소셜 네트워크에서 이질적 연결을 활용한 봇 군집 탐지: 이징 모델 기반 최소 컷 알고리즘

초록

본 논문은 트위터 데이터에서 봇이 인간 사용자와 더 많이 상호작용하는 ‘이질성(heterophily)’ 현상을 발견하고, 이를 이징 모델에 수학적으로 반영한다. 노드와 엣지의 에너지 함수를 정의한 뒤, 최대우도 봇 라벨링 문제를 그래프의 최소 컷(min‑cut) 문제로 변환하여 효율적인 동시 다중 봇 탐지를 구현한다. 실험 결과, 기존 개별 봇 탐지 기법보다 높은 정확도를 보이며, 탐지된 봇의 콘텐츠 분석을 통해 조직적인 여론 조작 의도를 확인한다.

상세 분석

이 논문은 소셜 미디어에서 자동화된 계정(봇)이 인간 사용자와 비대칭적인 상호작용을 보인다는 ‘이질성(heterophily)’ 가설을 실증적으로 입증한다. 기존 연구들은 주로 봇의 활동 패턴(포스팅 빈도, 시간대)이나 텍스트 특성을 이용해 개별 계정을 분류했지만, 이러한 접근법은 협조적 행동을 숨기는 고도화된 봇에게는 취약하다. 저자들은 6개의 트위터 사건(미국 선거, 프랑스 맥론 스캔들, 헝가리 선거 등)에서 약 300개의 계정을 수작업 라벨링하고, 추가적으로 기존 봇 탐지 도구(Davis et al., 2016)의 확률 점수를 활용해 라벨을 확대하였다.

데이터 분석 결과, 봇이 인간에게 리트윗을 하는 비율(B→H)이 인간이 인간에게 리트윗을 하는 비율(H→H)보다 현저히 높으며, 봇 간 리트윗(B→B)은 거의 발생하지 않는다. Kolmogorov‑Smirnov 검정에서도 모든 데이터셋에서 p‑값이 10⁻⁶ 이하로, 두 분포가 통계적으로 유의하게 다름을 확인한다. 이러한 이질성은 모델링 단계에서 핵심 가정으로 채택된다.

수학적 모델링은 그래프 G=(V,E) 위에 각 노드 i∈V에 라벨 Δ_i∈{0,1} (0=인간, 1=봇)을 두고, 노드 에너지 φ(x_i,Δ_i)와 엣지 에너지 ψ(z_ij,Δ_i,Δ_j)를 정의한다. ψ는 리트윗 횟수와 양쪽 노드의 입·출도(z_i, z_j)를 이용해 다음과 같은 형태로 설계된다:
ψ_ij = w_ij·γ·