선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 간소화된 신뢰성 네트워크를 사용하여 신뢰성이 입증된 사용자들을 대상으로 사용자 영향력을 판별함으로써 신뢰성 없는 정보를 받을 가능성을 없애준다. 사용자 영향력 판별은 사용자간의 연결된 거리 정도에 따라 직-간접 영향력으로 분류하고 행위, 시간, 차원의 가중치를 합산한 후 너무 낮은 영향력은 제거한 뒤 최종 사용자 영향력 판별을 수행한다.
- 본 논문에서는 기존에 제안된 사용자 영향력 판별 기법의 문제점을 제시하고, 소셜 네트워크에서 신뢰성을 고려한 사용자 영향력 판별 기법을 제안했다. 기존의 사용자 영향력 판별 기법의 경우 다중 요소 미고려.
- 본 논문에서는 사용하는 신뢰성 네트워크란 사용자의 게시물에 행해진 다른 사용자들의 소셜 행위를 수집하여 사용자의 신뢰성을 측정하고 사용 목적에 맞는 신뢰성 임계 치를 정하여 간소화한 사용자 네트워크를 사용함으로써 사용자가 제공하는 정보의 신뢰성을 판별하는 것을 목적으로 한다.
- 본 논문에서는 소셜 네트워크에서 신뢰성을 고려한 사용자 영향력 판별 기법을 제안한다. 제안하는 기법은 사용자의 소셜 행위를 통해 신뢰성 점수[6]를 측정하고 신뢰할 수 있는 사용자들만을 모아 네트워크를 간소화한다.
제안 방법
- Aij(행위)와 TA(시간)은 종속 관계임을 고려하였고, 행위, 시간, 차원 가중치 분포에 따라 변경될 수 있는 임의의 상수 σ를 이용하여 비율을 배분하여 측정한다.
- 넷째, 신뢰성 네트워크 구축 단계는 위 단계에서 측정된 신뢰성점수를 통해 목적에 맞는 신뢰성 임계치를 정하고 임계치 이상의 사용자들로 네트워크를 재구성한다. 다섯째, 영향력 점수 측정 단계는 본딩노드를 우선으로 사용자간의 거리를 통해 직-간접 영향력을 분류하고, 소셜 행위, 시간, 차원을 고려하여 영향력을 계산한다. 마지막으로 최종 사용자 영향력 단계는 사용자 영향력 판별의 잡음이 되는 너무 낮은 영향력 제거를 위해 임계치 정하고 제외한 후 사용자의 영향력 점수를 도출한다.
- 먼저, Zachary’s karate club network 데이터를 동일하게 사용하여 기존 기법 (Local Influence, IGSK)과 제안하는 기법을 적용한 사용자 영향력 순위를 비교하고 결과 차이의 원인을 분석한다. 다음은 Facebook 데이터를 동일하게 사용하여 기존 기법(SIR), 무작위 기법(RANDOM), 제안하는 기법을 적용한 사용자 네트워크를 구축한 후 사용자 영향력에 따른 행위 빈도를 비교함으로써 정보 확산성 측면의 성능을 평가한다.
- 사용자의 게시물에 행해진 다른 사용자들의 소셜 행위를 수집하여 사용자의 신뢰성을 측정하고, 신뢰성 임계 치 이상의 사용자만을 모아 신뢰성 네트워크 구축을 통해 사용자가 제공하는 정보의 신뢰성을 높였다. 또한, 사용자간의 연결정도에 따라 직-간접적인 영향력을 반영하여 사용자 영향력을 도출함으로써 무방향 네트워크보다 결과의 확산성이 높아지도록 수행하였다. 성능평가 결과, 기존 기법에 비해 영향력 있는 사용자의 행위 빈도율이 약 12% 증가했으며, 도출 결과의 확산성 향상을 확인할 수 있었다.
- 먼저, Zachary’s karate club network 데이터를 동일하게 사용하여 기존 기법 (Local Influence, IGSK)과 제안하는 기법을 적용한 사용자 영향력 순위를 비교하고 결과 차이의 원인을 분석한다.
