[論文レビュー] Resurrecting My Revolution: Using Social Link Neighborhood in Bringing Context to the Disappearing Web

Hany M. SalahEldeen, Michael L. Nelson|arXiv (Cornell University)|Sep 10, 2013

Social Media and Politics参考文献 16被引用数 3

ひとこと要約

本稿では、欠落したWebリソースに関する共起するツイートから抽出した「ツイートシグネチャ―」（上位5語の集合）を検索エンジンのクエリとして使用し、意味的に類似する代替リソースを回復することを提案する。欠落したリソースのソーシャルリンクネighborhoodをマイニングすることで、41%のケースで元のリソースと70%以上のテクスト類似度を達成し、デジタル保存作業における失われたWebコンテンツの再構築に実用的な解決策を提供する。

ABSTRACT

In previous work we reported that resources linked in tweets disappeared at the rate of 11% in the first year followed by 7.3% each year afterwards. We also found that in the first year 6.7%, and 14.6% in each subsequent year, of the resources were archived in public web archives. In this paper we revisit the same dataset of tweets and find that our prior model still holds and the calculated error for estimating percentages missing was about 4%, but we found the rate of archiving produced a higher error of about 11.5%. We also discovered that resources have disappeared from the archives themselves (7.89%) as well as reappeared on the live web after being declared missing (6.54%). We have also tested the availability of the tweets themselves and found that 10.34% have disappeared from the live web. To mitigate the loss of resources on the live web, we propose the use of a "tweet signature". Using the Topsy API, we extract the top five most frequent terms from the union of all tweets about a resource, and use these five terms as a query to Google. We found that using tweet signatures results in discovering replacement resources with 70+% textual similarity to the missing resource 41% of the time.

研究の動機と目的

• ソーシャルメディアを通じて共有されたWebリソースの恒久性およびアーカイブ状態を調査すること、特にエジプト革命のような歴史的出来事との文脈において。
• ライブWebおよび公開アーカイブからWebリソースが消失する問題に対処することにより、デジタル保存および一次歴史的記録へのアクセスが脅かされることを防ぐこと。
• 特に共起するツイートの「ソーシャルリンクネighborhood」から得られる文脈的情報を用いて、欠落したWebリソースを再構築する手法を開発・評価すること。
• ツイートシグネチャ―を検索クエリとして用いる場合、元のリソースと意味的に類似した代替リソースをどれほど効果的に取得できるかを評価すること。

提案手法

• Topsy APIを用いて、1リソースあたり最大500件の最近のツイートを抽出し、文脈的情報を収集する。
• 指定されたリソースに関するすべてのツイートの集合から、最も頻出する上位5語を特定し、「ツイートシグネチャ―」を生成する。
• ツイートシグネチャ―をGoogle検索のクエリとして使用し、候補となる代替リソースを取得する。
• ボイラープレート除去ライブラリ「boilerpipe」を適用して、元の欠落リソースおよび候補となる代替リソースからクリーンなテキストコンテンツを抽出する。
• 元のリソースと各候補との間のコサイン類似度を計算し、テクスト類似度を測定する。
• 類似度スコアに基づいて候補をランク付け・評価し、上位1件を比較用に使用する。

実験結果

リサーチクエスチョン

• RQ1 ソーシャルメディアを通じて共有されたWebリソースの消失率はどの程度で、アーカイブ保存率と比べてどうか？
• RQ2 共起するツイートによって定義される、欠落したリソースのソーシャルリンクネighborhoodは、再構築に十分な文脈的情報を提供できるか？
• RQ3 ツイートシグネチャ―手法が、元のリソースと高いテキスト類似度を持つ代替リソースをどれほど効果的に取得できるか？
• RQ4 タイムマップの改訂およびアーカイブの縮小は、アーカイブ利用可能性の推定精度にどのような影響を及えるか？
• RQ5 アーカイブおよびライブWeb上のリソースの利用可能性と再出現は、デジタル保存の信頼性にどのように影響を及えるか？

主な発見

• ライブWebからWebリソースが消える割合は、初年度で約11%、以降は年間7.3%で推移し、以前の研究結果を裏付ける。
• アーカイブ済みリソースを推定するモデルは、約11.5%の高い誤差率を示した。これは、タイムマップの縮小およびアーカイブインデックスの変更が原因とされる。
• アーカイブ済みリソースの7.89%が、自らもアーカイブから消失していたことが判明した。また、6.54%のリソースが、欠落とされた後にライブWebに再出現した。
• ツイート自体の10.34%がライブWebから欠落していたことが判明し、ソーシャルメディアコンテンツの不安定性が示された。
• ツイートシグネチャ―を検索クエリとして使用した結果、元の欠落リソースと70%以上のテキスト類似度を達成したケースが41%にのぼった。
• ツイートシグネチャ―を用いた検索結果の平均逆順位（MRR）は0.43であり、元のリソースを中程度の効果で取得できていることが示された。