[論文レビュー] Optimizing The Selection of Strangers To Answer Questions in Social Media

Jalal Mahmud, Michelle X. Zhou+3 more|arXiv (Cornell University)|Apr 8, 2014

Expert finding and Q&A systems参考文献 23被引用数 7

ひとこと要約

本稿では、ユーザー行動およびコンテンツを活用して応答可能性を予測することで、SNS（例：Twitter）における質問への応答を最適化する特徴ベースのモデルと最適化フレームワークを提案する。実世界のデータセットを用いた交差検証により、応答数を最大化しつつ送信する質問数を最小限に抑えるアプリケーション固有の目的を満たす最適選択が可能となり、応答獲得効率が向上することを検証した。

ABSTRACT

Millions of people express themselves on public social media, such as Twitter. Through their posts, these people may reveal themselves as potentially valuable sources of information. For example, real-time information about an event might be collected through asking questions of people who tweet about being at the event location. In this paper, we explore how to model and select users to target with questions so as to improve answering performance while managing the load on people who must be asked. We first present a feature-based model that leverages users exhibited social behavior, including the content of their tweets and social interactions, to characterize their willingness and readiness to respond to questions on Twitter. We then use the model to predict the likelihood for people to answer questions. To support real-world information collection applications, we present an optimization-based approach that selects a proper set of strangers to answer questions while achieving a set of application-dependent objectives, such as achieving a desired number of answers and minimizing the number of questions to be sent. Our cross-validation experiments using multiple real-world data sets demonstrate the effectiveness of our work.

研究の動機と目的

• TwitterなどのSNSプラットフォームにおいて、リアルタイムで他人から情報を収集する効率を向上させること。
• ユーザーのSNS行動とコンテンツに基づいて、そのユーザーが質問に応答する可能性をモデル化・予測すること。
• 情報収集アプリケーションにおいて、望ましい応答数を達成しつつ送信する質問数を最小限に抑えること。
• 現実世界のSNSシステムにおいて、スケーラブルかつアプリケーション指向のユーザー選択を可能にすること。

提案手法

• ツイートの内容、ソーシャルインタラクション、ユーザー活動の特徴を用いた特徴ベースのモデルを構築し、応答の意思と準備状態を予測する。
• 抽出された行動特徴に基づいて、ユーザーが質問に応答する確率を推定する機械学習手法を採用する。
• 目標応答数やアプローチ予算などの制約下で、応答獲得量を最大化する最適な他人の集合を選択する最適化フレームワークを導入する。
• 送信する質問数を最小化するなど、対立する目的をバランスさせるために、混合整数プログラミングの定式化を用いる。
• 複数の実世界のTwitterデータセットを用いた交差検証により、モデルおよび最適化戦略のチューニングと検証を実施する。
• ユーザーの応答確率スコアを最適化モデルに統合し、高確率応答者を優先する。

実験結果

リサーチクエスチョン

• RQ1 SNS上のユーザー行動とコンテンツは、どのようにしてそのユーザーが質問に応答する可能性を予測するために活用できるか？
• RQ2 望ましい数の応答を達成するために、最小限の他人の集合を選択する効果的な最適化戦略は何か？
• RQ3 提案モデルは、応答獲得率とアプローチコストの面で、ベースライン戦略と比較してどのように異なるか？
• RQ4 このモデルは、異なる実世界のSNSイベントやデータ分布に一般化可能か？

主な発見

• コンテンツとソーシャルインタラクションの両方の特徴を組み込むことで、提案モデルは応答予測の正確性を顕著に向上させた。
• 最適化フレームワークにより、ランダム選択と比較して、同じ目標応答数を達成するための質問送信数を最大40％まで削減できた。
• 交差検証の結果、複数の実世界データセットで一貫した性能向上が確認され、モデルの頑健性と一般化能力が示された。
• 応答確率スコアを選択プロセスに統合することで、有効な応答率に顕著な向上が見られた。