KR20150067897A - 소셜 데이터의 인기도 예측 장치 및 방법 - Google Patents

소셜 데이터의 인기도 예측 장치 및 방법 Download PDF

Info

Publication number
KR20150067897A
KR20150067897A KR1020130153281A KR20130153281A KR20150067897A KR 20150067897 A KR20150067897 A KR 20150067897A KR 1020130153281 A KR1020130153281 A KR 1020130153281A KR 20130153281 A KR20130153281 A KR 20130153281A KR 20150067897 A KR20150067897 A KR 20150067897A
Authority
KR
South Korea
Prior art keywords
data
popularity
social data
social
information
Prior art date
Application number
KR1020130153281A
Other languages
English (en)
Inventor
배용진
김현기
장명길
최미란
허정
임수종
오효정
이충희
류법모
윤여찬
최윤재
조요한
Original Assignee
한국전자통신연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국전자통신연구원 filed Critical 한국전자통신연구원
Priority to KR1020130153281A priority Critical patent/KR20150067897A/ko
Priority to US14/243,427 priority patent/US20150161517A1/en
Publication of KR20150067897A publication Critical patent/KR20150067897A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F15/00—Digital computers in general; Data processing equipment in general
    • G06F15/16—Combinations of two or more digital computers each having at least an arithmetic unit, a program unit and a register, e.g. for a simultaneous processing of several programs
    • G06F15/163—Interprocessor communication
    • G06F15/173—Interprocessor communication using an interconnection network, e.g. matrix, shuffle, pyramid, star, snowflake
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/535—Tracking the activity of the user
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Abstract

본 발명은 SNS를 통해 전파되는 소셜 데이터의 인기도 기준을 다양하게 설정하여 해당 인기도를 예측하는 방법 및 장치에 관한 것이다.
본 발명에 따른 소셜 데이터 인기 예측 장치는, 소셜 네트워크 데이터 저장소로부터 선정된 기간 동안 생성된 과거 소셜 데이터 및 실시간으로 생성되는 소셜 데이터를 수집하는 소셜 데이터 수집부와, 상기 선정된 기간 동안 생성된 과거 소셜 데이터로부터 사용자 정보 및 데이터 정보를 추출하고 상기 추출된 작성자 정보 및 데이터 정보를 이용하여 소셜 데이터 인기 예측 자원을 구축하는 소셜 데이터 인기 예측 자원 구축부와, 상기 실시간으로 생성되는 소셜 데이터로부터 추출되는 데이터 정보 및 사용자 정보와 상기 구축된 인기 예측 자원을 이용하여 상기 실시간으로 생성되는 소셜 데이터에 대한 인기도를 예측하는 인기 예측부를 포함하되,상기 예측되는 인기도는, 전파량, 인기유지시간 및 확산 속도중 적어도 두가지 항목에 대한 예측치를 포함할 수 있다.

