[논문]포털사이트 실시간이슈 지속가능성 평가

정민영

doi:10.14400/jdc.2019.17.12.255

초록
AI-Helper

실시간검색어는 실시간으로 관심이 급상승하는 검색어에 대한 것으로 한정될 뿐 아니라 포털사이트마다 순위 차이가 있으므로 지속가능성을 파악하기 힘든 한계를 가지고 있다. 실시간검색어에 대한 지속가능성을 평가하는 것은 이러한 한계를 극복하고 예측가능성을 제공해준다는 측면에서 그 의미가 크다. 특히 한 달 이상 지속되는 장기 지속 검색어의 경우 사회적으로 관심이 오래 지속된 이슈로서 가치가 높다. 따라서 본 논문에서는 실시간검색어 순위에 기반한 관심도와 실시간검색어의 지속주수, 지속일수, 지속시간에 기반을 둔 지속도를 각 포털사이트 및 통합 포털사이트 별로 파악한 다음, 관심도와 지속도가 높은 것을 기준으로 지속가능성을 평가하여, 장기 지속가능성이 높은 실시간이슈를 도출하는 방법을 제시하고자 한다.

Abstract ▼ AI-Helper

Real-time search keywords are not only limited to search keywords that are rapidly increasing interest in real-time, but also have a limitation that they are difficult to determine the sustainability as there is a difference in ranking between portal sites. Estimating sustainability for real-time se...

Real-time search keywords are not only limited to search keywords that are rapidly increasing interest in real-time, but also have a limitation that they are difficult to determine the sustainability as there is a difference in ranking between portal sites. Estimating sustainability for real-time search keywords is significant in terms of overcoming these limitations and providing some predictability. In particular, long-term search keywords that last for more than a month are of high value as long-lasting social issues. Therefore, in this paper, we analyze the interest based on the ranking of the real-time search keywords and the duration based on sustained weeks, days and hours of real-time search keywords by each portal site and the integrated portal site, and then estimating sustainability based on high level of interest and duration, and present a method to derive real-time search issues with high long-term sustainability.

주제어

표/그림 (5)

표 Table 1. Frequency by keyword and duration group
그림 Fig. 1. Score change over the top 10 durations of real-time issues for each portal site
표 Table 2. Analysis of differences in duration of Realtimeissues
그림 Fig. 2. Changes in suvival probability by week for Daum and Naver Real-Time issues
그림 Fig. 3. Risk probability Comparison by week for Daum and Naver Real-Time issues

AI 본문요약
AI-Helper

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

문제 정의

이에 본 논문에서는 포털사이트별 실시간검색어의 지속가능성을 평가하기 위해 네이버(Naver)와 다음(Daum)에서 제공하는 실시간검색어를 수집하여 일정 기간 실시간검색어의 순위 점수가 지속성을 갖고 유지된 실시간이슈별로, 지속주수, 지속일수, 지속시간수, 지속 분수를 집계하여 지속주수 상위 검색어와 함께 이들의 주별 관심도가 어떻게 변화하는지를 제시한다. 또한, 이를 기반으로 포털사이트 종류별 실시간검색어의 일정 기간별 차이 분석을 통해 특성 차이를 이해할 수 있는 근거를 제시하고 나아가 주를 기준으로 포털사이트별 실시간 이슈의 생존확률을 구하고 그 차이를 분석하여 지속가능성에 반영함으로써 향상된 지능정보 서비스를 제공하는 방법을 제시하고자 한다.
이러한 한계를 극복하는 방법의 하나로 고려할 수 있는 것이 실시간이슈의 지속가능성을 평가하여 높은 평가를 받은 검색어를 제공해주는 것이다. 이를 위해서는 먼저 실시간검색어의 순위를 기준으로 하는 관심도에서 일정 기간의 실시간이슈를 도출하고 이를 기반으로 지속성을 파악하는 것이 필요하다.
이에 본 논문에서는 포털사이트별 실시간검색어의 지속가능성을 평가하기 위해 네이버(Naver)와 다음(Daum)에서 제공하는 실시간검색어를 수집하여 일정 기간 실시간검색어의 순위 점수가 지속성을 갖고 유지된 실시간이슈별로, 지속주수, 지속일수, 지속시간수, 지속 분수를 집계하여 지속주수 상위 검색어와 함께 이들의 주별 관심도가 어떻게 변화하는지를 제시한다. 또한, 이를 기반으로 포털사이트 종류별 실시간검색어의 일정 기간별 차이 분석을 통해 특성 차이를 이해할 수 있는 근거를 제시하고 나아가 주를 기준으로 포털사이트별 실시간 이슈의 생존확률을 구하고 그 차이를 분석하여 지속가능성에 반영함으로써 향상된 지능정보 서비스를 제공하는 방법을 제시하고자 한다.

