신뢰할 수 있는 뉴스와 시민 저널리스트를 동시에 찾는 모델

초록

본 논문은 온라인 뉴스 커뮤니티에서 기사, 출처, 사용자 간의 상호작용을 통합적으로 모델링하여(1) 신뢰도 높은 기사, (2) 신뢰받는 뉴스 소스, (3) 전문가 역할을 하는 시민 저널리스트를 공동으로 식별하는 방법을 제시한다. 이를 위해 연속값 라벨을 다루는 연속형 조건부 랜덤 필드(CCRF)를 설계하고, 실제 뉴스 트러스트 커뮤니티 데이터를 통해 기존 협업 필터링·회귀 기반 방법보다 우수함을 입증한다.

상세 분석

이 연구는 기존의 신뢰도 평가가 주로 개별 요소(예: 기사 내용, 사용자 평점)만을 고려하거나, 이산 라벨에 국한된 CRF·MLM 모델에 의존해 온 점을 비판한다. 저자는 뉴스, 출처, 사용자라는 세 축을 연속형 확률 그래프인 CCRF에 결합함으로써, 각 요소가 서로에게 미치는 영향을 정량화한다. 특히, 실세계 커뮤니티에서 흔히 볼 수 있는 1~5점 실수형 평점을 연속 변수로 직접 모델링함으로써 정보 손실을 최소화한다는 점이 핵심이다.

모델 구조는 다음과 같다.

• 노드: 뉴스 소스(s), 기사(d), 사용자(u), 사용자‑기사 평점(r), 전체 기사 평점(y) 각각을 연속형 랜덤 변수로 정의한다.
• 엣지: 소스‑기사, 기사‑평점, 사용자‑평점, 사용자‑기사, 소스‑사용자, 소스‑평점 등 7가지 유형의 연결을 통해 클리크를 형성한다. 이 클리크는 “소스‑기사‑사용자‑평점” 네트워크를 중심으로 서로 겹쳐지며, 정보가 여러 경로로 전파된다.

특징 추출은 크게 세 파트로 나뉜다.

1. 언어·스타일 특징: 어휘 수준(Assertive, Factive, Hedge 등)과 주관성·편향 사전, 감성 사전을 이용해 기사와 리뷰의 객관성·편향 정도를 정량화한다.
2. 주제 특징: LDA와 SVR을 결합해 잠재 토픽 분포를 학습하고, 사용자·소스의 토픽 전문성을 추정한다. 이는 “주제‑전문성‑신뢰도”의 삼각관계를 모델링하는 데 필수적이다.
3. 사용자·소스 메타데이터: 활동량, 투표(업/다운) 기록, 과거 평점 일관성 등을 포함한다.

파라미터 학습은 기존 CCRF 연구