- 본 논문에서는 두 가지 성능평가를 진행한다. 먼저, Zachary’s karate club network 데이터를 동일하게 사용하여 기존 기법 (Local Influence, IGSK)과 제안하는 기법을 적용한 사용자 영향력 순위를 비교하고 결과 차이의 원인을 분석한다.
- 본 논문은 기존 사용자 영향력 판별 기법의 문제점들을 해결하기 위하여 제안하는 기법에서는 영향력 판별의 대표적인 특성인 소셜 행위, 시간, 차원(친구)과 사용자 간의 연결 거리 요소를 종합적으로 고려한다. 또한, 신뢰성 있는 정보를 제공하는 사용자를 판별하기 위해 사용자의 신뢰성 점수를 측정하게 되는데 이때 새롭게 반영된 여론조사에 따른 가중치를 반영함으로써 신뢰성을 보장할 수 있고, 방향성 네트워크를 사용함으로써 Influencer의 개념인 영향을 주는 사람을 판별하는데 정확성을 향상시킨다.
- 무방향 네트워크 사용 의한 사용자 영향력 판별의 정확성 결여, 신뢰성 있는 정보를 제공하는 사용자를 판별하지 못하는 문제점을 가지고 있다. 본 논문은 영향력을 판별하기 전에 신뢰성을 고려하여 신뢰할 수 있는 정보를 생산하는 사용자들로 신뢰성 네트워크를 구축한 후 직-간접 영향을 분류하고 행위, 시간, 차원을 고려하여 사용자 영향력을 판별하였다. 이 과정에서 신뢰성 있는 정보를 제공하는 사용자를 판별하지 못하는 점을 해결하고, 결과의 정확성을 높임으로써 전체적인 판별 기법의 성능이 향상되었다.
- 사용자의 소셜 행위 데이터들을 기반으로 사용자 각각의 특성에 따라Spreader=활성자, Ignorant=무반응자, Stifler=억제자로 분류한다. 분류 후에 정보를 퍼트림에 있어 효율을 높일 수 있도록 활성자에게 정보를 먼저 퍼트리고 무반응자와 억제자에게는 정보 전파를 억제하는 방법을 사용함으로써 정보 전파의 효율성을 높인다.
- IGSK 기법은 SNS에서 공통분야에 대한 관심이 있는 차원(친구)이 높은 사용자의 정보를 검색 또는 인용한다는 특징을 발견한다[4]. 사용자 유사성을 고려한 무방향 네트워크(누가 누구에게 영향을 주는지가 명시되지 않은 네트워크)에 적용할 수 있는 영향력 판별함으로써 사용자 영향력 랭킹을 도출한다.
- SIR 기법은 SNS에서 게시물에 대해 잘 반응하고 퍼트리는 노드들을 센서노드라고 정의하고 그들을 검출한다[11]. 사용자의 소셜 행위 데이터들을 기반으로 사용자 각각의 특성에 따라Spreader=활성자, Ignorant=무반응자, Stifler=억제자로 분류한다. 분류 후에 정보를 퍼트림에 있어 효율을 높일 수 있도록 활성자에게 정보를 먼저 퍼트리고 무반응자와 억제자에게는 정보 전파를 억제하는 방법을 사용함으로써 정보 전파의 효율성을 높인다.
- 둘째, 소셜 행위 수집 단계는 사용자가 SNS에 게시한 게시물에 대해 다른 사용자들이 반응한 좋아요, 댓글과 같은 소셜 행위를 수집한다. 셋째, 신뢰성 점수 측정 단계는 위 단계에서 수집된 소셜 행위를 긍정, 부정으로 분류하고 [표 1]에 제시된 0에서 1사이로 명시된 행위가중치를 이용하여 신뢰성점수를 측정한다. 넷째, 신뢰성 네트워크 구축 단계는 위 단계에서 측정된 신뢰성점수를 통해 목적에 맞는 신뢰성 임계치를 정하고 임계치 이상의 사용자들로 네트워크를 재구성한다.
- 데이터는 UCI Network Data Repository를 통해 Zachary’s karate club network 데이터를 수집했고, NETMINER4를 통해 Facebook 데이터를 수집하여 사용했다. 신뢰성 점수 계산을 위해 행위(공유, 친구 맺기 등) 데이터를 추출했고, 사용자 영향력 점수 계산을 위해 위해 친구 수, 행위 수, 행위 시간 데이터를 추출하여 사용했다. IBM SPSS Statistics v.
