[論文レビュー] The Social Media Genome: Modeling Individual Topic-Specific Behavior in Social Media

Petko Bogdanov, Michael Busch+3 more|arXiv (Cornell University)|Jul 1, 2013

Complex Network Analysis Techniques参考文献 19被引用数 32

ひとこと要約

本論文は、個々のユーザーの関心、活動、情報受容への感受性を捉えるトピック固有の行動モデル「ソーシャルメディアゲノタイプ」を導入する。ユーザー行動を不変のゲノタイプとしてモデル化し、トピック固有の影響力骨格を導出することで、影響力予測を20%以上向上させるとともに、わずか1%のキーユーザーに焦点を当てることで、情報拡散の遅延を最大40%まで低減できる。

ABSTRACT

Information propagation in social media depends not only on the static follower structure but also on the topic-specific user behavior. Hence novel models incorporating dynamic user behavior are needed. To this end, we propose a model for individual social media users, termed a genotype. The genotype is a per-topic summary of a user's interest, activity and susceptibility to adopt new information. We demonstrate that user genotypes remain invariant within a topic by adopting them for classification of new information spread in large-scale real networks. Furthermore, we extract topic-specific influence backbone structures based on information adoption and show that they differ significantly from the static follower network. When employed for influence prediction of new content spread, our genotype model and influence backbones enable more than $20% improvement, compared to purely structural features. We also demonstrate that knowledge of user genotypes and influence backbones allow for the design of effective strategies for latency minimization of topic-specific information spread.

研究の動機と目的

• 静的フォロワーネットワークを超えて、ソーシャルメディアにおける個々のユーザー行動を、トピック固有の関心と受容パターンを捉えることでモデル化すること。
• Twitterからの実データを用いて、時間的・トピック的要因を考慮したユーザー行動の一貫性を検証すること。
• 静的フォロワーネットワークとは異なる、トピック固有の影響力骨格を抽出し、予測モデリングを改善すること。
• ゲノタイプと骨格を応用して、新規コンテンツの受容者／インフルエンサーを正確に予測すること。
• ユーザーのゲノタイプ知識を活用した、情報拡散遅延を最小限に抑える戦略の設計

提案手法

• ハッシュタグの受容パターンを用いて、トピックごとの関心、活動、情報受容感受性の要約としてユーザーのゲノタイプを定義する。
• 大規模なTwitterデータセットからゲノムを構築し、フォロワー構造とユーザー投稿を統合することで、トピック固有の行動的特徴を抽出する。
• ゲノタイプに基づく分類器を用いて、観測されていないハッシュタグのトピックを予測し、分類精度が87%に達する。
• 実際の情報受容に基づく活性な伝播経路を特定することで、フォロワー接続のみではなく、行動に依存するトピック固有の影響力骨格を抽出する。
• パス遅延を骨格内の有向パスに沿った個々のノード応答時間（Time(u)）の合計としてモデル化し、ソース・デスティネーション間の遅延をその最小値として定義する。
• k-遅延最小化のための3つのヒューリスティクス（Max Lat、Max BC、Greedy）を適用し、ノードの応答時間と構造的バーチャルセンタリティを組み合わせて、遅延低減に最も効果的なノードを選択する。

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個々のユーザー行動は、時間的・トピック的要因を考慮しても、トピック固有の不変的特徴（ゲノタイプ）として一貫してモデル化可能か？
• RQ2 トピック固有の影響力骨格は、静的フォロワーネットワークとどのように構造的に異なるか？
• RQ3 構造的特徴のみに依存する手法と比較して、ゲノタイプに基づくモデルは、新規情報の受容者・インフルエンサーの予測をどの程度向上できるか？
• RQ4 ユーザーのゲノタイプと影響力骨格の知識を活用することで、ソーシャルネットワークにおける情報拡散遅延はどの程度低減可能か？
• RQ5 ネットワーク全体の拡散遅延を最小限に抑えるために、最も効果的なキーノード選定のためのヒューリスティクスは何か？

主な発見

• 複合ゲノタイプベースの分類器を用いることで、未観測のハッシュタグのトピック分類精度が87%に達する。
• トピック固有の影響力骨格は、静的フォロワーネットワークとは顕著に異なる構造を持ち、動的で行動に依存する伝播構造を明らかにする。
• ゲノタイプモデルを用いることで、フォロワー構造のみを用いる場合と比較して、新規ハッシュタグの影響力予測が20%以上向上する。
• k-遅延最小化のためのGreedyヒューリスティクスは、わずか1%の応答性の高いノードを変更するだけで、平均ネットワーク遅延を40%以上低減する。
• スポーツおよびエンタメトピックでは、高次数の中心的ノードが存在するため、媒介性中心性（Max BC）がGreedyヒューリスティクスとほぼ同等の性能を示す。
• k-遅延最小化問題はNP困難であるが、ゲノタイプと構造的情報の両方を組み合わせたGreedyヒューリスティクスは、いずれの要因にのみ依存する手法よりも優れた性能を示す。