노드엑셜 따라잡기 강의용 슬라이드 모음

이 슬라이드는 영남대 박한우 교수
의 2015년 2학기 <사이버 커뮤니
케이션과 네트워크분석> 학생들이
발표한 슬라이드를 모은 것임.
슬라이드 참고는 자유롭게 하시되,
인용을 표시해주기 바람.

https://www.facebook.com/groups/nodexlkorea/?fref=ts

영남대학교언론정보학과
우대식(dswoo8989@gmail.com)
이희종(higing3@naver.com)
NodeXL 따라잡기
<소셜미디어와 소셜네트워크분석>
Chapter01

소셜 미디어의 등장과 확산
Index
소셜 네트워크 분석의 개요
소셜 네트워크 분석 지표
소셜 네트워크 분석 도구 및 분석
사례

01.소셜미디어의등장과확산
스마트디바이스의급격한확산
->온라인접근성증대
->SNS(ex페이스북,트위터,유튜브
등)의확산 가속화
소셜미디어:웹2.0인터넷기반
애플리케이션.사용자가콘텐츠를
생산,상호교환할수있는환경을
제공
직접소비자에의해만들어진미디
어

01. 소셜 미디어의 등장과 확
산
사용목적별분류
소셜미디어는온라인인맥네트워크와메시지정보가결합된
구조
->네트워크관계에대한측정과이해가필요.

02. 소셜 네트워크 분석의 개
요
1.네트워크이론의개요및역사
네트워크:각각의객체들이상호
연결된구조
구성요소:노드(Node,vertex)와,
링크(link,edge)
노드-고유한속성을가지고있
는
행위자
링크-노드들간의연결관계
(Relation)
=>네트워크는복수의노드들이
연결된구조.

요
1)오일러의'쾨니히스베르크다리건너기문제'
그래프이론의발전에있어탄탄한수학적기초를제공.
2)모레노의'소시오그램'
사람들간의상호관계를과학적분석의대상으로발전,
소셜네트워크분석연구의초석이됨.
3)바베라스와리빗의실험
네트워크의중심성(Centrality)에대한연구를촉발.네트워크
중심에위치한행위자는의사결정영향력,개인적성과,혁
신등에있어유리한위치에있게된다는후속연구들이이
어지게됨.

요
4)밀그램의실험'6단계분리이론'
우리가살고있는세상이생각보다상당히좁다는것을증명.
좁은세상효과(Smallworldeffect)
5)그라노베터의'약한연결의강점'
기존의상식과는다른,약한사회적관계의유용성에대한새로운시사
점을제시.강한연결네트워크들이클러스터를이루고이러한클러스
터들이서로약한연결로연결되는구조로사회네트워크가구성된다
는것을보여줌.
6)프리만의'중심성지표'개발
연결정도중심성(Degreecentrality),근접중심성(Closenesscentrality),
매개중심성(Betweennesscentrality)네트워크분석에있어가장널리
상용되는척도가됨.

02.소셜네트워크분석의개요
7)버트의'구조적공백'
사회네트워크구조내에서상대적으로중
요한위치와역할을하는노드들을설명하
기
위해'구조적공백(Structuralholes)'이론을
제시.
구조적공백의위치에있는노드는다른
노드들과중복적인관계를가지고있지않
기때문에
노드와노드를연결시켜주는역할을 함.
실제조직내에서형성된개인의인적네
트워크구조상에서구조적공백이많은사
람이구조적공백이적은사람의경우보다
더빨리

요
8)바라바시,알버트,정하웅의'무척도네트워
크'
하이퍼링크로연결된인터넷의물리적연결
구조에대한논문에서인터넷연결수분포
가정규분포를따르지않고멱함수법칙
(Powerlaw)을따르는것을밝혔으며,이러한
네트워크구조를
'무작위네트워크(Randomnetwork)'와구별
하여'무척도네트워크(Scale-freenetwork)'라
고
명명함.
무작위네트워크는링크의연결패턴이평균
값을중심으로졍규분포를이루는반면,
무척도네트워크에서는소수의링크만을가
지고있는수많은노드들과수많은링크를
가지고있는소수의노드들로양분되는것.

요
9)왓츠,스트로가츠의'좁은세상네트워크'
전력망,선충의신경망,영화배우간연결망의연결경로특성을분석.
인접한노드와일정한규칙에따라일정한숫자로만연결되어있는정규
네트워크(Regularnetwork),무작위로연결되어있는무작위네트워크
(Randomnetwork)의중간에존재하는'좁은세상네트워크(Smallworld
network)를제시
노드들간에지름길이존재.이것을통해전체네트워크가긴밀하게연결.
이후 무척도네트워크(Scale-freenetwork)가밝혀지게되는계기를제공

요
2.네트워크이론의기초
네트워크를표현하는네트워크모델링의과정에서중요하게
사용되는것은그래프,행렬.
1)그래프의기본개념
그래프이론(Graphtheory)-객체들간의네트워크관계모델을
수학적으로표현된그래프로나타내는연구분야
그래프는노드(Node,vertex)로구성,이러한노드들은
링크(Link,edge)로연결되어있음.
무방향(Undirected)네트워크:책,논문의공저자,네트워크,
페이스북의친구관계네트워크등
방향(Directed)네트워크:인터넷주소의하이퍼링크네트워크,
전화통화네트워크,트위터의리트윗,팔로잉네트워크등

요
관계의유무만이아니라정도(강도)를함께표시할수있음
이진네트워크(Binarynetwork):관계의유무만을표현
가중네트워크(Valuednetwork):관계의정도를함께표시.가
중치를직접표시,선의굵기를다르게하는방법이있음.

요
2)그래프의표현방법
인접행렬(Adjacencymatrix)방식, 노드리스트(Nodelist)방식,
엣지리스트(Edgelist)방식
①인접행렬(Adjacencymatrix)-인접한노드들간의연결관계를
행렬(Matrix)로표현.네트워크상에서노드의개수가n인경우
인접행렬은nXn의정방행렬로표현.
행과열의이름은노드를나타내며,행과열이교차하는지점의
행렬값은관계(Link)의유무를1과0으로나타냄.행의이름은링
크가출발하는
노드를나타내고열의이름은링크가도착하는노드를나타냄.

요
②노드리스트(Nodelist)-인접한링크가
있는노드들만을표기하는방법.
"노드들의목록“
③엣지리스트(Edgelist)-노드들을연결
한링크들의리스트.
"링크의목록“

요
3.네트워크유형
1)방향성과가중치에따른분류
네트워크는링크의방향성유무와가중치의유무에따라크
게4가지의유형으로구분

02. 소셜 네트워크 분석의 개요
2)관계의위상에따른분류
3)네트워크크기에따른분류

4)분석대상에따른분류
①전체네트워크vs하위네트워크
전체네트워크(Completenetwork)-네트워크를구성하고있는
모든노드를포함한네트워크를말함. 완전네트워크(Whole
network)라고도함.
하위네트워크(Sub-network)-전체네트워크의일부분으로부
속되어있는것.
컴포넌트(Component),파당(Clique),클러스터(Cluster)등이해당.
컴포넌트(Component):최소하나이상의경로로모두연결되어
있는하위네트워크를말하는것.컴포넌트내의노드들은서
로연결,외부의다른컴포넌트와는연결되어있지않음.

요
파당(Clique):네트워크의하위네트워크.파당에포함된모든
노드들이상호간에직접적으로연결(완전연결)되어있음.다
른파당에는포함되어있지않은경우를말함.
일반적으로양자관계는제외,3개이상의노드를포함한것
을파당이라고함.

클러스터(Cluster):유사한속성(특성)을가지고있는노드들의집합.유
사성에따라클러스터를분류해내는작업을클러스터링(Clustering)이
라고함.
노드간유사성분석을통한클러스터링은수학적알고리즘을
기반으로계산및시각화되며대부분의소셜네트워크프로그램에알
고리즘이내장되어있어손쉽게결과물을얻을수있음.
Clauset-Newman-Moore알고리즘과Girvan-Nweman알고리즘이있음.
Clauset-Newman-Moore알고리즘은분석시간이매우
빠르고,대규모네트워크분석이가능.하위네트워크의질적인
속성까지고려하여클러스터를탐색함.

②에고네트워크(Egonetwork)
네트워크상에서분석하고자하는특정노드를중심에두고,
그노드와직접적으로연결된노드들간의관계를네트워크로
표현한것.자아중심네트워크(Ego-centricnetwork)라고도함.

