[論文レビュー] Learning and Forecasting Opinion Dynamics in Social Networks

Abir De, Isabel Valera+3 more|arXiv (Cornell University)|Jun 17, 2015

Opinion Dynamics and Social Influence参考文献 30被引用数 24

ひとこと要約

本稿では、マーキングジャンプ拡散確率微分方程式を用いてユーザーの潜在的意見を表現することで、ソーシャルネットワークにおける意見動態の確率的モデルであるSLANTを提案する。潜在的意見と観測されたセンチメントメッセージの区別により、SLANTは効率的な尤度ベースのパrameter推定と予測式を用いて、実際のTwitterデータ上で他の手法を上回る正確でスケーラブルな予測を可能にする。

ABSTRACT

Social media and social networking sites have become a global pinboard for exposition and discussion of news, topics, and ideas, where social media users often update their opinions about a particular topic by learning from the opinions shared by their friends. In this context, can we learn a data-driven model of opinion dynamics that is able to accurately forecast opinions from users? In this paper, we introduce SLANT, a probabilistic modeling framework of opinion dynamics, which represents users opinions over time by means of marked jump diffusion stochastic differential equations, and allows for efficient model simulation and parameter estimation from historical fine grained event data. We then leverage our framework to derive a set of efficient predictive formulas for opinion forecasting and identify conditions under which opinions converge to a steady state. Experiments on data gathered from Twitter show that our model provides a good fit to the data and our formulas achieve more accurate forecasting than alternatives.

研究の動機と目的

• 時間的経過に伴う意見の進化をモデル化することで、データ駆動型のアプローチによりソーシャルネットワーク内での個々のユーザーの意見を正確に予測するモデルの開発。
• 既存の意見動態モデルにおけるギャップを埋めるために、潜在的意見と、それらの下位にある意見を歪んだ形で反映する観測されたセンチメントメッセージの区別を行うこと。
• Twitterのセンチメント投稿などの高粒度なイベントデータを用いて、効率的なパrameter推定とシミュレーションを可能にする。
• 短中期的および長期的な意見予測が可能な予測式を導出することにより、合意形成や極端化の条件を特定する。
• 従来のモデルが同期的更新を仮定しており、現実のデータへの適合性やスケーラビリティに欠けるという限界を克服すること。

提案手法

• マーキングジャンプ拡散確率微分方程式（SDE）に従う連続時間の確率過程として、ユーザーの潜在的意見をモデル化し、非同期的な意見更新を捉える。
• センチメントメッセージをユーザーの潜在的意見のノイズ混じりの観測値として表現し、各メッセージが現在の意見状態の一時的な推定値を示す。
• マコフ性を活用して、大規模なイベントデータを用いて凸計画法を用いた効率的な尤度ベースのパrameter推定を実現する。
• イベント発生時刻と意見更新の効率的サンプリングにより、数百万件のセンチメントメッセージを数分で生成できるスケーラブルなシミュレーションアルゴリズムを導入する。
• モデルの仮定の下でSDEを解くことにより、閉形式の予測式を導出し、リアルタイム予測を可能にする。
• それぞれの意見の平均回帰的行動とメッセージの強度をモデル化するため、パrameter ω と ν を用いた指数的減衰カーネルを用いる。

実験結果

リサーチクエスチョン

• RQ1 歴史的なセンチメントメッセージのみを用いて、データ駆動型モデルがソーシャルネットワーク内での個々のユーザーの意見を正確に予測できるか。
• RQ2 非同期的な意見更新と潜在的意見状態が、同期的更新を仮定するモデルと比較して、意見予測の正確性にどのように影響を与えるか。
• RQ3 意見が合意形成や極端化に至る条件は何か、そしてその条件が提示されたモデルを用いて解析的に特定可能か。
• RQ4 政治、エンターテインメント、スポーツなど多様なトピックを対象として、実世界のTwitterデータへの適合性はどの程度か。
• RQ5 提示された推定およびシミュレーション手順が、大規模なネットワークや数百万件のイベントに対してスケーリング可能であり、正確性を維持できるか。

主な発見

• SLANTモデルは、離散的時間更新に基づくモデルやセンチメントのみを扱うアプローチと比較して、著しく高い正確性の意見予測を達成する。
• 凸計画法を用いたパrameter推定は、より多くのイベントデータが供給されるにつれて、平均二乗誤差が減少し、真のパrameterに収束する傾向を示し、学習の強固さを裏付ける。
• 政治、映画の公開、ボクシング戦、ボリウッドの評価、米国大統領選挙の5つの多様なトピックにおいて、実際のTwitterデータへの適合性が良好である。
• モデルから導出された予測式は、合成データおよび実世界のデータセットの両方で検証された上で、効率的かつ正確な予測を可能にする。
• 影響パrameterとネットワーク構造の相互作用に基づき、意見が定常状態に収束する条件（合意形成や極端化を含む）を特定可能である。
• 数百万件のセンチメントメッセージのスケーラブルなシミュレーションが数分で実現可能であり、リアルタイムの意見予測システムへの実用的応用を示している。