[논문]온라인 동영상 플랫폼의 알고리듬은 어떤 연관 비디오를 추천하는가: 유튜브의 K POP 뮤직비디오를 중심으로

이영주; 이창환

doi:10.5392/jkca.2020.20.04.001

온라인 동영상 플랫폼의 알고리듬은 어떤 연관 비디오를 추천하는가: 유튜브의 K POP 뮤직비디오를 중심으로
What Do The Algorithms of The Online Video Platform Recommend: Focusing on Youtube K-pop Music Video 원문보기

한국콘텐츠학회논문지 = The Journal of the Korea Contents Association, v.20 no.4, 2020년, pp.1 - 13

이영주 (서울과학기술대 IT정책전문대학원) , 이창환 (서울과학기술대 데이터사이언스학과 일반대학원)

초록
AI-Helper

본 연구는 온라인 동영상 플랫폼에 적용되는 추천 알고리듬을 이해하고자 유튜브에서 K-pop 뮤직비디오의 콘텐츠 특성과 재생 시 추천되는 연관 비디오(related video)의 관계를 규명하고 네트워크 분석을 통해 어떤 비디오가 연관 비디오로 추천되는지 살펴보았다. 분석 결과, K-pop 재생 시 비디오의 좋아요 수가 추천 순위에 영향을 주었으며 대부분 같은 채널에 속하거나 동일한 기획사에서 제작한 비디오가 연관 비디오로 추천되었다. 그리고 연관 비디오의 네트워크 분석 결과, K-pop 뮤직비디오의 네트워크가 강하게 형성되어 있으며 연관 비디오의 네트워크 분석에서 BTS의 뮤직비디오가 중심성이 높게 나타났다. 이러한 연구결과는 K-pop간의 네트워크가 강하기 때문에 K-pop을 검색 쿼리로 입력해서 비디오를 시청할 때는 연속적으로 K-pop을 즐길 수 있지만, 반대로 다른 장르의 비디오를 시청할 때는 K-pop이 연관 비디오로 추천되지 못할 수 있음을 의미한다.

Abstract ▼ AI-Helper

In order to understand the recommendation algorithm applied to the online video platform, this study examines the relationship between the content characteristics of K-pop music videos and related videos recommended for playback on YouTube, and analyses which videos are recommended as related videos through network analysis. As a result, the more liked videos, the higher recommendation ranking and most of the videos belonging to the same channel or produced by the same agency were recommended as related videos. As a result of the network analysis of the related video, the network of K-pop music video is strongly formed, and the BTS music video is highly centralized in the network analysis of the related video. These results suggest that the network between K-pops is strong, so when you enter K-pop as a search query and watch videos, you can enjoy K-pop continuously. But when watching other genres of video, K-pop may not be recommended as a related video.

주제어

표/그림 (14)

그림 그림 1. 구독형 음악 스트리밍 서비스의 점유율
표 표 1. 주요 개념의 조작적 정의
표 표 2. 분석대상 K- pop 아티스트의 채널 정보
표 표 3. 주요 변인간 상관관계
표 표 4. 분석 비디오와 연관 비디오의 기본 통계
그림 그림 2. 원곡 비디오의 매개 중심성
표 표 5. K-pop 뮤직비디오의 조회 수에 영향을 미치는 요인
표 표 6. K-pop 콘텐츠특성의 차이에 따른 연관 비디오의 추천 순위
표 표 7. K-pop의 연관 비디오의 추천 순위에 영향을 미치는 요인
그림 그림 3. 원곡 비디오의 근접 중심성
그림 그림 4. 원곡 비디오의 아이겐벡터 중심성
그림 그림 5. 연관 비디오의 매개 중심성
그림 그림 6. 연관 비디오의 근접 중심성
그림 그림 7. 연관 비디오의 아이겐벡터 중심성

