[논문]포스퀘어 사용자의 집단적 활동 군집화: 서울시 사례

서일정; 조재희

doi:10.36498/kbigdt.2020.5.1.55

포스퀘어 사용자의 집단적 활동 군집화: 서울시 사례
Clustering Foursquare Users' Collective Activities: A Case of Seoul 원문보기

The journal of Bigdata = 한국빅데이터학회지, v.5 no.1, 2020년, pp.55 - 63

초록
AI-Helper

본 연구는 서울시에서 발생한 포스퀘어 사용자의 체크인 데이터를 이용하여 위치 기반 소셜 네트워크 사용자의 집단적 활동 군집을 발견하는 방법을 제안하였다. 집단적 활동 군집을 발견하기 위하여 순차 규칙 마이닝을 통해 활동의 순차 규칙을 생성하고, 그 규칙을 기반으로 활동 네트워크를 구성하였다. 활동 네트워크를 분석하여 네트워크의 구조와 허브 활동을 확인하였고 군집 분석을 실시하여 활동 군집을 분류하였다. 본 연구는 위치 기반 소셜 네트워크 사용자의 활동에 대한 전환 패턴을 분석한 이전 연구들과 달리 연속적인 여러 활동의 전체적인 구조와 군집을 분석하는 데 초점을 맞추었다. 본 연구에서 제안한 방법을 이용하여 파악할 수 있는 허브 활동과 활동 군집은 위치 기반의 서비스나 마케팅에 활용할 수 있을 것이다. 또한 바이러스 감염과 관련된 업무나 도시 정책과 같이 공공부문에서 사용할 수도 있을 것이다.

Abstract ▼ AI-Helper

This study proposed an approach of clustering collective users' activities of location-based social networks using check-in data of Foursquare users in Seoul. In order to cluster the collective activities, we generated sequential rules of the activities using sequential rule mining, and then constructed activity networks based on the rules. We analyzed the activity networks to identify network structure and hub activities, and clustered the activities within the networks. Unlike previous studies that analyzed activity transition patterns of location-based social network users, this study focused on analyzing the structure and clusters of successive activities. Hubs and clusters of activities with the approach proposed in this study can be used for location-based services and marketing. They could also be used in the public sector, such as infection prevention and urban policies.

주제어

AI 본문요약
AI-Helper

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

문제 정의

<그림 6>은 주중 야간의 활동 네트워크에서 나이트클럽을 중심으로 하는 자아 네트워크를 시각화한 것이다. 2020년 5월 이태원 클럽에서 발생한 코로나19 집단감염 사태에 대한 뉴스를 접한 후 분석한 것이다. <그림 6>을 보면 나이트클럽에 방문하는 사람들의 여러 활동 경로를 확인할 수 있다.
본 논문은 대한민국 서울시에서 발생한 포스퀘어 사용자의 체크인 데이터를 분석하는 과정을 기술하면서 집단적 활동을 군집화하는 방법을 소개한다. 2장에서는 분석에 사용한 데이터를 소개하고 데이터 전처리 과정을 기술한다.
(2014)는 중국 상하이에 발생한 체크인 데이터를 분석하여 시간에 따라 활동 전환 확률이 다르다는 것을 발견하였다. 본 연구는 이웃하는 두 활동 사이의 전환을 일련의 활동들로 연결한 활동 경로에 대한 패턴을 분석하였다.
본 연구는 포스퀘어 사용자의 체크인 데이터를 이용하여 위치 기반 소셜 네트워크 사용자의 집단적 활동 군집을 발견하는 방법을 제안하였다. 집단적 활동 군집을 발견하기 위하여 순차 규칙 마이닝을 통해 활동의 순차 규칙을 생성하고, 그 규칙을 기반으로 활동 네트워크를 구성하였다.
본 연구의 목적은 포스퀘어 사용자의 집단적 활동을 군집화하는 방법을 제안하는 것이다. 활동 군집은 순차적인 일련의 활동 집합으로 인간의 이동 패턴을 결정하는 중요한 단서가 된다 (Bhat & Koppelman, 1999; Wu et al.
본 연구의 의의는 이전 연구들과 다르게 위치 기반 소셜 네트워크 사용자의 집단적 활동 패턴을 전체적인 관점(holistic perspective)에서 분석한 것이다. 활동의 시간적 패턴을 분석한 이전 연구들은 시간적으로 이웃하는 활동 사이의 전환을 분석하였다.

