[論文レビュー] Time Matters: Multi-scale Temporalization of Social Media Popularity

Bo Wu, Wen-Huang Cheng+2 more|arXiv (Cornell University)|Dec 12, 2017

Human Mobility and Location-Based Analysis参考文献 35被引用数 14

ひとこと要約

本稿では、複数の時間スケール（1日単位、週単位、季節単位）にわたる時間的ダイナミクスを分解することで、SNSのインパクトをモデル化する新しいテンソルベースのフレームワーク、マルチスケール・タイム化（MT）を提案する。文脈の整合性を向上させるためのデータ再配置処理を組み込むことで、文脈の不一致に起因するノイズを低減する。低ランク制約とマルチスケール分解を統合することで、既存手法に比べて予測精度を10.9%～47.5%まで向上させ、最先端の性能を達成した。

ABSTRACT

The evolution of social media popularity exhibits rich temporality, i.e., popularities change over time at various levels of temporal granularity. This is influenced by temporal variations of public attentions or user activities. For example, popularity patterns of street snap on Flickr are observed to depict distinctive fashion styles at specific time scales, such as season-based periodic fluctuations for Trench Coat or one-off peak in days for Evening Dress. However, this fact is often overlooked by existing research of popularity modeling. We present the first study to incorporate multiple time-scale dynamics into predicting online popularity. We propose a novel computational framework in the paper, named Multi-scale Temporalization, for estimating popularity based on multi-scale decomposition and structural reconstruction in a tensor space of user, post, and time by joint low-rank constraints. By considering the noise caused by context inconsistency, we design a data rearrangement step based on context aggregation as preprocessing to enhance contextual relevance of neighboring data in the tensor space. As a result, our approach can leverage multiple levels of temporal characteristics and reduce the noise of data decomposition to improve modeling effectiveness. We evaluate our approach on two large-scale Flickr image datasets with over 1.8 million photos in total, for the task of popularity prediction. The results show that our approach significantly outperforms state-of-the-art popularity prediction techniques, with a relative improvement of 10.9%-47.5% in terms of prediction accuracy.

研究の動機と目的

• SNSコンテンツにおける複数スケールの時間的ダイナミクスを無視する既存のインパクト予測モデルの限界を是正すること。
• 現実のユーザー行動やコンテンツトレンドを反映する、1日単位、週単位、季節単位といった多様な時間スケールにおけるSNSインパクトの変化をモデル化すること。
• 文脈の不一致に起因するインパクトデータのノイズを低減するため、文脈に配慮したデータ再配置前処理ステップを導入すること。
• ユーザー、投稿、時間の各次元における低ランク制約を統合的に活用することで、構造的なテンソル分解フレームワーク内で予測精度を向上させること。
• 実世界の大規模SNSデータセットを用いた、マルチスケール時間モデリングの有効性を検証すること。

提案手法

• 1日、週、季節の3つの時間スケールにわたって、インパクトテンソルを分解するマルチスケール・タイム化フレームワークを提案する。
• 文脈の統合に基づくデータ再配置ステップを適用し、文脈の関連性を高め、不一致したデータ文脈に起因するノイズを低減する。
• ユーザー、投稿、時間の3次元にわたるテンソル空間を構築し、時間的ダイナミクスをマルチスケール分解によってモデル化する。
• グローバルおよびローカルなインパクトパターンを時間スケール全体にわたって保持するため、統合的低ランク制約を用いて構造的再構築を実行する。
• 解釈可能性と大規模データセットにおけるスケーラビリティを維持しながら、インパクトの変化推移を推定するため、テンソル分解技術を活用する。
• 統合最適化フレームワークを用いて、時間的および文脈的情報を統合し、複数スケールの時間信号のバランスを取る。

実験結果

リサーチクエスチョン

• RQ1 1日、週、季節といった異なる時間スケールは、SNSコンテンツのインパクト予測にどのように寄与するか？
• RQ2 SNSデータにおける文脈の不一致は、インパクト予測モデルの性能をどの程度劣化させるか？
• RQ3 単一スケールまたは全体テンソルモデリング手法と比較して、マルチスケール時間分解は予測精度を向上させられるか？
• RQ4 1日、週、季節のうち、どの時間スケールがSNSの正確なインパクト予測において最も重要か？
• RQ5 提案されたデータ再配置ステップは、インパクトモデリングにおけるテンソル分解の有効性をどのように向上させるか？

主な発見

• 提案されたマルチスケール・タイム化（MT）フレームワークは、2つの大規模なFlickrデータセットにおいて、最先端手法に比べて予測精度を10.9%～47.5%まで向上させた。
• 季節単位の時間スケールが最も顕著に予測性能に寄与しており、その除去により順位相関が最も低くなる（0.1759）ことが判明した。
• 月単位のタイム化（MST）は1日単位のタイム化（DST）を上回り、GTフレームワークにおいてMSTからDSTに切り替えると、性能が1.3%～8.5%低下した。
• 「素晴らしい日差し」や「洗練されたファッション」などのタグが付いた写真のような時間に敏感なコンテンツに対して、モデルは優れた性能を示し、予測相関係数が0.6を超えた。
• 「空っぽの空間」や「ふわふわの雲」のような一般的または抽象的なカテゴリでは、性能が著しく低下しており、明確な時間的意味を持たないコンテンツのモデリングに限界があることが示された。
• すべての1変数除外実験において、全時間スケールを用いた場合より性能が低かったことから、各時間スケールがモデルの有効性に独自かつ包括的に寄与していることが確認された。