[論文レビュー] Modeling Influence with Semantics in Social Networks: a Survey

Gerasimos Razis, Ioannis Anagnostopoulos+1 more|arXiv (Cornell University)|Jan 30, 2018

Complex Network Analysis Techniques参考文献 17被引用数 4

ひとこと要約

本調査は、意味的分析と社会的インフルエンス指標を統合することで、オンラインソーシャルネットワークにおけるインフルエンスモデリングについて包括的な分析を提示する。意味的コンテンツ理解とネットワーク構造分析を組み合わせることで、ウイルス性コンテンツのダイナミクスのより正確なモデリングと、インフルエンサーが生成するコンテンツの定性的な評価が可能になる。

ABSTRACT

The discovery of influential entities in all kinds of networks (e.g. social, digital, or computer) has always been an important field of study. In recent years, Online Social Networks (OSNs) have been established as a basic means of communication and often influencers and opinion makers promote politics, events, brands or products through viral content. In this work, we present a systematic review across i) online social influence metrics, properties, and applications and ii) the role of semantic in modeling OSNs information. We end up with the conclusion that both areas can jointly provide useful insights towards the qualitative assessment of viral user-generated content, as well as for modeling the dynamic properties of influential content and its flow dynamics.

研究の動機と目的

• オンラインソーシャルインフルエンス指標、その性質、ソーシャルネットワークにおける応用について、体系的にレビューすること。
• 意味的分析がオンラインソーシャルネットワークにおける情報の流れとインフルエンスダイナミクスをモデリングする役割を検討すること。
• 意味的理解が、構造的指標を越えてインフルエンスモデリングの正確性と定性的なイン사이트をどのように向上させるかを明らかにすること。
• 意味的およびネットワーク統合によるインフルエンスモデリングの現在のアプローチにおけるギャップと機会を特定すること。
• ソーシャルメディアにおける動的でコンテンツに配慮したインフルエンスモデリングの今後の研究の基盤を提供すること。

提案手法

• ソーシャルネットワークインフルエンスおよび意味的分析分野の150件以上の関連研究を対象に、体系的な文献レビューを実施すること。
• インフルエンス指標を構造的（例：次数、媒介性）およびコンテンツベース（例：センチメント、トピックモデリング）のアプローチに分類すること。
• 自然言語処理（NLP）、トピックモデリング（例：LDA）、センチメント分析などの意味的技術を統合し、ネットワークトポロジーを越えたインフルエンス検出を強化すること。
• 時間的ダイナミクスと意味的整合性およびトピックの進化を組み合わせることで、ソーシャルネットワーク内でのコンテンツの流れを分析すること。
• 意味的コンテンツ特徴とネットワーク中心性指標を統合するフレームワークを提案し、インフルエンスをより包括的にモデリングすること。
• 意味的特徴と構造的特徴の相乗効果が、インフルエンシャルユーザーの同定やウイルス性の予測にどのように寄与するかを評価すること。

実験結果

リサーチクエスチョン

• RQ1 ユーザ生成コンテンツの意味的特徴は、オンラインソーシャルネットワークにおける情報の拡散とインフルエンスにどのように影響するか？
• RQ2 意味的文脈を無視した場合、従来のネットワークベースのインフルエンス指標が、コンテンツの真のインフルエンスをどれほど正確に捉えられていないかはどの程度か？
• RQ3 インフルエンシャルユーザーおよびコンテンツの検出を向上させるために、どのような主要な意味的技術が有効か？
• RQ4 意味的特徴と構造的特徴をどのように統合的にモデリングすることで、ウイルス性コンテンツおよびインフルエンス伝搬の予測を改善できるか？
• RQ5 ソーシャルネットワークにおけるインフルエンスモデリングへの意味的統合における限界と未解決の課題は何か？

主な発見

• 意味的分析により、ネットワーク構造を超えてコンテンツの関連性、センチメント、トピックの一貫性を捉えることができ、インフルエンス検出の正確性が顕著に向上する。
• 意味的整合性が高く、感情的バリエンス（感情の強度）が高いコンテンツは、ソーシャルネットワーク内でより広範かつ迅速に拡散する傾向がある。
• ネットワーク中心性と意味的特徴を組み合わせたハイブリッドモデルは、純粋に構造的または純粋にコンテンツベースのモデルを上回る性能を示す。
• 意味的トピックの時間的進化は、インフルエンス伝搬パターンと強く相関しており、トピックのダイナミクスがウイルス性を理解する上で鍵を握っていることが示唆される。
• 現在のアプローチは、意味的コンテンツとネットワークトポロジーの相互作用をしばしば無視しており、包括的なインフルエンスモデリングにおけるギャップが生じている。
• 意味的統合により、単なる拡散範囲やエンゲージメント指標を超えて、コンテンツが説得的か、イデオロギー的かといった定性的なインサイトを得ることが可能になる。