- 이미 측정된 DInfij (직접 영향력) 와 IInfij (간접 영향력)에 값을 더하여 계산하게 되는데, 두 영향력의 분포에 따라 변경될 수 있는 임의의 상수 γ를 이용하여 비율을 배분하여 계산한다.
- 모든 사용자 개인이 사용자 1에 행한 행위, 행위에 따른 시간, 개인이 보유한 차원에 대한 집계가 이루어진다. 제시된 가중치를 통해 집계된 행위, 시간, 차원에 알맞은 가중치를 부여한 후 직접 영향력부터 간접 영향력 순서로 계산한다.
- 간접 영향력 계산에서는 거리가 2 이상인 간접 영향 사용자들의 DInfij를 측정한다. 제안하는 기법에서는 간접 영향 사용자 수가 연결된 정도에 따라 간접적으로 연결된 사용자의 수가 일정치 않기 때문에 보완을 위해 조화 평균의 개념을 사용한다.
- 본 논문에서는 소셜 네트워크에서 신뢰성을 고려한 사용자 영향력 판별 기법을 제안한다. 제안하는 기법은 사용자의 소셜 행위를 통해 신뢰성 점수[6]를 측정하고 신뢰할 수 있는 사용자들만을 모아 네트워크를 간소화한다. 또한 차원(인맥)이 높은 사용자를 우선으로 하여 영향력 판별을 시작[7]하며 판별 요소는 행위, 시간, 차원[8]을 사용하고 사용자간의 연결정도에 따라 직-간접적인 영향력을 반영하여 사용자 영향력을 도출한다.
- KLOUT 기법은 사용자 영향력을 판별함에 있어 여러 SNS를 고려하는 것은 영향력의 객관성과 대표성을 보장한다는 점을 발견하고 여러 SNS에서 다수의 사용자가 따르고 반응하는 가장 영향력이 높은 사용자를 판별한다[10]. 클라우트 스코어를 이용하여 사용자 영향력을 평가하게 되는데 클라우트 스코어는 페이스북과 트위터와 같은 9개의 소셜 네트워크에서 35개 이상의 변수를 고려하여 실제 도달, 확산가능성, 네트워크 영향력을 평가한다. 최종적으로 1부터 100까지의 점수로 사용자 영향력을 나타낸다.
대상 데이터
- 데이터는 UCI Network Data Repository를 통해 Zachary’s karate club network 데이터를 수집했고, NETMINER4를 통해 Facebook 데이터를 수집하여 사용했다.
데이터처리
- 신뢰성 점수 계산을 위해 행위(공유, 친구 맺기 등) 데이터를 추출했고, 사용자 영향력 점수 계산을 위해 위해 친구 수, 행위 수, 행위 시간 데이터를 추출하여 사용했다. IBM SPSS Statistics v.21를 이용하여 데이터 필터링을 수행했고, NETMINER4를 이용하여 사용자 영향력 판별 시스템의 성능을 평가하였다.
- 제안하는 기법의 우수성을 입증하기 위해 기존 연구와 비교 평가를 수행한다. 성능평가에 사용되는 기존기법은 총 3가지로 구성된다.
성능/효과
- 유사한 결과를 보인 Local Influence 기법과 제안하는 기법의 순위를 비교해보면 차원만을 고려한 Local Influence 기법에 비해 제안하는 기법은 신뢰성 있는 정보를 공유하는 사용자를 판별하기 위해 차원 뿐 아니라 추가적으로 신뢰성, 행위, 시간을 고려했기 때문에 일부 사용자의 순위 변동이 발생됨을 볼 수 있다.Local Influence 기법에서 7위로 평가된 U32는 제안하는 기법에서 10위로 하락되었고, 8-10위로 평가 된 U9, U14, U24는 4-6위로 상승됨을 볼 수 있다. 또한, 4위 상승으로 가장 큰 차이를 보인 U9의 원인은 타 사용자가 행한 행위에 기반을 둔 신뢰성 점수가 높게 측정되었기 때문인 것을 확인할 수 있었다.