Description

소셜 데이터의 인기도 예측 장치 및 방법{Apparutus and method for predicting popularity of social data}
본 발명은 트위터, 페이스북, 구글+와 같은 소셜 네트워크 서비스(Social Network Service: SNS)에서 생성되는 소셜 미디어 데이터(이하, 축약하여'소셜 데이터'라 칭함)의 인기도 예측 및 예측된 인기도 수치에 근거하여 미래에 발생할 이슈를 탐지하고 사용자에 제공해줄 수 있는 장치 및 방법에 관한 것이다.
트위터, 페이스북, 구글+와 같은 소셜 네트워크 서비스(Social Network Service: SNS)에서 생성되는 소셜 데이터의 전파 특성과 모바일 인터넷의 확산으로 서비스에 대한 관심과 중요성은 꾸준히 증가하고 있다. 실시간으로 생성되는 소셜 데이터들 중에서 어떤 데이터가 다수의 사용자들에게 관심을 받을 것인지 분석하고, 예측하는 것이 사회적으로나 기업의 입장에서 주된 관심사이다.
종래의 소셜 데이터의 인기를 예측하는 방법은 크게 두 가지가 사용되었다. 하나는 영향력자를 분석하여 해당 영향력자가 작성한 데이터를 인기 데이터로 간주하는 방법이며, 또 다른 방법은 해당 데이터의 전파량을 예측하는 것이다. 전자의 방법은 사회적 영향력자를 소셜 영향력자로 간주하여 그들이 작성한 데이터가 사용자들로부터 많은 인기를 받을 것이라 가정하는 것이다. 그러나 동일한 영향력자가 작성한 데이터이라 할지라도 데이터의 주제나 데이터의 작성시간 등 다양한 조건에 따라 다른 사용자들에게 전파되는 속도나 형태가 다르다. 또한, 데이터의 확산 양상이 다양하기 때문에 영향력자가 작성한 데이터가 인기있는 데이터라 고려하기 힘들다.
후자의 방법은 다수의 사용자들에게 전파되는 데이터는 인기 데이터로 간주할 수 있기 때문에 해당 데이터의 전파량을 예측하여 인기를 분석하는 방법이다. 그러나, 전파량이 데이터의 인기를 대변하는 하나의 기준으로 사용될 수는 있으나, 전파량 뿐 아니라 데이터가 확산될 때 고려해야 하는 요소가 다양하기 때문에 데이터 인기를 측정함에 있어 한계를 가지고 있다.
본 발명의 목적은 SNS를 통해 전파되는 소셜 데이터의 인기도 기준을 다양하게 설정하여 해당 인기도를 예측하는 방법 및 장치를 제공하는 것이다.
본 발명의 또다른 목적은 SNS를 통해 전파되는 소셜 데이터의 전파횟수, 인기유지기간 및 확산 속도를 산출함으로써 데이터의 인기도를 예측하는 방법 및 장치를 제공하는 것이다.
본 발명의 일실시예에 따른 소셜 데이터 인기 예측 장치는, 소셜 네트워크 데이터 저장소로부터 선정된 기간 동안 생성된 과거 소셜 데이터 및 실시간으로 생성되는 소셜 데이터를 수집하는 소셜 데이터 수집부와, 상기 선정된 기간 동안 생성된 과거 소셜 데이터로부터 사용자 정보 및 데이터 정보를 추출하고 상기 추출된 작성자 정보 및 데이터 정보를 이용하여 소셜 데이터 인기 예측 자원을 구축하는 소셜 데이터 인기 예측 자원 구축부와, 상기 실시간으로 생성되는 소셜 데이터로부터 추출되는 데이터 정보 및 사용자 정보와 상기 구축된 인기 예측 자원을 이용하여 상기 실시간으로 생성되는 소셜 데이터에 대한 인기도를 예측하는 인기 예측부를 포함하되,상기 예측되는 인기도는, 전파량, 인기유지시간 및 확산 속도중 적어도 두가지 항목에 대한 예측치를 포함할 수 있다.
본 발명의 일실시예에 따른 소셜 데이터 인기 예측 방법은, 소셜 네트워크 서비스를 통해 실시간으로 전파되는 소셜 데이터를 수집하는 단계; 상기 수집된 소셜 데이터중에서 사용자에 의해 입력된 필터링 정보에 근거하여 인기 예측 대상 소셜 데이터를 필터링하는 단계; 상기 필터링된 소셜 데이터로부터 상기 소셜 데이터의 작성자 정보 및 데이터 정보를 추출하는 단계; 상기 추출된 작성자 정보 및 데이터 정보와 기구축된 소셜 데이터 인기 예측 자원을 이용하여 상기 소셜 데이터의 인기도를 예측하는 단계를 포함하되, 상기 소셜 데이터의 인기 예측 정보는 전파량, 인기유지시간 및 확산 속도중 적어도 두가지의 항목에 대한 예측치를 포함할 수 있다.
본 발명의 일 실시예에 따르면, 다음과 같은 효과를 얻을 수 있다.
- 소셜 데이터 인기 예측
종래의 소셜 데이터의 인기는 작성자의 인기에 기반하여 측정되어 왔으나, 본 발명은 데이터의 인기를 작성자에만 의존하지 않고 데이터 내용까지 고려하여 해당 인기를 예측한다. 이는 유명한 사람이 작성한 데이터라 할지라도 무의미한 내용을 담고 있으면 다른 사용자들로부터 호응을 받지 못하기 때문에 소셜 데이터를 예측하는데 있어 중요한 부분이다.
데이터가 미치는 영향력(전파량, 인기 유지 시간, 확산 속도)지수를 수치적으로 예측하기 때문에 데이터 인기의 특성과 데이터 내용에 따라 유연하게 대처할 수 있다.
- 미래 이슈 예측/분석
종래의 웹 트렌드 분석 기술은 과거에서 현재까지의 데이터를 분석하여 기업/사회/문화/정치 분야의 이슈를 탐지하고 이를 기반으로 앞으로의 발생할 이슈에 대하여 대비하였다. 그러나, 현재까지 데이터를 기반하기 때문에 미래의 이슈에 대하여 예측하는 것은 많은 한계가 있으며, 또한 현재의 이슈가 언제까지, 어느 정도의 파급력을 가지는지 예측하기는 어려웠다. 그러나, 본 발명은 데이터의 인기를 기반으로 미래에 미칠 영향력과 앞으로의 이슈를 예측할 수 있다.
