[논문]트위터 이용자의 음악 청취 행태 분석 및 국내 음악 순위와의 비교 연구

유영석; 손방용

doi:10.14400/jdc.2016.14.5.309

트위터 이용자의 음악 청취 행태 분석 및 국내 음악 순위와의 비교 연구
Music Listening Behavior analysis of Twitter User and A Comparative Study of Domestic Music Ranking 원문보기

디지털융복합연구 = Journal of digital convergence, v.14 no.5, 2016년, pp.309 - 316

초록
AI-Helper

음악 소비행태가 온라인으로 변화하면서 온라인 음악 플랫폼들이 등장하기 시작한지 오래다. 사람들이 인기 음악이나 인기 뮤지션의 음악 등 추천 정보 제공을 선호하게 되면서 온라인 음악 플랫폼의 차트를 이용하기도 하고, 소셜 네트워크 서비스(SNS)를 통해 정보를 공유하기도 한다. 온라인 음악 순위 차트는 조금씩 차이가 있으며, 그 이유 중 하나는 플랫폼마다 보유하고 있는 회원들의 특성이 다르기 때문이라고 볼 수 있다. 한편, SNS 이용자의 특성을 지닌 음악 차트 순위가 필요하고 이와 관련하여 각 온라인 음악 플랫폼의 차트들을 종합하려는 시도가 있어왔다. 더불어 음악적 특성을 SNS와 연결 지어 연구하는 관련 논문 역시 계속 등장하고 있다. 본 연구에서는 국내의 다양한 SNS중 트위터 이용자들의 음악적 특성을 분석하고 기존의 음악 플랫폼의 순위차트와 트위터의 해시태그라는 기능을 통해 SNS 이용자들이 공통적으로 선호하는 음악 기반의 국내 인기 음악 차트 순위를 개발하고 그 순위의 특성을 분석하여 기존의 온라인 음악 순위 차트, 공영방송사 음악 순위 차트와의 결과를 비교 연구한다.

Abstract ▼ AI-Helper

While consumption patterns have changed online music, online music platform began to emerge. While people prefer popular music recommendation, they use the online music platform chart or use the SNS Platform to share information. Online platform Ranking is different because of different properties held by members. Meanwhile, we need music charts characteristics of SNS users. So there were a lot of attempts to chart a comprehensive variety of platforms. And continue to emerge theses linking the musical characteristics and SNS. In this paper, We have developed a new chart using the behavior of Twitter Users who listen to music, and studies comparing the results with existing chart.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 연구에서는 R과 데이터 마이닝 패키지를 이용해 음악 트윗 차트를 작성하여 기 존재하는 온라인 음악 순위 차트, 공영방송사 음악 순위 차트와의 비교를 하려고 한다.
본 연구에서는 트위터의 음악 청취 행태를 분석하고 음악 트렌드와의 관계성을 분석 및 SNS의 청취자 형태를 반영한 순위 차트를 통해 음악 트렌드를 보다 잘 설명할 수 있는 특성을 찾아내려고 한다.
다만 온라인 음악 플랫폼들마다 보유 회원의 특성이 다르기 때문에 차트 정보들이 다를 수 있으며, 이는 플랫폼들만이 가지는 특성이 반영되었다고 할 수 있다. 수많은 음악들 사이에서 음악 청취자들에게 추천 서비스를 할 수 있는 유용한 음악 차트인 만큼 다양한 특성을 반영한 차트 데이터의 필요성이 있어 본 연구를 진행하게 되었다.
연구 초기에는 온라인 음악 플랫폼에서 제공하는 API[2] 등을 활용하여 종합적인 데이터를 수집해 이용자의 인기 차트를 파악하려고 하였으나, 일부의 플랫폼에서만 API를 제공하기 때문에 데이터 수집의 한계가 있어 음악 플랫폼이 아닌 다른 영역에서 음악 이용 행태 분석이 불가피하게 되었다. 이에 요즘 화두가 되고 있는 SNS를 이용하는 방법을 고안하게 되었다.

