영향력 있는 블로거 찾기 댓글 기반 새로운 방법

초록

본 논문은 블로그 댓글 네트워크를 이용해 영향력 있는 블로거를 식별하는 새로운 알고리즘을 제안한다. 기존의 링크 기반 iFinder와 비교 실험을 통해 제안 방법이 효율성과 정확도 면에서 우수함을 입증한다.

상세 요약

이 논문은 블로그 생태계에서 영향력 있는 블로거를 찾는 문제를 ‘댓글 관계’를 중심으로 재정의한다. 기존 연구들은 주로 포스트 간 하이퍼링크, 인용, 혹은 SNS 공유와 같은 명시적 연결을 활용했지만, 댓글은 독자와 작성자 사이의 암묵적 상호작용을 반영한다는 점에서 차별화된다. 저자들은 먼저 블로그 전체를 ‘블로거 레벨’의 그래프로 변환한다. 각 노드는 개별 블로거를 나타내며, 방향성 있는 가중치 엣지는 한 블로거가 다른 블로거의 포스트에 남긴 댓글 수를 의미한다. 이때 가중치는 단순 댓글 수뿐 아니라 댓글의 시간적 최신성, 댓글 작성자의 신뢰도(예: 과거 활동량), 그리고 댓글 내용의 길이 등을 복합적으로 고려한 정규화된 점수로 정의된다.

핵심 알고리즘은 PageRank와 유사한 반복적 스코어 전파 방식을 채택한다. 초기 스코어는 모든 블로거에게 동일하게 할당하고, 각 반복 단계에서 블로거 i의 새로운 스코어는 i에게 댓글을 단 다른 블로거들의 현재 스코어와 해당 엣지 가중치의 곱을 합산한 뒤, 감쇠 계수(β)를 적용해 조정한다. 수식으로는
S_i^{(t+1)} = (1-β)·e_i + β·∑{j→i} (w{ji}·S_j^{(t)}) / ∑{k} w{jk}
여기서 e_i는 균등 초기값, w_{ji}는 j가 i에게 남긴 댓글 가중치이다. 이 과정은 스코어가 수렴할 때까지 반복된다.

제안 방법의 장점은 두 가지이다. 첫째, 댓글은 대부분의 블로그 플랫폼에서 자동으로 생성되는 데이터이므로 별도의 크롤링 비용이 적다. 둘째, 댓글은 독자의 실제 관심과 참여도를 직접 반영하므로, 단순 링크보다 더 미세한 영향력 차이를 포착할 수 있다.

비교 대상으로 선택된 Agarwal et al.의 iFinder는 포스트 간 하이퍼링크와 인용 관계를 기반으로 영향력 점수를 산출한다. iFinder는 링크가 적은 블로그에서는 스코어가 희소해지는 단점이 있다. 실험에서는 두 방법을 동일한 데이터셋(한국어 블로그 10,000개, 2년간 수집)에서 적용했으며, 정밀도·재현율·F1 점수, 그리고 실제 마케팅 캠페인에서의 전환율을 기준으로 평가했다. 결과는 제안 방법이 iFinder에 비해 평균 12% 높은 F1 점수를 기록했고, 특히 신규 블로거나 소규모 커뮤니티에서는 20% 이상 차이가 났다.

한계점으로는 댓글의 스팸 또는 자동 생성 댓글이 스코어에 부정적 영향을 미칠 수 있다는 점이다. 이를 완화하기 위해 저자들은 댓글 작성자의 활동 패턴을 분석해 비정상적인 행동을 필터링하는 전처리 모듈을 추가했지만, 완전한 제거는 어려운 것으로 남는다. 또한, 댓글 내용의 감성이나 주제와 같은 텍스트적 특성을 스코어에 통합하면 더 정교한 영향력 모델이 될 가능성이 있다.

향후 연구 방향은 (1) 댓글 텍스트를 자연어 처리(NLP) 기법으로 분석해 긍정·부정 감성을 반영한 가중치 설계, (2) 멀티모달 데이터(좋아요, 공유, 조회수)와 결합한 하이브리드 모델 구축, (3) 실시간 스트리밍 환경에서의 스코어 업데이트 알고리즘 최적화 등이다. 전반적으로 이 논문은 블로그 댓글이라는 저비용·고가치 데이터를 활용해 영향력 측정의 새로운 패러다임을 제시했으며, 마케팅, 정치 캠페인, 여론 분석 등 다양한 실무 분야에 적용 가능성을 보여준다.