소셜 네트워크 정보 확산 에이전트 기반 모델

초록

본 논문은 트위터 데이터를 활용해 메시지(에이전트)의 생애 주기에서 좋아요와 리트윗 수가 Weibull 분포를 따른다는 통계적 패턴을 제시한다. 다중 에이전트 네트워크의 진화 규칙을 정의하고, 시뮬레이션 결과와 실제 데이터 간의 일치를 검증한다.

상세 분석

이 연구는 소셜 미디어에서 정보가 어떻게 전파되는지를 이해하기 위해 다중 에이전트 모델(MABM)을 설계하였다. 에이전트는 개별 메시지를 의미하며, 각 에이전트는 생성, 전파, 소멸이라는 세 단계의 라이프사이클을 가진다. 모델은 시간 단위(tick)마다 다음과 같은 규칙을 적용한다. 첫째, 새로운 메시지가 일정 확률 λ에 따라 네트워크에 등장한다. 둘째, 기존 메시지는 팔로워 네트워크 구조에 따라 전파되며, 전파 확률은 메시지의 현재 인기도(좋아요·리트윗 수)와 사용자의 활동성에 비례한다. 셋째, 일정 시간 이상 상호작용이 없으면 에이전트는 소멸한다. 이러한 규칙을 통해 각 메시지의 좋아요와 리트윗 누적 횟수는 시간에 따라 비선형적으로 증가한다.

시뮬레이션 결과는 누적 좋아요·리트윗 수의 분포가 Weibull 분포와 높은 적합도를 보임을 확인했다. Weibull 분포는 형태 매개변수(k)와 규모 매개변수(λ)로 정의되며, k<1이면 초기 급격한 성장 후 급감, k>1이면 점진적 성장 특성을 나타낸다. 논문에서는 실제 트위터 데이터(수십만 건)에서 추정된 k≈1.2, λ≈1500 정도의 값을 보고했으며, 이는 대부분의 메시지가 초기 급증 후 서서히 감소하는 전형적인 전파 패턴을 반영한다.

통계적 검증으로는 Kolmogorov‑Smirnov 테스트와 QQ 플롯을 활용했으며, p‑값이 0.05 이상으로 귀무가설(Weibull 적합)을 기각하지 못했다. 또한, 모델 파라미터 λ(새 메시지 생성률)와 전파 확률 p가 Weibull 형태 매개변수에 미치는 민감도 분석을 수행해, λ가 증가하면 규모 매개변수 λ가 커져 전체 전파 규모가 확대되고, 전파 확률 p가 상승하면 형태 매개변수 k가 증가해 전파가 보다 균등하게 지속되는 경향을 보였다.

이러한 결과는 기존의 단순 감염 모델(SIR)이나 파워‑law 기반 전파 모델이 설명하기 어려운 실제 데이터의 꼬리 부분을 설명하는 데 기여한다. 특히, Weibull 분포는 초기 급증과 장기 잔존을 동시에 포착할 수 있어, 마케팅 캠페인이나 가짜 뉴스 확산 억제 정책 설계에 실용적인 통계적 근거를 제공한다.