시계열 딥러닝 기반 행동 패턴 해석과 임베딩 클러스터링을 활용한 인플루언서 신뢰도 검증 알고리즘 연구 = A Study on Influencer Credibility Verification Algorithms Using Time-Series Deep Learning–Based Behavioral Pattern Interpretation and Embedding Clustering

다국어 초록 (Multilingual Abstract)

This study proposes a methodology for recalculating influencer account impact from a reliability-oriented perspective under conditions where sufficient ground-truth labels are unavailable, taking into account the prevalence of fake followers and manipulated engagement signals in influencer marketing environments. Conventional influence evaluation methods have relied heavily on the magnitude of static indicators such as follower counts and engagement rates; however, such approaches are vulnerable to overestimation in practical settings where engagement purchasing, short-term boosting, and partial manipulation are common. Rather than framing the problem as one of binary fake account detection, this study reformulates it as the task of structurally identifying the valid contribution of observed signals to influence estimation.
To this end, the study constructs multivariate time-series data by aligning upload, engagement, and growth indicators on a daily basis, and summarizes account-level behavioral dynamics into latent embeddings using a CNN–BiLSTM–Attention–based behavioral representation learning model. These embeddings are designed to capture how engagement signals are generated, diffused, and converted over time, rather than their absolute magnitudes. Deep Embedded Clustering is then applied to structurally align the embedding space and to form behavioral type baselines by grouping accounts with similar temporal evolution patterns. In this process, clusters are interpreted not as labels indicating legitimacy or fraud, but as reference coordinate systems that enable relative comparison within the same behavioral type.
Based on the clustering results, this study defines a set of multi-dimensional structural indicators, including upload–engagement alignment, engagement–growth linkage, engagement concentration and isolated spikes, growth stability, and relative deviation within behavioral types. These indicators are combined to estimate the valid contribution ratio of observed signals. The estimated ratio is implemented as a refinement coefficient that continuously attenuates observed engagement and follower scale into valid signals, rather than excluding entire accounts. This approach enables influence evaluation that reflects only structurally reliable contributions, even when partial manipulation is present.
Using the refined valid engagement and valid follower measures, influence scores are recalculated and transformed into distribution-based grades. In addition, re-clustering based on valid signals allows account grouping grounded in substantive influence structures rather than superficial scale. Experimental results reveal a significant negative correlation between spike frequency and valid contribution ratios. Comparative analysis before and after refinement shows that accounts with large apparent engagement but strong structural abnormalities are conservatively re-evaluated, whereas accounts with smaller scale but stable temporal structures tend to be reassessed upward. These findings indicate that the proposed method does more than reorder rankings; it repositions accounts by reflecting temporal structure and growth linkage.
The primary contribution of this study lies in systematically improving the reliability of influence evaluation under label-scarce conditions without making deterministic judgments about authenticity. In particular, the proposed two-stage clustering framework—defining clusters as behavioral baselines rather than classification outcomes and linking them to valid signal reconstruction and grading —provides a methodological foundation that balances interpretability and practical applicability. By extending influencer evaluation from detection-oriented approaches to reliability-based signal refinement, this study offers a basis for future research involving multimodal data integration, personalized performance prediction, and adaptive long-term baseline modeling.

국문 초록 (Abstract)

