모든 관계의 파급확률로서 10% 를 부여한 (CST_10)[8], 본 논문에서 제안하는 기법을 이용하여 사용자 간의 파급확률을 부여하는 기법인 (DFP) 를 사용하였다.
성능/효과
실험 결과, 기법과 파워유저 집합의 크기에 관계없이 시간의 흐름에 따라 생존률은 감소하였으며, 대체 적으로 파워유저 집합의 크기가 클수록 높은 생존률을 보였다.
X축은 WCP를 나타내고, y축은 WGP에 따른 파급 예측 정확도를 나타낸다. 이 예에서는 분석 결과, WCP가 WCP5일 때 가장 높은 파급 예측 정확도를 가지는 것으로 나타났다. 따라서 식 (3)의 WGP 로서 WCP5 를선택하고, Wdp 로서 1-WCP5를 선택한다.
파워유저 집합의생존률은 분석구간 1에서의 파워유저 집합이 이후의 분석구간에서 선정한 파워유저 집합에 포함되는 정도를 의미한다. 이러한 분석을 통해서 특정 시점에서 각 기법을 이용하여 선정한 파워유저들이 향후에도 파워유저로서 선정될 가능성을 예상할 수 있으며, 파워유저를 대상으로 비즈니스 정책을 수행할 때, 파워유저 집합을 선정한 시접부터 향후 어느 시점까지를 파워유저로서 인정할 것인지를 결정하는데 도움을 줄 수 있다.
이상적인 WCP와 WDP는 해당 WCP와 WDP를 이용하여 사용자 간의 동화확률을 부여하여 파급을 예측하였을 때, 가장 높은 정확도를 갖는 값이다. 파급 예측 결과의 정확도를 측정하는 방법은 3.
후속연구
본 논문에서는 이러한 사용자를 블로그 연결망에서의 파급 파워 유저(diffusion power user)라고 정의한다. 블로그 연결망에서 파급 파워 유저를 파악함으로써 이들을 중심으로 블로그 서비스 활성화를 위한 다양한 정책을 적용하여 비즈니스의 성공을 도모할 수 있을 것이다.
참고문헌 (9)
Blogger.com Co., Ltd. http://blogger.com.
MySpace.com Co., Ltd. http://myspace.com.
NHN Co., Ltd. http://blog.naver.com.
D. Gruhl, et al., "Information Diffusion Through Blogspace," WWW, pp.491-501, 2004.
S. Nakajima, et al., "Discovering Important Bloggers Based on a Blog Thread Analysis," WWW 2nd Annual. Workshop on the Weblogging Ecosystem, 2005.
J. Goldenberg, et al., Talk of the network: A complex systems look at the underlying process of wordof- mouth. Marketing Letters, 12(3):211-223, 2001.
D. Cai et al., "Mining Hidden Community in Heterogeneous Social Networks," In Proc. Int'l Workshop on Link Discovery: Issues, Approaches and Applications, pp.58-65, 2005.
S. H. Lim, S. W. Kim, S. Park and J. H. Lee, "Determining Content Power Users in a Blog Network," In Proc. 3rd ACM KDD Workshop on Social Network Mining and Analysis(SNA-KDD 2009), Paris, France, June. 28-July. 1, 2009.
E. Waring, Philosophical Transactions of the Royal Society, 69, 59-67, 1979.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.