제안 방법

마지막으로 집계된 데이터 셋을 아티스트 명으로 다시 한 번 필터링해 최종적인 데이터를 얻는다. 이렇게 얻어진 데이터 셋을 통해 중복된 트윗들의 중복 횟수를 산출하고, 트윗을 이용한 차트 집계 시 중복 횟수를 반영하여 트윗 차트를 작성한다.
정형화 과정을 거친 트윗 데이터 내에서 플랫폼 차트종합을 통해 집계된 58개의 타이틀을 순차적으로 검색해 타이틀 별 트윗에 등장된 횟수를 기록한다. 타이틀 검색에는 R 내에서 데이터 수집시의 한국어 인식의 원활함을 위해 R의 Unicode 패키지라는 한국어 인코딩 함수를 이용하였다.
정형화 과정을 거친 트윗 데이터 내에서 플랫폼 차트종합을 통해 집계된 58개의 타이틀을 순차적으로 검색해 타이틀 별 트윗에 등장된 횟수를 기록한다. 타이틀 검색에는 R 내에서 데이터 수집시의 한국어 인식의 원활함을 위해 R의 Unicode 패키지라는 한국어 인코딩 함수를 이용하였다. 타이틀로 검색된 데이터 셋 내에서 마찬가지방법으로 해당 곡의 아티스트 명을 한국어, 영어 등으로 다시 검색을 실시하여 동명의 타이틀이라 할지라도 음악플랫폼 차트에 등장한 타이틀과 아티스트가 매치된 결과물이 도출될 수 있도록 한다.
트윗 정보를 이용하여 트윗 차트 순위를 개발하였고 [Table 4], 인지도를 기준으로 한 유명 음악 플랫폼 2곳과 공영방송사 2곳의 음악차트와 개발된 트윗 차트 상위순위를 비교하였다[Table 5]. 또한 기존 음악차트순위와 트윗 차트 순위의 동질성을 확인하기 위하여 분산분석을 행하였다.
여기에 더해, SNS를 이용하는 목적 중 사용자 간 정보교류가 크다는 측면을 염두하여[21] 매니아 혹은 얼리어답터와 같은 정보 공유자를 통해 다수의 사용자의 의사가 결정될 수 있어 트윗 데이터가 온라인 음악 순위 차트, 공영방송사 음악 순위 차트를 예측한 데이터라고 볼 수 있다. 트윗 차트와 타 플랫폼 순위간의 연관성을 확인하기 위하여 온라인 음악 순위, 공영방송사 음악 순위 30위까지의 차트 데이터를 한 주 전의 트윗 차트와 상관분석을 실시하였다. 사용한 데이터는 9월 마지막 주부터 10월 첫째 주까지의 트윗 차트와 10월 첫째 주부터 10월 셋째 주 까지의 온라인 음악 플랫폼, 공영방송사의 데이터이며, 그 결과는 [Table 8]과 같다.