- RANDOM 기법에서 추출된 무작위 사용자를 추가한 무작위 네트워크와 제안하는 기법을 비교해보면, SIR 기법은 27.5%, 제안하는 기법은 38.7% 성능이 향상됨을 볼 수 있다. 성능차이의 원인은 RANDOM 기법은 무작위로 추출된 사용자를 추가했기 때문에 다른 기법에 비해 성능이 매우 뒤쳐진다는 사실을 알 수 있다.
- [그림 8]은 총 사용자 1089명에 각 기법에서 추출된 상위 사용자 영향력 100(총 사용자의 10%)명을 추가하여 총합 사용자 1189명이 글을 게시했을 때 받는 행위의 빈도 율을 보여준다. SIR 기법에서 추출된 센서사용자를 추가한 센서 네트워크 제안하는 기법에서 추출된 신뢰성 사용자를 추가한 신뢰성 네트워크를 비교한 결과, 행위 빈도 율이 평균 12% 향상됨을 볼 수 있다. 행위와 시간만을 고려한 SIR 기법에 비해 제안하는 기법은 추가적으로 차원과 긍정, 부정으로 분류된 행위에 기반을 둔 신뢰성 점수를 고려했기 때문인 것을 확인할 수 있었다.
- IGSK 기법과 제안하는 기법의 순위를 비교해보면사용자 프로필에 기반을 둔 유사성, 차원, 시간을 고려하지만 사용자 영향력의 방향성을 고려하지 않아 제안하는 기법뿐 아니라 Local Influence기법과도 다소 차이가 나는 결과를 볼 수 있다. 또한, 6위 상승으로 가장 큰 차이를 보인 U3은 제안하는 기법에서 8위로 평가되었지만, IGSK 기법에서 2위로 평가됨을 볼 수 있다. 성능 차이의 원인은 행위에 따른 반응시간이 빨랐기 때문인 것을 확인 할 수 있었다.
- 성능평가 결과, 기존 기법에 비해 영향력 있는 사용자의 행위 빈도율이 약 12% 증가했으며, 도출 결과의 확산성 향상을 확인할 수 있었다. 또한, 사용자 영향력 순위를 비교한 결과 기존 기법과 순위 차이를 보인 원인은 신뢰성 점수 때문인 것을 확인할 수 있었다. 이를 통해 사용자 영향력의 활용목적에 따라 기법이 고려하는 요소를 달리해야 더욱 효과적이라는 한계점을 발견하였다.
- 본 논문은 기존 사용자 영향력 판별 기법의 문제점들을 해결하기 위하여 제안하는 기법에서는 영향력 판별의 대표적인 특성인 소셜 행위, 시간, 차원(친구)과 사용자 간의 연결 거리 요소를 종합적으로 고려한다. 또한, 신뢰성 있는 정보를 제공하는 사용자를 판별하기 위해 사용자의 신뢰성 점수를 측정하게 되는데 이때 새롭게 반영된 여론조사에 따른 가중치를 반영함으로써 신뢰성을 보장할 수 있고, 방향성 네트워크를 사용함으로써 Influencer의 개념인 영향을 주는 사람을 판별하는데 정확성을 향상시킨다. 즉각적인 여론이 반영된 신뢰성 점수의 임계치를 정하고 사용자를 걸러내여 네트워크를 간소화한다.
- 제안하는 기법은 기업과 기관의 상업적 활용, 마케팅 플랫폼, 콘텐츠와 메시지 확산, 브랜드와 제품 홍보대사, 제품 개발과 개선 등에 활용 가능하다. 사용자의 게시물에 행해진 다른 사용자들의 소셜 행위를 수집하여 사용자의 신뢰성을 측정하고, 신뢰성 임계 치 이상의 사용자만을 모아 신뢰성 네트워크 구축을 통해 사용자가 제공하는 정보의 신뢰성을 높였다. 또한, 사용자간의 연결정도에 따라 직-간접적인 영향력을 반영하여 사용자 영향력을 도출함으로써 무방향 네트워크보다 결과의 확산성이 높아지도록 수행하였다.
