[논문]소셜 네트워크에서 k-쉘 분해를 이용한 사용자 영향력 판별

최재용; 임종태; 복경수; 유재수

doi:10.5392/jkca.2022.22.07.046

소셜 네트워크에서 k-쉘 분해를 이용한 사용자 영향력 판별
User Influence Determination using k-shell Decomposition in Social Networks 원문보기

한국콘텐츠학회논문지 = The Journal of the Korea Contents Association, v.22 no.7, 2022년, pp.46 - 54

최재용 (충북대학교 정보통신공학과) , 임종태 (충북대학교 정보통신공학과) , 복경수 (원광대학교 인공지능융합학과) , 유재수 (충북대학교 정보통신공학과)

초록
AI-Helper

소셜 네트워크에서 영향력을 판별하기 위한 기존 기법들은 소셜 네트워크에서 활동하지 않는 사용자의 수가 증가되는 상황에서 활동을 중단하기 전에 기존 관계를 삭제하거나 갱신하지 않기 때문에 정확하게 사용자의 영향력을 판별하지 못한다. 본 논문에서는 소셜 네트워크의 사용자 생성 일자를 기반으로 한 시간적 k-쉘 분해 방법을 사용하여 영향력 있는 사용자들을 판별하는 기법을 제안한다. 소셜 네트워크에서 오래된 사용자들의 영향력이 높아지는 문제점을 해결하기 위해 주변 이웃의 노화에 따른 감쇠 계수를 k-쉘 분해와 연령 별 차수 중심성을 적용한다. 연령-감쇠 k-쉘 분해와 연령 별 차수 중심성에 감쇠 계수 및 연령에 따른 가중치들을 적용해 현 시점에서 영향력 있는 사용자들을 판별한다. 제안하는 기법의 우수성을 입증하기 위해 다양한 성능 평가를 수행한다.

Abstract ▼ AI-Helper

The existing methods for determining influence in social networks do not accurately determine the influence of users because they do not delete or update existing relationships before they stop in the face of an increasing number of inactive users on social networks. In this paper, we propose a user influence detremination method using the temporal k-shell decomposition technique based on the creation date of users of social networks. To solve the problem of increasing influence of old users in social networks, we apply k-shell decomposition and age-specific order centrality as attenuation coefficients due to aging in neighbors. The age-decaying k-shell decomposition and age-specific order centrality are searched for influential users at the present time by applying the attenuation coefficient and age-dependent weights. Various performance evaluations are performed to show the superiority of the proposed method.

주제어

AI 본문요약
AI-Helper

문제 정의

본 논문에서는 사용자의 영향력을 시간에 따라 구별하기 위해 소셜 네트워크 상 사용자의 이웃 노화에 따른 시간적 k-쉘 분해를 이용한 사용자 영향력 판별 기법을 제안한다. 제안하는 기법은 빠르게 변화하는 사용자의 영향력을 더욱 정확히 판별하기 위해 휴리스틱 (heuristic) 기법으로 사용자의 시간적 속성인 생성 일자를 활용하여 영향력을 계산한다.

