좋아하는 페이지를 기억하는 웹 트래픽 모델

초록

본 논문은 기존 PageRank 기반 마코프 모델이 실제 사용자들의 웹 탐색 행동을 제대로 설명하지 못한다는 점을 실증 데이터로 입증한다. 1,000명의 사용자를 2개월간 추적한 로그를 분석해, 개인별 방문 사이트 다양성, 링크 트래픽 분포, 동일 사이트 재방문 간격 등이 PageRank 예측과 크게 차이남을 확인한다. 이를 해결하기 위해 사용자가 개인별 북마크 목록을 텔레포트(점프) 목표로 활용하는 에이전트 기반 모델을 제안한다. 새 모델은 브라우저 탭·뒤로 가기와 같은 분기 현상도 반영해, 전체 트래픽의 이질성을 유지하면서 개인별 탐색은 보다 집중된 형태를 재현한다.

상세 분석

이 연구는 웹 트래픽 분석에 있어 두 가지 핵심 가정을 검증한다. 첫째, 전통적인 PageRank는 사용자가 현재 페이지에서 선택할 다음 페이지가 오직 현재 페이지의 링크 구조에만 의존한다는 마코프 가정을 전제로 한다. 그러나 실제 로그를 살펴보면, 사용자는 과거에 방문했던 사이트나 개인적인 관심사에 기반해 ‘텔레포트’(북마크, 주소창 직접 입력 등)하는 경우가 빈번하다. 이러한 비마코프적 전이(transitions)는 방문 다양성(diversity)과 링크 트래픽(link traffic)의 분포를 크게 왜곡한다. 실제 데이터에서 개별 사용자는 평균보다 적은 수의 고유 사이트를 방문하고, 그 분포는 긴 꼬리를 보이는 반면 PageRank는 훨씬 넓은 다양성을 예측한다.

둘째, 재방문 간격(return time) 역시 마코프 모델이 과대평가한다. 실험 결과, 사용자는 특정 사이트를 짧은 시간 안에 반복해서 방문하는 경향이 강하며, 이는 ‘탭 열기’나 ‘뒤로 가기’ 같은 브라우저 기능이 만든 분기(branching) 현상과 연관된다. 기존 모델은 이러한 행동을 단일 경로 흐름으로만 다루기 때문에, 재방문 간격 분포가 실제보다 넓게 퍼지는 오류를 범한다.

제안된 에이전트 기반 모델은 각 에이전트가 개인 북마크 리스트를 유지하도록 설계되었다. 텔레포트 확률은 북마크 선택에 비례하고, 나머지 확률은 기존 링크를 따라 이동한다. 또한, 브라우저 탭을 열어 동시에 여러 페이지를 탐색하는 상황을 시뮬레이션하기 위해 ‘분기 확률’을 도입했다. 이 두 가지 메커니즘을 결합하면, 전체 트래픽의 사이트 인기(popularity)와 링크 트래픽 분포는 PageRank와 유사하게 재현하면서도, 개인별 다양성, 재방문 간격, 그리고 트래픽의 과잉 집중 현상을 정확히 맞출 수 있다.

모델 검증을 위해 1,000명의 실제 사용자 로그와 시뮬레이션 결과를 비교하였다. 사이트별 방문 횟수, 링크 트래픽의 파레토 분포, 그리고 사용자가 동일 사이트를 재방문하는 시간 간격 모두에서 제안 모델이 실측값에 근접함을 확인했다. 특히, 북마크 기반 텔레포트가 전체 트래픽의 20~30%를 차지함을 발견했으며, 이는 기존 PageRank가 무시한 중요한 비마코프적 흐름임을 시사한다.

이러한 결과는 웹 검색 엔진, 광고 타게팅, 그리고 사용자 맞춤형 추천 시스템 설계에 중요한 시사점을 제공한다. 마코프 가정에만 의존하는 기존 알고리즘은 실제 사용자 행동을 과대평가하거나 왜곡된 예측을 할 위험이 있다. 반면, 개인화된 텔레포트와 브라우저 분기 메커니즘을 포함한 모델은 보다 현실적인 트래픽 예측과 효율적인 자원 배분을 가능하게 한다.