제안 방법

본 논문에 사용된 실시간검색어 데이터는 2019년 4월 7일에서 2019년 6월 15일까지의 10주(70일)간의 네이버와 다음(Daum) 홈페이지에서 2분 간격으로 수집한 것이다. 각 포털사이트 1위~10위까지의 실시간검색어를 읽음과 동시에 각 순위에 따른 점수를 부여하여 검색사이트명, 검색어, 수집일시 등과 함께 저장하여 수집한다. 그리고 지속성을 분석할 때 이를 대상으로 특정 기간별 각 검색어에 부여된 점수를 집계하여 실시간검색어의 관심도와 실시간이슈의 척도로 활용한다.
네이버와 다음(Daum)의 실시간검색어 수집과 관심도 높은 실시간이슈 도출, 실시간이슈의 지속성 집계 및 차이 분석, 생존확률 추정 및 평가 등은 R 언어[14]를 통해 수행한다.
본 논문에서는 실시간검색어가 실시간 관심이 급상승하는 검색어에 대한 것으로 한정될 뿐 아니라 포털사이트의 특성에 따라 순위 차이가 있어서 일정 기간 지속가능성을 파악하기 힘든 한계를 극복하기 위해 네이버(Naver)와 다음(Daum)에서 제공하는 실시간검색어를 수집하여 일정 기간 실시간검색어의 순위 점수가 지속적으로 유지된 실시간이슈별로, 지속주수, 지속일수, 지속 시간수, 지속분수를 집계하여 지속주수 상위 검색어를 추출하여 실시간이슈의 지속성을 평가하고, 주를 기준으로 포털사이트별 실시간이슈의 생존확률과 위험확률을 구하여 생존성을 펑가함으로써 지속성과 생존성으로 구성되는 지속가능성을 평가하여 장기 지속가능성이 높은 실시간이슈를 도출하는 방법을 제시하였다

대상 데이터

본 논문에 사용된 실시간검색어 데이터는 2019년 4월 7일에서 2019년 6월 15일까지의 10주(70일)간의 네이버와 다음(Daum) 홈페이지에서 2분 간격으로 수집한 것이다. 각 포털사이트 1위~10위까지의 실시간검색어를 읽음과 동시에 각 순위에 따른 점수를 부여하여 검색사이트명, 검색어, 수집일시 등과 함께 저장하여 수집한다.
실시간이슈는 실시간검색어의 관심도가 일정 기간에 높게 나타난 것으로 현재를 기준으로 일간, 주간, 월간, 년간 가장 화제가 된 검색키워드의 검색횟수로 평가한다. 실시간검색어의 관심도는 실시간검색어 순위별로 점수화한 것으로 대한민국의 대표적인 포털사이트인 네이버와 다음(Daum)의 실시간검색어 상위 10개씩을 2분 간격으로 수집한 것을 대상으로 한다. 그러므로 실시간검색어가 상위에 속할수록 점수가 높으며, 점수가 높을수록 사용자의 관심도가 높은 검색어를 의미하므로 실시검색어의 관심도 정도를 대표하는 것으로 볼 수 있다.
실시간이슈 지속성은 지속주수와 점수합계를 기준으로 내림차순으로 정렬한 순서로 평가하였으며 상위 10개의 검색어를 추출하여 10주간의 변화량을 다음(Daum)과 네이버에 대해 분석한 결과, 다음(Daum)에서는 '유현진중계'가, 네이버에서는 ‘티몬데이’ 가 1위로 선정되었다.

이론/모형

실시간이슈의 생존성은 각 포털사이트의 실시간이슈의 지속주수를 구하여 생존시간으로 하고 최대 지속주수가 분석 최종주와 일치하면 이벤트 항목을 중도중단(0)으로 하여 생존데이터를 생성하여, 생존함수에 의한 생존확률의 크기 변화를 카플란 마이어(Kaplan-Meier)법[15,16]에 의해 구한다. 생존함수는 생존시간을 나타내는 확률변수가 특정 시간을 초과하여 생존할 확률을 구하는 것으로, 포털사이트 사이의 생존분석을 통해 생존확률의 차이를 분석할 수 있게 해준다.