제안 방법

제안하는 기법은 네트워크 내모든 사용자에 대해 사용자 생성일자 또는 사용자가 네트워크에 유입된 시점을 기준으로 계산된 연령을 레이블로 할당하고 토픽 별 영향력을 판별하기 위해 전체 네트워크를 토픽별 네트워크로 분할한다. 네트워크 분할 후 정점 또는 사용자 별 그래프 중심성을 도출하기 위해 연령 별 차수 중심성과 연령-감쇠 K-쉘 분해를 적용한다. K-쉘 분해 과정에서 그래프 상 정점과 간선이 제거되기 때문에 차수 중심성을 계산하고 동일 그래프에 대해 K-쉘 분해를 순서적으로 수행한다.
자체적인 성능 평가는 제안하는 기법의 각 구성 단계 별 효율성 입증 및 가중치 최적화등을 위해 수행한다. 본 논문에서는 대표적인 SNS인 트위터(Twitter)에 대해 데이터 수집 및 성능 평가를 수행한다. 매체 전문가들이 선정한 80 명의 인플루언서들을 시드 노드(seed node)로 선정하고 이웃한 사용자를 계속적으로 수집한다[14[[15].
본 논문에서는 사용자의 영향력을 시간에 따라 구별하도록 소셜 네트워크에서 사용자의 이웃 노화에 따른 시간적 k-shell degree 이웃 기법을 통한 영향력 판별 기법을 제안하였다. 제안하는 기법은 K-쉘 분해를 변형한 연령-감쇠 K-쉘 분해와 차수 중심성을 활용한다.
본 논문에서는 소셜 네트워크 사용자의 생성 일자를 기반으로 한 시간적 k-쉘 분해를 이용한 사용자 영향력을 판별하고 영향력이 높은 Top-k 사용자를 선별하는 기법을 제안한다. 현 시점의 영향력을 사용자의 주변 이웃들의 연령을 통해 파악한다.
제안하는 기법은 사용자의 차수 중심성을 연령 별로 나누어 각기 다른 가중치를 적용한 뒤 결합한다. 연령별 가중치를 계산하는 방식을 가지치기, 희귀성 기반, 감쇠 기반 그리고 인터벌 기반을 제안한다. 기존 차수중심성은 지역적 영향력을 나타낸다고 볼 수 있는 1-hop 이웃 수에만 근거하기 때문에 영향력 판별의 정확도가 저하된다.
전체 네트워크를 토픽 별 네트워크, 즉 서브 네트워크로 분할하기 위해 네트워크 내 사용자들의 콘텐츠에 대한 토픽 모델링을 수행한다. 토픽 모델링을 위해 Latent Dirichlet Allocation(LDA)를 사용한다.
반면, 현 시점에 영향력이 높은 사용자는 자신의 연령과 무관하게 최근에 생성된 사용자들뿐만 아니라 다양한 연령의 사용자로부터 관심을 많이 받으며 이것이 주변 이웃들의 연령 정보에 반영될 것이라는 점이 제안하는 기법의 특성이다. 제안하는 기법에서는 기존 K-쉘 분해의 변형인 연령-감쇠 K-쉘 분해를 통해 사용자의 네트워크 상 위치를 파악하여 전역적 영향력을 도출하고 다양한 연령 별 중심성을 고려하며 이들에 대해 각기 다른 가중치를 적용하여 지역적 영향력을 파악한다. 네트워크 내 사용자마다 생성 시점 이후로 지난 년 수를 기준으로 연령을 계산하여 노드 레이블로 부여한다.
따라서 신규 사용자 보다 기존 사용자가 유리하다. 제안하는 기법은 K-쉘 값을 계산하기 위해 각 분해 과정에서 차수를 확인할 때 사용자마다 개별적인 감쇠 계수를 적용하여 차수를 조정한다. 네트워크 내 평균 연령을 통해 사용자의 상대적인 노화를 고려하기 위해 분해과정을 한번 마칠 때마다 분해 과정에서 제거되지 않은 사용자들의 평균 연령을 계산한다.
본 논문에서는 사용자의 영향력을 시간에 따라 구별하도록 소셜 네트워크에서 사용자의 이웃 노화에 따른 시간적 k-shell degree 이웃 기법을 통한 영향력 판별 기법을 제안하였다. 제안하는 기법은 K-쉘 분해를 변형한 연령-감쇠 K-쉘 분해와 차수 중심성을 활용한다. 주변 이웃의 노화에 따른 감쇠 계수를 K-쉘 분해와 연령별 차수 중심성 각기 다른 방식으로 적용하였다.
[그림 1]은 제안하는 사용자 영향력 판별 기법의 전체적인 과정을 나타낸다. 제안하는 기법은 네트워크 내모든 사용자에 대해 사용자 생성일자 또는 사용자가 네트워크에 유입된 시점을 기준으로 계산된 연령을 레이블로 할당하고 토픽 별 영향력을 판별하기 위해 전체 네트워크를 토픽별 네트워크로 분할한다. 네트워크 분할 후 정점 또는 사용자 별 그래프 중심성을 도출하기 위해 연령 별 차수 중심성과 연령-감쇠 K-쉘 분해를 적용한다.
각 노드는 연령 별 차수 중심성 값들로 구성된 벡터와 연령-감쇠 K-쉘 값이 할당된다. 제안하는 기법은 연령 별 차수 중심성 값들에 대해 각기다른 가중치를 적용하여 값들을 조정한 뒤 합한다. 즉, 소셜 네트워크에 사용자 연령이 k부터 n+k까지 존재하는 경우 사용자의 주변 이웃들을 각 연령 별로 n 개의 차수 중심성을 계산하고 각각에 대해 개별적인 가중치를 적용한다.
제안하는 기법은 K-쉘 분해를 변형한 연령-감쇠 K-쉘 분해와 차수 중심성을 활용한다. 주변 이웃의 노화에 따른 감쇠 계수를 K-쉘 분해와 연령별 차수 중심성 각기 다른 방식으로 적용하였다. 성능 평가를 통해 제안하는 기법을 기존 기법들과 비교하였다.

대상 데이터

본 논문에서는 대표적인 SNS인 트위터(Twitter)에 대해 데이터 수집 및 성능 평가를 수행한다. 매체 전문가들이 선정한 80 명의 인플루언서들을 시드 노드(seed node)로 선정하고 이웃한 사용자를 계속적으로 수집한다[14[[15]. 성능 평가에 사용된데이터 집합은 [표 1]과 같다.