03. 소셜 네트워크 분석 지표

1. 네트워크 기본 속성 분석

1) 네트워크 수준의 속성 분석
(1) 네트워크 크기(Network size)
-네트워크를 구성하는 노드들의 수
-네트워크 크기가 증가할수록 네트워크 구조의 복잡성도
증가
-연결관계의 수 :
*방향성이 있는 경우 : n x (n-1)
*방향성이 없는 경우 : {n x (n-1)}/2
-소셜 네트워크 분석에 있어 중요한 역할

(2) 네트워크 밀도(Network density)
-네트워크를 구성하고 있는 노드들 간의 연결된 정도
-네트워크 내의 노드들 간의 연결이 많아질수록 밀도는↑
-네트워크 밀도 계산
*무방향 이진 네트워크의 밀도 : k / {n x (n-1) / 2}
*방향 이진 네트워크의 밀도 : k / {n x (n-1)}
*k : 실제 연결된 링크의 수 , n : 노드의 수

(3) 포괄성(Inclusiveness)
-전체 네트워크의 밀집도를 연결된 노드의 관점에서 표현
-네트워크상의 총 노드의 개수 중에서 실제로 연결 관계
가 존재하는 노드의 개수가 차지하는 비율
-포괄성 계산 : n-nisolated / n
*n : 총 노드의 수, nisolated : 고립된 노드의 수

밀도와 포괄성의 비교(1)

밀도와 포괄성의 비교(2)

2) 노드 수준의 속성 분석
(1) 연결정도(Degree)
-해당 노드에 직접 연결되어 있는 노드들의 개수, 또는
링크의 개수
-n개의 노드가 존재한다고 가정 했을 때, 각각의 노드에
최대 n-1개까지의 연결 정도가 가능
-고립된 노드의 경우에는 연결정도가 0
-연결정도의 측정을 통해 전체 네트워크 구조
상에서 해당 노드가 보여주는 활동성과 영향력
유추가 가능
-연결 정도가 높을수록 다른 노드들과 많은 관계를 가지
고 있음을 보여주며 이는 상대적으로 높은 활동성과 영
향력을 반증함

(2) 연결강도(Strength)
-노드간 관계(링크)의 강도
-이진 네트워크(Binary network)
:관계의 유무만 표시한 네트워크
-가중 네트워크(Valued network)
:연결 관계의 강도를 상대적인 가중치를 함께 표시한 네트
워크. 관계 빈도, 친밀성, 지속성, 신뢰도 등 여러가지 관계
특성으로 정의 가능

이진 네트워크와 가중 네트워크의 인접행렬

링크 선의 굵기로 표시한 가중 네트워크 그래프

(3) 연결거리(Distance)
-두 개의 특정 노드들 사이에 존재하는 다양한 연결경로 중
에서 가장 적은 수의 링크 단계를 거치는 경로, 즉 가장 짧
은 연결경로
-최단 경로 거리(Shortest path distance)
-두 노드간 연결 거리가 짧을수록 노드간의 연결성이↑
-정보나 구전 등이 얼마나 신속하게 전달되는지를 가늠하
는 중요한 지표

(4) 직경(Diameter)
-네트워크상의 모든 연결거리 중에서 가장긴 연결거리
-네트워크상에서 가장 멀리 떨어져 있는 두 개 노드의 연결
거리 = 네트워크 지름
-네트워크 직경이 작을수록 신속한 정보 전달이 가능해지
고 효율성↑

연결거리(최단 경로 거리)

(5) 평균 연결거리(Average distance)
-네트워크 내 모든 노드 쌍의 연결거리를 산출하여 평균값
을 계산한 것
-네트워크상 임의의 두 노드가 평균적으로 몇 단계의 링크
를 걸쳐서 연결이 가능한지를 보여줌

* 오류를 지적해 주신 독자께 고개
숙여 감사 드립니다.

무방향 네트워크의 평균 연결거리 산출

방향 네트워크의 평균 연결거리 산출

3) 네트워크에 내재된 속성 분석
(1) 상호성(Reciprocity)
-방향 네트워크상에서 2개의 노드 간의 연결이 서로 쌍방
향인 경우 : 상호적 연결
-전체 네트워크상에서 상호적 연결이 차지하고 있는 비율
로 산출
*노드 쌍 기준 상호성 :
상호적으로 연결된 노드 쌍 / 연결된 전체 노드 쌍
*연결 관계 기준 상호성 :
상호적으로 연결된 링크 수 / 연결된 전체 링크 수

(2)군집화 계수(Clustering coefficeiont)
-네트워크상에서 특정 부분의 노드들이 밀접하게 연결되어
다른 부분보다 네트워크 밀도가 높아지는 현상 : 군집화
(Clustering)
-군집화의 정도를 나타내는 지표를 뜻함
-해당 노드의 이웃 노드들 간에 가능한 최대 관계의 수 중
에서 실제로 존재하는 관계의 수가 차지하는 비율로 정의
-지역 군집화 계수:
이웃 노드들 간에 실제 존재하는 링크수 / 이웃 노드들 간
에 가능한 최대 링크 수[ Nconnected / {k x (k-1)/2} ]

군집화 계수 산출 사례

-중심성 : 소셜 네트워크 분석 지표 중에서 일반적으로 가
장 많이 사용되는 지표로 한 행위자가 전체 네트워크에서
중심에 위치하는 정도를 표현하는 지표.
-중심성 분석을 통해 전체 네트워크에서 중요한 역할을 하
는 노드가 무엇인지 파악 가능
-네트워크에서 중심적인 역할을 하는 구성원을 탐색하고
그 구성원을 통해 효율적인 정보전달과 의사전달을 가능케
함으로써 문제를 효과적으로 해결 가능
-연결정도 중심성, 근접 중심성, 매개 중심성, 아이겐벡터
중심성 등

1) 연결 정도 중심성(Degree centrality)
-네트워크상에서 한 노드가 얼마나 많은 연결 관계를 가지
고 있는지를 측정하는 지표
-노드는 다른 노드들과 많은 연결관계를 가질수록 더 넓은
선택의 폭과 자율성을 가지게 되어 다른 노드에 대한 의존
성을 상대적으로 낮춤
-결과적으로 네트워크상에서 더 큰 영향력
-노드에 연결된 링크의 수가 많아질수록 해당노드의 연결
정도 중심성은↑
-연결 정도 중심성 계산
*절대적 연결정도 중심성(Da) : 노드에 연결된 연결 관계의 수
*상대적 연결정도 중심성(Dr) : Da / n-1

2) 근접 중심성(Closeness centrality)
-네트워크상의 노드들 간의 근접도를 기준으로 정의
-해당 노드가 전체 네트워크상에서 얼마나 중앙에 위치하
고 있는지를 측정
-노드가 중앙에 가깝게 위치할수록 자원과 정보를 신속하
게 전체 네트워크로 확산
-근접 중심성 계산
*절대적 근접 중심성(Ca) :
1 / 해당 노드와 나머지 모든 노드들간의 연결거리 합
*상대적 근접 중심성(Cr) : Ca x (n-1)

3) 매개 중심성(Betweenness centrality)
-네트워크상에서 특정 노드가 다른 노드들의 중간에서 얼
마나 중개자 및 매개자 역할을 하고 있는 지를 측정하는 지
표
-노드의 매개 중심성이 높을 수록 네트워크 내에서 정보 및
자원의 흐름에 있어서 높은 통제력 확보
-매개 중심성이 높은 노드는 관계 연결의 길목에서 정보를
왜곡하거나 관계 활동의 방해를 통해 네트워크를 위협할
수도 있음

4) 아이겐벡터 중심성(Eigenvector centrality)
-해당 노드에 직접 연결된 다른 노드들의 개수뿐만 아니라
연결된 다른 노드들의 중요도 또한 함께 반영한 것
-중심성이 높은 노드들과 많이 연결된 노드일수록 해당 노
드의 아이겐벡터 중심성은 커짐
-네트워크상에서 소수 몇몇 영향력 높은 노드들에 연결되
어 있는 것이 다수의 일반 노드들에 연결되어 있는 것보다
더 큰 영향력을 가짐

04. 소셜 네트워크 분석 도구
및 분석 사례

1. 소셜 네트워크 분석 도구

1) NodeXL
-마이크로소프트 엑셀에 애
드인 형태로 결합하여 구동
-프로그래밍 경험이 거의 없
는 일반 사용자들도 쉽고 간
편하게 데이터를 수집, 분석,
시각화 가능
-페이스북, 트위터, 유튜브,
플리커, 위키피디아 등 다양
한 온라인 데이터의 수집이
가능