AI 본문요약
AI-Helper

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

문제 정의

네트워크의 구조적 속성 이외에 뮤직비디오가 내포하는 사회문화적 차원의 심층적인 분석과 동영상이 소비되는 맥락에 대한 분석이 요구되는 지점이다. 그럼에도 K pop의 재생시 추천되는 17,000여 개의 연관 비디오 데이터를 실증적으로 분석 했다는 데 의의를 두고자 한다.
다음으로 유튜브에 업로드된 K-pop 뮤직비디오의 콘텐츠 특성, 즉 조회 수, 좋아요 수와 댓글 수의 차이에 따라 연관 비디오로 추천되는 순위가 어떻게 달라지는지 살펴보았다. 분석 결과, 3억 이상으로 조회 수가 가장 많은 비디오의 연관 순위는 10.
이에 본 연구는 머신러닝과 딥러닝을 토대로 하는 알고리듬이 K-pop 뮤직비디오의 연관비디오 추천에 미치는 영향을 추정함으로써 콘텐츠 창작자와 이를 전달하는 서비스 제공자에게 실용적임 함의를 제공할 수 있을 것으로 기대한다. 동시에 알고리듬에 의해 추천되는 동영 상이 무엇인지 실증적으로 제시함으로써 정책적 관점에서도 온라인 플랫폼에서 사용되는 추천 알고리듬에 대한 논의를 시작할 수 있는 단초를 제공하고자 한다.
본 연구에서는 글로벌 동영상 플랫폼에서 높은 인기를 얻고 있는 K-pop 뮤직비디오의 콘텐츠 특성과 재생 시 추천되는 연관 비디오(related video)의 관계를 살펴보고 네트워크 분석을 통해 어떤 비디오가 연관 비디오로 추천되는지 알아보았다.
본 연구에서는 온라인 동영상 플랫폼에서 적용하는 추천 알고리듬에 따라 콘텐츠 노출이 달라질 수 있다는 점에 주목하고, 연관 비디오(related video)로 어떤 콘텐츠가 추천되는지를 알아보고자 하는 연구목적을 지니고 있다. 이를 위해 K-pop 뮤직비디오의 콘텐츠 특성이 콘텐츠 조회 수와 연관 비디오의 추천 순위에 미치는 영향을 알아보고, 연관 비디오 간 형성되는 네트워크 특성을 살펴보고자 한다.
본 연구에서는 온라인 동영상 플랫폼에서 적용하는 추천 알고리듬에 따라 콘텐츠 노출이 달라질 수 있다는 점에 주목하고, 연관 비디오(related video)로 어떤 콘텐츠가 추천되는지를 알아보고자 하는 연구목적을 지니고 있다. 이를 위해 K-pop 뮤직비디오의 콘텐츠 특성이 콘텐츠 조회 수와 연관 비디오의 추천 순위에 미치는 영향을 알아보고, 연관 비디오 간 형성되는 네트워크 특성을 살펴보고자 한다. 본 연구에서 설정한 연구문제는 다음과 같다.
K-pop은 유튜브에서 채널 구독자와 조회 수가 가장 높은 콘텐츠 유형으로서 K-Pop을 시청할 때 어떤 연관 동영상이 추천되는가에 따라 K-pop의 확산에 중요한 영향을 미칠 수 있다. 이에 K-pop 아티스트 상위 15개 그룹을 중심으로 이용자의 선호도가 반영된 콘텐츠 특성이 연관 동영상의 추천 순위에 어떤 영향을 주는지 알아보고자 한다. 그동안 유튜브에서 K-pop의 확산에 대한 연구는 많이 이루어졌지만, 알고리듬 추천으로 이루어지는 연관 비디오에 주목한 연구는 거의 없었다.
이에 본 연구에서는 온라인에서 가장 많은 동영상이 유통되는 유튜브에서 어떤 연관 동영상이 추천되는지 K-pop의 뮤직비디오를 중심으로 알아보고자 한다. K-pop은 유튜브에서 채널 구독자와 조회 수가 가장 높은 콘텐츠 유형으로서 K-Pop을 시청할 때 어떤 연관 동영상이 추천되는가에 따라 K-pop의 확산에 중요한 영향을 미칠 수 있다.