- 미래 이슈 요약 및 검색
현재 시간을 기준으로 언제까지 이슈가 진행될 것인지 모니터링이 가능하고, 해당 이슈가 사용자들에게 미칠 영향력을 확인하여 대처할 수 있다. 또한, 데이터의 인기에 따라 원하는 이슈 검색이 가능하고, 어떤 이슈가 어떤 파급력을 가지는지 분석이 가능하다.
도 1은 트위터상에서 작성된 소셜 데이터가 다른 사용자에게 전파되는 과정을 분석한 그래프이다.
도 2는 본 발명의 일실시예에 따른 소셜 데이터 인기 예측 장치의 구성을 도시한 블록도이다.
도 3은 본 발명의 일실시예에 따른 소셜 데이터 인기 예측 방법을 도시한 흐름도이다.
도 4는 본 발명의 일실시예에 따라 분석된 미래 이슈를 사용자에게 제공해주는 화면의 일예이다.
도 5는 도 4의 화면예에서 특정 주제어나 키워드를 클릭하였을 때 해당 이슈에 대한 데이터의 내용과 데이터의 예측된 인기에 대한 정보를 제시하는 화면의 일예를 도시한다.
도 6은 사용자가 검색하고자 하는 미래 이슈에 대하여 검색어 및 검색조건을 입력하는 화면 예이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 이를 상세한 설명을 통해 상세히 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
본 발명을 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
또한, 본 명세서 및 청구항에서 사용되는 단수 표현은, 달리 언급하지 않는 한 일반적으로 "하나 이상"을 의미하는 것으로 해석되어야 한다.
또한, 본 명세서에서 사용되는 용어들중 "모듈", "부", "인터페이스"등은 일반적으로 컴퓨터 관련 객체를 의미하며, 예를 들어, 하드웨어, 소프트웨어 및 이들의 조합을 의미할 수 있다.
이하, 본 발명의 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 트위터상에서 작성된 소셜 데이터가 다른 사용자에게 전파되는 과정을 분석한 그래프이다. 도시된 바와 같이, 소셜 데이터 1, 2, 3은 전파횟수 및 인기지속시간 측면에서 다양한 결과를 보여준다.
이러한 상황에서, 소셜 데이터의 인기도를 전파량의 관점에서만 판단한다면 데이터 1과 데이터 2는 는 유사한 인기를 가진 데이터로 판단될 수 있다. 그러나, 인기 지속 기간의 측면에서는 확연히 다른 양상을 보이고 있다. 인기 지속 기간은 사용자들로부터 관심을 받는 시간을 의미하며, 데이터가 작성된 시점부터 마지막으로 전파가 일어난 시점까지의 기간을 뜻한다. 또한, 데이터 2와 데이터 3을 비교해보면 인기 지속 기간은 비슷하나 전파량도 확연히 다르며 데이터 전파가 발생하는 밀집도를 비교해 보았을 때 데이터의 확산 속도 또한 다르게 나타나는 것을 볼 수 있다. 따라서, 소셜 데이터의 인기를 산출함에 있어서 인기도 측정 기준을 다양하게 설정하여 인기를 예측할 필요가 있다.
이를 위해, 본 발명은 소셜 데이터의 인기를 예측함에 있어서 다른 사용자들에게 정보가 공유되는 속성(전파량, 인기 유지 기간, 확산 속도 등)을 이용하여 데이터의 인기를 예측하는 방법을 제안한다. 본 발명은 과거에 생성된 데이터로부터 예측에 사용되는 정보를 획득하는 정보 추출 기술과 추출된 정보를 기반으로 예측 분석 기술을 활용하여 데이터의 인기를 예측하는 방법을 제안한다. 구체적으로, 본 발명은 데이터의 인기를 측정하는 기준으로서 다음 세 가지 항목을 고려한다.
1. 게시물이 다른 사용자들로부터 얼마나 널리 전파되어 공감을 얻을 것인가?
2. 게시물이 얼마나 오랫동안 사용자들의 관심을 받을 것인가?
3. 게시물이 다른 사용자들에게 얼마나 빨리 전파되는가?
항목 1은 데이터의 전파량을 고려한 기준이다. 전파량은 생성된 데이터가 다른 사용자로부터 받은 공감 또는 추천의 양을 의미한다. 예를 들어, 트위터에서는 '리트윗'되는 횟수를 말하며, 페이스 북에서는 게시물의'추천'횟수를 의미한다.
항목 2는 데이터의 지속성을 고려한 기준이다. 지속성은 데이터가 생성된 시점에서부터 언제까지 사용자들의 관심을 받을 것 인가를 예측하는 항목이다. 예를 들어, 트위터에서는 트윗이 작성된 시점부터 마지막 리트윗이 발생한 시점까지의 시간을 의미하며, 페이스북에서는 게시글이 생성된 시점부터 마지막 추천을 받은 시점까지의 시간을 의미한다.
항목 3은 데이터의 확산 속도를 고려한 기준이다. 사용자와 사용자간에 데이터의 평균 전달 속도를 말한다. 예를 들어 트위터에서는 트윗이 작성되고 리트윗이 발생하면 그 다음 리트윗이 발생할때까지 걸리는 평균 시간을 의미하고, 페이스북에서는 사용자가 게시물을 작성하고 추천을 받으면 그 다음 추천을 받을 때 까지 걸리는 평균 시간을 의미한다.
이하 설명에서는 항목 1을 고려하여 측정한 수치를 '전파량'이라 지칭하고, 항목 2를 고려하여 측정한 수치를 '인기 유지 시간'이라 지칭하고, 항목 3을 고려하여 측정한 수치를 '확산 속도'라 지칭하겠다.
또한, 본 발명은 예측된 데이터의 인기를 기반으로 미래 이슈 탐지 방법을 제안한다. 본 발명으로부터 예측된 데이터의 인기 수치는 다음 예와 같이 사용될 수 있다. 예를 들어, "xxx가 입고 나온 청바지 나도 갖고 싶다."와 같은 데이터의 생명 유지 시간이 일주일이라 예측되었고, 공감 횟수가 10000번 전파 속도가 1분이라고 예측되었다면 관련 기업에서는 해당 청바지에 대한 수요와 판매율이 높은 기간, 사용자들의 관심을 분석하여 미리 준비하는데 사용할 수 있다.