2) UCINET
-다양한 소셜 네트워크 분석
기법을 적용할 수 있는 종합적
인 분석 프로그램
-린톤 프리만에 의해 개발
-중심성, 자아중심 네트워크,
하위집단, 응집력 등 중요한
네트워크 분석 지표들과 기능
이 망라
-별도로 내장된 NetDraw프로
그램을 통해 시각화 기능 제공

3) Pajek
-블라드미르 바타겔과 안드레
이 무르바에 의해 개발
-네트워크 분석과 시각화 기능
을 제공하는 공개 소프트웨어
-노드의 수가 10000개에 이르
는 대규모 네트워크 분석 가능
-단계별로 분석 결과물을 확인
하고 이전 분석의 단계로 쉽게
돌아갈 수 있는 History기능

4) NetMiner
-국내 기업 사이람이 2001년
출시
-UCINET과 KrackPlot의 기능
과 장점들을 통합하여 개발
-분석된 결과물들을 프로젝트
별로 관리
-각각의 네트워크 분석 지표별
로 적합하게 구현된 시각화 기
능 제공

5) Gephi
-탁월한 시각화 기능이 특징
-소셜 네트워크 분석을 포함하
여 모든 종류의 복잡계 네트워
크 분석에 적합하게 설계
-최대 백만 노드까지 분석가능

2. 소셜 네트워크 분석을 사용
한 분석 및 국내외 연구 사례

1) 하이퍼링크 네트워크 분석
-웹사이트를 운영하고 있는
222명 국회의원들의 아웃링크
네트워크
-동심원 형태의 노드는 국회의
원의 웹사이트를 나타내고, 사
각형 형태의 노드는 아웃링크
된 웹사이트의 유형을 나타냄
-정당, 국회, 지방정부, 중앙정
부 웹사이트로 하이퍼링크가
많이 연결된 것을 확인할 수있
음
-연구모임, 인터넷방송, 잡지의
경우는 소수의원만이 아웃링크
를 보내고 있음

2) 트위터 네트워크 분석
-7개국가, 175 정부부처가 운
영하고 있는 공식 트위터 계정
의 연결망을 분석
-미국의 정부부처는 다른 국가
로부터 가장 많은 팔로잉을 받
음
-반면, 미국은 다른 국가의 정
부부처를 팔로우하는데는 소극
적
-언어, 문화적, 역사적인 유사
성이 국가 간 연결 관계에 영향
을 주고 있음을 확인

3) 유튜브 동영상 네트워크 분석
-”월스트리트를 점령하라” 운
동의 공식 트위터 계정인
@occupywallst의 에고 네트워
크
-총 328명의 사용자 노드가 수
집됨
-네트워크 중심에
@occupywallst노드가 위치하
고 나머지 노드들은 중심 노드
와 언급 또는 답변의 관계로 되
어 있음

4) 페이스북 네트워크 분석
-547302명의 페이스북 프로파일
정보를 활용한 페이스북 상의 친
구 관계 네트워크 연구
-그림(a)는 25000개의 노드로 구
성된 서브 그래프를 시각화
-(b)는 매개중심성이 높은 상위 50
개 노드들을 강조하여 시각화
-(c)는 매개 중심성이 1000만을 넘
는 노드들을 강조하여 시각화
-(d)는 Frucherman-Reingold 알고
리즘을 사용하여 네트워크를 시각
화

5) 의미 네트워크 분석
-강남스타일 유튜브 동영상에
시청자가 남긴 코멘트 내용의
의미 네트워크 분석
-수집된 코멘트들에 포함된 단
어 빈도 분석을 통해서 빈도
30 이상인 단어만을 발췌하여
단어 ‘공출현 분석’을 통해 의
미네트워크를 시각화
-노드의 크기는 단어 출현의빈
도를 나타냄

페이스북팬 페이지 분석
‘부산경찰’ 팬 페이지와 ‘서울경찰’ 팬 페이지에서
동시댓글(co-coment)데이터를 수집한 후 두 페이지의 네트워크 구조를 비교, 분석
서울경찰
9만 4천명
부산경찰
17만 7천명

1)자료수집하기
① DatamportFromFacebookFanPageNetwork 클릭
②Login클릭

1)자료수집하기
③Name/ID 부분에 분석대상 페이지인‘부산경찰’’서울경찰’페이지입력후 선택
⑤Download클릭
④원하는옵션을선택

2)수집자료 확인
Edges시트에서Vertex1과Vertex2는같은게시물에댓글을남긴사람들의동시댓글관계이다.
Type의정보를보면,Vertex1과Vertex2는같은게시물에댓글을남긴것을확인할수있다.

2)수집자료 확인
Vertices시트에는댓글을단사용자의이름,댓글내용,댓글을단개수등기본적인정보가들어있다.
CustomMenuItemAction의URL을클릭하면댓글을단사용자의개인페이스북담벼락에들어갈수있다.

3)자료분석하기 : 서울경찰 팬 페이지
① AnalysisGraphMetrics실행
②분석하고자하는항목선택CalculateMetrics클릭
※페이스북과동시댓글은비방향성데이터이기때문에
위그림과같이기본적인중심성항목을선택함.

노드수
총링크수
OverallMetrics시트에서
오른쪽그림의정보들을확인할수있다.
GraphMetrics에서선택한
네트워크지표값을그래프로나타내고,
최솟값,평균,중간값을보여줌

GraphMetrics에서선택한네트워크지표값들이위그림과같이Vertices시트에반영된것확인가능
서울경찰의연결정도(degree)값
90으로5번째위치해있음
※Degree값내림차순정렬
다른중심성값들도내림차순정렬을하면
높은값을가지는사용자한번에확인가능

• 그룹 분석
① AnalysisGroup클릭
②GroupbyCluster에서Clauset-Newman-Moore선택
③클릭
G1~G5까지총5개의그룹으로나누어짐.
같은게시물에댓글을단사용자들이하나의그룹이됨

① AnalysisGroupMetrics클릭
②GroupMetrics를선택하면각그룹별Vertices,Edges등의값들을알수있음.
③클릭
위그림과같이원해비어있던Groups시트에값들이채워지고,
추가로GroupVertices시트와GroupEdges시트가생성됨

GroupVertices시트
각사용자들이속해있는그룹을알수있음
서울경찰그룹은G2에속해있음.
GroupEdges시트
각그룹간엣지값을알수있다.
그룹G1과G4엣지값이가장많은210개이다.
G1,G2,G4사이의연결정도가
다른그룹들의연결정도에비교해서높게나타남.

4)시각화하기 : 서울경찰 팬 페이지
②
① Graph->ShowGraph실행
VisualProperties->AutofillColumns실행
Harel-korenfastmultiscaleLayout설정
①VertexColor->Option에서Degree값이높을수록노란색,낮을수록붉은색으로표시
②VertexSize->Option에서Degree값이높을수록크게,낮을수록작게표시
③Autofill클릭
• 기본 자료 시각화

• 그룹 자료 시각화
① Graph->ShowGraph실행
①layout클릭
②layoutOption클릭
③BoxlayoutalgorithmTreemap,lntergroup edgesCombine설정
④클릭

그결과아래와같은모습으로그룹화된다.

5)자료 분석하기 : 부산경찰 팬 페이지
Overall Metrics 시트를 누르면 아래의 그림이 확인 가능
노드수
총링크수
상대적으로 서울경찰보다 값이
더 높다는 것을 알 수 있음.

Vertices 시트에서 분석된 값들을 확인 가능
①매개중심성 값을 내림차순으로정렬
 부산경찰의 매개 중심성 값이
일곱 번째로 높다는 것을 알 수 있음.

 그룹 G1,G2,G3가
G4,G5보다 상대적으로 큰 값을 가짐
②그룹 분석
 서울경찰과 같은 설정으로 그룹을 나눈 결과
G1~G5까지 총 5개의 그룹으로 나뉨.