제안 방법

각 원곡 비디오에서 연 관 동영상이 나왔으면 1, 아니면 0으로 코딩하고, 연관 채널의 경우 Original과 Channel을 이용하여 2-mode network를 만들며 연관 비디오는 Original 과 Video를 이용하여 2-mode network를 만들었다. 2-mode network를 만든 뒤 행렬 곱으로 Original x Original과 같은 1-mode network 행렬을 만들고 다음 단계로 근접 중심성, 매개 중심성, 연결 중심성, 아이 겐벡터 중심성을 분석하였다. 네트워크 분석 및 시각화는 Gephi 소프트웨어를 활용했다.
다음으로 네트워크 분석을 위해 원곡 비디오 데이터와 연관 채널 또는 연관 비디오 데이터를 2차원 형태인 2-mode network로 만들었다. 각 원곡 비디오에서 연 관 동영상이 나왔으면 1, 아니면 0으로 코딩하고, 연관 채널의 경우 Original과 Channel을 이용하여 2-mode network를 만들며 연관 비디오는 Original 과 Video를 이용하여 2-mode network를 만들었다. 2-mode network를 만든 뒤 행렬 곱으로 Original x Original과 같은 1-mode network 행렬을 만들고 다음 단계로 근접 중심성, 매개 중심성, 연결 중심성, 아이 겐벡터 중심성을 분석하였다.
다음으로 네트워크 분석을 위해 원곡 비디오 데이터와 연관 채널 또는 연관 비디오 데이터를 2차원 형태인 2-mode network로 만들었다. 각 원곡 비디오에서 연 관 동영상이 나왔으면 1, 아니면 0으로 코딩하고, 연관 채널의 경우 Original과 Channel을 이용하여 2-mode network를 만들며 연관 비디오는 Original 과 Video를 이용하여 2-mode network를 만들었다.
다음으로 연관 비디오의 네트워크 특성을 분석한 결 과 BTS, PSY, GOY7, BIGBANG, 걸그룹의 5개 그룹으로 구분된다. 특히 BTS 호르몬 전쟁, 봄날, DOPE과 PSY Daddy과 빅뱅의 Fantastic baby, Loser/트와이스의 우아하게가 매개 중심성 값이 높다.
다음은 연관 비디오 목록에 나타난 비디오의 조회 수, 댓글 수, 좋아요 수, 곡길이, 경과일 간에 상관관계를 분석해보았다. 조회 수, 댓글 수, 좋아요 수 간에 정 적 상관관계가 있는 것으로 나타났다.
본 연구에서는 유튜브의 원곡 비디오와 연관 비디오의 목록을 바탕으로 129개 비디오 x 20개 연관 비디오의 네트워크를 분석하였다.
그런 다음 129곡의 연관 비디오를 상위 20개까지 유튜브 API에 요청하였다. 수집된 연관 비디오들의 ID를 호출하여 상 세 정보를 정리하였다. 데이터 수집은 2019년 11월 11 일부터 17일까지 1주일간 매일 오후 5시에 추출하였다.
반면 콘텐츠에 기반한 필터링은 항목 자체를 분석하여 추천하는데, 이용자가 특정 음악을 검색해서 듣고 있다면 그 음악과 유사한 음악을 추천하는 방식이다. 이에 각 음악 항목을 분석한 프로파일과 사용자의 선호도를 계산한 프로파일을 추출하여 유사성을 계산한다 [28].
좋아요 수는 해당 비디오를 시청한 이후 이용자들이 좋아요를 누른 수를 의미하며, 댓글 수는 해당 비디오에 달린 댓글 수로 이용자들의 참여나 공감 정도를 파악할 수 있는 지표이다[41]. 콘텐츠 등록 기간은 해당 비디오가 유튜브에 등록된 이후 경과된 기간으로 데이터를 크롤링 한 날부터 비디오를 최초 등록한 일까지 계산하였다.

