소셜 미디어 행동 예측: 계산역학과 에코스테이트 네트워크 비교

본 논문은 트위터 사용자 15,000명을 대상으로, 과거 행동만을 이용해 미래 트윗 발생을 예측하는 두 가지 전혀 다른 모델링 패러다임을 비교한다. 첫 번째는 계산역학에서 유도된 인과 상태 모델(Causal State Modeling, CSM)이며, 두 번째는 Reservoir Computing의 한 형태인 Echo State Network(ESN)이다. 연구 배경에서는 소셜 미디어 사용자를 ‘컴퓨팅 에이전트’로 보고, 입력(다른 사용자, 외부 사건)과 내부 상태가 결합돼 관측 가능한 행동(트윗, 멘션 등)을 생성한다고 설명한다. 실제 데이터는 49일 동안 12,043명의 트위터 상태를 수집했으며, 활성 사용자(하루 최소 1회 트윗)만을 포함한 15,000노드 네트워크를 구축했다. 이후 활동이 가장 높은 3,000명을 선정하고, 트윗 타임스탬프를 10분 구간으로 이진화해 하루 96개의 시간 포인트 시계열을 만든다. 방법론에서는 먼저 점 과정으로서의 사용자 행동을 정의하고, 한 단계 앞을 예측하는 함수 r을 찾는 문제를 공식화한다. 인과 상태 모델은 과거 히스토리 x_{i‑L}^{i‑1}를 동일한 미래 확률 분포를 갖는 집합으로 묶어 상태 S_i를 정의한다. CSSR 알고리즘을 이용해 데이터를 점진적으로 분할하면서 최적의 상태 수와 전이 확률을 추정한다. 히스토리 길이 L은 0~11 사이에서 9‑fold 교차 검증으로 최적화했으며, 데이터 양에 따라 L_max < log₂n ≈ 12이라는 이론적 제한을 적용했다. ESN은 10개의 입력, 128개의 고정 리저버, 1개의 출력으로 구성된다. 리저버 가중치는 균등 분포에서 샘플링하고 스펙트럼 반경을 1보다 작게 스케일링해 에코스테이트 속성을 보장한다. 입력 x_t와 이전 출력 z_{t‑1}을 이용해 리저버 상태 y_t를 업데이트하고, 최종 출력 z_t는 선형 결합된 리저버 상태와 입력을 sigmoid 함수에 통과시켜 얻는다. 출력 가중치 W_out은 훈련 데이터에 대한 최소제곱 해를 구해 직접 계산한다. 실험 설계는 45일을 훈련, 4일을 테스트로 나누어 각 모델을 학습시킨 뒤, 예측 정확도와 평균 제곱 오차(MSE)를 비교한다. 전체 사용자에 대해 두 모델의 평균 성능 차이는 통계적으로 유의미하지 않았으며, 특히 트윗 비율이 0.05 이하인 90%의 사용자는 두 모델이 거의 동등하게 예측했다. 그러나 트윗 비율이 극히 낮거나 높은 소수 사용자에서는 한 모델이 다른 모델보다 현저히 높은 정확도를 보였다. 예를 들어, 매우 규칙적인 트윗 패턴을 보이는 사용자는 인과 상태 모델이 적은 상태 수로도 정확히 포착했으며, 반면 복잡하고 비선형적인 활동을 보이는 사용자는 ESN의 고차원 리저버가 더 좋은 성능을 나타냈다. 논의에서는 두 접근법의 장단점을 분석한다. 인과 상태 모델은 최소 충분 통계량을 제공해 해석 가능성이 높고, 모델 복잡도가 데이터에 따라 자동 조절된다. 그러나 히스토리 길이가 늘어나면 상태 수가 급증해 메모리와 계산 비용이 크게 증가한다. ESN은 고정된 리저버 크기로 빠른 학습이 가능하고, 파라미터 튜닝이 비교적 간단하지만, 랜덤 초기화에 따라 성능 변동성이 존재한다. 또한, 리저버 차원이 충분히 크지 않으면 복잡한 패턴을 포착하지 못한다는 한계가 있다. 결론적으로, 소셜 미디어 사용자 행동 예측에서 계산역학 기반 인과 상태 모델과 에코스테이트 네트워크는 서로 보완적인 역할을 한다. 사용자별 활동 특성에 따라 적절한 모델을 선택하거나, 두 모델의 예측을 앙상블하는 것이 향후 연구에서 유망한 방향이다. 또한, 본 연구는 행동 예측에 있어 입력을 과거 행동만으로 제한했을 때도 상당한 예측력을 확보할 수 있음을 보여주며, 향후 외부 요인(예: 트렌드, 네트워크 구조)과 결합한 다중 입력 모델 개발이 필요함을 제시한다.