성능/효과

결국, 지속성에 있어서 다음(Daum)과 네이버에서 각각 1위, 6위로 평가된 '유현진중계'의 경우, 실제로 다음(Daum)과 네이버를 통합한 실시간이슈의 지속성에서 최고 순위를 차지했으며, 네이버보다 생존성이 더 높은 것으로 나타난 다음(Daum)의 생존확률에 대한 상대적 가중치를 곱하여 그만큼 더 장기간 지속가능성이 높다고 볼 수 있다.
일단 포털사이트에 따라 시간별만 제외하고 주별, 일별, 분별 실시간이슈의 평균빈도가 t 검정 결과 유의한 차이가 있는 것으로 나타났으나 모두 등분산이 가정되지 않아 유의미한 것으로 해석하기 힘들다. 그리고, 실시간이슈 평균 지속주수의 경우, 다음(Daum)이 1.67주로 네이버 1.44주에 비해 길었고, 평균 지속일수도, 다음이 2.12일로 네이버 1.78일보다 길었으나, 지속시수의 경우에는 반대로 다음(Daum)이 5.16시간으로 네이버 5.30시간보다 짧았고, 지속분수의 경우에도 다음(Daum)이 68.89분으로 네이버 97.32분보다 짧은 것으로 나타났다. 그렇지만, 지속성에 있어서 보다 의미가 있는 것은 단기간보다는 장기간이므로 지속주수와 지속일수에서 평균빈도가 높게 나타난 다음(Daum)이 네이버보다 장기간 지속성이 높은 것으로 볼 수 있으며 그만큼 지속가능성이 크다고 할 수 있다.
실시간이슈의 생존성은 카플란마이어법을 적용한 생존확률의 차이 검정을 로그 순위 검정에 의해 수행한 결과, 두 포털사이트 간의 차이가 있는 것으로 나타났으며 생존확률의 크기 변화도 다음(Daum)이 네이버에 비해 생존확률이 전반적으로 높은 것으로 나타났다. 또한,Cox의 비례위험모형을 적용한 위험확률의 차이검정을 수행한 결과, 두 포털사이트 간의 차이가 있는 것으로 나타났으며, 다음(Daum)에 비해 네이버가 1.186배 위험율이 높았고, 다음(Daum)이 네이버에 비해 전체 10주간에 걸쳐 누적 위험확률이 낮은 것으로 나타났다. 결국, 지속성에 있어서 다음(Daum)과 네이버에서 각각 1위, 6위로 평가된 '유현진중계'의 경우, 실제로 다음(Daum)과 네이버를 통합한 실시간이슈의 지속성에서 최고 순위를 차지했으며, 네이버보다 생존성이 더 높은 것으로 나타난 다음(Daum)의 생존확률에 대한 상대적 가중치를 곱하여 그만큼 더 장기간 지속가능성이 높다고 볼 수 있다.
생존분석 기법 중에서 상대적 위험에 대한 위험확률을 계산해주는 Cox의 비례위험모형(Cox proportional hazards regression) 위험함수에 의해 누적 위험확률을 구하여 크기 변화를 나타낸 결과, Fig. 3과 같이 다음(Daum)이 네이버에 비해 전체 10주간에 걸쳐 누적 위험확률이 낮은 것으로 나타났으며, Cox의 비례위험모형을 적용한 위험확률의 차이검정을 수행한 결과(z=8.612,p=2e-16 <0.05), 두 포털사이트 간의 차이가 있는 것으로 나타났으며, 다음(Daum)에 비해 네이버가 1.186배 위험률이 높은 것으로 나타났다.
실시간이슈 지속성을 분석하기 위해 70일간의 네이버와 다음(Daum) 사례수 각 504,000건에 대해 검색어, 주, 일, 시간 그룹별 빈도를 집계한 결과, 네이버 27,427, 다음(Daum) 37,733건이었고, 이를 기반으로 검색어, 주, 일 그룹별로 빈도를 집계한 결과, 네이버 9,210, 다음(Daum) 15,540건이었으며, 다시 이를 기반으로 검색어,주 그룹별로 빈도를 집계한 결과, 네이버 7,438, 다음(Daum) 12,226건이었으며, 또 다시 이를 기반으로 검색어 그룹별 빈도를 최종 집계한 결과, 네이버 5,179, 다음(Daum) 7,316건으로 나타났다(Table 1 참고). 그리고,Table 1에는 네이버와 다음(Daum)의 단순 빈도합계(Naver +Daum), 공통부분을 한번 뺀 합집합(Naver∪Daum)의 빈도, 공통부분에 해당되는 교집합((Naver∩Daum))의 빈도, 공통부분을 배제한 네이버만의 빈도, 다음(Daum) 만의 빈도를 함께 나타냈다.
실시간이슈의 생존성은 카플란마이어법을 적용한 생존확률의 차이 검정을 로그 순위 검정에 의해 수행한 결과, 두 포털사이트 간의 차이가 있는 것으로 나타났으며 생존확률의 크기 변화도 다음(Daum)이 네이버에 비해 생존확률이 전반적으로 높은 것으로 나타났다. 또한,Cox의 비례위험모형을 적용한 위험확률의 차이검정을 수행한 결과, 두 포털사이트 간의 차이가 있는 것으로 나타났으며, 다음(Daum)에 비해 네이버가 1.
포털사이트 사이의 생존분석을 위해서 실시간이슈의 지속주수를 생존시간으로 하고 카플란 마이어법(Kaplan-Meier method) 생존함수에 의한 생존확률의 크기 변화를 구한 결과, Fig. 2와 같이 다음(Daum)이 네이버에 비해 전체 10주간에 걸쳐 생존확률이 높은 것으로 나타났으며 실제 카플란 마이어법을 적용한 생존확률의 차이 검정을 로그 순위 검정으로 수행한 결과(카이제곱=85.2, 유의확률(p) = 2e-16 <0.05), 두 포털사이트 간의 차이가 있는 것으로 나타났다.