대상 데이터

수집된 연관 비디오들의 ID를 호출하여 상 세 정보를 정리하였다. 데이터 수집은 2019년 11월 11 일부터 17일까지 1주일간 매일 오후 5시에 추출하였다. 크롤링을 통해 추출된 연관 비디오는 18,060(129 x 20곡 x 7일)이 아닌 17,939를 얻었는데, 일부 동영 상의 경우 연관 비디오가 20개가 아닌 경우가 있었기 때문이다.
먼저 유튜브 채널 구독자 수 기준으로 상위 15개 K-pop 채널을 선별하여 각 채널에 업로드된 뮤직비디오 중 10개 미만씩 총 129곡을 추출하였다. 그런 다음 129곡의 연관 비디오를 상위 20개까지 유튜브 API에 요청하였다.
본 연구에서 수집한 비디오 메타데이터에는 비디오의 제목, 아티스트, 비디오 유형, 업로드 시기, 조회 수, 댓글 수, 좋아요 수, 음악 장르가 포함되어 있다. 채널 구독자 수란 비디오가 업로드된 채널을 구독하는 팔로워들의 수를 말한다.

이론/모형

2-mode network를 만든 뒤 행렬 곱으로 Original x Original과 같은 1-mode network 행렬을 만들고 다음 단계로 근접 중심성, 매개 중심성, 연결 중심성, 아이 겐벡터 중심성을 분석하였다. 네트워크 분석 및 시각화는 Gephi 소프트웨어를 활용했다.

