네트워크 내 정보 확산과 외부 영향

초록

본 논문은 정보가 소셜 네트워크 내부의 연결을 통해 전파되는 과정과, 네트워크 외부의 미디어·사건 등 외부 요인에 의해 직접 도달하는 과정을 동시에 모델링한다. 효율적인 파라미터 추정 방법을 제시하고, 1개월 분량의 전체 트위터 데이터에 적용해 URL 언급의 확산을 분석한다. 결과적으로 전체 정보 흐름의 약 71%는 네트워크 내 확산으로 설명되며, 나머지 29%는 외부 요인에 기인한다는 점을 밝혀냈다.

상세 분석

이 연구는 기존의 정보 전파 모델이 “노드‑간 전파만”을 가정하는 한계를 극복하고, 외부 소스가 제공하는 비관측(unobservable) 영향을 정량화하려는 시도이다. 저자들은 두 가지 전파 메커니즘을 동시에 고려하는 확률적 프레임워크를 설계한다. 내부 전파는 각 노드가 아직 감염되지 않았을 때, 이미 감염된 이웃으로부터 전파될 확률을 나타내는 ‘내부 위험 함수(internal hazard)’ λ_int(t) 로 모델링한다. 반면 외부 전파는 네트워크와 무관하게 시간에 따라 변하는 ‘외부 감염률(external infection rate)’ η(t) 로 정의되며, 이는 미디어 보도, 사건 발생, 트렌드 등 외부 요인의 집합적 효과를 포착한다.

모델 파라미터 추정은 관측된 감염 시점(즉, URL가 트윗된 시점)과 네트워크 구조를 이용해 최대우도 추정을 수행한다. 저자들은 기대‑최대화(EM) 알고리즘을 변형해, 내부 위험 함수와 외부 감염률을 각각 비파라메트릭 형태로 추정한다. 구체적으로, 각 시간 구간별로 감염된 노드 수를 내부·외부 기여로 분해하고, 이를 통해 η(t)와 λ_int(t)의 곡선을 점진적으로 업데이트한다. 이 과정은 데이터가 대규모(수백만 트윗, 수십만 사용자)임에도 불구하고 O(E) 시간 복잡도(여기서 E는 네트워크의 엣지 수)로 수행될 수 있어 실용성이 높다.

실험에서는 전체 트위터 스트림(1개월)에서 URL이 처음 등장한 시점과 해당 URL를 공유한 사용자들의 팔로우 관계를 추출해 네트워크를 구성하였다. 모델 적용 결과, 특정 시점에 외부 감염률 η(t)가 급증하는 패턴이 관찰되었으며, 이는 주요 뉴스 사건이나 유명 인사의 언급과 강하게 연관된다. 또한, 내부 위험 함수 λ_int(t)는 초기 감염 후 급격히 감소하는 형태를 보였는데, 이는 초기 전파가 빠르게 진행된 뒤 포화 상태에 이른다는 전형적인 ‘감염 피크’ 현상을 반영한다.

가장 주목할 점은 전체 감염량 중 약 29%가 외부 요인에 의해 직접 발생한다는 정량적 결과다. 이는 기존 모델이 과대평가하는 네트워크 전파 비중을 교정하고, 외부 미디어·사건이 정보 확산에 미치는 실질적 영향을 강조한다. 또한, 외부 감염률이 높은 구간에서는 네트워크 구조가 전파 경로를 크게 좌우하지 않으며, ‘점프’ 현상이 빈번히 나타난다. 이러한 통찰은 마케팅, 공공 보건 캠페인, 가짜 뉴스 차단 등 실무적 응용에 중요한 시사점을 제공한다.