인간 관심사 역학에서 나타나는 스케일링 법칙

초록

본 연구는 전자상거래와 모바일 통신 데이터 3종을 활용해 인간의 관심 전환 과정을 정량화하고, 관심 지속 시간, 재방문 간격, 관심 순위·전이 세 가지 핵심 변수에서 파워‑러프(power‑law) 스케일링이 나타남을 밝혀냈다. 선호적 재방문, 관성 효과, 새로운 관심 탐색이라는 세 가지 메커니즘을 기반으로 편향된 랜덤워크 모델을 제안하여 관측된 스케일링을 설명한다.

상세 분석

이 논문은 인간 행동을 관심이라는 관점에서 접근함으로써 기존의 이동성·활동 패턴 연구와 차별화한다. 데이터는 중국의 소셜·쇼핑 플랫폼 Douban, Taobao, 그리고 모바일 독서 서비스(MPR)에서 추출했으며, 각각 수만 명의 사용자를 1~18개월 구간에 걸쳐 추적한다. 분석 대상은 (1) 동일 카테고리 내 연속 클릭 수 l, (2) 동일 카테고리 재방문까지의 클릭 간격 τ, (3) 개인별 관심 카테고리 순위 r이다. 모든 데이터셋에서 P(l)∝l^−α, P(τ)∝τ^−β, P(r)∝r^−γ·exp(−r/S) 형태의 파워‑러프 분포가 일관되게 나타났으며, 특히 l과 τ의 꼬리가 지수적 감소가 아니라 느린 감소를 보여 인간의 관심 전이가 완전한 마코프 과정이 아님을 시사한다. 전이 확률 행렬 p(i,j)를 조사한 결과, 고순위 관심 간 전이 확률이 크게 나타났고, 대각 원소 p(i,i) 역시 높은 값을 보여 관성(inertia) 효과가 존재함을 확인했다. 이를 바탕으로 저자들은 두 가지 확률적 선택 메커니즘을 도입한다. 첫째, 새로운 관심을 탐색할 확률 ρ_n−λ는 현재까지 탐색한 관심 수 n에 따라 감소하고, 둘째, 기존 관심으로 돌아갈 확률은 과거 방문 빈도에 비례한다(선호적 재방문). 선택 후에는 ‘관성 단계’가 적용돼 동일 카테고리 내에서 연속 클릭이 발생하도록 excited random walk(ERW) 과정을 모형화한다. 수학적 분석(보조 정보)과 시뮬레이션 결과는 실험 데이터와 동일한 α, β, γ 지수를 재현하며, 모델이 관측된 스케일링을 정성·정량적으로 설명함을 입증한다. 다만 모델은 지수적 절단을 포함한 정확한 지수값을 예측하지 못하므로, 개인 기억 효과, 인지 부하, 카테고리 세분화 등 추가 요인을 고려한 확장 모델이 필요함을 언급한다. 연구 결과는 추천 시스템, 사용자 행동 예측, 심리·의료 분야의 관심 변동 분석 등에 활용될 수 있다.