이와 같이, 소셜 데이터의 인기를 예측함으로써 다수의 사용자들로부터 여론이 형성되기 전에 조기 탐지하여 기업 및 공공기관에서는 잠재적으로 위험이 있는 이슈(사고, 비 일반적인 이벤트 등)발생에 대비하는 모델 구축 및 대응 방안을 마련할 수 있다.
본 명세서에서 언급되는 '소셜 데이터'는 트위터, 페이스북, 구글+와 같은 소셜 네트워크 서비스(SNS)에서 생성되는 데이터를 지칭하는 용어로서, 이하의 설명에서는 축약하여'소셜 데이터'로 지칭하겠다.
도 2는 본 발명의 일실시예에 따른 소셜 데이터 인기 예측 장치의 구성을 도시한 블록도이다. 도시된 바와 같이, 소셜 데이터 인기 예측 장치(200)는 소셜 데이터 수집부(210), 소셜 데이터 인기 예측 자원 구축부(220), 소셜 데이터 필터링부(230) 및 소셜 데이터 인기 예측부(240) 및 예측결과 제공부(260)를 포함할 수 있다.
일실시예에서, 소셜 데이터 수집부(210)는 소셜 네트워크 서비스를 통해 전파되는 소셜 데이터가 저장된 소셜 네트워크 데이터 저장소로부터 과거에 생성된 소셜 데이터 및 실시간으로 생성되는 소셜 데이터를 수집할 수 있다. 대부분의 소셜 네트워크 서비스(SNS) 제공자는 사용자들이 소셜 데이터를 수집할 수 있도록 데이터 수집 API를 제공한다. 소셜 데이터 수집부(210)는 이와 같이 SNS 제공자가 제공하는 데이터 수집 API(미도시)를 이용하여 해당 소셜 네트워크 데이터 저장소로부터 소셜 데이터를 수집할 수 있다. 도 1에는 예시적으로 소셜 네트워크 데이터 저장소가 1개만 도시되어 있으나, 다양한 소셜 네트워크 서비스 제공자(예, 페이스북, 트위터 등)별로 제공되는 데이터 저장소가 복수개 존재할 수 있으며, 본 발명은 특정 서비스 제공자에 의해 제공되는 데이터 저장소에 저장된 소셜 데이터 분석에 한정되지 않을 것이다.
일실시예에서, 소셜 데이터 수집부(210)에 의해 수집된 과거에 생성된 소셜 데이터는 데이터의 인기 예측을 위한 인기 예측 자원 구축을 위해 이용될 수 있도록 소셜 데이터 인기 예측 자원 구축부(220)에 공급되고, 실시간으로 수집되는 소셜 데이터는 인기 예측 대상의 후보로서 소셜데이터 필터링부(240)를 통해 인기예측부(250)에 공급될 것이다.
소셜 데이터 인기 예측 자원 구축부(220)는 소셜 데이터 수집부(210)에 의해 일정 기간 수집된 소셜 데이터로부터 사용자(작성자) 정보 및 소셜 데이터 정보를 추출하고 상기 추출된 작성자 정보 및 데이터 정보를 이용하여 해당 소셜 데이터의 과거 인기도(전파량, 인기유지시간 및 확산속도)를 산출함으로써 소셜 데이터 인기 예측 자원을 생성한다.
일 예에서, 데이터 정보 및 작성자 정보는 명시적 정보 및/또는 사용자 정의 정보일 수 있다.
일실시예에서, 명시적 정보는 해당 서비스에서 제공하는 사용자 혹은 게시물에 대한 정보이다. 예를 들어, 예측 대상이 트윗이라 하였을 때 작성자 정보로는 사용자 아이디, 팔로워 수, 친구 수, 게시 글 수, 팔로워 아이디 리스트 등 중 적어도 하나가 포함될 수 있고, 데이터 정보로는 트윗의 텍스트, 트윗의 길이, 리트윗 횟수, url 사용여부, 리플라이 유/무, 태그 정보, 트윗의 아이디, 트윗 작성 시간 등중 적어도 하나가 포함될 수 있다.
한편, 사용자 정의 정보는 소셜 네트워크 서비스에서 제공되는 정보에 기반하여 새롭게 정의된 정보로서, 사용자의 신뢰성, 사용자의 활동성, 데이터 주제, 데이터 정보성 등이 이에 해당할 수 있다. 예를 들어, 사용자 신뢰성은 트위터 사용자의 경우에 팔로워 및 팔로윙 비율을 이용하여 측정될 수 있으며, 사용자 활동성은 트위터 계정 생성일로부터 현재까지 게시한 트윗 개수의 비율로 측정될 수 있다. 일예에서, 데이터 주제는 데이터 내용을 기반으로 어떠한 주제에 해당하는 것인지 분류하는 기준으로서, 예를 들어, 여행, 과학, 스포츠, 예술, 일상, 건강, 직업, 교육 등으로 분류될 수 있으며, 데이터 정보성은 텍스트 길이 및 url 정보 포함 여부를 이용하여 판단될 수 있다.
이와 같이, 과거에 생성된 소셜 데이터의 작성자 정보 및 데이터 정보를 이용하여 해당 소셜 데이터의 과거 인기도(전파량, 인기유지시간 및 확산속도)를 산출함으로써 소셜 데이터 인기 예측 자원을 생성할 수 있다.
예측 자원은 인기 예측 방식에 따라서 크게 2가지 형태로 구축할 수 있다. 첫 번째 예측 방식은 예측 대상 데이터와 유사한 정보(사용자 정보/데이터 정보)를 과거 소셜 데이터를 이용하여 인기를 예측하는 방식이다. 이와 같은 방식으로 소셜 데이터의 인기를 예측할 경우에, 예측 자원은 과거에 생성된 소셜 데이터로부터 다양한 데이터 정보 및 사용자 정보를 추출하여 저장한 DB일 수 있다. 즉, 예측 자원 DB(230)에 저장되는 예측 자원은 일정기간 동안 과거에 생성된 소셜 데이터 각각에 대한 데이터 정보 및 사용자 정보이다. 이러한 예측 자원은 소셜 데이터 인기 예측부(250)에 의한 인기 예측 과정에서 KNN(K Nearest Neighbor)과 같은 예측 방식을 적용할 때 사용될 수 있다.