그룹 G1과 G2사이의 엣지 값이 14,196개로
연결정도가 다른 그룹들에 연결정도에 비하여 높음
G1과 G4의 경우와 같이 엣지 값이 나타나지 않은 것은
그룹간 연결이 없다는것을 의미
Group Vertices시트에서각 사용자들이속해있는그룹을 알 수 있음
부산 경찰은 G2에 속해있음
Group Edges 시트에 들어가보면
각 그룹간의 엣지 값을 알 수 있음

5)시각화하기 : 부산경찰 팬 페이지
• 기본 자료 시각화
①VertexColor->Option에서BetweennessCentrality값이높을수록파란색,낮을수록주황색으로표시
②VertexSize->Option에서BetweennessCentrality값이높을수록크게,낮을수록작게표시
③Autofill클릭
Harel-korenfastmultiscaleLayout설정
‘서울경찰’페이지와는
다르게 독립된 노드 존재

①layout클릭
②layoutOption클릭
③BoxlayoutalgorithmForcedirected,lntergroup edgesCombine설정
마지막에UsetheGridlayoutforgroupsthatdon’thavemanyedges선택
④클릭
5)시각화하기: 부산경찰 팬 페이지

시각화를 진행하니 총 6개의 그룹으로 나누어짐.
그러나 붉은색 동그라미 안에 있는 것은 그룹이 아닌
독립된 노드들이 한 곳에 모여있는 것으로
실질적인 그룹은 독립된 노드를 제외한 나머지 5개의 그룹임.
5)시각화하기: 부산경찰 팬 페이지

7)서울경찰과 부산경찰 팬 페이지 비교
• 그래프 비교
• 부산경찰의 노드간의 거리가 서울경찰의 노드간의 거리보다 더 가깝게 위치함
부산경찰 페이지에 댓글을 단 사용자들이 서울경찰 페이지에 댓글을 단 사용자보다 많고, 긴밀함
• 두 페이지의 링크간의 간격에도 차이가 보임
서울경찰은 네트워크가 엉성하게 보이지만, 부산경찰은 네트워크가 촘촘하게 연결
 부산경찰 페이지 사용자들이 서울경찰 페이지 사용자들보다 더 촘촘한 관계를 이루고 있음

5)시각화하기 : 부산경찰 팬 페이지
• 기본 분석 비교
항목 서울경찰 부산경찰
기간 2015.03.08~2015.03.15
노드 134 879
엣지 3,116 186,223
유니크엣지 2,296 171,510
최대연결거리 2 3
평균연결거리 1.70 1.53
밀도 0.285 0.458
 상대적으로 부산경찰 페이지가 서울경찰 페이지보다 모든 항목에서 높은 수치를 보임.
동일한 기간 동안 부산경찰 페이지가 서울경찰 페이지보다 더 사용자들에게 흥미를 유발하고,
관심을 끄는 게시물을 게시물을 업로드 한다는 것을 알 수 있음

NodeXL 따라잡기
Chapter 03. 노드엑셀(NodeXL)을 활용핚 소셜네트워크 붂석
02 페이스북(Facebook) 붂석하기
저자 : NODEXL KOREA
출판일 : 2015.11.25
언론정보학과 21010328 이진주
FACEBOOK

INDEX
01 자료 수집하기
02 수집자료 확인하기
03 자료 붂석하기 : 서울경찰 팬페이지
04 시각화하기 : 서울경찰 팬페이지
05 자료 붂석하기 : 부산경찰 팬페이지
06 시각화하기 : 부산경찰 팬페이지
07 서울경찰과 부산경찰 팬페이지 비교하기
FACEBOOK

FACEBOOK
1
-Data→Import → From Facebook Fan Page Network을 클릭한다.1
01
02
03
04
05
06
07
‘부산경찰’ 팬페이지와 ‘서울경찰’ 팬페이지에서 동시댓글(co-comment) 데이터를
수집한 후 두 페이지의 네트워크 구조 비교, 붂석해본다.

- Login을 클릭한다.2
2
Tip. 페이스북 데이터를 수집하기
위해서는 페이스북 계정을 가지고
있어야 한다.
Login
FACEBOOK
01
02
03
04
05
06
07

- Name/ID 부붂에 붂석대상 페이지인 ‘부산경찰’, ‘서울경찰’
페이지를 입력하여 선택한다.
3
Tip. 비슷한 이름의 팬페이지가 많기 때문에 자신이 찾는 것이 맞는지 확인 후 클릭한다.
4
5
- 원하는 옵션을 선택하여
Download를 한다.
(부산경찰’, ‘서울경찰’을 비교하기 위해서
임의로 일주일 기갂을 설정하여 수집함)
4
5
3
3
Download
FACEBOOK
01
02
03
04
05
06
07

02

• Edges 시트에서 Vertex1과 Vertex2는
같은 게시물에 댓글을 남긴 사람들의
동시댓글(co-comment)관계.
• Type의 정보에서 Vertex1과 Vertex2가
같은 게시물에 댓글을 남긴 것 알 수 있음.
• Vertices 시트에는 댓글을 단 사용자의
이름, 댓글 내용, 댓글을 단 개수 등
기본적인 정보 들어 있음.
• Custom Menu Item Action URL을 클릭하면
댓글을 단 사용자의 개인 페이스북 담벼락
에 들어갈 수 있다.
01
02
03
04
05
06
07
FACEBOOK

03

▪ 기본 붂석
- Analysis → Graph Metrics를 실행하여 붂석하고자 하는 항목들을 선택한 후
Calculate Metrics를 클릭한다.
- 페이스북 동시댓글은 방향성이 없는 비방향성(Undirected) 데이터.
- 따라서 기본적인 중심성 항목(Overall graph metrics, Vertex degree, Vertex
betweenness and closeness centralities, Vertex eigenvector cetrality)을 선택.
01
02
03
04
05
06
07
FACEBOOK

- Overall Metrics 시트에서 정보 확인 가능.
<왼쪽 그림>
•노드 수(Vertices 수, 댓글을 단 사용자 수)
134개
•총 링크 수(Edges 수) 3,116개
이 중 Edges With Duplicates 값 820개
<오른쪽 그림>
Graph Metrics에서 선택한 네트워크
지표 값을 그래프로 나타내고, 최댓값과
최솟값, 평균, 중갂값을 보여줌.
01
02
03
04
05
06
07
FACEBOOK

← Degree값들을 내림차순 정렬함.
다른 중심성 값들도 내림차순 정렬하면
높은 값을 가지는 사용자를 한번에
볼 수 있음.
← Graph Metrics에서 선택한
네트워크 지표 값들이 Vertices 시트에
반영된 것.
↑서울경찰의 연결정도(Degree)값이 90으로 5번째에 위치해 있음.
01
02
03
04
05
06
07
FACEBOOK

1
2
3
- Analysis에서 Groups을 클릭 → 같은 그룹을 여러 방법으로 그룹 설정 가능.1
- Groups by Cluster에서 Clauset-Newman-Moore를 선택.2
- 클릭.3
← 그룹화를 진행하면 Groups 시트가
추가됨.
G1~G5까지 총 5개의 그룹.
같은 게시물에 댓글을 단 사용자들이
하나의 그룹이 됨.
▪ 그룹 붂석
01
02
03
04
05
06
07
FACEBOOK

1
2
3
- Analysis에서 Graph Metrics를 선택.1
- Group metrics를 선택하면 각 그룹별
Vertices, Edges, Unique Edges 등의 값을
알 수 있다.
2
- 클릭.3
← 원래 비어있던 Groups 시트에
값들이 찿워짐.
추가로 Group Vertices시트와
Group Edges시트가 생성.
01
02
03
04
05
06
07
FACEBOOK

↑Group Vertices 시트에서 각 사용자들이 속해 있는 그룹 알 수 있음.
<왼쪽 그림>
• 서울경찰은 그룹 G2에 속함.
• Group Edges 시트에서 각 그룹갂
엣지 값을 알 수 있음.
<오른쪽 그림>
• 그룹 G1과 G2 사이 엣지 값 : 210개
• 그룹 G1과 G4 사이 엣지 값 : 210개
→ G1과 G2, G1과 G4 사이 연결정도(Degree)가
다른 그룹들 연결정도에 비교해 높게 나타남.
01
02
03
04
05
06
07
FACEBOOK

04

1 2
- Graph → Show Graph 순서대로 실행.1
- Visual Properties → Autofill Columns 순서대로 실행.2
- 오른쪽 그림에서 Harel-Korean Fast Multiscale layout으로 설정.
▪ 기본 자료 시각화하기
01
02
04
03
05
06
07
- 클릭.3
1
2
3
1- Autofill Columns의 Vertex Color → Options에서 Degree값이 높을수록
노띾색, 낮을수록 붉은색으로 표시.
- Autofill Columns의 Vertex Size → Options에서 Degree값이 높을수록 크게,
낮을수록 작게 표시.
2
Harel-Korean Fast Multiscale layout
FACEBOOK

