소셜 네트워크 서비스상에서 알림의 흥미도 예측을 통한 사용자의 효율 적인 알림 탐색 지원

Abstract

여러 소셜 네트워크 서비스(SNS)에서 공통적으로 수신 시간 순으로 정렬된 알림 목록을 제공하여 사용자가 관심 있는 정보를 효율적으로 탐색할 수 있도록 지원하고 있다. 이 때, 알림 목록에 존재하는 수많은 알림에 대한 사용자의 관심도는 시간뿐만 아니라 발신자, 종류, 내용 등 다양한 요소에 의해서 결정된다. 그러나 대부분의 소셜 네트워크 서비스에서 알림 목록은 수신 시간 순서로만 정렬되어 제공되므로 사용자는 흥미로운 알림을 찾는 것에 어려움을 겪고 있다. 본 논문에서는 SNS 사용자들이 알림 목록에서 알림을 효율적으로 탐색할 수 있도록 돕기 위하여, 대표적인 SNS 중 하나인 Facebook 알림의 흥미도 점수를 예측하여 흥미도 점수가 높은 알림을 먼저 보여주는 알림 목록을 제안한다. 알림 흥미도 평가 실험을 통하여 1,988개 알림의 흥미도 데이터를 구축하고, 인간의 평가 기준을 모사하는 신경망 예측 모델을 구현했다. 선형 회귀 및 여러 구조의 신경망 예측 모델을 비교한 결과, 40개의 뉴런으로 구성된 1개의 은닉층을 가진 신경망 모델을 선택하였다. 해당 신경망 모델에 Adam 최적화 알고리즘을 적용하고 학습 속도를 0.001 로 설정한 후 2,000번의 학습을 반복한 결과, 실제 수집한 흥미도 점수에 대하여 스피어만 상관 계수 값은 0.679, 결정 계수 값은 0.453 로 최상의 예측 성능을 보였다. 사용자 실험 결과, 사용자들은 수신 시간 순 정렬 알림 목록보다 흥미도 점수 순 정렬 목록을 사용했을 때 더 효율적으로 흥미로운 알림을 찾을 수 있었고, 인터뷰를 통하여 흥미도 점수 순 정렬 알림 목록을 더 선호하는 것을 확인하였다.

1. 서론 ...................................................................................... 1 2. 관련 연구 .............................................................................. 5 3. 알림의 흥미도 평가 실험 ....................................................... 10 3.1 실험 설계 ................................................................................................ 10 3.1.1. 실험 개요 .............................................................................................10 3.1.2. 실험 참여자 .........................................................................................10 3.1.3. 특성 탐색 .............................................................................................12 3.1.4. 특성 추출 .............................................................................................16 3.1.5. 데이터 수집 .........................................................................................18 3.2 예비 사용자 실험 .................................................................................... 20 3.2.1. 실험 결과 및 분석 ...............................................................................20 4. 예측 모델 설계 ..................................................................... 24 4.1 예측 모델 선택 ........................................................................................ 25 4.1.1. 성능 평가 지표 ....................................................................................25 4.1.2. 예측 모델 비교 ....................................................................................27 4.2 특성 중요도(Feature Importance) .......................................................... 31 5. 사용자 실험 .......................................................................... 33 5.1. 실험 설계 ............................................................................................... 33 5.1.1. 실험 개요 .............................................................................................33 5.1.2. 독립 변수 .............................................................................................34 5.1.3. 종속 변수 .............................................................................................35 5.1.4. 실험 참여자 .........................................................................................35 ii 5.2 실험 결과 ................................................................................................ 37 5.2.1. 수행 시간 .............................................................................................37 5.2.2. mAP .....................................................................................................38 5.2.3. 흥미도 점수 .........................................................................................39 5.2.4. 주관 평가 점수 ....................................................................................39 6. 논의 ...................................................................................... 43 7. 한계 및 향후 연구 ................................................................ 46 8. 결론 ...................................................................................... 48 참고문헌 .................................................................................... 49 ABSTRACT ............................................................................. 51

A notification list is a common component in many Social Network Services (SNS) such as Facebook. Notifications are usually sorted by their arrival time, so that users can navigate the most recent notification first. However, this can limit the navigation process with a possibility of missing interesting notifications. Indeed, our survey revealed that users have various criteria in judging the interestingness of a notification in addition to its arrival time, such as its event type, sender, and content. We propose a new notification list for Facebook that predicts the interestingness of notifications and shows them in an interestingness order. For prediction, we collected 1,988 notification and interestingness pairs from 23 users and built a two-layer neural network. Our prediction network showed a Spearmans rank correlation coefficient of 0.679 and the coefficient of determination value of 0.453 that suggests moderate to high correlation. Finally, we compared our list with a conventional chronologically sorted list. Our user study revealed that users could find significantly more interesting notifications with our list than with a previous one as well as preferring ours.