두 번째 방식은 특정 사용자가 게시글을 작성하였을 때 해당 게시글의 인기도 예측을 위한 확률 모델을 생성하여 예측 자원 DB(230)에 저장해두는 방식이다. 각 게시글 또는 트윗에 대한 인기도 확률(전파량, 인기유지시간 및 확산속도)을 계산하여 확률 모델을 생성할 수 있다. 일 실시예에서, 확률을 계산하기 위하여 사용되는 방법으로, 지지 벡터 머신, 로지스틱 리그레션, 의사 결정 트리와 같은 기계 학습 알고리즘이 이용될 수 있다.
일 예에서, 인기 예측 자원부(220)에 의해 구축(생성)되는 예측 자원은 필요할 때마다 추가적으로 확장이 가능하다. 이와 같이 생성된 인기 예측 자원은 인기 예측 자원 DB(230)에 저장될 수 있다.
소셜 데이터 필터링부(240)는 소셜 데이터 수집부(210)에 의해 실시간으로 수집되는 소셜 데이터중에서 인기 예측 대상 소셜 데이터를 필터링한다. 일 예에서, 상기 장치(200) 사용자는 소셜 데이터의 특정 작성자 또는 특정 데이터 내용에 따라 인기 예측 대상으로 원하지 않는 데이터를 제외시키거나 특정 데이터만 예측하기 원하는 경우에 필터링에 이용될 특정 작성자 아이디, 특정 키워드 등의 필터링 정보를 입력할 수 있으며, 소셜 데이터 필터링부(240)를 이와 같이 사용자에 의해 입력된 필터링 정보에 근거하여 인기 예측 대상 소셜 데이터를 필터링할 수 있다. 이외에도, 사용자의 성별, 나이 등을 조건으로 입력하여 인기 예측 대상 소셜 데이터를 필터링할 수 있다.
소셜 데이터 인기 예측부(250)는 소셜 데이터 필터링부(240)에 의해 필터링된 인기 예측 대상 소셜 데이터의 데이터 정보 및 사용자 정보를 추출하고, 상기 추출된 데이터 정보 및 사용자 정보와 소셜 데이터 인기 예측 자원(230)을 이용하여 해당 소셜 데이터에 대한 인기도를 예측한다.
일 실시예에서, 예측되는 인기도는 인기 예측 대상 소셜 데이터의 전파량, 인기유지시간 및 확산 속도중 적어도 2가지 정보의 예측치를 포함할 수 있다.
일실시예에서, 예측 자원 DB(230)에 과거에 생성된 소셜 데이터에 대한 데이터 정보 및 사용자 정보가 저장되어 있는 경우에, 예측 대상 데이터와 가장 유사한 정보를 가진 데이터를 예측 자원 DB(230)으로부터 N개 추출하여 상기 추출된 N개의 데이터의 인기도의 평균값을 산출함으로써 예측할 수 있다. 여기서, 인기도는 전파량, 인기유지시간 및 확산 속도중 적어도 2가지를 포함할 수 있다.
다른 실시예에서, 예측 자원 DB(230)에 과거에 생성된 소셜 데이터 각각에 대하여 산출된 인기도(확률)이 저장되어 있는 경우에, 예측대상 소셜 데이터에 대한 인기도 임계치를 설정해줌으로써 예측가능하다. 예를 들어, 사용자 A가 작성한 데이터의 전파량을 예측한다고 하였을 때, A를 제외한 사용자들에 대하여 공감(추천, 리트윗)할 확률이 나올 것이며, 특정 임계치 이상인 사용자들의 수를 계산하여 전파량을 예측할 수 있다.
미래 이슈 분석부(260)는 소셜 데이터 인기 예측부(240)에 의해 생성된 인기 예측 대상 소셜 데이터의 인기도를 이용하여 미래 시계열 기반 이슈를 분석할 수 있다. 일 예에서, 미래 이슈 분석부(250)는 예측된 전파량, 인기 유지 시간 및 전파 속도중 적어도 두가지 정보가 선정된 임계치 이상인 소셜 데이터의 텍스트를 분석함으로써 미래 이슈를 추출할 수 있다. 소셜 데이터의 텍스트 분석은 텍스트의 주제나 키워드 추출 기술, 웹 트렌드 분석 기술 ,이벤트 추출 기술, 문서 요약 기술 등과 같은 다양한 방법을 사용하여 가능하며, 특정 방식에 제한되지 않을 것이다.
또한, 미래 이슈 분석부(250)는 사용자가 관심있는 미래 이슈에 연관된 검색어 및 검색조건을 입력한 경우에, 상기 입력된 검색어 및 검색조건에 따른 미래 이슈의 검색 결과를 제공할 수 있다.
도 3은 본 발명의 일실시예에 따른 소셜 데이터 인기 예측 방법을 도시한 흐름도이다.
단계(S310)에서, 소셜 네트워크 서비스를 통해 전파되는 소셜 데이터를 실시간으로 수집한다. 일예에서, SNS 제공자가 제공하는 데이터 수집 API를 이용하여 해당 소셜 네트워크 데이터 저장소로부터 소셜 데이터를 수집할 수 있다.
단계(S320)에서, 실시간으로 수집된 소셜 데이터중에서 인기 예측 대상 소셜 데이터를 필터링한다. 일 예에서, 사용자에 의해 입력된 필터링 정보에 근거하여 인기 예측 대상 소셜 데이터를 필터링할 수 있다.
단계(S330)에서, 필터링된 인기 예측 대상 소셜 데이터로부터 상기 소셜 데이터의 작성자 정보 및 데이터 정보를 추출한다.
일 예에서, 소셜 네트워크 서비스가 트위터인 경우에, 소셜 데이터로부터 추출되는 작성자 정보는 상기 작성자 아이디, 상기 작성자의 팔로워 수, 친구수, 게시글수 및 팔로워 아이디 리스트중 적어도 하나를 포함하고, 소셜 데이터로부터 추출되는 데이터 정보는 트윗 텍스트, 트윗 길이, 리트윗 횟수, 리플라이 유/무, 태그 정보, 트윗 아이디 및 트윗 작성시간중 적어도 하나를 포함할 수 있다. 또한, 사용자가 정의한 사용자 정보로서 사용자 신뢰성, 사용자 활동성 등이 포함될 수 있으며, 데이터 정보로서, 게시물 주제, 게시물 정보성 등이 포함될 수 있다.
