트위터 메시지 전파 분류를 위한 동적 시간 왜곡 거리

초록

**
본 논문은 트위터에서 발생한 메시지의 전파 구조를 그래프 형태인 Propagation Net(PrNet)으로 모델링하고, 동적 시간 왜곡(DTW) 기반 거리 측정법을 제안한다. 제안된 PrNet‑DTW 거리를 확률적 k‑NN과 증거 이론 기반 evidential k‑NN에 적용해 메시지 클래스를 예측했으며, 실제 트위터 데이터셋(‘Android’, ‘Galaxy’, ‘Windows’)에서 기존 Euclidean·Jaccard 기반 방법보다 높은 정확도를 달성하였다.

**

상세 분석

**
이 연구는 짧은 텍스트인 트위터 메시지의 내용 기반 분류가 어려운 점을 인식하고, 메시지 자체가 아닌 전파 과정에 초점을 맞춘 새로운 분류 패러다임을 제시한다. 전파 네트워크(PrNet)를 유향 비순환 그래프로 정의하고, 각 링크에 팔로우, 멘션, 리트윗이라는 세 가지 관계 유형을 가중치 벡터 (w_f, w_m, w_r)로 표현한다. 기존 연구에서는 PrNet을 확률 분포나 BBA(Basic Belief Assignment)로 변환한 뒤 유클리드·자카드 거리 등을 적용했으나, 변환 과정에서 시간 순서와 구조적 정보가 손실되는 문제가 있었다.

이를 해결하기 위해 저자들은 DTW(Dynamic Time Warping) 알고리즘을 그래프 경로에 적용한다. 먼저 PrNet을 source‑to‑leaf 방향의 dipath(단일 경로) 집합으로 분해한다. 각 dipath는 시간 순서가 보장된 정렬된 정점 시퀀스로, DTW는 두 시퀀스 사이의 최적 매칭 비용을 계산한다. 알고리즘은 한 PrNet의 모든 dipath와 다른 PrNet의 모든 dipath 간 DTW 거리를 구한 뒤, 각 dipath에 대해 최소값을 선택하고, 최종적으로 이 최소값들의 평균을 PrNet‑DTW 거리로 정의한다. 메모이제이션을 활용해 O(|S|·|T|)의 시간·공간 복잡도를 유지한다는 점도 실용적이다.

거리 기반 분류기로는 확률적 k‑NN과 증거 이론 기반 evidential k‑NN을 사용한다. 확률적 k‑NN은 전통적인 다수결 방식을 따르지만, evidential k‑NN은 각 이웃의 거리에 따라 α 파라미터를 조정해 BBA를 생성하고, Dempster‑Shafer 결합 규칙과 pignistic 변환을 통해 최종 클래스를 결정한다. 이 과정에서 거리값이 클수록 불확실성이 증가하도록 설계돼, 거리 정보가 분류에 미치는 영향을 정량화한다.

실험에서는 2014년 9월~11월 사이에 수집한 트위터 데이터를 정제해 ‘Android’, ‘Galaxy’, ‘Windows’ 세 클래스로 라벨링하였다. 각 트윗이 포함하는 키워드가 클래스 라벨을 결정하도록 하여, 텍스트 기반 분류가 어려운 상황에서도 전파 구조만으로 충분히 구분 가능함을 검증했다. 전파 추출 규칙은 (1) 팔로우 관계, (2) 멘션, (3) 리트윗을 모두 고려했으며, 각 관계에 사전 정의된 가중치를 부여했다.

비교 실험 결과, PrNet‑DTW와 evidential k‑NN 조합은 기존 Euclidean·Jaccard 기반 방법에 비해 평균 정확도가 5~7%p 상승했으며, 특히 클래스 간 전파 패턴이 유사한 경우에도 높은 구분력을 보였다. 또한, DTW 기반 거리 측정은 시간 순서를 보존하므로, 동일한 구조라도 전파 속도 차이에 민감하게 반응한다는 장점이 있다.

한계점으로는 (1) dipath 집합이 많아질 경우 계산 비용이 급증할 수 있다는 점, (2) 링크 가중치 설정이 도메인 전문가의 주관에 의존한다는 점, (3) 트위터 외 다른 SNS에 적용하려면 관계 유형 정의를 재조정해야 한다는 점을 들 수 있다. 향후 연구에서는 그래프 임베딩과 결합해 차원 축소를 시도하거나, 가중치 학습을 자동화하는 메커니즘을 도입해 확장성을 높일 수 있다.

**