본 연구는 인플루언서 마케팅 환경에서 허위 팔로워 및 조작된 반응 신호가 혼재된 상황을 고려하여, 정답 라벨이 충분하지 않은 조건에서도 계정 영향력을 신뢰도 관점에서 재산출할 수 있는 방법론을 제안한다. 기존 영향력 평가는 팔로워 수, 참여율 등 정적 지표의 크기에 크게 의존해 왔으나, 이러한 방식은 반응 구매, 단기 부스팅, 부분 조작이 빈번한 실무 환경에서 과대평가 위험에 취약하다는 한계를 가진다. 본 연구는 이러한 문제를 “허위 계정 판별”의 관점이 아니라, 관측된 신호 중 영향력 산출에 반영할 유효 기여를 구조적으로 선별하는 문제로 재정의한다.
이를 위해 본 연구는 업로드·반응·성장 지표를 일 단위로 정렬한 다변량 시계열을 구성하고, CNN–BiLSTM–Attention 기반 행동 표현 학습을 통해 계정별 행동 전개 구조를 잠재 임베딩으로 요약한다. 이 임베딩은 반응량의 절대 크기가 아니라, 반응이 시간 축에서 어떻게 생성·확산·전환되는지를 표현하도록 설계된다. 이후 Deep Embedded Clustering을 적용하여 임베딩 공간을 구조적으로 정렬하고, 유사한 행동 전개 패턴을 갖는 계정군을 행동 유형 기준선으로 형성한다. 이 단계에서 군집은 정상·허위를 판정하는 라벨이 아니라, 동일 유형 내 상대 비교를 가능하게 하는 기준 좌표계로 해석된다.
군집화 결과와 함께 본 연구는 업로드–반응 정합성, 반응–성장 연계성, 반응 집중 및 고립 스파이크, 성장 안정성, 유형 내 상대적 이탈 등 다면적 구조 지표를 정의하고, 이를 결합하여 관측 신호의 유효 기여 비중을 추정한다. 이 유효 기여 비중은 정제 계수로 표현되며, 계정 전체를 배제하는 방식이 아니라 관측 반응과 팔로워 규모를 유효 신호로 재구성하는 연속적 감쇠 방식으로 적용된다. 이를 통해 부분 조작이 혼재된 계정이라 하더라도, 구조적으로 신뢰 가능한 기여만을 반영한 영향력 평가가 가능하도록 한다.
정제된 유효 반응과 유효 팔로워를 기반으로 본 연구는 영향력 점수를 재산출하고, 이를 분포 기반 등급으로 변환한다. 또한 유효 신호를 기준으로 한 재군집화를 통해, 외형적 규모 중심 평가에서 벗어나 실질 영향력 구조에 기반한 계정 그룹화를 수행한다. 실험 결과, 스파이크 빈도와 유효 기여 비중 간에 유의한 음의 상관 관계가 관찰되었으며, 정제 전후 비교에서 외형적 반응이 크더라도 구조적 비정상성이 높은 계정은 보수적으로 재평가되는 반면, 규모는 작더라도 구조적 안정성이 높은 계정은 상대적으로 상향 재평가되는 경향이 확인되었다. 이는 제안 방법이 단순 재서열화가 아니라, 시간 구조와 성장 연동성을 반영하여 계정의 상대적 위치를 재배치할 수 있음을 시사한다.
본 연구의 의의는 허위 여부를 단정적으로 판별하지 않으면서도, 라벨 부족 환경에서 시간 구조 기반 근거를 활용해 영향력 평가의 신뢰도를 체계적으로 개선했다는 데 있다. 특히 군집을 판정 결과가 아닌 유형 기준선으로 정의하고, 유효 신호 재구성과 등급화로 연결하는 이중 군집화 절차는 실무 적용 가능성과 해석 가능성을 동시에 확보하는 방법론적 틀을 제시한다. 본 연구는 인플루언서 마케팅 평가를 탐지 중심 접근에서 신뢰도 기반 정제 평가로 확장함으로써, 향후 멀티모달 데이터 결합, 개인화된 성과 예측, 장기적 기준선 적응 등 다양한 후속 연구의 기반을 제공한다.

목차 (Table of Contents)

• 서론 1
• 1. 연구 배경과 목적 1
• 가. 연구의 배경
• 나. 연구 문제의 제기
• 다. 연구 필요성
• 본론 4
• 1. 선행 연구 검토 및 연구 공백 4
• 가. 인플루언서 마케팅 평가 연구의 분류와 흐름
• 나. 허위조작 대응 연구의 기술적 접근
• 다. 연구 공백: 혼재 신호 환경에서의 영향력 산출 한계
• 2. 연구 문제의 특성화: 허위조작 신호의 혼재 양상 9
• 가. 부분적국소적 조작으로의 허위 영향력 양상 변화
• 나. 시계열 상 허위조작 반응 패턴의 유형화
• 다. 요약 지표 기반 영향력 평가의 구조적 취약성
• 라. 본 연구의 분석 관점 및 방법론 설계 원칙
• 3. 연구 방법론 10
• 가. 연구 방법론 개요
• 나. 데이터 수집 및 다변량 시계열 구성
• 다. 시계열 행동 표현 학습 모델
• 라. 모듈별 허위조작 양상 포착 관점의 분해
• 마. 파이프라인 도식과 연결
• 바. 시계열 기반 이중 군집화와 유효 팔로워 중심 영향력 등급화
• 4. 실험 설계 및 결과 분석 27
• 가. 실험 목적과 검증 관점
• 나. 데이터셋 구성
• 다. 반응 지표의 조작적 정의
• 라. 결과 및 해석
• 결론 36
• 1. 결론 36
• 가. 연구 요약
• 나. 학술적 기여
• 다. 사회적산업적 기여
• 라. 향후 연구 방향
• 참고 문헌 39
• Abstract 41