성능/효과

특히 BTS의 호르몬전쟁, 봄날, DOPE의 근접 중심성, 매개 중심성, 아이겐벡터 중심성 이 가장 높았는데 해당 노래는 최근 글로벌 시장에서 주목받는 노래가 아닌 오래된 뮤직비디오라는 점과 레드벨벳의 피카부는 조회 수가 상대적으로 높지 않음에도 불구하고 근접 중심성이 높게 나타난 점이 특이할만 하다. 결론적으로 원곡 비디오들의 네트워크와 연관 비디오의 네트워크는 다른 특성이 있으며, 좋아요와 같은 비디오에 대한 선호도는 연관 비디오로 추천될 가능성 이 높다는 것을 의미한다.
조회 수, 댓글 수, 좋아요 수 간에 정 적 상관관계가 있는 것으로 나타났다. 그러나 경과일과 댓글 수나 좋아요 수는 부적 상관관계가 발견되었는데 경과일이 클수록 댓글 수와 좋아요 수는 감소하였다. 상관계수와 독립변인 간의 상관관계의 정도를 의미하는 VIF값이 10지 넘지 않아 다중공선성에는 문제가 없는 것으로 나타났다.
또한 아티스트별로 연관 비디오로 추천되는 채널 다양성을 살펴보았는데, PSY 13.05, 빅히트 10.46, 아이콘 10 순으로 PSY가 다양한 채널에서 연관 비디오로 추천되고 있으며, 소녀시대 등 걸그룹의 채널 다양성이 상대적으로 낮은 것으로 밝혀졌다.
또한 연관 비디오의 네트워크 분석 결과, K-pop 뮤직 비디오간 네트워크가 강하게 형성되어 있으며 BTS, PSY, GOY7, BIGBANG, 걸그룹의 5개 클러스터가 형성된 것으로 나타났다. 특히 BTS의 호르몬전쟁, 봄날, DOPE의 근접 중심성, 매개 중심성, 아이겐벡터 중심성 이 가장 높았는데 해당 노래는 최근 글로벌 시장에서 주목받는 노래가 아닌 오래된 뮤직비디오라는 점과 레드벨벳의 피카부는 조회 수가 상대적으로 높지 않음에도 불구하고 근접 중심성이 높게 나타난 점이 특이할만 하다.
다음으로 유튜브에 업로드된 K-pop 뮤직비디오의 콘텐츠 특성, 즉 조회 수, 좋아요 수와 댓글 수의 차이에 따라 연관 비디오로 추천되는 순위가 어떻게 달라지는지 살펴보았다. 분석 결과, 3억 이상으로 조회 수가 가장 많은 비디오의 연관 순위는 10.28이었으며, 좋아요 수도 400만 이상일 때 10.18로 가장 낮은 것으로 나타났다. 그러나 댓글 수가 많다고 해서 연관 비디오 추천 순위가 가장 낮은 것은 아니었다.
분석 대상인 129곡의 뮤직비디오의 조회 수에 영향을 미치는 요인을 살펴본 결과, 좋아요 수와 채널 구독자 수가 통계적으로 유의미한 변인이며 댓글 수는 영향을 주지 않는 것으로 밝혀졌다. 그 중 좋아요 수는 표준화 계수(β) .
분석대상 비디오 129곡의 평균 채널 구독자 수는 922만이며, 비디오 당 평균 조회 수는 2억 633만, 평균 좋아요 수는 226만, 평균 댓글 수는 34만 정도로 팬덤 이 높은 곡이라는 것을 알 수 있다.
그러나 경과일과 댓글 수나 좋아요 수는 부적 상관관계가 발견되었는데 경과일이 클수록 댓글 수와 좋아요 수는 감소하였다. 상관계수와 독립변인 간의 상관관계의 정도를 의미하는 VIF값이 10지 넘지 않아 다중공선성에는 문제가 없는 것으로 나타났다.
연관 비디오의 댓글 수가 원곡 비디오의 댓글 수의 1/2 수준이다. 연관 비디오가 유튜브에 업로드 된 경과일은 평균 1360일, 즉 45개월 정도로 나타났다.
연관 비디오의 추천 순위에 영향을 미치는 요인을 회귀분석을 통해 살펴본 결과, 각 비디오의 좋아요 수와 조회 수가 통계적으로 유의미한 영향을 주는 요인으로 나타났다. 단, 좋아요 수가 많을수록 연관 순위가 높게 나타났지만(t=3.
연구결과, K-pop 재생 시 추천되는 연관 비디오들의 평균 조회 수, 좋아요 수, 댓글 수는 매우 높으며 대부분 같은 채널에 속하거나 동일한 기획사에서 제작한 비디오가 연관 비디오로 추천되었다. 그러나 PSY와 BTS는 연관 비디오가 속한 채널 다양성이 높게 나타났는데, 특히 PSY는 다른 나라 가수의 노래가, BTS는 해외에서 개설된 BTS 계정 노래가 많이 추천되었다.
다음은 연관 비디오 목록에 나타난 비디오의 조회 수, 댓글 수, 좋아요 수, 곡길이, 경과일 간에 상관관계를 분석해보았다. 조회 수, 댓글 수, 좋아요 수 간에 정 적 상관관계가 있는 것으로 나타났다. 그러나 경과일과 댓글 수나 좋아요 수는 부적 상관관계가 발견되었는데 경과일이 클수록 댓글 수와 좋아요 수는 감소하였다.
한편, 다른 연구에서는 구독자 수, 등록 이후 경과 시간, 매개 중심성, 댓글 수, 근접 중심성, 클러스터링 계수, 평균 평점 순으로 영향력이 크지만[41] 네트워크 구조적 요인. 즉 연결 정도 중심성과 아이겐벡터 중심성은 조회 수에 부적 영향을 주는 것으로 밝혀졌다. 이러한 결과가 나타난 것은 너무 많은 콘텐츠와 연결성이 높을 경우 유사 콘텐츠들이 존재하여 조회 수가 분산될 수 있기 때문에 불리하다고 해석되고 있다[41].
BTS 의 경우 기획사 채널(빅히트)과 아티스트 채널(방탄소 년단)에 모두 뮤직비디오가 업로드되어 있으며 두 채널의 구독자 수를 합하면 5,300만이다. 채널에 업로드된 동영상의 총 조회 수는 빅히트 채널이 105억 이상으로 가장 많은 것으로 나타났다.

후속연구

본 연구는 1주일의 짧은 기간 동안 구독자 수가 많은 상위 K-pop 뮤직비디오의 연관 리스트만 자료를 수집했기 때문에 일반화를 하기엔 어렵다는 한계가 있다. 또한 유튜브는 이용자별로 추천 리스트가 다르기 때문에 본 연구에서 제시된 결과와 개별 이용자들에게 추천되는 비디오는 다를 수 있다.
유튜브는 알고리듬을 주기적으로 바꾸고 있어서 시기와 연구대상에 따라 그 결과도 달라지고 있다. 이에 본 연구는 머신러닝과 딥러닝을 토대로 하는 알고리듬이 K-pop 뮤직비디오의 연관비디오 추천에 미치는 영향을 추정함으로써 콘텐츠 창작자와 이를 전달하는 서비스 제공자에게 실용적임 함의를 제공할 수 있을 것으로 기대한다. 동시에 알고리듬에 의해 추천되는 동영 상이 무엇인지 실증적으로 제시함으로써 정책적 관점에서도 온라인 플랫폼에서 사용되는 추천 알고리듬에 대한 논의를 시작할 수 있는 단초를 제공하고자 한다.

