Applying GCN on Prediction of Content Engagement for Community Network

커뮤니티 네트워크를 활용한 마케팅에 관심이 많아지면서, 수직적상거래(버티컬커머스) 플랫폼은 특정 제품군이나 소비자 집단에 특화된 전문 플랫폼으로서 온라인 커머스 시장에서 두드러지는 성장세를 보이고 있다. 버티컬 커머스 플랫폼은 단순 제품 판매를 넘어 사용자들의 인게이지먼트를 촉진하고 lock-in 효과를 극대화하고자 커뮤니티 기능을 활용한다. 커뮤니티 내에서 나타나는 사용자들의 자발적인 인게이지먼트는 적극적인 애호도로 이어지며, 플랫폼의 경제적 가치를 증가시키기 때문에 플랫폼 운영전략 측면에서 중요한 요소 중 하나이다. 그러나 복잡한 네트워크 구조를 가진 커뮤니티의 수많은 콘텐츠 가운데 어떤 콘텐츠가 사용자들의 인게이지먼트를 증가시킬 수 있을지 정확하게 예측하는 것은 매우 어려운 일이다. 따라서 본 연구는 버티컬커머스 플랫폼의 인게이지먼트를 효과적으로 예측하기 위하여 GCN을 활용한 접근법을 제안하였다. 이를 통해 복잡한 상호작용을 반영한 커뮤니티의 구조적 정보가 인게이지먼트 예측 성능 향상에 기여하는지 검증하고 플랫폼 사용자의 인게이지먼트를 극대화할 수 있는 운영전략 개선방안에 기여하고자 한다. 대표적인 버티컬커머스 플랫폼인 ‘오늘의 집’의 데이터를 기반으로, 콘텐츠의 정량적 인게이지먼트 지표(좋아요, 조회수, 댓글, 저장, 공유)를 예측하였다. 사용자, 콘텐츠, 카테고리 등 다양한 노드 타입과 댓글, 스크랩, 업로드 등의 여러 엣지 타입으로 구성된 heterogeneous graph를 구축하였고 복잡한 관계 구조를 반영하기 위하여 HeteroGNN 모델을 적용하였다. 각 노드들은 수치형 데이터와 텍스트 임베딩을 포함한 고차원 특성으로 표현되었으며 이웃 노드로부터 정보를 집계하고 콘텐츠 노드의 특성에 반영하여 콘텐츠 인게이지먼트를 multitarget 회귀문제로 예측하였다. 분석 결과, GCN 모델은 전통적인 머신러닝 모델보다 인게이지먼트 예측에서 우수한 성능을 보였다. 이러한 결과는 인게이지먼트 예측에 있어 관계 기반 정보의 중요성과 GCN 모델의 구조적 관계 학습 능력을 실증적으로 입증함과 동시에 버티컬커머스 플랫폼 내 커뮤니티 활성화를 위한 운영전략 개선을 제안하였다.