[論文レビュー] Ideology Detection for Twitter Users with Heterogeneous Types of Links

Yupeng Gu, Ting Chen+2 more|arXiv (Cornell University)|Dec 24, 2016

Misinformation and Its Impacts参考文献 26被引用数 9

ひとこと要約

本稿では、フォロー、メンション、リツイートといった異種のリンクタイプを統合することで、Twitterユーザーの連続的アイデオロギー的位置を検出する統合確率モデルML-IPMを提案する。本モデルは、各リンクタイプの相対的重要性を自動で学習する。ベースラインと比較して、特に接続が疎なユーザーにおいてもアイデオロギー順位付けおよび分類性能が優れており、人間の直感とも整合する。

ABSTRACT

The problem of ideology detection is to study the latent (political) placement for people, which is traditionally studied on politicians according to their voting behaviors. Recently, more and more studies begin to address the ideology detection problem for ordinary users based on their online behaviors that can be captured by social media, e.g., Twitter. As far as we are concerned, however, the vast majority of the existing methods on ideology detection on social media have oversimplified the problem as a binary classification problem (i.e., liberal vs. conservative). Moreover, though social links can play a critical role in deciding one's ideology, most of the existing work ignores the heterogeneous types of links in social media. In this paper we propose to detect \emph{numerical} ideology positions for Twitter users, according to their \emph{follow}, \emph{mention}, and \emph{retweet} links to a selected set of politicians. A unified probabilistic model is proposed that can (1) explain the reasons why links are built among people in terms of their ideology, (2) integrate heterogeneous types of links together in determining people's ideology, and (3) automatically learn the quality of each type of links in deciding one's ideology. Experiments have demonstrated the advantages of our model in terms of both ranking and political leaning classification accuracy. It is shown that (1) using multiple types of links is better than using any single type of links alone to determine one's ideology, and (2) our model is even more superior than baselines when dealing with people that are sparsely linked in one type of links. We also show that the detected ideology for Twitter users aligns with our intuition quite well.

研究の動機と目的

• 既存のアイデオロギー検出手法が、リベラル対コンservativeという二値分類に政治的対立を単純化しているという限界を是正すること。
• フォロー、メンション、リツイートといったソーシャルメディアのリンクの異種性を扱い、それらを均一に扱うか、タイプの違いを無視するのではなく、モデル化すること。
• アイデオロギー推定における各リンクタイプの相対的強度を手動またはヒューリスティックに重みづけするのではなく、自動で学習すること。
• 特に特定のリンクタイプに接続が疎なユーザーにおいても、アイデオロギー推定の精度を向上させること。
• 二値カテゴリに限定されない、連続的で実数値の理想点推定を提供し、政治的アイデオロギーの全範囲を反映すること。

提案手法

• 社会選択理論を用いて、アイデオロギー的類似性に基づくリンク形成を説明し、リンクの確率をユーザーの理想点の関数としてモデル化する。
• ユーザーの理想点と、各リンクタイプがアイデオロギー推定に与える相対的影響（重み）を同時に推定する統合確率フレームワークを導入する。
• 観測されたネットワークデータの尤度を最適化するスケーラブルな期待値最大化（EM）に基づくアルゴリズムを用いて、リンクタイプの重みを学習する。
• フォロー、メンション、リツイートといった複数のリンクタイプを1つの確率的グラフに統合し、タイプ間での情報伝達を可能にする。
• ネットワークの疎らさに対応するため、リンクタイプ間での知識伝達を活用し、特定のタイプでの接続が限られたユーザーの性能を向上させる。
• ユーザーのアイデオロギーを潜在変数として表現し、1次元空間における連続的理想点を推定する。

実験結果

リサーチクエスチョン

• RQ1 フォロー、メンション、リツイートといった複数の異種リンクタイプを統合する統合モデルは、単一のリンクタイプ分析を上回るアイデオロギー検出を実現できるか？
• RQ2 固定または手動で調整された重みと比較して、本モデルがリンクタイプの重みを自動で学習する能力は、アイデオロギー推定においてどのように優れているか？
• RQ3 特定のリンクタイプで接続が疎なユーザーに対しても、本モデルは性能を維持または向上させることができるか？
• RQ4 検出されたアイデオロギーは、人間の直感や有名人の既知の政治的立場とどの程度整合するか？
• RQ5 本モデルは、二値分類や単一リンクタイプアプローチに比べて、順位付けおよび分類の両タスクで優れた性能を示せるか？

主な発見

• 複数の異種リンクタイプを用いることで、単一のリンクタイプのみを用いる場合と比較して、アイデオロギー検出性能が顕著に向上する。
• 提案されたML-IPMモデルは、すべてのベースライン手法と比較して、特に接続が疎なユーザーにおいても政治的傾向分類の精度が高く、優れている。
• リンクタイプ間での情報伝達を活用することで、本モデルは接続が疎なユーザーにおいても優れた性能を示し、コールドスタート問題を緩和する。
• 自動で学習されたリンクタイプの重みは、現実世界の直感を反映している—例えば、リツイートはフォローに比べてアイデオロギー推定においてより情報量が多い。
• 事例研究では、リツイート行動の差異に基づいて、フォロー関係が似ているがアイデオロギー的プロファイルが異なるユーザー（例：グレッグ・グリーンウォルドとメガン・ケリー）を明確に区別できている。
• 特に、ラサール・マダウはアンドリュー・コープャーに対してよりリベラルであるという、有名人の既知の政治的立場と一致する理想点が検出された。