온라인 소셜 미디어로 이웃 특성을 규명하는 지리 계층 모델

초록

본 논문은 지리적 계층 구조를 이용해 사진에 달린 태그를 분석함으로써 특정 동네·도시·국가 수준에서 특징적인 단어를 자동으로 추출한다. 8백만 장의 Flickr 사진 데이터를 활용한 실험에서 제안한 지리 계층 모델(GHM)이 기존 Naive Bayes와 계층형 TF‑IDF보다 각각 47 %·27 % 높은 정확도를 보였으며, 인간 인터뷰와 설문을 통해 모델이 도출한 특성이 실제 주민들의 인식과 잘 맞는다는 것을 확인하였다.

상세 분석

GHM은 “지역에 관찰된 태그는 해당 지역이 속한 계층(국가‑도시‑동네)의 여러 레벨에서 생성된 태그들의 혼합”이라는 가정에 기반한다. 각 노드(예: 국가, 도시, 동네)는 태그에 대한 다항분포 θᵥ를 가지고, 해당 노드가 선택될 확률 p(v|n) 은 해당 지역 n 에 대한 혼합 계수이다. 태그 t 가 관찰될 확률은 p(t|n)=∑_{v∈R_n}θᵥ(t)·p(v|n) 으로 표현되며, 이는 EM 알고리즘을 통해 최대우도 추정한다.
E‑단계에서는 현재 파라미터 하에 각 태그가 어느 레벨에서 생성됐는지의 후방 확률을 계산하고, M‑단계에서는 이를 이용해 θᵥ와 p(v|n) 을 업데이트한다. 파라미터에 대한 사전은 대칭 디리클레 분포를 사용해 스무딩을 적용함으로써 희소 태그에 대한 제로 확률을 방지한다.
시간 복잡도는 O(N·T·D) 로, N은 리프(동네) 수, T는 어휘 크기, D는 트리 깊이이며, 실제 데이터에서는 EM이 약 10번 반복돼 빠르게 수렴한다.
실험에서는 8백만 장의 Flickr 사진(≈2천만 개 태그)으로 모델을 학습하고, 각 동네별 특성 태그와 “고유성 지수”를 산출했다. Naive Bayes와 계층형 TF‑IDF와 비교했을 때 정확도 향상이 크게 나타났으며, 특히 일반적·전역적 태그와 지역 특화 태그를 명확히 구분해주는 점이 돋보인다.
인간 평가에서는 샌프란시스코와 뉴욕의 10개 동네를 대상으로 10명 인터뷰와 설문을 진행했다. 참가자들은 시간·이벤트·문화적 배경 등 다양한 관점을 제시했으며, GHM이 도출한 태그와 인간이 생각하는 “특징적인” 태그 간 일치율이 평균 78 %에 달했다. 이는 모델이 단순 빈도 기반 방법을 넘어 지역 인식의 복합성을 포착한다는 증거이다.
한계점으로는 (1) 계층 구조가 사전에 정의돼야 하며, 경계가 모호한 지역에 대해 레이블링이 어려울 수 있다; (2) 태그가 다언어·다문화적 상황에서 의미가 변할 경우, 단순 다항분포만으로는 충분히 표현하지 못한다. 향후 연구에서는 동적 계층 학습, 의미론적 임베딩 결합, 그리고 비시각 데이터(리뷰, 트윗 등)와의 멀티모달 통합을 제안한다.