- 또한, 사용자간의 연결정도에 따라 직-간접적인 영향력을 반영하여 사용자 영향력을 도출함으로써 무방향 네트워크보다 결과의 확산성이 높아지도록 수행하였다. 성능평가 결과, 기존 기법에 비해 영향력 있는 사용자의 행위 빈도율이 약 12% 증가했으며, 도출 결과의 확산성 향상을 확인할 수 있었다. 또한, 사용자 영향력 순위를 비교한 결과 기존 기법과 순위 차이를 보인 원인은 신뢰성 점수 때문인 것을 확인할 수 있었다.
- 본 논문은 영향력을 판별하기 전에 신뢰성을 고려하여 신뢰할 수 있는 정보를 생산하는 사용자들로 신뢰성 네트워크를 구축한 후 직-간접 영향을 분류하고 행위, 시간, 차원을 고려하여 사용자 영향력을 판별하였다. 이 과정에서 신뢰성 있는 정보를 제공하는 사용자를 판별하지 못하는 점을 해결하고, 결과의 정확성을 높임으로써 전체적인 판별 기법의 성능이 향상되었다. 제안하는 기법은 기업과 기관의 상업적 활용, 마케팅 플랫폼, 콘텐츠와 메시지 확산, 브랜드와 제품 홍보대사, 제품 개발과 개선 등에 활용 가능하다.
- 성능 차이의 원인은 행위에 따른 반응시간이 빨랐기 때문인 것을 확인 할 수 있었다. 이를 통해, IGSK 기법은 정보전달 속도 측면의 객관적인 평가를 진행할 때 우수한 결과를 도출할 수 있겠지만, 제안하는 기법은 정보 전달의 방향성과 신뢰성까지 고려하기 때문에 다양한 측면의 객관적인 평가를 진행할 때 더 우수한 결과를 도출한다.
- 성능차이의 원인은 RANDOM 기법은 무작위로 추출된 사용자를 추가했기 때문에 다른 기법에 비해 성능이 매우 뒤쳐진다는 사실을 알 수 있다. 이를 통해, 제안하는 기법의 신뢰성을 고려한 사용자 영향력이 확산성 측면에서 가장 높은 성능을 보인 것을 확인할 수 있다. 높은 확산성을 가졌다는 것은 같은 시간이 주어졌을 때 더 많은 사용자에게 영향력이 퍼졌음을 의미하므로 시간 측면의 성능 향상으로도 해석할 수 있다.
- SIR 기법에서 추출된 센서사용자를 추가한 센서 네트워크 제안하는 기법에서 추출된 신뢰성 사용자를 추가한 신뢰성 네트워크를 비교한 결과, 행위 빈도 율이 평균 12% 향상됨을 볼 수 있다. 행위와 시간만을 고려한 SIR 기법에 비해 제안하는 기법은 추가적으로 차원과 긍정, 부정으로 분류된 행위에 기반을 둔 신뢰성 점수를 고려했기 때문인 것을 확인할 수 있었다.
후속연구
- 이를 통해 사용자 영향력의 활용목적에 따라 기법이 고려하는 요소를 달리해야 더욱 효과적이라는 한계점을 발견하였다. 그러므로 향후 연구에서는 활용목적에 따라 고려하는 요소를 차등 적용하여 사용자 영향력을 판별함으로써 결과의 정확도를 향상시킬 예정이다.
- 이 과정에서 신뢰성 있는 정보를 제공하는 사용자를 판별하지 못하는 점을 해결하고, 결과의 정확성을 높임으로써 전체적인 판별 기법의 성능이 향상되었다. 제안하는 기법은 기업과 기관의 상업적 활용, 마케팅 플랫폼, 콘텐츠와 메시지 확산, 브랜드와 제품 홍보대사, 제품 개발과 개선 등에 활용 가능하다. 사용자의 게시물에 행해진 다른 사용자들의 소셜 행위를 수집하여 사용자의 신뢰성을 측정하고, 신뢰성 임계 치 이상의 사용자만을 모아 신뢰성 네트워크 구축을 통해 사용자가 제공하는 정보의 신뢰성을 높였다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.