▪ 그룹 자료 시각화하기
01
02
04
03
05
06
07
- layout 부붂 클릭.
- Layout Options을 클릭하면 오른쪽과 같은 창이 뜸.
- 클릭.
3
1
4
- 과 같이 Box layout algorithm → Treemap, Intergroup edges → Combine으로
설정.
2
- Graph → Show Graph 순서대로 실행.
3
4
1
2 Layout Options
FACEBOOK

01
02
04
03
05
06
07
결과) 그림과 같이 그룹끼리 모인 모습을 확인할 수 있다.
FACEBOOK

05 자료붂석하기 : 부산경찰 팬페이지
05

01
02
05
03
04
06
07
<왼쪽 그림>
• 노드 수(Vertices 수,
댓글을 단 사용자 수) 879개
• 총 링크 수(Edges 수) 186,233개
• Edges With Duplicates 14,723개
→ 상대적으로 서울경찰보다
값들이 더 높다.
↓ Overall Metrics 시트에서 확인가능.
FACEBOOK

01
02
05
03
04
06
07
↑ 매개중심성(Betweenness Centrality)값을 내림차순 정렬.
부산경찰의 매개중심성(Betweenness Centrality)값이 일곱 번째로 높다.
← 그룹붂석.
G1~G5까지 총 5개 그룹으로
나뉨.
FACEBOOK

01
02
05
03
04
06
07
← G1, G2, G3가 G4, G5보다
상대적으로 큰 값을 가짐.
← Group Vertices 시트에서 각
사용자들이 속해있는 그룹 알 수 있음.
<왼쪽 그림>
• 부산 경찰은 그룹 G2에 속해있음.
← Group Edges 시트에서 각 그룹갂
엣지 값 알 수 있음.
<오른쪽 그림>
• 그룹 G1과 G2사이 엣지 값 14,196개
(연결정도가 다른 그룹에 비해 높다.)
• 그룹 G1과 G4 경우 엣지 값이 나타나
지 않음. (그룹 갂 연결이 없다는 것)
FACEBOOK

06 시각화하기: 부산경찰 팬페이지
06

01
02
03
04
05
07
06
▪ 기본 자료 시각화하기
- 클릭.
- Autofill Columns의 Vertex Color → Options에서 Betweenness Centrality값이
높을수록 파띾색, 낮을수록 주황색으로 표시.
- Autofill Columns의 Vertex Size → Options에서 Betweenness Centrality값이
높을수록 크게, 낮을수록 작게 표시.
1
2
3
- 오른쪽 그림에서 Harel-Korean Fast Multiscale layout으로 설정.
‘서울경찰’페이지와
다르게 독립된 노드가
있다.
1
2
3
Harel-Korean Fast Multiscale layout
FACEBOOK

01
02
03
04
05
07
06
- 과 같이 Box layout algorithm → Force directed, Intergroup edges
→ Combine으로 설정, 마지막에 Use the Grid layout for groups that don’t have
many edges 를 선택.
- layout 부붂 클릭.
- Layout Options을 클릭하면 오른쪽과 같은 창이 뜸.
- 클릭.
3
1
4
2
1
2
3
4
Layout Options
FACEBOOK

01
02
03
04
05
07
06
결과)
시각화 진행 – 총 6개의 그룹으로 나뉨.
But, 실질적인 그룹은 독립된 노드들을 제외한 나머지 5개 그룹.
그룹이 아닌 독립된 노드들이
한 곳에 모여있는 것.
FACEBOOK

07 서울경찰과 부산경찰 팬페이지 비교
07

01
02
03
04
05
06
07
▪ 그래프 비교하기
• 부산경찰의 노드갂 거리가 서울경찰의 노드갂 거리보다 더 가깝게 위치.
→ 부산경찰 페이지에 댓글을 단 사용자들이 서울경찰 페이지에 댓글을
단 사용자보다 많고, 긴밀하다고 볼 수 있음.
• 서울경찰 네트워크는 엉성하게 보임. 부산경찰은 네트워크가 촘촘하게 연결.
→ 부산경찰 페이지 사용자들이 서울경찰 페이지 사용자들보다
더 촘촘한 관계 이루고 있음.
FACEBOOK

01
02
03
04
05
06
07
▪ 기본 붂석 비교하기
항목 서울경찰 부산경찰
기간 2015.03.08 ~ 2015.03.15
노드(Vertices) 134 879
엣지(Edges) 3,116 186,233
유니크 엣지(Unique Edges) 2,296 171,510
최대 연결거리 2 3
평균 연결거리 1.70 1.53
밀도(Density) 0.285 0.458
• 1주일 동안 댓글을 남긴 사용자 수
: 서울경찰 페이지 134명, 부산경찰 페이지 879명
• 총 엣지 수 : 서울경찰 페이지 3,116개, 부산경찰 페이지 186,233개
• 밀도 : 서울경찰 페이지 0.285, 부산경찰 페이지 0.458
→ 부산경찰 페이지가 서울경찰 페이지보다 더 밀도 높음.
• 부산경찰 페이지가 서울경찰 페이지보다 모든 항목에서 높은 수치 보임.
→ 동일한 기갂동안 부산경찰 페이지가 서울경찰 페이지보다 더 사용자들에게
흥미를 유발, 관심을 끄는 게시물을 업로드 함을 알 수 있음.
FACEBOOK

NodeXL 따라잡기
유튜브(YouTube) 분석하기
언론정보학과 21010574 권기룡
군사학과 21222098 박도현

CONTENTS
1). YouTube Video network: Pair of videos that have same category
2). YouTube Video network: Pair of videos commented on by the same user
2. 실습 예제
1. 교재 요약
1). 여성가족부 주최 공모전 팝 여성사 UCC 유튜브 콘텐츠 분석
3). YouTube Video network: Pair of videos responded to with another video
by the same user (X)
4). YouTube User’s network: Person or channel subscribed to by the user (X)
2). Don't judge me challenge

1. YouTube Video network: Pair of videos that have same category
교재 요약

여기서는 노드엑셀의 기본적인 기능을 이용하여
YouTube 데이터를 수집하고 분석하고자 한다.
2014년 루게릭 병환자의 기부금을 모으기 위해
미국에서 시작되어 SNS를 통해 우리나라까지
확산되었던 사회적 이슈인 아이스버킷 챌린지를
검색어로 설정하였다

1. Data-> import -> From YouTube video network
순으로 실행
2. 검색어 (아이스버킷챌린지) 입력
3. Pair of videos that have the same category를 선택
4. OK
1) 자료 수집하기
TIP: 수집 동영상 수는 최대 9,999개까지 입력할 수 있으나, 결과를 확인하면 최대 500개까지 동영상만 수집된다

(1)Edges시트에서 (2)Vertex1과 Vertex2는
동영상을 의미한다.
(3)Relationship의 정보를 보면, Vertex1과
Vertex2의 동영상은 같은 카테고리를 공
유하는 관계이다. Shared Category에서는
카테고리의 종류가 나열되어 있다.
(1)
(2) (3)
2) 수집자료 확인하기

(4)
(4)Vertices 시트에는 수집된 동영상의 각종 정보들이
나열되어 있다. 각 동영상의 제목, 채널 이름, 게시 일자
등 다양한 정보를 알 수 있다.
TIP : Edges 시트는 각각 동영상들의 관계를 보여주고, Vertices 시트는
각 동영상들의 정보를 보여준다.
TIP : Favorited 수는 모두 0임을 확인할 수 있는데, 이것은 Favorited 수
가 없는 것이 아니라 해당 정보가 수집되지 않은 것이다.

3) 자료 분석하기
Analysis -> Graph Metrics를 순서대로 실행하여,
분석하고자 하는 항목들을 선택한 후 Caulculate Metrics를 클릭한다

기본적인 중심성 분석을 위하여
Overall graph metrics,
Vertex degree(Undirected graphs only),
Vertec betweenness and closeness centralities,
vertex eigenvector centrality 항목을 선택하였다
(shared Category관계는 방향성이 없는 관계이므로,
in-dgree와 out-degree는 선택하지 않았음)

Overall Metrics 시트에서 해당 그림의 정보들을 확인
할 수 있다.
해당 그림에서 노드 수(Vertices 수, 동영상 수 )는 총
500개, 총 링크 수 (Edges 수) 33,821대 등 각 항목의
분석 값을 확인 할 수 있다

다음 그림에서 Graph Metrics에서 선택한 값을 그래프로
나타내고, 최대값과 최솟값, 평균, 중간 값을 보여준다

Graph Metrics에서 선택한 분석항목들은 Vertices 시
트에서 확인할 수 있다. 연결 정도(Degree)가
Cristiano Ronaldo #Icebucketchallenge라는 동영상
이 가장 높았으며, 조회수도 가장 많았다. 연결 정도
가 가장 높다는 것은 다른 동영상들과 연결이 많이 되
어 있다는 것을 의미한다

그룹분석
여기서는 그룹 분석을 해보자
Vertices시트의 Created Date열의 내용을 바탕으로
오른쪽 CreatedData2 열에 그 값들을 추가하였다.
Created Data2열의 내용은 Created Date열 내용의
표기방식을 변경한 것이다.
TIP: 기존에 있는 열 외에 추가적으로 자신이 원하
는 정보로 열을 추가하여 그룹화를 할 수 있다

그룹분석
Analysis-> Groups -> Group by Attribute를 순서대로 실행한다.

