[論文レビュー] Classifying Conversation in Digital Communication.

Andrew Mellor|arXiv (Cornell University)|Jan 31, 2018

Complex Network Analysis Techniques参考文献 33被引用数 4

ひとこと要約

本稿では、デジタル対話の時間的ネットワーク構造を時間的モチーフとイベント間時間を使ってモデル化することで、コンテンツに依存しない方法でオンライン対話の分類を提案する。集約を行わず、完全な時間的ネットワークを埋め込むことで、複数の時間スケールにわたる個々のおよび集団的な対話的ダイナミクスを捉え、文脈に依存しない対話の分類を可能にする。

ABSTRACT

Many studies of digital communication, in particular of Twitter, use natural language processing (NLP) to find topics, assess sentiment, and describe user behaviour. In finding topics often the relationships between users who participate in the topic are neglected. We propose a novel method of describing and classifying online conversations using only the structure of the underlying temporal network and not the content of individual messages. This method utilises all available information in the temporal network (no aggregation), combining both topological and temporal structure using temporal motifs and inter-event times. This allows us create an embedding of the temporal network in order to describe the behaviour of individuals and collectives over time and examine the structure of conversation over multiple timescales.

研究の動機と目的

• デジタル対話におけるユーザー相互作用構造を無視する既存のNLP手法のギャップを埋めること。
• メッセージの内容に依存せず、対話の時間的およびトポロジカル構造のみに依存してオンライン対話の分類を行う手法を開発すること。
• 集約を伴わずに完全な時間的ネットワークダイナミクスをモデル化し、複数の時間スケールにわたる細かいつながりのパターンを保持すること。
• 個々のおよび集団的な時間的ダイナミクスを反映する対話行動の埋め込み表現を作成すること。

提案手法

• 本手法は、デジタル通信データから時間的ネットワークを構築し、ユーザーをノード、メッセージを時間付きの有向エッジとして表現する。
• 時間的モチーフを用いて、メッセージ間のイベント間時間の繰り返しパターンを同定する。時間的モチーフは、メッセージ間の特定のイベント間時間の順序を捉える。
• 連続するメッセージ間のイベント間時間を用いて、対話のタイミングとリズムを特徴づける。
• トポロジカルおよび時間的特徴を統合し、対話構造の包括的表現を構築する。
• ノード埋め込み手法を完全な時間的ネットワークに適用し、ユーザーおよびグループ行動の低次元表現を生成する。
• これらの埋め込み表現を用いて、意味的コンテンツに依存しない構造的パターンに基づき対話を分類する。

実験結果

リサーチクエスチョン

• RQ1 どのようにしてメッセージの内容に依存せずにオンライン対話を分類できるか？
• RQ2 時間的対話シーケンスにおけるどのような構造的パターンが、異なる種類の対話を区別するか？
• RQ3 対話ネットワークのトポロジカルおよび時間的特徴は、対話的ダイナミクスを区別するためにどのように寄与するか？
• RQ4 時間的ネットワーク特徴のみを用いて、複数の時間スケールにわたる対話構造を効果的に捉え、分類できるか？

主な発見

• 本手法は、メッセージの内容にアクセスせずに、対話の構造的ダイナミクスのみに依存してオンライン対話を成功裏に分類した。
• 時間的モチーフとイベント間時間は、複数の時間スケールにわたる明確な対話パターンを効果的に捉えた。
• 埋め込み手法は細かいつながりのパターンを保持しており、個々および集団的な対話行動の正確な表現を可能にした。
• 本モデルは、コンテンツベースの分析では検出できない対話ダイナミクスの構造的差異を明らかにした。