대상 데이터

[Table 2]의 방문자 수를 기준으로 온라인 음악 플랫폼은 엠넷, 멜론의 차트를 이용하였으며, 공영방송사의 경우, KBS, SBS를 이용 하였다. MBC의 경우 본 연구의 작성일을 기준으로 마지막 음악 차트 데이터 생성 날짜가 7월 이므로 포함시키지 않았으며, 각 차트 집계 기준은 [Table 3]과 같다.
데이터 수집은 R에서 제공하는 twitteR 패키지 내의 searchTwitter 함수를 통해 각종 음악 순위 플랫폼의 차트 집계기간을 고려하여 월요일 00:00부터 차주 월요일 00:00 직전까지의 데이터 중 #nowplaying 해시태그와 #np 해시태그를 포함하는 트윗을 모두 추출한다. 이 다음 추출된 데이터 중 #np와 #nowplaying 해시태그를 함께 사용한 중복 트윗을 제거한 뒤 #np 해시태그를 포함하는 트윗과 #nowplaying 해시태그를 포함하는 트윗을 결합하여 하나의 데이터 셋으로 만든다.
이 때, 주간 인기차트의 상한선은 SBS가 30위까지의 정보 제공하므로 각 음악 차트들의 기준을 같게 하기 위해 30위까지의 데이터를 수집하는 것으로 한다. 마찬가지로 플랫폼과 공영방송사별 30위 내의 음악 타이틀의 순위를 집계한 뒤 중복된 음악 타이틀을 제거하여 총 58개의 타이틀이 나열되었다.
본 연구에 활용된 트위터는 세계를 대상으로 어마어마한 이용자를 보유한 SNS이다. 여기에 더불어 자신이 업로드한 게시물의 연관된 키워드 등을 표현할 수 있는 해시태그[5]라는 기능을 제공하기 때문에 이는 데이터 수집을 위한 키워드 선정의 한 기준이 될 수 있다.
트윗 차트와 타 플랫폼 순위간의 연관성을 확인하기 위하여 온라인 음악 순위, 공영방송사 음악 순위 30위까지의 차트 데이터를 한 주 전의 트윗 차트와 상관분석을 실시하였다. 사용한 데이터는 9월 마지막 주부터 10월 첫째 주까지의 트윗 차트와 10월 첫째 주부터 10월 셋째 주 까지의 온라인 음악 플랫폼, 공영방송사의 데이터이며, 그 결과는 [Table 8]과 같다.
항목 중 수집 기간 설정을 통해 트윗 생성일인 created를 기준으로 트윗 본문인 text내 #nowplaying, #np 해시태그가 포함되는 트윗들을 수집하였다.

데이터처리

트윗 정보를 이용하여 트윗 차트 순위를 개발하였고 [Table 4], 인지도를 기준으로 한 유명 음악 플랫폼 2곳과 공영방송사 2곳의 음악차트와 개발된 트윗 차트 상위순위를 비교하였다[Table 5]. 또한 기존 음악차트순위와 트윗 차트 순위의 동질성을 확인하기 위하여 분산분석을 행하였다. 1단계는 가장 인기 있는 10위까지의 음악을 이용하여 분석한 결과 집단 간의 차이가 없어 통계적으로 동일한 차트라고 말 할 수 있다고 볼 수 있으며 [Table 6].
본 연구에서 작성한 트윗 차트와 기 존재하는 온라인 음악 순위 차트, 공영방송사 음악 순위 차트 간에 관계성을 확인하기 위해 분산분석과 상관분석이라는 통계분석방법을 이용하였다.

이론/모형

상관계수는 피어슨 상관계수, 스피어만 상관계수, 크론바흐 알파 계수 등의 척도로 구할 수 있는데, 본 연구의 경우에는 음악 순위를 기준으로 상관관계를 구하기 때문에 자료의 값 대신 순위를 이용하는 스피어만 상관계수를 이용하였다. 스피어만 상관계수를 이용한 상관분석은 특정 매체에서 찾고자 하는 키워드의 발현 횟수 및 구매 만족도 조사 등 이 외 다양한 분야에서의 요인 간 관계 분석을 위해 많이 쓰이는 기법이다[19].

