사회적 상호작용 예측 가능성 분석

본 논문은 인간 사회적 상호작용의 예측 가능성을 정량적으로 평가하고, 이를 활용한 간단한 예측 모델의 성능을 검증한다. 연구 배경으로는 인간 이동성에 대한 기존 연구가 위치 예측 가능성을 높은 수준(엔트로피율 약 0.8 bit)으로 제시했으며, 이러한 접근을 사회적 상호작용에도 적용하고자 하는 동기가 제시된다. 방법론에서는 엔트로피율을 핵심 지표로 채택한다. 엔트로피는 확률 변수의 불확실성을 측정하는 Shannon의 개념을 기반으로 하며, 시계열 데이터의 경우 엔트로피율(H) = limₙ→∞ (1/n) H(X₁,…,Xₙ) 로 정의된다. 실제 확률 분포를 알 수 없으므로, 저자는 Lempel‑Ziv 복잡도 추정기를 이용해 엔트로피율을 추정한다. LZ 복잡도는 새로운 서브스트링이 등장하는 평균 길이를 이용해 ˆH(X) = (n log₂ n) / ΣΛᵢ 로 계산된다. 이 방법은 정규성·정상성을 만족하는 마코프 과정에 대해 일관적인 추정값을 제공한다. 또한, 두 변수의 결합 엔트로피와 조건부 엔트로피를 동일한 방식으로 확장해 계산한다. 데이터는 두 종류를 사용한다. 첫 번째는 MIT Reality Mining 프로젝트에서 수집된 94명의 스마트폰 로그이며, 5분 간격으로 위치(가장 가까운 셀 타워)와 블루투스 기반 근접 상호작용이 기록된다. 두 번째는 Friends‑and‑Family 데이터로, 146명의 블루투스 근접 로그만 포함한다(위치 정보는 없음). 각 개인별로 위치, 시간, 그리고 상호작용 상대(‘person’) 시계열을 구성하고, 각각의 엔트로피율을 추정한다. 결과는 다음과 같다. 위치 엔트로피율 평균 1.1 bit, 시간 엔트로피율 평균 0.9 bit으로, 이는 각각 약 2 ~ 2.2개의 가능한 상태만 남는 높은 예측 가능성을 의미한다. 반면, 사람 엔트로피율은 평균 3.1 bit(Reality Mining)와 2.3 bit(Friends‑and‑Family)로, 약 8 ~ 5명의 후보가 존재한다. 조건부 엔트로피(H(person|location), H(person|time))는 거의 동일한 값을 보였으며, 위치·시간 정보가 사람 예측에 실질적인 정보를 제공하지 못한다는 결론을 뒷받침한다. 예측 모델로는 1차 마코프 체인을 도입했다. 각 개인에 대해 현재(또는 직전) 상호작용 상대를 상태로, 다음 상대를 전이 목표로 하는 전이 행렬을 학습했다. 마코프 체인의 엔트로피율은 실제 시계열 엔트로피보다 약간 높았으며(예: 3.2 bit vs 3.1 bit), 이는 모델이 이론적 상한에 근접함을 보여준다. 실제 예측 실험에서는 첫 주 데이터를 학습하고 두 번째 주에 top‑1 정확도 19 %·top‑5 정확도 49 %(Reality Mining), 그리고 21 %·59 %(Friends‑and‑Family)를 기록했다. 이는 엔트로피가 2 ~ 3 bit 수준인 상황에서 기대할 수 있는 수준이며, 고차 의존성을 고려한 복잡 모델이 필요함을 암시한다. 결론적으로, 개인의 상호작용 위치와 시간은 높은 규칙성을 보이지만, 누구와 상호작용할지는 여전히 큰 불확실성을 가진다. 간단한 마코프 체인이라도 이 불확실성의 상한에 가까운 성능을 달성한다는 점은, 타깃 마케팅, 정보 확산, 질병 전파 모델링 등 실용적인 응용에 중요한 시사점을 제공한다. 또한, 사람 예측의 불확실성이 5 ~ 8명 수준이므로, 개별 타깃보다는 그룹 기반 전략이 보다 현실적일 수 있다.