[論文レビュー] Topic Modelling and Event Identification from Twitter Textual Data

Marina Sokolova, Kanyi Huang+7 more|arXiv (Cornell University)|Aug 8, 2016

Advanced Text Analysis Techniques参考文献 2被引用数 13

ひとこと要約

本論文は、ケニアにおける主な社会的出来事に関連するTwitterデータから議論のトピックを抽出・要約するため、主題モデル化手法として代表的な潜在ディリクレ配分（LDA）を用いたアプローチを提案する。NMIおよびトピック整合性を用いたモデル評価を通じて、LDAが一貫性があり解釈可能なトピックを効果的に特定できることを示しており、大規模かつ動的なソーシャルメディアコンテンツの手動分析を効率的に行えることを明らかにした。

ABSTRACT

The tremendous growth of social media content on the Internet has inspired the development of the text analytics to understand and solve real-life problems. Leveraging statistical topic modelling helps researchers and practitioners in better comprehension of textual content as well as provides useful information for further analysis. Statistical topic modelling becomes especially important when we work with large volumes of dynamic text, e.g., Facebook or Twitter datasets. In this study, we summarize the message content of four data sets of Twitter messages relating to challenging social events in Kenya. We use Latent Dirichlet Allocation (LDA) topic modelling to analyze the content. Our study uses two evaluation measures, Normalized Mutual Information (NMI) and topic coherence analysis, to select the best LDA models. The obtained LDA results show that the tool can be effectively used to extract discussion topics and summarize them for further manual analysis

研究の動機と目的

• ケニアにおける重要な社会的出来事に関連する大規模かつ動的なTwitterテキストを分析すること。
• 統計的主題モデル化を用いて、非構造化ソーシャルメディアコンテンツから意味的で解釈可能なトピックを抽出すること。
• NMIおよびトピック整合性指標を用いて最適なLDAモデルを評価・選定すること。
• 複雑なTwitterデータセットを一貫性のあるテーマ的クラスタに要約することで、手動分析を支援すること。

提案手法

• ケニアにおける主な社会的出来事の4つのTwitterデータセットに、潜在ディリクレ配分（LDA）を適用する。
• 正規化相互情報量（NMI）を用いて、真のトピックラベルとの整合性を評価し、モデル性能を測定する。
• トピック整合性分析を用いて、抽出されたトピックの解釈可能性および品質を評価する。
• NMIおよび整合性スコアの両方を組み合わせた基準に基づき、最良の性能を示すLDAモデルを選定する。
• トークン化、ストップワード除去、レムマティゼーションを含む標準的な前処理手順を、生のTwitterテキストに適用する。
• トピックの解釈可能性および安定性の定性的・定量的評価を通じて、モデルの有効性を検証する。

実験結果

リサーチクエスチョン

• RQ1 LDAは、現実の社会的出来事に関連する大規模かつ動的なTwitterデータセットにおいて、議論のトピックを効果的に特定・要約できるか？
• RQ2 NMIとトピック整合性指標は、ソーシャルメディアテキストの最適LDAモデル選定において、どのように比較されるか？
• RQ3 抽出されたトピックは、ケニアの出来事に関連する意味的で解釈可能なテーマをどの程度反映しているか？
• RQ4 LDAモデルの出力は、複雑なソーシャルメディアデータの手動分析を支援するために利用可能か？

主な発見

• LDAモデルは、ケニアの社会的出来事に関連するTwitterデータから、一貫性があり解釈可能なトピックを効果的に抽出できた。
• NMIとトピック整合性の両方を用いたモデル選定により、より信頼性が高く意味のあるトピック出力を得られた。
• 最も優れた性能を示したLDAモデルは、高いNMIおよび整合性スコアを達成しており、真のトピックと強い整合性を示した。
• トピック要約により、大規模なTwitterテキストをテーマ的クラスタに要約し、効果的な手動分析が可能になった。
• 本アプローチは、リアルタイムで発生する出来事に伴うソーシャルメディアコンテンツの分析において、スケーラビリティと実用性を示した。