가설 설정

체크인 데이터는 사용자가 자발적으로 체크인할 때만 데이터를 수집하기 때문에 활동 기록이 누락될 수 있고 시간이 정확하지 않을 수 있다. 둘째, 데이터의 대표성이 부족하다. 포스퀘어와 같은 소셜 네트워크 서비스의 주요 사용자는 모바일 기기와 서비스에 익숙한 젊은 사람들이다.

제안 방법

활동 네트워크의 노드는 활동(장소범주)으로 하고 링크는 활동 사이의 순차 규칙으로 하였다. 그리고 링크의 강도는 순차 규칙의 신뢰도로 설정하였다. 따라서 활동 네트워크는 방향성이 있는 가중 네트워크이다.
집단적 활동을 군집화하기 위하여 우선 체크인 데이터에 순차 규칙 마이닝(sequential rule mining)을 적용하여 활동 전환 규칙을 생성하였다. 그리고 활동 전환 규칙을 기반으로 활동 네트워크(activity network)를 구성하였다. 마지막으로 커뮤니티 탐지(community detection) 기법을 사용하여 활동 네트워크에서 활동 군집을 분류하였다.
추출한 데이터는 27,081명의 사용자가 24,187개의 장소에서 183,467회 체크인한 레코드를 포함하고 있다. 데이터 분석에 사용한 필드는 User_ID, Checkin_Time, Venue_Category이고, 체크인 시간은 세계표준시(UTC)를 한국표준시(KST)로 변경하였다.
, 2011). 따라서 활동 시간대를 구분하기 위하여 주중과 주말로 나누어 시간에 따른 체크인 빈도의 분포를 살펴보았다.
그리고 활동 전환 규칙을 기반으로 활동 네트워크(activity network)를 구성하였다. 마지막으로 커뮤니티 탐지(community detection) 기법을 사용하여 활동 네트워크에서 활동 군집을 분류하였다. 이상의 과정을 통해 본 연구에서는 이전 연구(Noulas et al.
순차 규칙 마이닝을 적용하기 위하여 와 같이 데이터를 변환하여 순차 데이터베이스에 적재하였다.
순차 규칙 마이닝의 결과를 활동 네트워크로 구성하였다. 활동 네트워크의 노드는 활동(장소범주)으로 하고 링크는 활동 사이의 순차 규칙으로 하였다.
시간에 따른 포스퀘어 사용자의 체크인 분포를 바탕으로 과 같이 데이터를 10개로 분할하였다.
활동 네트워크의 허브를 확인하기 위하여 연결 중심성(degree centrality)을 사용하였다. 연결 중심성은 노드에 연결된 링크 수로 측정하는데, 활동 네트워크는 방향성이 있기 때문에 내향 연결(in-degree)과 외향 연결(out-degree)을 합하여 연결 중심성을 계산하였다. 본 논문에서는 연결 중심성이 높은 활동을 ‘허브 활동’이라고 정의하였다.
본 연구는 포스퀘어 사용자의 체크인 데이터를 이용하여 위치 기반 소셜 네트워크 사용자의 집단적 활동 군집을 발견하는 방법을 제안하였다. 집단적 활동 군집을 발견하기 위하여 순차 규칙 마이닝을 통해 활동의 순차 규칙을 생성하고, 그 규칙을 기반으로 활동 네트워크를 구성하였다. 활동 네트워크를 분석하여 네트워크의 구조와 허브 활동을 확인하였고 군집 분석을 실시하여 활동 군집을 확인하였다.
집단적 활동 군집을 발견하기 위하여 순차 규칙 마이닝을 통해 활동의 순차 규칙을 생성하고, 그 규칙을 기반으로 활동 네트워크를 구성하였다. 활동 네트워크를 분석하여 네트워크의 구조와 허브 활동을 확인하였고 군집 분석을 실시하여 활동 군집을 확인하였다.
순차 규칙 마이닝의 결과를 활동 네트워크로 구성하였다. 활동 네트워크의 노드는 활동(장소범주)으로 하고 링크는 활동 사이의 순차 규칙으로 하였다. 그리고 링크의 강도는 순차 규칙의 신뢰도로 설정하였다.
활동 네트워크의 허브를 확인하기 위하여 연결 중심성(degree centrality)을 사용하였다. 연결 중심성은 노드에 연결된 링크 수로 측정하는데, 활동 네트워크는 방향성이 있기 때문에 내향 연결(in-degree)과 외향 연결(out-degree)을 합하여 연결 중심성을 계산하였다.