데이터처리

제안하는 기법에서 조정 가능한 가중치 값은 연령별차수 중심성에 대한 가지치기 및 감쇠 기반 가중치이다. 각 가중치 방식 별로 가중치 값의 변경에 따라 탐색되는 인플루언서들의 Spread Score를 비교한다. Spread Score는 사용자가 이웃에 대해 어떻게 영향력을 행사하는지를 판별한 값이다.
K-쉘 분해 과정에서 그래프 상 정점과 간선이 제거되기 때문에 차수 중심성을 계산하고 동일 그래프에 대해 K-쉘 분해를 순서적으로 수행한다. 사용자의 영향력을 판별하기 위해 사용자의 1-hop 이웃들에 대해서 네트워크 내 존재하는 각 연령 별 차수 중심성을 계산한다. 그리고 동일 그래프에 대해 연령-감쇠 K- 쉘분해를 수행한다.
주변 이웃의 노화에 따른 감쇠 계수를 K-쉘 분해와 연령별 차수 중심성 각기 다른 방식으로 적용하였다. 성능 평가를 통해 제안하는 기법을 기존 기법들과 비교하였다. 제안 기법은 소셜 네트워크에서 인플루언서를 판별하거나 마케팅을 위한 사용자를 선별하는데 사용될 수 있다.
제안하는 영향력 판별 기법의 우수성을 입증하기 위해 자체적 성능 평가와 기존 영향력 판별 기법과 성능평가를 수행한다. 성능평가는 Intel(R) Core i5-8400 CPU, RAM 16.0GB 환경에서 Python 언어를 통해 성능 평가를 수행하였다. 자체적인 성능 평가는 제안하는 기법의 각 구성 단계 별 효율성 입증 및 가중치 최적화등을 위해 수행한다.
제안하는 영향력 판별 기법의 우수성을 입증하기 위해 자체적 성능 평가와 기존 영향력 판별 기법과 성능평가를 수행한다. 성능평가는 Intel(R) Core i5-8400 CPU, RAM 16.

이론/모형

본 논문에서는 사용자의 영향력을 시간에 따라 구별하기 위해 소셜 네트워크 상 사용자의 이웃 노화에 따른 시간적 k-쉘 분해를 이용한 사용자 영향력 판별 기법을 제안한다. 제안하는 기법은 빠르게 변화하는 사용자의 영향력을 더욱 정확히 판별하기 위해 휴리스틱 (heuristic) 기법으로 사용자의 시간적 속성인 생성 일자를 활용하여 영향력을 계산한다. 이웃 사용자의 생성일자 별로 차수 중심성을 도출하며 연령별 차수 중심성에 각기 다른 가중치를 적용한다.
전체 네트워크를 토픽 별 네트워크, 즉 서브 네트워크로 분할하기 위해 네트워크 내 사용자들의 콘텐츠에 대한 토픽 모델링을 수행한다. 토픽 모델링을 위해 Latent Dirichlet Allocation(LDA)를 사용한다. 사용자 별로 만든 텍스트 기반 콘텐츠에 대해 어간 추출 (Stemming), 불용어 및 구두점 제거와 표제어 추출(Lemmati.

성능/효과

기존 기법들 중 Focus Rate 기반 PPR이 가장 높은 성능을 보였다. Decay 가중치 기반 기법은 나머지 기법들과 비교했을 때 top-25를 제외하고 전반적으로 저조한 성능을 보였다.
제안하는 기법에서 Rarity와 Pruning 가중치 기반 기법이 top-100 구간에 대해서는 모든 기존 기법들보다 우수한 성능을 보이는 반면, top-125부터는 Interval 기반 가중치 방식과 Focus Rate에 근거한PPR이 우수한 성능을 보인다. 기존 기법들 중 Focus Rate 기반 PPR이 가장 높은 성능을 보였다. Decay 가중치 기반 기법은 나머지 기법들과 비교했을 때 top-25를 제외하고 전반적으로 저조한 성능을 보였다.
그러나 평균적인 Spread Score을 비교할 경우 제안하는 가지치기, 감쇠와 희귀성 기반 가중치방식은 top-k가 25와 75 사이일 때 더 높은 영향력을 가진 인플루언서들을 탐색한다. 인터벌 기반 가중치 방식에 근거할 때는 Focus Rate에 기반한 Personalized PageRank(PPR)가 더 우수한 성능을 보여준다. 제안하는 기법에서 Rarity와 Pruning 가중치 기반 기법이 top-100 구간에 대해서는 모든 기존 기법들보다 우수한 성능을 보이는 반면, top-125부터는 Interval 기반 가중치 방식과 Focus Rate에 근거한PPR이 우수한 성능을 보인다.
인터벌 기반 가중치 방식에 근거할 때는 Focus Rate에 기반한 Personalized PageRank(PPR)가 더 우수한 성능을 보여준다. 제안하는 기법에서 Rarity와 Pruning 가중치 기반 기법이 top-100 구간에 대해서는 모든 기존 기법들보다 우수한 성능을 보이는 반면, top-125부터는 Interval 기반 가중치 방식과 Focus Rate에 근거한PPR이 우수한 성능을 보인다. 기존 기법들 중 Focus Rate 기반 PPR이 가장 높은 성능을 보였다.