성능/효과

같은 주차별 트윗 차트와 플랫폼 차트의 10위와 30위까지의 분산분석 결과 [Table 6]와 [Table 7]의 결과를 바탕으로 트윗 차트와 온라인 음악 순위 차트, 공영방송사 음악 순위 차트 간에는 차이가 없는 것으로 나타났다. 여기에 더해, SNS를 이용하는 목적 중 사용자 간 정보교류가 크다는 측면을 염두하여[21] 매니아 혹은 얼리어답터와 같은 정보 공유자를 통해 다수의 사용자의 의사가 결정될 수 있어 트윗 데이터가 온라인 음악 순위 차트, 공영방송사 음악 순위 차트를 예측한 데이터라고 볼 수 있다.
결과적으로 일부 플랫폼에서 연관성이 있다고 볼 수 있는 매우 유의한 확률이 관측되었는데, 특히 SBS는 모든 주차에서 트윗 차트와 연관성이 있다는 유의확률을 확인할 수 있었다. 이는 [Table 3]에 의해 온라인 음악플랫폼의 경우 보유 회원의 자사 플랫폼 내의 청취 형태를 기준으로 순위를 책정하는 반면, SBS의 경우 SNS라고 할 수 있는 유튜브의 선호도를 포함하여 집계한 특성을 반영한 차트라고 볼 수 있기 때문이다.
그룹 간의 분산을 분석한 결과 3개 주차의 유의확률은 일반적으로 사용되는 유의수준인 0.05보다 훨씬 크기 때문에 트윗 차트 10위 까지의 결과를 타 플랫폼과의 비교를 실시한 결과는 그룹 간 평균의 차이가 없다고 볼 수 있어 트윗 차트의 상위권 내에 위치한 음악은 타 플랫폼의 음악 차트 상에서도 상위에 위치하고, 트윗 차트의 하위권 내에 위치한 음악 또한 타 플랫폼의 음악 차트 상에서도 하위권에 위치하는 등의 유사한 결과를 갖는다고 결론지을 수 있다.
05보다 높았으며, 30위까지의 데이터 역시 그룹 간 차이가 없다고 볼 수 있다. 여기에 더해, 관찰된 유의확률은 10위까지의 분산분석 결과보다 훨씬 높은 수치를 보여 30위까지의 분산분석 결과가 더 명확하다고 볼 수 있다.
한편 트윗 차트가 온라인 음악 순위 차트, 공영 방송사음악 순위 차트를 예측하는 선행지수 특성을 확인하기위해 실시한 해당 주차의 트윗 차트와 차주의 온라인 음악 플랫폼, 공영 방송사 음악 차트와의 상관분석 결과, 트윗 차트가 공영방송사 2곳과의 공영방송사의 차트와는 강한 상관성을 나타내었다[Table 8]. 따라서 트윗 차트의 선행지수적 특징을 통해 트윗 차트는 일부 음악 차트순위를 예상하는데 유용하다고 볼 수 있으며.

후속연구

분산분석의 종류로는 일원분산분석, 이원분산분석, 다원분산분석, 공분산분석 등이 있는데, 본 연구의 경우 음악 플랫폼이라는 독립변인에 따라 순위라는 종속변인을 비교하는 것이므로 독립변인이 1개이다. 따라서 일원분산분석을 이용하며, 비교 플랫폼의 개수가 멜론, 엠넷, SBS, KBS, 트윗 차트로 3개 이상이기 때문에 집단 간 분산의 차이가 있다는 분석결과가 나왔다면 사후분석으로 이어져 각 집단의 수치에 따라 같은 분산을 가지는 그룹을 확인하게 된다. 결국 트윗 차트의 상위순위권 음악이 온라인 음악 순위 차트, 공영방송사의 음악 순위 차트 상위권에 얼마나 위치하고 있는지, 하위 순위권 음악이 얼마나 위치하고 있는지를 판단하기 위해 사용한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	트위터에서 제공하는 API를 통해 어떤 데이터 획득이 가능한가?	트위터에서는 데이터를 수집하기 위한 다양한 API를 제공하는데, R에서 데이터를 제공받기 위해서 twitteR패키지를 이용한다. 여기에서 등록된 트윗의 언어 설정을 통해 한국어가 포함된 트윗만을 수집하여 한국인 기준의 트윗 데이터를 획득하거나, 특정 기간을 조건으로 트윗을 수집하는 등의 조건으로 데이터 수집이 가능한데, twitteR을 통해 데이터를 수집하는 과정은 [Fig. 2]와 같으며, 제공받는 데이터 항목은 [Table 1]과 같다.
	트윗은 어떤 소리를 나타내는가?	작은 새가 지저귀는 소리를 나타내는 트윗(tweet)의 의미를 가진 트위터는 2006년 3월에 서비스를 시작한 소셜 네트워크 서비스로 140자 단위의 트윗이라고 하는 메시지를 전송할 수 있다[8]. 이렇게 전송된 트윗은 이용자의 프로필 메시지에 표시되며 해당 이용자를 팔로우(follow)하는 다른 이용자에게 즉시 전달되는 실시간성을 가지고 있다.
	R은 무엇이며 장점은?	R은 현재 가장 유용하게 사용되는 통계 분석 도구중 하나이며, 그 기능이 매우 강력하고 누구나 무료로 이용할 수 있다는 큰 장점을 가지고 있다. 이로 인해 현재 사회과학, 자연과학 등의 분야에서 통계 결과 도출 뿐 아니라 시각화된 결과 자료를 작성하는 방법으로 많이 사용되는 추세이다[10].

