[論文レビュー] Predicting engagement in online social networks: Challenges and opportunities

Farig Sadeque, Steven Bethard|arXiv (Cornell University)|Jul 11, 2019

Complex Network Analysis Techniques参考文献 27被引用数 4

ひとこと要約

本サーベイは、多様なオンラインソーシャルネットワークにおけるユーザーエンゲージメント予測の主な課題と機会を特定し、プラットフォームを跨いで特徴工学と機械学習手法を分析している。エンゲージメント予測は文脈に強く依存しており、グラフベースの特徴、ユーザ行動パターン、ソーシャルインフルエンス拡散が重要であるが、すべてのネットワークに通用するユニバーサルなモデルや特徴セットは存在しないことが判明した。

ABSTRACT

Since the introduction of social media, user participation or engagement has received little research attention. In this survey article, we establish the notion of participation in social media and main challenges that researchers may face while exploring this phenomenon. We surveyed a handful of research articles that had been done in this area, and tried to extract, analyze and summarize the techniques performed by the researchers. We classified these works based on our task definitions, and explored the machine learning models that have been used for any kind of participation prediction. We also explored the vast amount of features that have been proven useful, and classified them into categories for better understanding and ease of re-implementation. We have found that the success of a technique mostly depends on the type of the network that has been researched on, and there is no universal machine learning algorithm or feature sets that works reasonably well in all types of social media. There is a lack of attempts in implementing state-of-the-art machine learning techniques like neural networks, and the possibility of transfer learning and domain adaptation has not been explored.

研究の動機と目的

• コミュニティベースのフォーラムやサポートグループを含め、オンラインソーシャルネットワークにおけるユーザーエンゲージメント予測に関する研究の現状を調査すること。
• エンゲージメント予測に最も効果的な特徴——例えば、グラフの中心性、近隣性の性質、インフルエンス拡散——を特定・分類すること。
• 異なるネットワークタイプにおけるさまざまな機械学習モデルのパフォーマンスを分析し、現在のアプローチにおける制限を浮き彫りにすること。
• 深層学習やトランスファーラーニングなどの高度な技術がエンゲージメント予測タスクにおいてなぜ採用されていないかを調査すること。
• 多様なソーシャルメディアプラットフォームにおけるユーザーエンゲージメントモデリングの今後の研究を導く包括的な概要を提供すること。

提案手法

• エンゲージメント予測に関する既存研究をサーベイし、タスク定義とネットワークタイプに基づいて研究を分類した。
• 特徴を以下のカテゴリに分類した：グラフベース（例：媒介性、次数中心性）、近隣性の性質（例：近隣のサイズ、離脱率）、構造的指標（例：グラフ密度、局所的クラスタリング）。
• インフルエンス拡散モデルを分析し、ポジティブ／ネガティブなインフルエンスベクトルと拡散要因を組み込んだ変更済みモデルを用いて、ユーザーレベルの離脱ダイナミクスを捉えた。
• テキストコンテンツ、デモグラフィックデータ、時間的ユーザーライフサイクルパターンがエンゲージメント予測に果たす役割を評価した。
• Twitter、フォーラム、健康支援コミュニティなどのプラットフォームを比較して、異なるモデルの有効性を評価する分析手法を用いた。
• 最短経路数や中心性測度といった理論的グラフ理論の概念を用い、ソーシャルネットワーク内でのユーザーロールを定量化した。

実験結果

リサーチクエスチョン

• RQ1 通信業界における従来の離脱予測と比較して、オンラインソーシャルネットワークにおけるユーザーエンゲージメント予測の主な課題は何か？
• RQ2 グラフベース、行動的、デモグラフィックのどのタイプの特徴——ネットワークタイプにかかわらず——がユーザーエンゲージメントを最も効果的に予測するか？
• RQ3 中心性測度と近隣性の性質は、ユーザの非エンゲージメントまたは離脱の可能性にどのように影響を与えるか？
• RQ4 標準モデルと比較して、インフルエンス拡散モデルはエンゲージメント予測の正確性をどの程度向上させるか？
• RQ5 なぜ深層学習やトランスファーラーニングのような高度な機械学習技術がエンゲージメント予測研究において採用されていないのか？

主な発見

• ネットワーク構造とユーザ行動パターンに強く依存するため、すべてのタイプのソーシャルネットワークに万能な機械学習アルゴリズムや特徴セットは存在しない。
• 媒介性のようなグラフ中心性測度は、将来的な離脱を強く予測する。中心的なユーザーはネットワークの離脱や社会的混乱にさらされやすく、その影響を受けるからである。
• 近隣のサイズはユーザーエンゲージメントと強く正の相関を示すが、ユーザーの近隣に非アクティブユーザーの割合が高いほど、離脱の可能性が高くなる。
• 忠誠心の高いコミュニティでは、グラフ密度が著しく高く、局所的クラスタリングが低い傾向があり、これはより結束したユーザーネットワークを示している。
• ポジティブおよびネガティブなインフルエンス伝播を考慮したインフルエンス拡散モデルは、人間関係的インフルエンスを無視するモデルよりも優れた性能を示し、予測精度が向上する。
• 潜在的な利点は大きいが、最先端の技術である深層学習やトランスファーラーニングは、エンゲージメント予測分野で依然として未開拓であり、大きな研究機会である。