후속연구

또한, 분석대상이 대표적인 두 개의 포털사이트에 한정된 것도 극복해야 할 과제이다. 따라서, 앞으로 데이터 수집 기간을 늘려서 가능한 연 단위 정도의 장기간 분석 기간을 갖도록 하고, 다양한 포털사이트를 분석대상에 추가시키는 것이 필요하다.
이러한 결과는 실시간검색어의 급상승 관심도에 국한된 실시간이슈의 특성을 지속가능성 관점에서 살펴보고,지속성과 생존성으로 평가하는 방법을 제시했다는 측면에서 의의가 있고, 향후 지능정보 서비스를 제공하는데 활용할 수 있다. 하지만, 실시간이슈의 장기간 지속가능성은 평가 기간에 따라 영향을 받을 수밖에 없으므로 이에 대한 보완이 필요하다.

질의응답

핵심어	질문	논문에서 추출한 답변
	실시간검색어의 문제점은 무엇인가?	실시간검색어는 실시간으로 관심이 급상승하는 검색어에 대한 것으로 한정될 뿐 아니라 포털사이트마다 순위 차이가 있으므로 지속가능성을 파악하기 힘든 한계를 가지고 있다. 실시간검색어에 대한 지속가능성을 평가하는 것은 이러한 한계를 극복하고 예측가능성을 제공해준다는 측면에서 그 의미가 크다.
	포털사이트별 고유의 특성을 반영한 극복방안은 무엇인가?	이러한 한계를 극복하는 방법의 하나로 고려할 수 있는 것이 실시간이슈의 지속가능성을 평가하여 높은 평가를 받은 검색어를 제공해주는 것이다. 이를 위해서는 먼저 실시간검색어의 순위를 기준으로 하는 관심도에서 일정 기간의 실시간이슈를 도출하고 이를 기반으로 지속성을 파악하는 것이 필요하다.
	빅데이터의 특징은 무엇인가?	빅데이터는 인공신경망 알고리즘에 의한 기계학습을 발전시켜 보다 똑똑한 인공지능 소프트웨어를 개발하는 원천으로써, 다변화된 현대 사회를 더욱 정확하게 예측하여 효율적으로 작동케 하고 개인화된 현대 사회에서 맞춤형 정보를 제공, 관리, 분석할 수 있게 하고 있다[5,6].특히 빅데이터로부터 의미 있는 데이터를 마이닝하는 대표적인 방법인 텍스트 마이닝은 대규모의 텍스트로부터 고품질의 정보가 도출되게 하는 과정으로서 새롭게 관심을 끄는 데이터들의 집합으로부터 통계적인 패턴 학습 등의 수단을 통해 패턴과 추세를 파악할 수 있으므로 실시간검색어 서비스를 웹 텍스트 마이닝의 연장선에 볼 수 있다.