단계(S340)에서, 전단계에서 추출된 소셜 데이터의 데이터 정보 및 사용자 정보와 기구축된 소셜 데이터 인기 예측 자원을 이용하여 해당 소셜 데이터에 대한 인기도를 예측한다. 일실시예에서, 예측되는 인기도는 전파량, 인기유지시간 및 확산 속도중 적어도 두가지 정보의 예측치를 포함할 수 있다.
일실시예에서, 기구축된 소셜 데이터 인기 예측 자원 DB에 과거에 생성된 소셜 데이터에 대한 데이터 정보 및 사용자 정보가 저장되어 있는 경우에, 예측 대상 데이터와 가장 유사한 정보를 가진 데이터를 예측 자원 DB로부터 N개 추출하여 상기 추출된 N개의 데이터의 인기도의 평균값을 산출함으로써 인기도를 예측할 수 있다.
다른 실시예에서, 예측 자원 DB에 과거에 생성된 소셜 데이터에 대하여 산출된 인기도(확률)이 저장되어 있는 경우에, 예측대상 소셜 데이터에 대한 인기도 임계치를 설정해줌으로써 예측할 수 있다. 예를 들어, 사용자 A가 작성한 데이터의 전파량을 예측한다고 하였을 때, A를 제외한 사용자들에 대하여 공감(추천, 리트윗)할 확률이 나올 것이며, 특정 임계치 이상인 사용자들의 수를 계산하여 전파량을 예측할 수 있다.
단계(S350)에서, 상기 예측된 인기도를 이용하여 미래 시계열 기반 이슈를 분석한다. 일실시예에서, 전파량, 인기 유지 시간 및 전파 속도중 적어도 두가지 정보의 예측치가 선정된 임계치 이상인 소셜 데이터의 텍스트를 분석함으로써 미래 이슈를 추출할 수 있다.
도 4는 본 발명의 일실시예에 따라 분석된 미래 이슈를 사용자에게 제공해주는 화면의 일예이다. 도시된 바와 같이, 예측된 데이터의 주제어나 키워드가 현재 시점을 기준으로 앞으로 며칠 후까지 사용자들의 관심을 받을 것 인지 확인할 수 있고, 유사한 내용을 작성한 데이터의 개수 또한 확인 가능하다. 주제 또는 키워드의 색깔이나 명시적인 수치를 통하여 해당 이슈의 예측된 공감 횟수를 확인할 수 있다. 예를 들어, 짙은 색깔의 경우 공감 횟수를 더 많이 받을 것으로 예상되어 더욱 주의해야 하는 이슈로서 표현 가능하다.
도 5는 도 4의 화면예에서 특정 주제어나 키워드를 클릭하였을 때 해당 이슈에 대한 데이터의 내용과 데이터의 예측된 인기에 대한 정보를 제시하는 화면의 일예를 도시한다. 키워드에 해당되는 게시물들의 예측된 인기 수치를 기준에 따라 도식화하여 해당 이슈에 특성을 확인할 수 있다.
도시된 바와 같이, 화면 상단에는 인기예측정보 항목들간의 상관 관계를 나타낸 그래프들이 표시된다. 사용자는 도시된 그래프를 이용하여 소셜 데이터의 영향력을 추정할 수 있다. 일 예에서, 전파량 및 인기유지시간간의 관계 그래프를 이용하여 소셜 데이터의 영향력을 다음과 같이 추정할 수 있다.
1. 인기 유지 시간이 짧고, 전파량이 적게 예측되는 데이터: 일부 사용자들의 관심을 받으나 이내 소멸되는 데이터로 영향력이 적음
2. 인기 유지 시간이 길고, 전파량이 적게 예측되는 데이터: 꾸준한 관심을 받음에도 불구하고 일부 사용자들에게만 영향력을 미치는 데이터임
3. 인기 유지 시간이 짧고, 전파량이 많게 예측되는 데이터: 짧은 시간 내에 다수의 사용자들에게 공유가 되어 빠른 대처가 요구되는 데이터임
4. 인기 유지 시간이 길고, 전파량이 많게 예측되는 데이터: 다수의 사용자에게 오랫동안 관심을 받는 영향력이 큰 데이터로서, 많은 주의와 대처가 필요한 데이터임
부가적으로, 화면 하단에 소셜 데이터의 텍스트 내용과 함께, 현재 진행중인 전파량, 인기 유지 시간, 확산 속도에 대한 정보와 예측된 전파량, 예측된 인기 유지 시간, 예측된 확산 속도에 대한 정보를 함께 표시해줌으로써 사용자가 현재 인기도와 미래 예측된 인기도를 비교해 볼 수 있게 한다.
도 6은 사용자가 검색하고자 하는 미래 이슈에 대하여 검색어 및 검색조건을 입력하는 화면 예이다. 사용자는 검색하고자 하는 검색어를 검색창에 입력할 수 있다. 또한, 사용자가 검색 대상을 제한하기 위하여 데이터의 인기 특성에 따라 전파량, 인기 유지 시간, 확산 속도에 대한 조건을 선택해서 사용할 수 있다. 모두 선택하거나 부분 선택하여 사용할 수도 있으며, 제약 기능을 사용하지 않을 수도 있다. 데이터 인기의 수치는 프로그레시브 바를 설정하거나 직접 입력하여 설정할 수 있다. 검색 결과는 데이터에 대한 내용과 예측된 데이터의 인기와 현재 받은 인기에 대하여 요약하여 볼 수 있으며, 클릭이나 마우스 커서를 통하여 해당 데이터에 대한 상세 정보를 확인할 수 있다.
본 발명의 실시예에 따른 장치 및 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.
컴퓨터 판독 가능 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media) 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 또한 상술한 매체는 프로그램 명령, 데이터 구조 등을 지정하는 신호를 전송하는 반송파를 포함하는 광 또는 금속선, 도파관 등의 전송 매체일 수도 있다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
상술한 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이제까지 본 발명에 대하여 그 실시예들을 중심으로 살펴보았다. 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.

