다중 플랫폼 사용자 행동 모델링

초록

본 논문은 NetEase Music과 Sina Weibo 두 플랫폼에서 동일 사용자의 구조화·비구조화 데이터를 수집·연계하여, 음악 장르·감성 클러스터와 빅파이브 성격 요인, 인구통계 정보 간의 상관관계를 분석한다. K‑means 기반 장르·감성 군집을 도출하고, 교차 플랫폼 프로파일링을 통해 지역·반려동물·성별 등 실생활 특성과 음악 선호가 연계됨을 실증한다. 제안 방법은 다른 수직 분야에도 확장 가능함을 시사한다.

상세 분석

이 연구는 모바일 애플리케이션이 축적한 방대한 사용자 행동 데이터를 교차 플랫폼 방식으로 통합·분석한다는 점에서 의미가 크다. 먼저 NetEase Music에서 수집한 사용자의 청취 기록을 기반으로 곡에 부착된 ‘장르’와 ‘감성’ 태그를 추출하고, 이를 K‑means 알고리즘으로 각각 5개의 장르 군집과 4개의 감성 군집으로 압축하였다. K‑means 선택은 대규모 고차원 데이터에서 빠른 수렴과 해석 용이성을 고려한 것으로 보이며, 군집 수 결정 과정에서 실루엣 점수와 엘보우 방법을 병행했는지 여부가 논문에 명시되지 않아 재현 가능성에 의문이 남는다.

다음 단계에서는 Sina Weibo에서 확보한 사용자 프로필(성별, 거주 지역, 태그)과 빅파이브 성격 검사 결과를 매칭시켰다. 여기서 가장 주목할 점은 동일 사용자를 두 플랫폼에서 정확히 연결하기 위해 사용된 식별자 매핑 방법이다. 논문은 ‘휴대폰 번호 해시’ 혹은 ‘OAuth 기반 연동’ 등 구체적 절차를 제시하지 않아, 개인정보 보호와 데이터 정합성 측면에서 한계가 있다.

상관분석은 피어슨 상관계수와 카이제곱 검정을 혼합 사용했으며, 다중 비교 보정을 위해 FDR 절차를 적용한 것으로 추정된다. 결과적으로 ‘산악 지역 거주자는 포크 음악을, 대도시 거주자는 팝 음악을 선호한다’는 지리적 패턴과 ‘강아지 애호가는 슬픈 감성 음악을, 고양이 애호가는 밝은 감성 음악을 선호한다’는 반려동물 기반 차이가 통계적으로 유의미함을 보였다. 특히 빅파이브 요인 중 ‘개방성’이 높은 사용자는 장르 다양성 점수가 높고, ‘외향성’이 높은 사용자는 에너지 넘치는 댄스·팝 군집에 집중되는 경향을 보였다.

하지만 몇 가지 비판적 시각이 필요하다. 첫째, K‑means는 구형 군집을 가정하므로 비선형 관계를 포착하기 어렵다. DBSCAN이나 Gaussian Mixture Model 같은 비선형 군집화 기법과 비교 실험이 있었다면 결과의 강건성을 더 확신할 수 있었을 것이다. 둘째, 감성 태그는 주관적 라벨링에 의존하므로 라벨링 일관성 검증이 필요하다. 셋째, 교차 플랫폼 매칭 오류(예: 동일 인물 아닌 경우)와 누락 데이터(청취 기록이 적은 사용자)의 편향을 보정하기 위한 가중치 조정이 논문에 언급되지 않았다. 마지막으로, 인과관계보다는 상관관계에 머무르는 분석이므로 ‘음악 선호가 사회 활동을 유도한다’는 결론은 과도한 일반화일 수 있다.

향후 연구에서는 딥러닝 기반 임베딩(예: Word2Vec 기반 음악 태그 임베딩, BERT 기반 텍스트 프로필 임베딩)을 활용해 다차원 특성을 통합하고, 그래프 신경망을 통해 사용자 간 연결성을 모델링함으로써 보다 정교한 프로파일링이 가능할 것이다. 또한, 실시간 스트리밍 데이터와 A/B 테스트를 결합해 추천 시스템에 직접 적용함으로써 비즈니스 가치 검증도 진행할 수 있다.