대상 데이터

본 연구에 사용한 데이터는 Dingqi et al.(2019)가 포스퀘어에서 수집한 데이터로, 2012년 3월부터 2014년 1월까지 22개월 동안 전 세계 3,820,891개 장소에서 114,324명의 사용자가 22,809,624회 체크인한 정보를 포함하고 있다.
본 연구에 사용한 데이터는 Dingqi et al.(2019)가 포스퀘어에서 수집한 데이터로, 2012년 3월부터 2014년 1월까지 22개월 동안 전 세계 3,820,891개 장소에서 114,324명의 사용자가 22,809,624회 체크인한 정보를 포함하고 있다.
전체 데이터에서 과 같이 체크인 장소의 위치(경위도 좌표)가 서울시인 데이터를 추출하였다.
주요 군집은 Electronics Store(16%), Subway(14%), Church(14%), Train Station & Coffee Shop(13%)을 중심으로 하는 군집이다.
전체 데이터에서 <그림 1>과 같이 체크인 장소의 위치(경위도 좌표)가 서울시인 데이터를 추출하였다. 추출한 데이터는 27,081명의 사용자가 24,187개의 장소에서 183,467회 체크인한 레코드를 포함하고 있다. 데이터 분석에 사용한 필드는 User_ID, Checkin_Time, Venue_Category이고, 체크인 시간은 세계표준시(UTC)를 한국표준시(KST)로 변경하였다.

이론/모형

모든 데이터셋에 동일한 순차 규칙 수(100)와 신뢰도 최솟값(0.1)을 지정하고 TNS 알고리즘을 적용하였다. 그 결과 각 데이터셋에서 100개의 순차 규칙을 발견하였다.
순차 규칙 마이닝을 위한 알고리즘 중에서 본 연구에서는 Fournier-Viger & Tseng(2013)이 개발한 TNS(Top-K Non-Redundant Sequential Rules)를 사용하였다.
, 2014). 집단적 활동을 군집화하기 위하여 우선 체크인 데이터에 순차 규칙 마이닝(sequential rule mining)을 적용하여 활동 전환 규칙을 생성하였다. 그리고 활동 전환 규칙을 기반으로 활동 네트워크(activity network)를 구성하였다.
활동 경로 네트워크에서 군집(community)을 발견하기 위하여 모듈성 최적화와 커뮤니티 집계를 기반으로 하는 루베인 알고리즘(Blondel et al. 2008)을 이용하였다. 루베인 알고리즘은 네트워크의 군집을 발견하는 여러 알고리즘과 비교하여 정확성과 효율성이 탁월한 것으로 평가되고 있다(Lancichinetti & Fortunato 2009).
활동 네트워크의 전체적인 군집 구조를 한눈에 파악하기 위하여 Fruchterman & Reingold(1991)가 개발한 레이아웃 알고리즘을 사용하였다.

성능/효과

과 의 내용을 종합해보면, 시간대에 따라 어느 활동이 발생할 때 독립적으로 발생하는 것이 아니라 관련된 활동들이 연속적으로 발생한다는 것을 알 수 있다.
1)을 지정하고 TNS 알고리즘을 적용하였다. 그 결과 각 데이터셋에서 100개의 순차 규칙을 발견하였다. 그 중에서 <표 3>과 <표 4>는 주중과 주말의 시간대별 상위 3개의 순차 규칙을 보여주고 있다.
노드 수가 증가한다는 것은 활동의 종류가 많아진다는 것을 의미하고, 평균 연결 수가 증가한다는 것은 한 활동에 연결되는 평균 활동 수가 증가한다는 것을 의미한다. <그림 3>을 보면 주중과 주말 모두 노드 수와 평균 연결 수가 음의 관계가 있음을 확인할 수 있다.
본 연구는 몇 가지 한계점을 갖는다. 첫째, 데이터의 정확성과 완전성이 부족하다. 체크인 데이터는 사용자가 자발적으로 체크인할 때만 데이터를 수집하기 때문에 활동 기록이 누락될 수 있고 시간이 정확하지 않을 수 있다.