그룹분석
그룹화 할 vertices시트의 열을 선택한다(새로 추
가한 열이 자동으로 생성됨)
그룹화에서 나타날 열의 그룹 값을 Categories로
선택한다.
OK를 클릭한다.

그룹분석
Analysis -> Graph Metrics 순서대로 실행한다.

그룹분석
Group Metrics 항목을 선택한다

그룹분석
다음 그림과 같이 원래 비어있던 Group시트에 값들이 채워지고 추가로 Group Edges시트가 생성된다.
Groups 시트의 내용을 보면, 같은 달에 생성된 동영상들 끼리 그룹으로 묶여있다. Vertices 열의 값으로 보아,
2014년 8월에 아이스 버킷 챌린지 동영상이 가장 많았고 시간이 지날수록 그 수가 줄어든다. Groups 시트에서
Vertices, Unique Edges, Total Edges 등의 다양한 값을 확인할 수 있다.

4) 시각화 하기
(1)Graph -> Show Graph 순으로 실행한다
(2)Visual Proiperties -> Autofill Columns 순으로 실행한다
TIP : Graph에서 Type은 본인의 데이터에 따라서
Undirected와 Directed를 선택한다. Layout에서는 본인이
원하는 그래프 형태를 선택할 수 있다.
(1)
(2)

4) 시각화 하기
Autofill Columns -> vertex color -> options에서 연결 정도가 높을수록 검정색 낮을수록 붉은색으로 설정한다

4) 시각화 하기
Autofill Columns -> vertex size -> options에서 조회수가 높을수록 사이즈를 크게, 조회수가 낮을수록 사이즈
를 작게 설정한다. ,(연결 정도와 조회수 간의 상관 여부를 그래프로 알아보기 위해 조회수에 따라 Vertex Size
에 변화를 줌) -> Ok 클릭한다

(1)
(2)
5) 자료 분석 결과 해석하기
기본 데이터 시각화 그래프에서 몇 개의 Cluster를 확인 할 수 있으며, 중심성이 높은 검은색
Cluster는 매우 촘촘한 네트워크를 보여준다. 그리고 조회수가 높은 두 개의 노드를 확인할 수
있다. (1)은 thegatesnotes채널의 Bill Gates ALS Ice Bucket Challenge라는 제목의 동영상이다.
(2)는 앞에서 연결정도 중심성이 가장 높게 나타났던 Cristiano Ronaldo 채널의 동영상이다.
Bill Gates 와 Cristiano Ronaldo 처럼 유명인의 동영상 조회수가 가장 많았다.
그러나 중심성 값은 Bill Gates보다 Cristiano Ronaldo의 동영상이 더 높게 나타나 다른 동영상
들과 더 많이 연결되어 있었고, 더 촘촘한 네트워크를 보여주었다. 두 동영상을 비교해보면 중
심성과조회수는 크게 상관이 없는 것으로 볼 수 있다. 그룹 분석을 통해 2014 8월에 아이스버
킷챌린지 관련 동영상이 가장 많이 업로드 되었고, 가장 많은 카테고리를 공유하고 있다는 사
실을 확인했다. 시간이 흐를수록 동영상 수가 줄었는데, 아이스버킷챌린지 운동이 온라인 상에
서 꾸준하게 그 인기와 의미 있는 행보를 이어가지 못한 것은 아쉬움으로 남는다

2). YouTube Video network: Pair of videos commented on by the same user

(1) Import -> From youtube video 순으로 실행
(2) 검색어 (아이스 버킷 챌린지) 입력,
(pair of videos commented on by the same user) 선택한다.
(3) 제한 동영상 개수 500개로 설정하고 수집한다
OK 클릭

위 그림과 같이 Edges 시트의 Vertex1, Vertex2에서 코멘트를 공유하고
있는 두 동영상을 확인 할 수 있고, 두 동영상이 ‘Shared commenter’와
공유하고 있는 코멘트 작성자를 확인할 수 있다.

Overall Metrics 에서 모두 500개의 동영상이 293명의 사용자에 의해 연결되어 있고 161개는 중복된 사용자에 의해
연결된 엣지를 가지고 있음을 확인할 수 있었다. 이를 제외하면 유니크 엣지는 132개로 약26% 정도 비율을 가지고 있
었다.

(1) Anlysis -> Graph Metrics를 실행하여, 분석하고자
하는 항목들을 선택한 후 Calculate Metrics를 클릭한
다.
방향성이 있는 네트워크로 In-Degree와 Out-Degree 값을 선택하였다. 이 캠페인은 유명인과 일반인을 구분하지 않고
온라인 상에서 급속도로 확산되었던 현상으로서, 이러한 특이한 사회 현상을 더욱 가속시킬 수 있었던 영향력 있는
동영상을 유추해보기 위해, In-Degree를 기준으로 자료를 확인했다.

그림과 같이 내향 연결정도(In-Degree)값을 기준으로 내림차
순 정렬하면 유명인들의 이름을 주로 찾아볼 수 있고, 특히
아이돌과 같은 남자연예인이나 인터넷 방송 BJ들은 대부분
상위에 있다.
다음에서 아는 사람 사이에서 이루어지는 지목관계에서 다양
한 집단간의 매개역할을 할 수 있는 동영상, 즉 브로커 역할
을 할 수 있었던 동영상이 있었다면 어떤 것인지 알아보기 위
해 Betweenness Centrality를 알아보기로 한다.

4)시각화 하기
In-Dgree 값에 따라 노드에 색변화를 주었다. In-Degree 값이 높을 수록
파란색으로 설정하였다.
Betweenness Centrality 값에 따라 노드의 크기에 변화를 주었다.
Betweenness Centrality가 높을 수록 크기가 커지도록 표현하였다.

이와 같이 노드(Vertex Shape)를 동영상 스틸 컷으로 나타낼 수도 있다.

아이스버킷챌린지 현상의 특징은 다음 동영상을 촬영할 사람을 지목하는 것이다. 따라서 동영상 간의 연관성이
나타날 것이라고 예상했던 것과 다르게 유명인들의 비디오가 관계 없이 연결되어 있는 경우가 더 많았다. In-
Degree가 가장 높은 동영상은 ‘양띵 아이스버킷챌린지’였으며. In-Degree가 높을 수록 Betweenness Centrality
도 높았다. 하지만 In-Degreerk 높은 것과 조회수 와의 상관 관계를 파악하지 못하였으므로, In-Degree가 높은
비디오가 이현상의 확산에 도움을 주었다고 유추하기는 어렵다.
아이스버킷챌린지 현상이 일반인과 연예인을 구분하지 않고 확산되었기 때문에 그래프에서도 눈에 띄는 Cluster
가 나타나지 않았다. 그래서 Betwenness Centrality가 높은 동영상이 Cluster간을 연결하여 이 확산에 영향을 미
친것이 아니라 전반적인 연결성이 높았기 때문에 확산이 잘 일어났다고 유추해 볼 수 있다.

3). YouTube Video network: Pair of videos responded to with
another video by the same user
* 노드엑셀에서 더 이상 다루지 않는 부분입니다. 교수님과 상의 후 삭제 하기로 했습니다.

4). YouTube User’s network: Person or channel subscribed to by the user
* 노드엑셀에서 더 이상 다루지 않는 부분입니다. 교수님과 상의 후 삭제 하기로 했습니다.