Claims (12)

  1. 소셜 네트워크 데이터 저장소로부터 선정된 기간 동안 생성된 과거 소셜 데이터 및 실시간으로 생성되는 소셜 데이터를 수집하는 소셜 데이터 수집부와,
    상기 선정된 기간 동안 생성된 과거 소셜 데이터로부터 사용자 정보 및 데이터 정보를 추출하고 상기 추출된 작성자 정보 및 데이터 정보를 이용하여 소셜 데이터 인기 예측 자원을 구축하는 소셜 데이터 인기 예측 자원 구축부와,
    상기 실시간으로 생성되는 소셜 데이터로부터 추출되는 데이터 정보 및 사용자 정보와 상기 구축된 인기 예측 자원을 이용하여 상기 실시간으로 생성되는 소셜 데이터에 대한 인기도를 예측하는 인기 예측부를 포함하되,
    상기 예측되는 인기도는, 전파량, 인기유지시간 및 확산 속도중 적어도 두가지 항목에 대한 예측치를 포함하는 소셜 데이터 인기 예측 장치.
  2. 제1항에 있어서, 상기 소셜 네트워크 서비스가 트위터인 경우에, 상기 소셜 데이터로부터 추출되는 작성자 정보는 상기 작성자 아이디, 상기 작성자의 팔로워 수, 친구수, 게시글수 및 팔로워 아이디 리스트중 적어도 하나를 포함하는 소셜 데이터 인기 예측 장치.
  3. 제1항에 있어서, 상기 소셜 네트워크 서비스가 트위터인 경우에, 상기 소셜 데이터로부터 추출되는 데이터 정보는 트윗 텍스트, 트윗 길이, 리트윗 횟수, 리플라이 유/무, 태그 정보, 트윗 아이디 및 트윗 작성시간중 적어도 하나를 포함하는 소셜 데이터 인기 예측 장치.
  4. 제1항에 있어서, 상기 실시간으로 생성되는 소셜 데이터중에서 인기 예측 대상 소셜 데이터를 필터링하는 소셜 데이터 필터링부를 더 포함하고, 상기 소셜 데이터 인기 예측부는 상기 필터링된 예측 대상 소셜 데이터에 대한 인기도를 예측하는 소셜 데이터 인기 예측 장치.
  5. 제1항에 있어서, 상기 소셜 네트워크 서비스가 트위터인 경우에 상기 수집되는 소셜 데이터는 트윗이고, 상기 전파량은 상기 트윗이 리트윗되는 횟수를 나타내고, 상기 인기유지시간은 상기 트윗이 작성된 시점부터 마지막 리트윗이 발생한 시점까지의 시간을 나타내고, 상기 확산 속도는 리트윗 평균 시간 간격을 나타내는 소셜 데이터 인기 예측 장치.
  6. 제1항에 있어서, 상기 소셜 네트워크 서비스가 페이스북인 경우에 상기 수집되는 소셜 데이터는 게시물이고, 상기 전파량은 상기 게시물의 추천 횟수를 나타내고, 상기 인기유지시간은 상기 게시물이 생성된 시점부터 마지막 추천을 받은 시점까지의 시간을 나타내고, 상기 확산 속도는 상기 게시물의 추천 평균 시간 간격을 나타내는 소셜 데이터 인기 예측 장치.
  7. 제1항에 있어서, 상기 전파량, 상기 인기유지시간 및 상기 확산 속도중 적어도 두가지의 항목에 대한 예측치가 선정된 임계치 이상인 소셜 데이터의 텍스트를 분석함으로써 미래 이슈를 추출하는 미래 이슈 분석부를 더 포함하는 소셜 데이터 인기 예측 장치.
  8. 소셜 네트워크 서비스를 통해 실시간으로 전파되는 소셜 데이터를 수집하는 단계;
    상기 수집된 소셜 데이터중에서 사용자에 의해 입력된 필터링 정보에 근거하여 인기 예측 대상 소셜 데이터를 필터링하는 단계;
    상기 필터링된 소셜 데이터로부터 상기 소셜 데이터의 작성자 정보 및 데이터 정보를 추출하는 단계;
    상기 추출된 작성자 정보 및 데이터 정보와 기구축된 소셜 데이터 인기 예측 자원을 이용하여 상기 소셜 데이터의 인기도를 예측하는 단계를 포함하되,
    상기 소셜 데이터의 인기 예측 정보는 전파량, 인기유지시간 및 확산 속도중 적어도 두가지의 항목에 대한 예측치를 포함하는 소셜 데이터 인기 예측 방법.
  9. 제8항에 있어서, 상기 기축된 소셜 데이터 인기 예측 자원은 과거 선정된 기간동안 생성된 소셜 데이터의 사용자 정보 및 데이터 정보를 포함하는 소셜 데이터 인기 예측 방법.
  10. 제8항에 있어서, 상기 소셜 네트워크 서비스가 트위터인 경우에 상기 수집되는 소셜 데이터는 트윗이고, 상기 전파량은 상기 트윗이 리트윗되는 횟수를 나타내고, 상기 인기유지시간은 상기 트윗이 작성된 시점부터 마지막 리트윗이 발생한 시점까지의 시간을 나타내고, 상기 확산 속도는 리트윗 평균 시간 간격을 나타내는 소셜 데이터 인기 예측 방법.
  11. 제8항에 있어서, 상기 소셜 네트워크 서비스가 페이스북인 경우에 상기 수집되는 소셜 데이터는 게시물이고, 상기 전파량은 상기 게시물의 추천 횟수를 나타내고, 상기 인기유지시간은 상기 게시물이 생성된 시점부터 마지막 추천을 받은 시점까지의 시간을 나타내고, 상기 확산 속도는 상기 게시물의 추천 평균 시간 간격을 나타내는 소셜 데이터 인기 예측 방법.
  12. 제8항에 있어서, 상기 전파량, 상기 인기유지시간 및 상기 확산 속도중 적어도 두가지의 항목에 대한 예측치가 선정된 임계치 이상인 소셜 데이터의 텍스트를 분석함으로써 미래 이슈를 추출하는 단계를 더 포함하는 소셜 데이터 인기 예측 방법.
KR1020130153281A 2013-12-10 2013-12-10 소셜 데이터의 인기도 예측 장치 및 방법 KR20150067897A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020130153281A KR20150067897A (ko) 2013-12-10 2013-12-10 소셜 데이터의 인기도 예측 장치 및 방법
US14/243,427 US20150161517A1 (en) 2013-12-10 2014-04-02 Device and method for predicting popularity of social data