참고문헌 (42)

G. Sivinski, A. Okuliar, and L. Kjolbye, "Is big data a big deal? A Competition law approach to big data," European Competition Journal, Vol.13, No.2-3, pp.199-277, 2017.

상세보기
김도균, "과학기술정보 서비스 플랫폼에서의 빅데이터 분석을 통한 개인화추천 서비스 설계," 한국비블리아학회지, 제28권, 제4호, pp.501-518, 2017.

원문보기 상세보기
M. L. Katz, "Multisided Platforms, Big Data, and a Little Antitrust Policy," Review of Industrial Organization, Vol.54, pp.695-716, 2019.

상세보기
조성기, 이영주, "유료방송 가입자의 장르 선호도와 VOD 구매의 관계에 관한 연구 : IPTV 영화 이용을 중심으로," 한국콘텐츠학회논문지, 제16권, 제11호, pp.91-102, 2016.
M. Airoldi, D. Beraldo, and A. L. Gandini, "Follow the algorithm : An exploratory investigation of music on Youtube," Poetics, Vol.57, pp.1-13, 2016.

상세보기
B. Hallinan and T. Striphas, "Recommended for you : The Netflix Prize and the production of algorithmic culture," New Media & Society, Vol.18, No.1, pp.117-137, 2016.

상세보기
김조한, 플랫폼 전쟁, 메디치, 2017.
Strabase, "음악 산업에서도 인공지능과 데이터 활용의 중요성 증대, 열성팬 찾기 등에 활용," NewsBrief, 2017.
https://www.nytimes.com/2019/06/14/opinion/youtube-algorithm.html?searchResultPosition1, 2020.2.1.
Strabase, "2018년 음악 산업에 영향을 미칠 3가지 요인," NewsBrief, 2018.
나스미디어, "미디어 이슈 리포트," 2018.
김경달, 유튜브 트렌드 2020, 이은북, 2019.
C. Cayari, "The YouTube effect : how YouTube has provided new ways to consume, create, and share music," International Journal of Education & the Arts, Vol.12, No.6, pp.1-28, 2011.
강미선, "유튜브는 어떻게 갓튜브가 됐나 : 동영상으로 1020 사로잡고 수익배분으로 콘텐츠 확보," 신문과 방송, 제570호, 2018.
금준경, "국내 언론사의 유튜브 생존 전략 : 오리지널콘텐츠 라이브, 서브 채널에 승부 걸다," 신문과 방송, 제570호, pp.11-15, 2018.
http://www.hani.co.kr/arti/culture/culture_general/893488.html#csidx6e800d7bfeda60aa382d9417d326097, 2020.2.1.
Jin Dal Yong and Yoon Kyong, "The social mediascape of transnational Korean pop culture : Hallue 2.0 as spreadable media practice," New media & society, Vol.18, No.7, pp.1277-1292, 2016.

상세보기
I. Oh and Gil-sung Park, "From B2C to B2B : Selling Korean Pop Music in the Age of New Social media," Korea Observer, Vol.43, No.3, pp.365-397, 2012.

상세보기
조병철, 심희철, "K-POP 한류의 성공요인분석과 한류 지속화 방안 연구 : 스마트 미디어 기반 실감 콘텐츠 활용을 중심으로," 한국콘텐츠학회논문지, 제13권, 제5호, pp.90-102, 2013.

원문보기 상세보기
I. Oh and H. G. Lee, "Mass media technologies and popular music genres : K-pop and Youtube," Korea Journal, Vol.53, No.4, pp.34-58, 2013.

상세보기
J. van Dijck, "Users like you? Theorizing agency in user-generated content," Media, Culture & Society, Vol.31, No.1, pp.41-58, 2009.

