[論文レビュー] Leveraging Social Foci for Information Seeking in Social Media

Suhas Ranganath, Jiliang Tang+3 more|arXiv (Cornell University)|Feb 23, 2015

Expert finding and Q&A systems参考文献 41被引用数 7

ひとこと要約

本稿では、Twitterなどのソーシャルメディアプラットフォームにおける主観的・個人的な質問に適した回答者を特定するため、ネットワークおよびコンテンツデータから導出される共通の関心事（ソーシャル・フォーカス）を活用するフレームワークを提案する。ネットワーク構造とユーザ生成コンテンツを統合することで、多様な質問カテゴリにおいてベースラインを上回る性能を達成し、'Suggestion'カテゴリではMAP@5が4.68%に達する。また、ネットワーク情報とコンテンツ情報の比率が変化しても、MAP > 3%を維持する強固な性能を示す。

ABSTRACT

The rise of social media provides a great opportunity for people to reach out to their social connections to satisfy their information needs. However, generic social media platforms are not explicitly designed to assist information seeking of users. In this paper, we propose a novel framework to identify the social connections of a user able to satisfy his information needs. The information need of a social media user is subjective and personal, and we investigate the utility of his social context to identify people able to satisfy it. We present questions users post on Twitter as instances of information seeking activities in social media. We infer soft community memberships of the asker and his social connections by integrating network and content information. Drawing concepts from the social foci theory, we identify answerers who share communities with the asker w.r.t. the question. Our experiments demonstrate that the framework is effective in identifying answerers to social media questions.

研究の動機と目的

• 主にQ&Aプラットフォームがこのような対話に適していないため、ソーシャルメディアにおける主観的・個人的な質問に対して関連する回答者を特定する課題に対処すること。
• 特に共通の関心事（例：スポーツ、音楽、学術分野）や所属関係といった社会的文脈が、ソーシャルメディアの質問における回答者同定をどのように改善できるかを調査すること。
• ネットワーク情報とコンテンツ情報を統合し、アサーカーと潜在的回答者との間の共有フォーカスをモデル化するフレームワークを構築すること。
• フレームワークの有効性を、多様な質問カテゴリおよびネットワーク情報とコンテンツ情報の割合が異なる状況で評価すること。
• Twitterにおける主観的な質問に対して、ソーシャル・フォーカスに基づく手法がベースライン手法を上回ることを実証すること。

提案手法

• ユーザの投稿から得られるテキストコンテンツと、ソーシャルグラフとしてのネットワーク構造を統合し、ユーザの柔らかく曖昧なコミュニティ所属関係を推定する。
• ソーシャル・フォーカス理論を適用し、アサーカーとその社会的関係者との間で共有される関心事（例：スポーツ、音楽、学術分野）をモデル化する。
• コンテンツ信号とネットワーク信号を統合するための重み付き統合モデルを採用し、パラメータα（コンテンツの重み）およびβ（ネットワークの重み）を用いる。
• アサーカーとの共有フォーカスに基づいて潜在的回答者をランク付けするリtrievalフレームワークを採用し、MRRやMAP@5といった指標を用いる。
• ユーザ生成の質問（例：Twitter上での投稿）を情報探索行動の例として扱い、社会的に接続されたユーザがそれらに回答するものとする。
• 評価のため、人間によるアノテーションを実施し、質問を'Suggestions'、'Opinion'、'Favor'、'Rhetorical'などのタイプに分類する。

実験結果

リサーチクエスチョン

• RQ1 ソーシャルメディアにおける主観的質問の回答者特定にあたって、ネットワーク情報とコンテンツ情報はどのように効果的に統合できるか？
• RQ2 共通の社会的フォーカス（例：関心事、所属関係）が、ベースライン手法と比較して関連回答者の特定をどの程度向上できるか？
• RQ3 Suggestion、Opinion、Rhetorical質問などの異なるタイプのソーシャルメディア質問カテゴリにおいて、このフレームワークの性能はいかがなものか？
• RQ4 ネットワーク情報とコンテンツ情報の相対的割合に変化が生じた場合、このフレームワークはどの程度頑健であるか？
• RQ5 Twitterのようなプラットフォームで一般的な個人的で事実でない質問に対して、ソーシャル・フォーカスに基づく手法は効果的に回答者を特定できるか？

主な発見

• 'Suggestions'質問において、フレームワークはMAP@5が4.68%を達成し、最も近いベースラインより1.78%の向上を示した。
• 'Favor'質問において、フレームワークはMAP@5が4.39%に達し、ベースラインより1.01%の向上を示した。
• αとβのすべての組み合わせにおいて、フレームワークはMAP値が3%以上を維持しており、ネットワーク情報とコンテンツ情報の比率が変化しても頑健であることが示された。
• 最も低い性能は'Rhetorical'質問（MAP@5 = 0%）で観察され、このような質問は真の情報ニーズを反映していないか、フォーカスベースのマッチングに適さない可能性がある。
• 対応t検定により、すべての質問カテゴリにおいてベースラインより性能が有意に向上していることが確認された。
• ランダム順序付けよりも著しく優れており、最低性能でもランダム選択の2倍以上であった。これは、パrameterが最適でない状況下でも、フレームワークの有効性が裏付けられていることを示している。