트위터 해시태그 채택 예측을 위한 일관성 이론 기반 저차원 행렬 분해

초록

**
본 논문은 일관성 이론을 정규화 항으로 도입한 저차원 가중 행렬 분해 모델(hCWMF)을 제안한다. 사용자‑시간 해시태그 채택 행렬을 희소·저랭크 형태로 표현하고, 일관성(같은 사용자가 과거에 사용한 해시태그를 미래에도 재사용할 확률)과 트렌드 소멸을 반영한 감쇠 행렬을 함께 최적화한다. 실험 결과, 제안 모델이 기존 협업 필터링, ARMA, 마코프 체인 등 베이스라인보다 RMSE 기준에서 우수함을 보인다.

**

상세 분석

**
논문은 먼저 트위터에서 해시태그가 짧은 기간에 급격히 확산된 뒤 사라지는 ‘트렌딩 해시태그’ 현상을 정의하고, 사용자가 동일 해시태그를 반복 사용하는 경향이 일관성 이론(Consistency Theory)과 부합한다는 가설을 통계적 두표본 t‑검정으로 검증한다( p‑value = 2.53e‑49, 유의수준 0.01). 이를 기반으로 사용자‑시간 행렬 X∈ℝ^{N×M}을 구축한다. 행렬의 원소 x_{ij}=1이면 사용자 i가 시점 j에 해당 해시태그를 사용했음을 의미한다. X는 0.99 이상의 희소성을 가지며, 저차원 잠재 요인 행렬 U∈ℝ^{N×d}, V∈ℝ^{M×d}를 통해 X≈UVᵀ로 근사한다.

핵심은 목적함수에 두 개의 정규화 항을 추가한 점이다. 첫 번째는 일관성 이론을 반영한 µ‖G⊙(1−UVᵀ)‖_F² 로, 여기서 G는 시간 감쇠 행렬이다. G는 각 사용자 행에서 최초 1이 등장한 시점을 기준으로 이후 시점에 대해 1/(M−j+1) 형태의 감소값을 부여해, 초기 채택이 미래 채택에 미치는 영향을 점차 약화시킨다. 두 번째는 γ₁‖U‖_F² + γ₂‖V‖_F² 로, 과적합을 방지하기 위한 L2 정규화이다. 또한 관측된 원소만 학습에 활용하도록 W(관측 마스크) 행렬을 도입해 손실을 ‖W⊙(X−UVᵀ)‖_F² 로 제한한다.

최적화는 교대 최소제곱(ALS) 방식으로 수행한다. U와 V를 번갈아 고정하고 다른 하나에 대해 1차 미분식(식 7, 8)을 이용해 경사 하강 업데이트를 적용한다. 복잡도 분석에 따르면 각 반복마다 O(N_x d + NM d) 의 연산이 필요하며, 여기서 N_x는 X의 비제로 원소 수이다. 실험에서는 d, γ₁, γ₂, µ, λ 등의 하이퍼파라미터를 교차 검증으로 선정하였다.

베이스라인으로는 (1) 정규화 항 없이 순수 행렬 분해만 적용한 WMF, (2) 시계열 예측 모델 ARMA, (3) 2상태 마코프 체인, (4) 무작위 예측을 사용하였다. 평가 지표는 RMSE이며, 제안 모델(hCWMF)이 모든 트렌드 해시태그(#CopenHagenShooting, #JeSuisCharlie 등)에서 가장 낮은 RMSE를 기록했다. 이는 일관성 정규화와 시간 감쇠가 해시태그 재채택 패턴을 효과적으로 포착함을 의미한다.

한계점으로는 (①) 사용자 행동이 단순히 일관성에만 의존하지 않고 외부 이벤트(뉴스, 정치 상황)와도 연관될 수 있음, (②) 감쇠 행렬 G가 최초 채택 시점만 고려해 다중 피크를 가진 트렌드에 대해 과소평가될 가능성, (③) 1% 샘플링 API에 의한 데이터 편향이 존재한다는 점을 언급한다. 향후 연구에서는 다중 감쇠 스케줄, 텍스트 기반 주제 모델링, 그리고 실시간 스트리밍 환경에서의 온라인 업데이트를 탐색할 계획이다.

**