1. 여성가족부 주최 공모전 팝 여성사 UCC 유튜브 콘텐츠 분석
실습 예제

지금부터는 노드엑셀의 기본적인 기능을 이용하
여 YouTube 데이터를 수집하고 분석하는 것에
대한 실습을 해보고자 한다
조원 권기룡이 2013년에 참여했던 여성가족부
주최 팝 여성사 UCC 공모전을 검색어로 설정하
여 데이터를 수집하고 분석 하고자 한다.
팝 여성사 UCC공모전 참가자는 유튜브에 업로드를 해야 참여가능 함,
결국 해당년도 동영상의 수가 참가자의 수를 파악할 수도 있음

순으로 실행
2. 검색어 (팝 여성사 UCC) 입력
4. OK

(1)Edges시트에서 (2)Vertex1과 Vertex2는
동영상을 의미한다.
(3)Relationship의 정보를 보면, Vertex1과
Vertex2의 동영상은 같은 카테고리를 공
유하는 관계이다. Shared Category에서는
카테고리의 종류가 나열되어 있다.
(3)

)
(4)Vertices 시트에는 수집된 동영상의 각종 정보들이
나열되어 있다. 각 동영상의 제목, 채널 이름, 게시 일자
등 다양한 정보를 알 수 있다.
TIP : Edges 시트는 각각 동영상들의 관계를 보여주고, Vertices 시트는
각 동영상들의 정보를 보여준다.
TIP : Favorited 수는 모두 0임을 확인할 수 있는데, 이것은 Favorited 수
가 없는 것이 아니라 해당 정보가 수집되지 않은 것이다.

Overall Metrics 시트에서 해당 그림의 정보들을 확인
할 수 있다.
해당 그림에서 노드 수(Vertices 수, 동영상 수 )는 총
150개, 총 링크 수 (Edges 수) 7,478대 등 각 항목의
분석 값을 확인 할 수 있다

다음 그림에서 Graph Metrics에서
선택한 값을 그래프로 나타내고, 최대
값과 최솟값, 평균, 중간 값을 보여준다

Graph Metrics에서 선택한 분석항목들은 Vertices 시
트에서 확인할 수 있다. 연결 정도(Degree)가
ringofish524의 [팝 여성사 UCC] 벗겨지는 하이힐, 벗
는 하이힐라는 동영상이 가장 높았으며, 조회수도 가
장 많았다. 연결 정도가 가장 높다는 것은 다른 동영
상들과 연결이 많이 되어 있다는 것을 의미한다

분석
그룹 분석을 해보자
트의 Created Date열의 내용을 바탕으로
그 값들을 추가하였다.
용은 Created Date열 내용의 표기방식을
이다.
에 있는 열 외에 추가적으로 자신이 원하
열을 추가하여 그룹화를 할 수 있다

룹분석
alysis-> Groups -> Group by Attribute를 순서대로 실행한다.

그룹분석
그룹화 할 vertices시트의 열을 선택한다(
가한 열이 자동으로 생성됨)
그룹화에서 나타날 열의 그룹 값을 Categ
선택한다.
OK를 클릭한다.

그룹분석
다음 그림과 같이 원래 비어있단 Group시트에 값들이 채워지고 추가로 Group Edges시트가 생성된다.
2012년 6월에 공모전 참여가 가장 많았고 시간이 지날수록 그 수가 줄어든다. Groups 시트에서 Vertices,
Unique Edges, Total Edges 등의 다양한 값을 확인할 수 있다.

4) 시각화 하기
(2)

4) 시각화 하기
(1) Autofill Columns -> vertex color -> options에서 연결 정도가 높을수록 검정색 낮을수록 붉은색으로 설정한
다
(1)
(2)

터 시각화 그래프에서 3개의 cluster를확인할 수 있었으
도 중심성이 높은 cluster는 촘촘한 네트워크를 보여준다.
조회수가 높은 몇 개의 노드를 확인 할 수 있다.
가장 높으며(121) view가 가장 높은(4863회) 동영상은
524의 동영상이다.

로 뷰가 가장 높은 동영상은 Eugene Seo의 동영상(3633
degree는 12로 낮은 편이다.

많은 view를 가진 동영상은 choiansu1(3374회)의 동영상
ree가 121번째로 높다.

degree가 121인 동영상 끼리 하나의 촘촘한 네트워크를 가지고 있다는 것을 알 수 있다.
Eugene Seo의 동영상을 본 사람이 choiansu1의 동영상을 본 사람보다 많지만 degree를 보면
choiansu1가 훨씬 더 높다는 것을 알 수 있어 choiansu1의 동영상이 다른 동영상들과 더 많이 연결되
어 있다는 것을 알 수 있다.
그 외에도 view가 낮지만 degree가 높은 121을 보이는 동영상들이 많은 것을 보면 조회수와 degree
는 크게 상관이 없는 것으로 볼 수 있다
그룹 분석을 보면 2012년 52회 업로드 2013년 51회 업로드 2014년 25회 업로드 2015년 22회 업로
드로 갈수록 참여자들의 수가 줄어들고 있다는 것을 알 수 있다
팝 여성사 UCC의 공모전이 2016년, 2017년 그 이후에도 지속될 수 없을 수도 있다는 아쉬운 생각이
든다

1) 자료수집하기
순으로 실행
2. 검색어 (don’t judge challenge) 입력
4. OK

위 그림과 같이 Edges 시트의 Vertex1, Vertex2에서 코멘트를 공유하고 있는 두 동영상을 확인 할 수 있고, 두 동영상
이 어떤 관계를 갖고 있는지 Relationship을 통해 정렬 기준으로 알아 볼 수 있다.
아래 보이는 그림에서는 많은 동영상들이 카테고리를 공유하며 어떤 카테고리를 공유 하는지 보여주고 있다.

(1)Vertices 시트에는 수집된 동영상의 각종 정보들이 나열되
어 있다. 각 동영상의 제목, 채널 이름, 게시 일자 등 다양한
정보를 알 수 있다.
TIP : Edges 시트는 각각 동영상들의 관계를 보여주고, Vertices 시트는 각 동
영상들의 정보를 보여준다.
TIP : Favorited 수는 모두 0임을 확인할 수 있는데, 이것은 Favorited 수가 없
는 것이 아니라 해당 정보가 수집되지 않은 것이다.
(1)

기본적인 중심성 분석을 위하여
Overall graph metrics,
Vertex degree(Undirected graphs only),
Vertec betweenness and closeness
centralities,
vertex eigenvector centrality 항목을 선택
(shared Category관계는 방향성이 없는 관
계이므로,
in-dgree와 out-degree는 선택하지 않았음)

Overall Metrics 시트에서 수집된 정보를 보면
해당 그림에서 노드 수(Vertices 수, 동영상 수 )는 총 488개, 총 링크 수
(Edges 수) 37814개이며 그 중 유니크 엣지가 37814개로 동일하여 노드간의
연결성은 없다고 볼 수 있다.
이전의 아이스버킷 챌린지와 다르게 돈저지챌린지는 누군가 지목을 해서
다음 사람에게 전해 지는 방식이 아닌 개개인의 의지에 따라 진행하는 캠페
인이기 때문인 것으로 유추해 볼 수 있다.
컴포넌트(Connected Components)는 총 11 그룹이고 이중 단일 노드 컴포
넌트(Single-Vertex Connected Components)는 2개 그룹으로 나타났다.
따라서 다른 노드와 연결성 없이 고립된 노드는 총 2개임을 알 수 있다.
최대 연결거리(Maximum geodesic distance)는 1이고 평균 연결 거리
(Average geodesic distance)는 0.99이다

다음 그림에서 Graph Metrics에서
선택한 값을 그래프로 나타내고, 최대
값과 최솟값, 평균, 중간 값을 보여준다

그룹분석
여기서는 그룹 분석 위해 새로운 카테고리를 만들
어 보자
열에서 마우스 오른쪽 버튼을 눌러 삽입 -? 왼쪽에
표 열 삽입을 클릭한다

그룹분석
Vertices시트의 Created Date열의 내용을 바탕으로
왼쪽 열에 그 값들을 추가하였다.
열1의 내용은 Created Date열 내용의 표기방식을
변경한 것이다.
TIP: 기존에 있는 열 외에 추가적으로 자신이 원하
는 정보로 열을 추가하여 그룹화를 할 수 있다

그룹분석
그룹화 할 vertices시트의 열을 선택한다(새로 추
가한 Created Date2가 자동으로 생성됨)
그룹화에서 나타날 열의 그룹 값을 Categories로
선택한다.
OK를 클릭한다.