상세보기
J. H. Ahn, S. Oh, and H. Kim, "Korean pop takes off! Social media strategy of Korean entertainment industry," In : Proceedings on the 10th international conference on service systems and service management, New York : IEEE, pp.774-777, 2013.
http://www.hani.co.kr/arti/culture/culture_general/893488.html#csidx663d8a4d6db0df38cf3974c11248671, 2020.2.1.
D. Y. Jin, Globalization and Media in the Digital Platform Age, Routledge, p.126, 2020.
U. Siriyuvasak and S. Hyunjoon, "Asianizing Kpop: production, consumption and identification patterns among Thai youth," Inter Asia Cultural Studies, Vol.8, No.1, pp.109-136, 2007.

상세보기
정두희, AI 초격차 시대가 온다, 청림출판, 2019.
서봉원, "콘텐츠 추천 알고리즘의 진화," 방송 트렌드 & 인사이트, 제5권, pp.19-24, 2016.
M. Kaminskas and F. Ricch, "Contextual music information retrieval and recommendations : State of the art and challenges," Computer Science Review, Vol.6, pp.89-119, 2012.

상세보기
오세욱, "알고리즘으로 본 유튜브의 미디어 지향," 관훈저널, 제61권, 제1호, pp.11-17, 2019.
M. Bendersky, L. Garcia-Pueyo, J. Harmsen, V. Josifovsky, and D. Lepikhin, Up Next : Retrieval methods for large scale related video suggestion categories and subject descriptors, KDD, 2014.
유소엽, 정옥란, "사용자의 소셜 카데고리를 이용한 유튜브 동영상 추천 알고리즘," 정보과학회논문지, 제42권, 제5호, pp.664-670, 2015.
Q. Huang, B. Chen, J. Wang, and T. Mei, "Personalized Video Recommendation through graph propagation," ACM Transaction on Multimedia Computing, Communications, and Applications, Vol.10, No.4, p.32, 2014.
R. Zhou, S. Khemmarat, and L. Gao, "The impact of YouTube recommendation system on video views," In M. Allman (Ed.), Proceedings of the 10th ACM SIGCOMM conference on Internet measurement (IMC'10), New York, NY: ACM Press, pp.404-410, 2010.
M. Gielen and J. Rosen, "Reverse Engineering The YouTube Algorithm," tubefilter, 2016.
이선정, 이수범, "유튜브 상에서의 K-뷰티 한류 콘텐 츠 확산 전략 연구," GRI 연구논총, 제20권, 제3호, pp.231-259, 2018.
H. Yoganarasimhan, "Impact of social network structure on content propagation : A Study using Youtube data," Quantitative Marketing and Economics, Vol.10, pp.111-150, 2012.

상세보기
박정이, 임지은, 황장선, "유튜브 브랜드 채널 콘텐츠의 커뮤니케이션 전략," 한국광고홍보학보, 제20권, 제2호, pp.95-151, 2018.
임병학, "유튜브의 방문횟수에 대한 온라인 비디오 네트워크의 영향 : 강남 스타일의 패러디 비디오를 중심으로," 유라시아연구, 제10권, 제1호, pp.1-15, 2013.
W. W. Xu. J. Y. Park, J. Y. Kim, and H. W. Park, "Networked cultural diffusion and creation on Youtube : An analysis of Youtube memes," Journal of Broadcasting & Electronic Media, Vol.60, No.1, pp.104-122, 2016.

상세보기
A. Susarla, J. H. Oh, and Y. Tan, "Social Networks and the diffusion of user-generated content : Evidence from Youtube," Information Systems Research, Vol.23, No.1, pp.23-41, 2012.

상세보기
박병언, 임규건, "일반영향요인과 댓글 기반 콘텐츠 네트워크 분석을 통합한 유튜브상의 콘텐츠 확산 영향요인 연구," 지능정보연구, 제21권, 제3호, pp.19-36, 2016.

원문보기 상세보기
G. Sivinski, A. Okuliar, and L. Kjolbye, "Is big data a big deal? A Competition law approach to big data," European Competition Journal, Vol.13, No.2-3, pp.199-277, 2017.

상세보기

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