참고문헌 (16)

A. Abbasi, S. Sarker & Roger H. L. Chiang. (2016). Big Data Research in Information Systems: Toward an Inclusive Research Agenda. Journal of the Association for Information Systems, 17(2), 1-32. DOI : 10.17705/1jais.00423

상세보기
W. J. Seo & K. T. Rhyu. (2019). Design and Implementation of Information Retrieval System Based on Ontology Using Semantic Web. Journal of Digital Convergence, 17(1), 209-217. DOI : 10.14400/JDC.2019.17.1.209

원문보기 상세보기
Daum Search Help. (2016). Realtime hot issues. http://cs.daum.net/faq/15/14957.html#28971
Naver Search Help. (2015). Realtime hot searches. https://help.naver.com/support/service/main.nhn?serviceNo606&categoryNo1989
R. Knote, A. Janson, L. Eigenbrod & M. Sollner. (2018). The What and How of Smart Personal Assistants: Principles and Application Domains for IS Reserach. Multikonferenz Wirtschaftsinformatik (MKWI), Luneburg, Germany.
S. K. Kim, S. J Lee & J. G. Kim. (2016). Study on the Development of Phased Big Data Distribution Model Based on Big Data Distribution Ecology. Journal of Digital Convergence, 14(5), 95-106. DOI : 110.14400/JDC.2016.14.5.95

원문보기 상세보기
M. J. Jung, Y. L. Lee, C. M. Yoo, J. W Kim & J. E. Chung. (2019). An exploratory study on consumers' responses to mobile payment service focused on Samsung Pay. Journal of Digital Convergence, 17(1), 9-27. DOI : 10.14400/JDC.2019.17.1.009

원문보기 상세보기
S. H. Namn. (2015). Knowledge Creation Structure of Big Data Research Domain. Journal of Digital Convergence, 13(9), 129-136. DOI : 10.14400/JDC.2015.13.9.129

원문보기 상세보기
B. C. Lee & Y. Y. You. (2018). A Study on the Analysis of Consultation Needs of SMEs through Big-Data. Journal of Digital Convergence, 16(7), 27-34. DOI : 10.14400/JDC.2018.16.7.027

원문보기 상세보기
Y. S. Chae & S. H. Lee. (2018). Identification of Strategic Fields for Developing Smart City in Busan Using Text Mining. Journal of Digital Convergence, 16(11), 1-15. DOI : 10.14400/JDC.2018.16.11.001

원문보기 상세보기
M. Y. Chong. (2018). Evaluating real-time search query variation for intelligent information retrieval service. Journal of Digital Convergence, 16(12), 335-342. DOI : 10.14400/JDC.2018.16.12.335

원문보기 상세보기
KISO Validation Committee. (2015). The fourth validation report about realtime hot searches of Naver.
M. Y. Chong (2016). Extracting week key issues and analyzing differences from realtime search keywords of portal sites. Journal of Digital Convergence, 14(12), 237-243. DOI : 10.14400/JDC.2016.14.12.237

원문보기 상세보기
J. Starkweather. (2014). Introduction to basic Text Mining in R. University of North Texas.
M. K. Goel. P. Khanna & J. Kishore. (2010). Understanding survival analysis: Kaplan-Meier estimate. International journal of Ayurveda research, 1(4), 212-216.
R. G. Miller. (2011). Survival analysis-2nd Edition : John Wiley & Sons.

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

포털사이트 실시간이슈 지속가능성 평가
Estimating long-term sustainability of real-time issues on portal sites 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (5)

표/그림 (5)

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (16)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

포털사이트 실시간이슈 지속가능성 평가 Estimating long-term sustainability of real-time issues on portal sites 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (5) 모든 표/그림 보기

표/그림 (5) 슬라이드로 보기

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (16)

이 논문을 인용한 문헌

저자의 다른 논문 :

정민영 (14)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

포털사이트 실시간이슈 지속가능성 평가
Estimating long-term sustainability of real-time issues on portal sites 원문보기

초록
AI-Helper

표/그림 (5)

표/그림 (5)

AI 본문요약
AI-Helper