참고문헌 (21)

H. G. Kang, "Music Pattern Analysis of K-POP", Journal of the Korea Convergence Society, Vol. 11, No. 3, pp. 95-100, 2013.
SK Planet Developers : https://developers.skplanetx.com/apidoc/kor/melon/chart, September 1, 2015.
H. Y. Chan, "Analysis of Opinion Social Data on the SNS by analyzing of Collective Damage Reply", Journal of the Korea Convergence Society, Vol. 11, No. 5, pp. 41-51, 2013.
D. I. Tag, "A Study on The Influence of Convergence Benefit of Facebook Fan Page in Brand Attachment and Brand Commitment", Journal of the Korea Convergence Society, Vol. 6, No. 5, pp. 199-206, 2015.

원문보기 상세보기
Twitter Information Center-Hashtag : http://support.twitter.com/articles/402995, September 1, 2015.
J. S. Lee, "A Study on the Data mining preprocessing Tool For Efficient database marketing", Journal of the Korea Convergence Society, Vol. 12, No. 11, pp. 257-264, 2014.
The R Project for Statistical Computing : https://www.r-project.org, September 1, 2015.
H. W. Kwak, "Why Twitter is a social network", 2011.
Y. K. Kim, "Crowds vs. Broadcasters: Predicting Billboard Rank Using Characteristic of Music Listening Behavior in Twitter", 2015.
K. H. Choi, "A reviews on the social network analysis using R", Journal of the Korea Convergence Society, Vol. 6, No. 1, pp. 77-83, 2015.
D. H. Byun, "Method for Selecting a Big Data Package", Journal of the Korea Convergence Society, Vol. 11, No. 10, pp. 47-57, 2013.
twitteR : http://cran.nexr.com/web/packages/twitteR /index.html, September 1, 2015.
Twitter developers : https://dev.twitter.com, September 1, 2015.
Y. M. Kim, "A Study on plan for promoting innovation and utilization of information sharing", Journal of the Korea Convergence Society, Vol. 12, No. 4, pp. 43-49, 2014.
The JSON Data Interchange Format : http://www.json.org, September 1, 2015.
Extensible Markup Language(XML) : http://www.w3.org/XML, September 1, 2015.
IBM Knowledgecenter-One way ANOVA : http://www-01.ibm.com/support/knowledgecenter/SSLVMB_20.0.0/com.ibm.spss.statistics.help/idh_onew.htm?langko, September 1, 2015.
IBM Knowledgecenter-Bivariate Correlations : http://www-01.ibm.com/support/knowledgecenter/SSLVMB_21.0.0/com.ibm.spss.statistics.help/idh_corr.htm?langko, September 1, 2015.
J. H. Choi, "A Study on the Correlation of Agendas between Politicians' Twitters and traditional News Media", 2011.
Korean Click, "October to December 2013 Total PC/Mobile(Web + APP) service status using online sources", 2014.
H. Y. Kim, "Domestic and international SNS status and sociological implications", pp. 19-42, KISDI, 2012.

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증