그룹분석
다음 그림과 같이 원래 비어있단 Group시트에 값들이 채워지고 추가로 Group Edges시트가 생성된다.
2015년 7월에 공모전 참여가 가장 많았고 시간이 지날수록 그 수가 줄어든다. Groups 시트에서 Vertices,
Unique Edges, Total Edges 등의 다양한 값을 확인할 수 있다.

(1)
4) 시각화 하기

(2)
4) 시각화 하기

4) 시각화 하기
(1) Autofill Columns -> vertex color -> options에서 연결 정도가 높을수록 검정색 낮을수록 붉은색으로 설정한
다
(2)Autofill Columns -> vertex size -> options에서 조회수가 높을수록 사이즈를 크게, 조회수가 낮을수록 사이
즈를 작게 설정한다. ,(연결 정도와 조회수 간의 상관 여부를 그래프로 알아보기 위해 조회수에 따라 Vertex Size
에 변화를 줌) -> Ok 클릭한다
(1)
(2)

5) 자료 분석 결과 해석하기
기본 데이터 시각화 그래프에서 몇 개의 Cluster를 확인 할 수 있으며, 중심성이 높은 검은색 Cluster는 매우
촘촘한 네트워크를 보여준다.

가장 높은 조회수의 동영상을 확인해보니 미국 유명 가수인 ChrisBrown의 Don't Judge Me 라는 공식
뮤직비디오였다. 조사를 위한 “Don't Judge Me Challenge”와는 관련이 없으며 Degree는 18로 낮으며
관련이 없는 비디오로 간주하고 제외한다.
주제와 맞는 동영상에서 가장 높은 조회수를 가지고 있는 것은 Best Viners 채널의Don't Judge
Challenge compilation 라는 제목의 동영상이다.
앞에서 연결 정도 중심성이 가장 높게 나타났던Vine Türkiye 채널의 동영상이다.
Best Viners와 Vine Türkiye 처럼 Don't Judge Challenge 모음집이 가장 높은 조회수와 연결정도를 가지
고 있다.
그러나 중심성 값은Best Viners보다 Vine Türkiye의 동영상이 더 높게 나타나 다른 동영상들과 더 많이
연결되어 있었고, 더 촘촘한 네트워크를 보여주었다. 두 동영상을 비교해보면 중심성과 조회수는 크게
상관이 없는 것으로 볼 수 있다.
그룹 분석을 통해 2015년 07월 Don't Judge Challenge 관련 동영상이 가장 많이 업로드 되었고 시간
이 흐를수록 동영상 수가 줄었는데, Don't Judge Challenge 운동이 아이스 버킷 챌린지와 같이 온라인
상에서 꾸준하게 그 인기와 의미 있는 행보를 이어가지 못한 것은 아쉬움으로 남는다

소셜미디어를 활용한 국제회의 네트워크 분석
: 세계인터넷전문가총회(IR15) 트위터 사례 중심
언론정보학과 21210642 나효정




FACEBOO
K
YOUTUBE
TWITTER
User generated data
ICT의 발달로 모바일 플랫폼이 활성화되면서 소셜
미디어에서 만들어내는 자료에 대한 사회적 관심 증가


소셜 미디어
온라인 도구
사용자들 간의 사회적 상호작용 지원
소셜네트워크 서비스
생각, 경험, 정보 등을 생산, 확대시키기
위해 사용하는 개방된 플랫폼과 관계 형성
크리스 시플리(Chris Shipley)
2004 ‘The BlogOn Conference’에서
소셜미디어라는 용어 처음 사용
  

소셜미디어의 가치
비용
경제성
관계
친근성, 신뢰성
시간
신속성, 지속성
대상
다수성, 다양성
 기존 미디어에 비해 유용한 가치를 보유 - 마케팅, 홍보 등 다양한 분야에 활용

IR15 데이터 수집 및 분석방법
2014년
10월 21일~24일 제 15회
세계인터넷전문가총회(IR15)
회의에 참여해 트위터
사용한 트위터리안
‘#IR15’가 포함된 트윗
마크스미스
노드엑셀

 


 총 924명의 트위터 사용자들이 #IR15 키워드를
사용해 트윗하였거나 이러한 트윗에 응답되거나 언급

버텍스 – 트위터에서 트윗을 한 IR15 참가자

 Clauset-Newman-Moore cluster 알고리즘 사용
: 네트워크에서 노드를 물리적으로 배치할 때 하위
커뮤니티 구조를 시각적으로 용이하게 추론, 발견

방향성 가짐
IR15 데이터 수집 및 분석방법


IR15 트위터 네트워크 분석 및 유형
 719개의 노드가 6,043개의 링크로 연결, 이 중 3,912개의 링크가 중복으로 연결
네트워크의 최단연결거리는 2.9367으로 매우 긴밀하게 연결되어 있음을 의미

 네트워크를 그래프로 시각화 - 참가자들이 가까운 커뮤니티를 형성하고 상호간에 정보,
아이디어, 의견 등의 공유를 위해 강하게 연결되어 있는 ‘타이트 크라우드’ 유형


1개의 메이저 그룹(G1)
3개의 중간 그룹(G2,G3,G4)
기타 소그룹 모두 연결된 구조

그룹 G2는 나비넥타이형으로
가운데 2명의 특정인 중심으로
의견이 양쪽으로 나누어진 구조

그룹 G1의 경우 동심원형
구조를 이루며 다른 그룹
사람들과 연결이 많음
 커뮤니티와 청중의
관계를 나타냄
IR15 트위터 네트워크 분석 및 유형


IR15 유력자(영향력자) 분석
Weboesel은 매개중심성 값이 가장 높으며, 연결중심성 값도 높아 IR15에서
브로커, 중개자의 역할&사람들과 직접적 관계가 많은 마당발


트위터를 통해 어떤 의제를 토론하고 있는 사람들 간 연결 구조를 보여주는
내향/외향 연결 중심성, 매개/근접 중심성, 아이겐벡터 중심성 등의 지표로
커뮤니티의 중심에 있는 사람을 알려주는 소셜 네트워크 다이어그램

MARCULA®Business Page Number 39
세계인터넷총회(AoIR) 웹사이트
차기 년도 IR16총회 정보 제공
Instagram.com
사진공유 사이트를 통해 개최 년도
IR15 워크샵 관련 셀피 사진 공유
Axel Bruns의 블로그
Tama Leaver의 개인 웹사이트
국제행사에서의 담론이
빅 마우스에 의해 좌지우지
Docs.google.com
구글의 문서공유 사이트 활용
총회 워크샵 자료 업로드
주요 정보원 및 도메인 분석

행사 관련 사진& 발표자료
공유할 수 있는 사이트에
대한 많은 관심
URLs 분석은 각각의
정보에 대한 출처 분석
도메인 분석은 그보다
상위영역에 대한 분석
NEW INSPIRE THEME

해시태그 및 단어 분석

2014, 2015, 2017년도
세계인터넷전문가총회(#ir15, #ir16,
#ir18) 등이 주를 이룸

‘Privacy’가 많이 사용된 이유는
국제 행사 프로그램 중 페이스북의
프라이버시에 관한 발표가 많았기 때문

단어쌍 분석은 어떤 단어가 함께
사용되었는지에 따라 의미가 달라질
수 있으며 맥락을 찾을 수 있다.

현저성(Salience)은 단어 혹은
단어쌍이 전체 텍스트 칼럼 내에서
얼마나 중요한지를 측정한 것

단어쌍의 현저성 값에서
Social과 media가 0.005로 가장
높게 나타남
�
Social&Media 단어쌍이 서로 다른
참석자들이 올린 메시지에서 자주
출현하면서 중요한 개념으로 수용됨

해시태그 및 단어 분석

정보 공유 및
커뮤니케이션에서 다양한
형태의 매체를 적절히 사용
연구주제 및 연구방법의
적합성 검토에 대한 필요성
사회과학분야에서 복잡하고
다양한 사회현상 예측,설명
네트워크의 유형, 특징 파악
데이터 값들이 내재하고 있는
함축적 의미와 시사점 발견
소셜 네트워크 분석

Thank you

FACEBOOK
.

TWITTER

YOUTUBE

GOOGLE

노드엑셜 따라잡기 강의용 슬라이드 모음

Recommended

Recommended

More Related Content

What's hot

What's hot (20)

Viewers also liked

Viewers also liked (20)

Similar to 노드엑셜 따라잡기 강의용 슬라이드 모음

Similar to 노드엑셜 따라잡기 강의용 슬라이드 모음 (20)

More from Han Woo PARK

More from Han Woo PARK (20)

노드엑셜 따라잡기 강의용 슬라이드 모음