위키피디아 편집자 행동 예측과 모델 인사이트

이 논문은 2011년 IEEE ICDM 위키피디아 콘테스트에서 제공된 데이터를 이용해, 편집자의 향후 5개월 편집 횟수를 예측하는 모델을 설계하고, 편집 행동을 좌우하는 요인들을 체계적으로 분석한다. 데이터는 2001년 1월 ~ 2010년 8월까지 영문 위키피디아에서 최소 1회 이상 편집한 44 514명의 편집자를 무작위 추출한 것으로, 각 편집에 대한 편집자 ID(등록일 매핑 가능), 네임스페이스, 문서 ID(카테고리 및 생성일 매핑 가능), 편집 시간, 리버트 여부, 편집 크기 등 상세 메타데이터가 포함된다. 우선 저자들은 편집 횟수가 파레토(스케일링) 분포를 따름을 확인하고, 로그 변환이 분포의 왜도를 크게 완화한다는 점을 발견했다. 또한, 샘플링 과정에서 2009년 9월 이전에 가입한 편집자만이 ‘생존 편집자’로 남아 있어, 신규 편집자와 기존 편집자 사이에 생존 편향이 존재함을 인식했다. 이 때문에 편집자들을 가입 시기에 따라 (① 최근 5개월, ② 5‑12개월, ③ 12개월 이상) 세 그룹으로 세분화하고, 각 그룹별로 별도 모델을 학습하는 전략을 채택했다. 모델 개발은 단계적 접근법을 취했다. 가장 기본적인 베이스라인은 ‘지속성 모델’로, 지난 5개월 편집 수를 그대로 미래 5개월 예측값으로 사용한다. 전체 편집 비율이 감소하고 있다는 사실을 반영해, 과거 편집 수에 스케일링 팩터 α를 곱하는 형태로 최적화했으며, RMSLE는 1.129→1.009→0.957로 개선되었다. 다음 단계에서는 로그‑로그 선형 회귀를 적용했다. 편집 수와 관련 피처(최근 1개월 편집 수, 최근 5개월 내 편집 일수, 리버트 횟수 등)를 로그 변환한 뒤, 로그 편집 수를 종속 변수로 두고 회귀 분석을 수행했다. RMSLE는 0.911을 기록했으며, 이는 로그 변환이 스케일링 분포에 적합함을 입증한다. 세그먼트별 선형 모델에서는 각 그룹마다 독립적인 회귀 계수를 학습했으며, 특히 ‘활동 일수’(최근 5개월 내 몇 일에 편집했는가)와 ‘최근 1개월 편집 수’가 가장 강력한 예측 변수로 나타났다. 인터랙션 항목을 추가해 ‘편집 일수 × 편집 수’, ‘최근 1개월 편집 수 × 편집 일수’ 등을 포함시키니 RMSLE가 0.877 ~ 0.870 수준으로 더욱 향상되었다. 앙상블 단계에서는 기존의 산술 평균이 스케일링 분포에 부적합함을 인식하고, 기하 평균(로그 평균)으로 예측값을 결합했다. 8개의 최적 모델(로그‑로그 선형, 세그먼트 선형, 인터랙션 모델, 랜덤 포레스트 등)을 기하 평균으로 합산한 결과 RMSLE 0.869를 달성했으며, 이는 콘테스트에서 ‘Honorable Mention’ 수상으로 이어졌다. 랜덤 포레스트 모델도 신규와 기존 편집자를 구분해 각각 학습했지만, 피처 선택과 트리 수를 조정한 뒤에도 최종 성능은 0.91 수준에 머물렀다. 핵심 인사이트는 다음과 같다. 첫째, 전체 편집 비율이 지속적으로 감소하고 있어, 과거 편집량을 그대로 복제하기보다 감소율을 반영한 스케일링이 필요하다. 둘째, 편집자의 ‘활동 일수’가 편집 횟수보다 더 강력한 예측 변수이며, 이는 편집 지속성을 측정하는 좋은 지표가 된다. 셋째, 가입 연령이 편집 비율에 큰 영향을 미치며, 신규 편집자는 급격히 활동이 감소하는 반면 기존 편집자는 비교적 안정적인 편집 패턴을 보인다. 넷째, 리버트 횟수는 신규와 기존 편집자에게 서로 다른 의미를 갖는다(신규는 리버트가 적을수록 활발, 기존는 리버트가 많을수록 지속 가능성이 낮다). 다섯째, 스케일링 분포에 적합한 기하 평균 앙상블이 산술 평균보다 월등히 좋은 성능을 보인다. 이러한 발견은 위키피디아 커뮤니티가 신규 편집자를 유지하고 활성화하는 정책 설계에 직접 활용될 수 있다. 예를 들어, 신규 편집자에게는 초기 활동을 촉진하기 위한 피드백 및 리버트 방지 지원을, 오래된 편집자에게는 지속적인 기여를 독려하는 맞춤형 인센티브를 제공함으로써 전체 편집량 감소 추세를 완화할 수 있다.