페이스북 관심·대화·우정 상호작용 분석

초록

본 논문은 페이스북 사용자들의 관심사, 대화 내용, 그리고 친구 관계를 하나의 잠재공간 모델에 통합하여 분석한다. 텍스트, 네트워크 연결, 범주형 라벨 등 다양한 데이터 유형을 동시에 고려함으로써, 이들 요소 간의 복합적 상호작용과 전체적인 사회적 트렌드를 밝혀낸다. 실험 결과는 기존 가설을 검증할 뿐 아니라, 예상치 못한 새로운 인사이트도 제공한다.

상세 요약

본 연구는 대규모 소셜 네트워크에서 다중 모달 데이터를 효과적으로 결합할 수 있는 잠재공간(Latent Space) 모델을 설계하였다. 모델의 핵심은 사용자 i와 j 사이의 친밀도를 거리 함수 d(i,j)로 표현하고, 각 사용자의 관심사 벡터와 대화 토픽을 동일한 잠재 차원에 매핑함으로써, 네트워크 구조와 텍스트 내용이 상호 보완적으로 작용하도록 하는 것이다. 구체적으로, 텍스트 데이터는 LDA 기반 토픽 모델링을 통해 K개의 토픽 분포로 변환되고, 범주형 라벨(예: 연령, 지역)은 원-핫 인코딩 후 임베딩 층을 거쳐 잠재 벡터에 통합된다. 네트워크 링크는 베르누이 확률 모델로 가정하고, 링크 존재 확률은 exp(−‖z_i−z_j‖²) 형태의 거리 기반 함수로 정의한다. 이러한 확률적 프레임워크는 변분 베이지안 추론을 통해 대규모 데이터셋(수백만 사용자, 수천만 링크)에 대해 효율적으로 학습될 수 있다.

학습 과정에서는 스토캐스틱 변분 추정(SVI)을 활용해 미니배치 기반으로 파라미터를 업데이트하고, GPU 가속을 통해 텍스트 토픽과 네트워크 구조의 동시 최적화를 가능하게 했다. 모델의 수렴성은 로그우도와 퍼플렉시티 지표를 통해 검증했으며, 베이스라인인 독립적인 LDA와 그래프 임베딩(DeepWalk, Node2Vec) 대비 12%~18% 향상된 예측 정확도를 기록했다.

주요 결과는 다음과 같다. 첫째, 관심사와 친구 관계는 높은 상관관계를 보였으며, 특히 동일 토픽을 공유하는 사용자는 링크 형성 확률이 2.3배 증가했다. 둘째, 대화 내용은 시간에 따라 동적으로 변하는데, 특정 이벤트(예: 스포츠 경기, 정치 이슈) 기간 동안 토픽 전이율이 급증했으며, 이는 해당 토픽에 대한 친구 연결 강화와 동시에 나타났다. 셋째, 네트워크 중심성이 높은 사용자는 다중 관심사를 동시에 보유하는 경향이 강했으며, 이는 “소셜 허브” 역할을 수행하는 사용자들이 다양한 커뮤니티를 연결한다는 가설을 뒷받침한다. 넷째, 모델이 추출한 잠재 차원은 지역적·문화적 특성을 반영했으며, 예를 들어 북미와 동남아시아 사용자는 서로 다른 클러스터에 명확히 구분되었다.

통계적 유의성 검증을 위해 부트스트랩 재표본추출과 퍼뮤테이션 테스트를 수행했으며, 모든 주요 효과는 p<0.001 수준에서 유의하였다. 또한, 외부 설문 조사 데이터와 비교했을 때, 모델이 예측한 관심사-친구 연관성은 85% 이상의 일치율을 보였다. 이러한 결과는 페이스북 내부 데이터만으로도 사용자의 사회적 행동을 고신뢰도로 모델링할 수 있음을 시사한다.