후속연구

또한 과 같이 바이러스 감염과 관련된 업무나 도시 정책과 같이 공공부문에서 사용할 수도 있을 것이다.
활동 전환의 패턴은 바로 다음 활동을 예측하는 데는 유용하지만, 연속적인 여러 활동의 전체적인 경로와 구조를 파악할 수는 없다. 본 연구에서 제안한 방법을 이용하여 파악할 수 있는 허브 활동과 활동 군집은 위치기반의 서비스나 마케팅에 활용할 수 있을 것이다. 또한 <그림 6>과 같이 바이러스 감염과 관련된 업무나 도시 정책과 같이 공공부문에서 사용할 수도 있을 것이다.
<그림 6>을 보면 나이트클럽에 방문하는 사람들의 여러 활동 경로를 확인할 수 있다. 이러한 분석은 바이러스의 감염경로를 추적하거나 방역을 실시하는 데 도움이 될 수 있을 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	위치 기반 소셜 네트워크 사용자의 집단적 활동 패턴을 분석한 대표적인 연구에 대해 설명하시오.	위치 기반 소셜 네트워크 사용자의 집단적 활동 패턴을 분석한 대표적인 연구들은 다음과 같다. Li et al.(2013)는 체크인 장소(venue)의 범주별 인기도와 인기 장소의 특성을 분석하였다. Wang et al.(2014)은 체크인 장소를 바탕으로 사용자의 커뮤니티를 탐지하였고 커뮤니티의 특성을 보고하였다. Noulas et al.(2011)는 체크인의 시공간적 패턴을 분석하였으며 체크인 장소의 범주를 기반으로 이웃하는 두 활동 사이의 전환 확률을 계산하였다. Preoţiuc-Pietro & Cohn(2013)는 사용자의 활동 전환 행렬을 이용하여 사용자를 군집화하고 군집별 활동 전환 패턴을 발견하였다. Wu et al.(2014)는 중국 상하이에 발생한 체크인 데이터를 분석하여 시간에 따라 활동 전환 확률이 다르다는 것을 발견하였다. 본 연구는 이웃하는 두 활동 사이의 전환을 일련의 활동들로 연결한 활동 경로에 대한 패턴을 분석하였다.
	순차 규칙 마이닝이란?	순차 규칙 마이닝은 순차 데이터베이스에서 순차 규칙을 발견하는 데이터 마이닝 기법이다. 순차 규칙 A→B는 ‘A의 항목이 발생하면 B의 항목이 발생한다’로 해석된다.
	루베인 알고리즘의 장점은?	2008)을 이용하였다. 루베인 알고리즘은 네트워크의 군집을 발견하는 여러 알고리즘과 비교하여 정확성과 효율성이 탁월한 것으로 평가되고 있다(Lancichinetti & Fortunato 2009).

참고문헌 (11)

Li, Y., Steiner, M., Wang, L., Zhang, Z. L., and Bao, J., "Exploring venue popularity in foursquare", in Proceedings IEEE INFOCOM, pp.3357-3362, 2013.
Wang, Z., Zhang, D., Zhou, X., Yang, D., Yu, Z., and Yu, Z., "Discovering and profiling overlapping communities in location based social networks", IEEE Transactions on Systems, Man, and Cybernetics: Systems, Vol.44, No.4, pp.499-509, 2014.

상세보기
Noulas, A., Scellato, S., Mascolo, C., and Pontil, M., "An empirical study of geographic user activity patterns in foursquare", In Fifth international AAAI conference on weblogs and social media, 2011.
Preotiuc-Pietro, D. and Cohn, T., "Mining user behaviours: a study of check-in patterns in location based social networks", In Proceedings of the 5th annual ACM web science conference, pp.306-315, 2013.
Wu, L., Zhi, Y., Sui, Z., and Liu, Y., "Intra-urban human mobility and activity transition: Evidence from social media check-in data", PloS one, Vol.9, No.5, e97010, 2014.

상세보기
Bhat, C. R. and Koppelman, F. S., "Activity-based modeling of travel demand", Handbook of transportation Science. Springer, pp.35-61. 1999.
Yang, D., Qu, B., Yang, J., Cudre-Mauroux, P., "Revisiting User Mobility and Social Relationships in LBSNs: A Hypergraph Embedding Approach", In Proc. of The Web Conference (WWW'19), San Francisco, USA, 2019.
Fournier-Viger, P., Gomariz, A., Gueniche, T., Mwamikazi, E., and Thomas, R., "TKS: efficient mining oftop-k sequential patterns", In International Conference on Advanced Data Mining and Applications, Springer, Berlin, Heidelberg, pp.109-120, 2013.
Blondel, V. D., Guillaume, J. L., Lambiotte, R., and Lefebvre, E., "Fast unfolding of communities in large networks", Journal of Statistical Mechanics: Theory and Experiment, 2008(10), P10008, 2008.

상세보기
Lancichinetti, A. and Fortunato, S., "Community detection algorithms: a comparative analysis", Physical Review E, 80(5), 056117, 2009.
Fruchterman, T. M. J. and Reingold, E. M., "Graph drawing by force-directed placement", Software: Practice and Experience, Vol.21, No.11, 1991.

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