후속연구

제안 기법은 소셜 네트워크에서 인플루언서를 판별하거나 마케팅을 위한 사용자를 선별하는데 사용될 수 있다. 제안 기법은 다양한 요소들을 고려하여 사용자 영향력을 판별하지만 최적의 요소를 결정을 하기 위한 연구가 미흡하다. 또한, 소셜 네트워크 사용자 그룹의 특성을 고려하지 못하고 있다.
성능 평가를 통해 제안하는 기법을 기존 기법들과 비교하였다. 제안 기법은 소셜 네트워크에서 인플루언서를 판별하거나 마케팅을 위한 사용자를 선별하는데 사용될 수 있다. 제안 기법은 다양한 요소들을 고려하여 사용자 영향력을 판별하지만 최적의 요소를 결정을 하기 위한 연구가 미흡하다.
또한, 소셜 네트워크 사용자 그룹의 특성을 고려하지 못하고 있다. 향후 연구로는 감쇠계수 및 가중치 계산을 네트워크 기반 통계적 정보를 통해 도출하기 위한 연구를 진행하고 다양한 소셜 네트워크 사용자 그룹을 대상으로 성능 평가를 수행할 예정이다.

참고문헌 (15)

X. Shen, Y. Li, Y. Sun, and F. Wang, "Good for use, but better for choice: A relative model of competing social networking services," Information & Management, Vol.58, No.3, pp.103448, 2021.
Q. Hou, M. Han, and Z. Cai, "Survey on data analysis in social media: A practical application aspect," Big Data Mining and Analytics, Vol.3, No.4, pp.259-279, 2020.

상세보기
R. R. Mallipeddi, S. Kumar, C. Sriskandarajah, and Y. Zhu, "A Framework for Analyzing Influencer Marketing in Social Networks: Selection and Scheduling of Influencers," Management Science, Vol.68, No.1, pp.75-104, 2022.

상세보기
N. Hafiene, W. Karoui, and L. B. Romdhane, "Influential nodes detection in dynamic social networks: A survey," Expert Systems with Applications, Vol.159, pp.113642, 2020.

상세보기
M. Cha, H. Haddadi, F. Benevenuto, and K. P. Gummadi, "Measuring user influence in twitter: The million follower fallacy," Proc. International Conference on Weblogs and Social Media, pp.1-8, 2010.
A. Arora, S. Bansal, C. Kandpal, R. Aswani, and Y. Dwivedi, "Measuring social media influencer index- insights from facebook, Twitter and Instagram," Journal of Retailing and Consumer Services, Vol.49, pp.86-101, 2019.

상세보기
Z. Z. Alp and S. G. Oguducu, "Identifying topical influencers on Twitter based on user behavior and network topology," Knowledge Based Systems, Vol.141, pp.211-221, 2018.
J. Goldenberg, B. Libai, and E. Muller, "Talk of the network: A complex systems look at the underlying process of word-of-mouth," Marketing letters, Vol.12, No.3, pp.211-223, 2001.

상세보기
J. Ren, C. Wang, Q. Liu, G. Wang, and J. Dong, "Identify influential spreaders in complex networks based on potential edge weights," International Journal of Innovative Computing, Information and Control, Vol.12, No.2, pp.581-590, 2016.
J. Weng, E. Lim, J. Jiang, and Q. He, "Twitterrank: Finding topic-sensitive influential twitterers," Proc. International Conference on Web Search and Data Mining, pp.261-270, 2010.
Y. Yang, J. Tang, C. W. Leung, Y. Sun, Q. Chen, J. Li, and Q. Yang, "RAIN: Social Role-Aware Information Diffusion," Proc. AAAI Conference on Artificial Intelligence, pp.367-373, 2015.
G. Maji, "Influential spreaders identification in complex networks with potential edge weight based k-shell degree neighborhood method," Journal of Computational Science, Vol.39, pp.101055, 2020.

상세보기
S. Carmi, S. Havlin, S. Kirkpatrick, Y. Shavitt, and E. Shir, "A model of Internet topology using k-shell decomposition," Proceedings of the National Academy of Sciences, Vol.104, No.27, pp.11150-11154, 2007.

상세보기
https://time.com/collection/100-most-influential-people-2021/
https://www.statista.com/statistics/1100266/top-influential-twitter-users/

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