정보과학회 논문지 (Journal of KIISE)

  • 제44권8호
  • /
  • Pages.782-790
  • /
  • 2017
  • /
  • 2383-630X(pISSN)
  • /
  • 2383-6296(eISSN)
한국정보과학회 (Korean Institute of Information Scientists and Engineers)
권호 표지
DOI QR코드

DOI QR Code

인기 검색어의 순위 변화 예측

'Hot Search Keyword' Rank-Change Prediction

  • 투고 : 2016.12.27
  • 심사 : 2017.05.20
  • 발행 : 2017.08.15
⟨ 이전 논문 다음 논문 ⟩

초록

인기 검색어 리스트는 현재 가장 인기 있는 검색어의 순위를 보여주는 서비스로서 네이버와 같은 포털사이트가 제공한다. 이 리스트에서의 순위 변화는 특정 검색어에 대한 사람들의 관심의 변화를 반영한다. 본 논문은 인기 검색어의 순위 변화를 예측하기 위해 시계열 모델링 프레임워크를 제안한다. 제안한 프레임워크는 과거 순위와 기계학습 모델이 적용되었고, 여기서 해결해야 할 두 가지 문제점이 있다. 첫째, 과거 순위 데이터를 분석한 결과, 70% 이상의 검색어가 리스트에서 소멸 후 재출현하는 현상을 보였다. 소멸 후의 순위는 손실 값으로 볼 수 있으며, 이를 해결하기 위해서 다양한 처리 방법을 적용하였다. 둘째, 과거 순위 데이터는 시계열 데이터이므로 최적 윈도우 크기를 계산하는 것이 중요하다. 본 논문에서는 최적 윈도우 크기는 동일한 검색어들이 서로 다른 두 시점에서 내용상 의미가 달라지는 최단 소멸기간으로 볼 수 있음을 밝혔다. 성능 평가를 위해서 4가지의 기계학습 기법과 2년 동안 수집한 네이버, 다음, 네이트의 인기 검색어 리스트 데이터를 사용하였다.

The service, 'Hot Search Keywords', provides a list of the most hot search terms of different web services such as Naver or Daum. The service, bases the changes in rank of a specific search keyword on changes in its users' interest. This paper introduces a temporal modelling framework for predicting the rank change of hot search keywords using past rank data and machine learning. Past rank data shows that more than 70% of hot search keywords tend to disappear and reappear later. The authors processed missing rank value, using deletion, dummy variables, mean substitution, and expectation maximization. It is however crucial to calculate the optimal window size of the past rank data. We proposed an optimal window size selection approach based on the minimum amount of time a topic within the same or a differing context disappeared. The experiments were conducted with four different machine-learning techniques using the Naver, Daum, and Nate 'Hot Search Keywords' datasets, which were collected for 2 years.

키워드

과제정보

연구 과제번호 : Develop of mining core technology exploiting personal big data

연구 과제 주관 기관 : National Research Foundation of Korea(NRF), Ministry of Trade, Industry and Energy (MOTIE)

참고문헌

  1. H. Kwak, et al., "What is Twitter, a social network or a news media?," Proc. of the 19th international conference on World wide web. ACM, pp. 591-600, Apr. 2010.
  2. J. E. Chung and E. Mustafaraj, "Can collective sentiment expressed on twitter predict political elections?," AAAI, Vol. 11, Apr. 2011.
  3. F. Franch, "(Wisdom of the Crowds) 2: 2010 UK election prediction with social media," Journal of Information Technology & Politics, Vol. 10, No. 1, pp. 57-71, 2013. https://doi.org/10.1080/19331681.2012.705080
  4. T. O. Sprenger, "TweetTrader. net: Leveraging Crowd Wisdom in a Stock Microblogging Forum," ICWSM, pp. 663-664, May, 2011.
  5. J. Bollen, H. Mao, and X. Zeng, "Twitter mood predicts the stock market," Journal of computational science, Vol. 2, No. 1, pp. 1-8, 2011. https://doi.org/10.1016/j.jocs.2010.12.007
  6. J. Si, et al., "Exploiting Social Relations and Sentiment for Stock Prediction," EMNLP, Vol. 14, pp. 1139-1145, Oct. 2014.
  7. M. Naaman, H. Becker, and L. Gravan, "Hip and trendy: Characterizing emerging trends on Twitter," Journal of the Association for Information Science and Technology, Vol. 62, No. 5, pp. 902-918, 2011.
  8. H. Becker, M. Naaman, and L. Gravano, "Beyond Trending Topics: Real-World Event Identification on Twitter," ICWSM, Vol. 11, pp. 438-441, 2011.
  9. S. C. Han. and H. Chung, "Social issue gives you an opportunity: discovering the personalised relevance of social issues," Pacific Rim Knowledge Acquisition Workshop, Springer Berlin Heidelberg, pp. 272-284, Sep. 2012.
  10. S. C. Han, et al., "Chinese trending search terms popularity rank prediction," Information Technology and Management, Vol. 17, No. 2, pp. 133-139, 2016. https://doi.org/10.1007/s10799-015-0238-0
  11. K. Jaidka, et al., "SocialStories: Segmenting Stories within Trending Twitter Topics," Proc. of the 3rd IKDD Conference on Data Science, 2016, ACM, p. 1, Mar. 2016.
  12. A. Vakali, N. Kitmeridis, and M. Panourgia, "A distributed framework for early trending topics detection on big social networks data threads," INNS Conference on Big Data. Springer International Publishing, pp. 186-194, Oct. 2016.
  13. K. Lee, et al., "Twitter trending topic classification," 2011 11th IEEE International Conference on Data Mining Workshops (ICDMW), pp. 251-258, Dec. 2011.
  14. D. Kim, et al., "Predicting the Scale of Trending Topic Diffusion Among Online Communities," Pacific Rim Knowledge Acquisition Workshop, Springer International Publishing, pp. 153-165, Aug. 2016.
  15. S. Nikolov, and D. Shah, "A nonparametric method for early detection of trending topics," Proc. of the Interdisciplinary Workshop on Information and Decision in Social Networks (WIDS 2012), MIT, Nov. 2012.
  16. P. D. Allison, Missing data, Thousand Oaks, CA: Sage, 2000.
  17. I. H. Witten, et al., Data Mining: Practical machine learning tools and techniques, Morgan Kaufmann, 2016.