PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.25669v1cs.CL

발화에서 네트워크로: 서브레딧 간 슬랭 채택 및 확산 모델링

From Utterances to Networks: Modelling Slang Adoption and Diffusion Across Subreddits

온라인 커뮤니티에서 신조어의 채택과 확산은 최근 몇 년간 다시 주목받고 있다. K-pop 노래를 가리키는 APT와 같은 인터넷 슬랭 용어나, 난처하지만 중추적인 사건을 뜻하는 Canon Event와 같은 표현이 온라인에서 유행함에 따라, 이들의 성공에 기여하는 메커니즘을 이해하는 일이 점점 더 중요해지고 있다. 선행 연구는 슬랭 확산을 사회적 상호작용의 관점 또는 슬랭 자체의 언어적 속성의 관점에서 설명해 왔으나, 두 관점을 함께 다루는 경우는 드물었다. 주요 장애물 중 하나는 대규모 온라인 커뮤니케이션에서 슬랭 사용을 주석(annotation)하는 데 드는 높은 비용이었다. 그러나 최근 대규모 언어 모델(LLM)의 발전으로 이를 이러한 작업을 위한 확장 가능한 주석 도구로 활용할 수 있게 되었다. 본 연구에서는 먼저 실제 Reddit 커뮤니케이션에서 슬랭 사용을 탐지하는 LLM의 성능을 평가하기 위해 사람이 주석한 벤치마크를 구축한다. 이어서 LLM 기반 주석을 활용하여 슬랭의 채택과 확산을 모델링한다. 분석 결과, 브리징 자본(bridging capital)이 높은 슬랭 확산자는 이후의 채택 증가와 연관되는 반면, 본딩 자본(bonding capital)이 높은 확산자는 채택 감소와 연관되는 것으로 나타났다. 또한 슬랭 용어가 사용되는 맥락이 더 넓을수록 신규 사용자가 이를 공식적으로 채택하기까지의 시간이 더 길어진다는 것도 확인했다. 종합하면, 이러한 결과는 소셜 네트워크 구조와 언어적 맥락이 모두 온라인 커뮤니티에서 신조어의 확산을 좌우함을 시사한다.

arXiv:2510.19119v2cs.LG

선형 컨텍스트 밴딧을 이용한 또래 영향 확률 학습

Learning Peer Influence Probabilities with Linear Contextual Bandits

소셜 네트워크에서 또래 영향 확률(peer influence probability)을 학습할 때 누적 후회(regret) 최소화와 추정 오차 사이에 근본적인 트레이드오프가 존재함을 이론적으로 증명하고, 이를 단일 파라미터 β로 제어하는 컨텍스트 선형 밴딧(contextual linear bandit) 프레임워크인 InfluenceCB를 제안한다. 반합성 네트워크 데이터셋 실험에서 InfluenceCB는 정적 방법 및 이 트레이드오프를 무시하는 기존 컨텍스트 밴딧 대비 우수한 성능을 보였다.