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020130153281A KR20150067897A (ko) 2013-12-10 2013-12-10 소셜 데이터의 인기도 예측 장치 및 방법

Publications (1)

Publication Number Publication Date
KR20150067897A true KR20150067897A (ko) 2015-06-19

Family

ID=53271528

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020130153281A KR20150067897A (ko) 2013-12-10 2013-12-10 소셜 데이터의 인기도 예측 장치 및 방법

Country Status (2)

Country Link
US (1) US20150161517A1 (ko)
KR (1) KR20150067897A (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200137735A (ko) * 2019-05-31 2020-12-09 주식회사 제이비스퀘어 소셜 네트워크 서비스 정보 제공 장치
KR20210059196A (ko) * 2019-11-15 2021-05-25 인천대학교 산학협력단 Ｌｓｔｍ을 이용한 국가별 선호도 예측 시스템 및 방법

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9742719B2 (en) * 2014-06-02 2017-08-22 International Business Machines Corporation Method for real-time viral event prediction from social data
CN105183743A (zh) * 2015-06-29 2015-12-23 临沂大学 一种微博舆情传播范围预测的方法
JP2017157109A (ja) * 2016-03-03 2017-09-07 富士通株式会社 推定装置、推定方法および推定プログラム
US10862953B2 (en) * 2016-05-06 2020-12-08 Wp Company Llc Techniques for prediction of popularity of media
CN108932302A (zh) * 2018-06-11 2018-12-04 颜彦 一种基于互联网的融媒体数据关系分析系统
CN109062999B (zh) * 2018-07-06 2020-11-10 无锡众创未来科技应用有限公司 一种基于用户行为的个性化新闻推荐方法及装置
CA3113231A1 (en) 2018-09-21 2020-03-26 Wp Company Llc Techniques for dynamic digital advertising
US10810229B2 (en) 2018-10-19 2020-10-20 Oracle International Corporation Database replication based on data access scores
KR20210032105A (ko) 2019-09-16 2021-03-24 한국전자통신연구원 랭킹 기반 네트워크 임베딩을 이용한 군집화 방법 및 장치
JP7061328B1 (ja) 2021-07-30 2022-04-28 株式会社Ｊｘ通信社 情報処理装置、情報処理システムおよびプログラム

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8306778B2 (en) * 2008-12-23 2012-11-06 Embraer S.A. Prognostics and health monitoring for electro-mechanical systems and components
US9338186B2 (en) * 2012-04-27 2016-05-10 Lithium Technologies, Inc. Systems and methods for implementing custom privacy settings
US20130311408A1 (en) * 2012-05-15 2013-11-21 Comcast Cable Communications, Llc Determining and Predicting Popularity of Content
WO2013184744A2 (en) * 2012-06-05 2013-12-12 Nike International Ltd. Multi-activity platform and interface
US9563705B2 (en) * 2013-03-20 2017-02-07 Wal-Mart Stores, Inc. Re-ranking results in a search
US20140358930A1 (en) * 2013-05-29 2014-12-04 University Of Southern California Classifying message content based on rebroadcast diversity

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200137735A (ko) * 2019-05-31 2020-12-09 주식회사 제이비스퀘어 소셜 네트워크 서비스 정보 제공 장치
KR20210059196A (ko) * 2019-11-15 2021-05-25 인천대학교 산학협력단 Ｌｓｔｍ을 이용한 국가별 선호도 예측 시스템 및 방법

Also Published As

Publication number Publication date
US20150161517A1 (en) 2015-06-11

Similar Documents

Publication Publication Date Title
Karimi et al. News recommender systems–Survey and roads ahead
KR20150067897A (ko) 소셜 데이터의 인기도 예측 장치 및 방법
Balaanand et al. An enhanced graph-based semi-supervised learning algorithm to detect fake users on Twitter
US20210021684A1 (en) System and method for automatic storyline construction based on determined breaking news
US10484329B2 (en) Computerized notification system and method for delivering breaking news content
US10324598B2 (en) System and method for a search engine content filter
US20160188604A1 (en) Social media impact assessment
JP5454357B2 (ja) 情報処理装置および方法、並びに、プログラム
WO2018144897A1 (en) Method, apparatus, and system for data analytics model selection for real-time data visualization
JP5615857B2 (ja) 分析装置、分析方法及び分析プログラム
Parekh et al. Studying jihadists on social media: A critique of data collection methodologies
CN104573016A (zh) 一种基于行业的垂直舆情分析系统及方法
KR101735312B1 (ko) 소셜 미디어 분석을 기반으로 복합이슈를 탐지하기 위한 장치, 시스템 및 그 방법
Garg et al. Review on event detection techniques in social multimedia
JP5848199B2 (ja) 影響力予測装置、影響力予測方法、及びプログラム
TW201719569A (zh) 社交業務特徵用戶的識別方法和裝置
Roy et al. Social multimedia signals
Janjua et al. A fuzzy supply chain risk assessment approach using real-time disruption event data from Twitter
Deshpande Prediction & evaluation of online news popularity using machine intelligence
Zhao et al. Web information credibility: From web 1.0 to web 2.0
KR101763895B1 (ko) 소셜미디어 상의 사용자 의견성향 파악을 위한 데이터 융복합 분석 방법 및 장치
Zhao et al. Crafting a time-aware point-of-interest recommendation via pairwise interaction tensor factorization
Pajo et al. Towards automatic and accurate lead user identification
Nguyen et al. Pagerank-based approach on ranking social events: a case study with flickr
Charitidis et al. Social media monitoring tools for air quality accounts

Legal Events

Date Code Title Description
WITN Application deemed withdrawn, e.g. because no request for examination was filed or no examination fee was paid