[論文レビュー] Who Will Share My Image? Predicting the Content Diffusion Path in Online Social Networks

Wenjian Hu, Krishna Kumar Singh+4 more|arXiv (Cornell University)|May 25, 2017

Complex Network Analysis Techniques参考文献 39被引用数 6

ひとこと要約

本稿では、画像の内容と進化するソーシャルコンテキストを統合的にモデリングすることで、オンラインソーシャルネットワークにおける画像の全伝播経路を予測するメモリ拡張型再帰ニューラルネットワーク、Diffusion-LSTMを提案する。履歴としての共有者のソーシャル特徴の記録と、一般化のためのユーザープロトタイプの使用により、Pinterestデータ上での実際の伝播経路と密接に一致する現実的な拡散木を生成するモデルは、ベースラインを上回る性能を示した。

ABSTRACT

Content popularity prediction has been extensively studied due to its importance and interest for both users and hosts of social media sites like Facebook, Instagram, Twitter, and Pinterest. However, existing work mainly focuses on modeling popularity using a single metric such as the total number of likes or shares. In this work, we propose Diffusion-LSTM, a memory-based deep recurrent network that learns to recursively predict the entire diffusion path of an image through a social network. By combining user social features and image features, and encoding the diffusion path taken thus far with an explicit memory cell, our model predicts the diffusion path of an image more accurately compared to alternate baselines that either encode only image or social features, or lack memory. By mapping individual users to user prototypes, our model can generalize to new users not seen during training. Finally, we demonstrate our model's capability of generating diffusion trees, and show that the generated trees closely resemble ground-truth trees.

研究の動機と目的

• 画像がソーシャルネットワークを通過する際の完全な拡散経路をモデリングすること、すなわち単に全拡散数の予測にとどまらないこと。
• 画像が拡散するかどうかを予測するのではなく、誰がいつ、どのような順序で共有するかを予測する課題に取り組むこと。
• 画像コンテンツと進化するソーシャルコンテキスト（＝過去の共有者の履歴）を統合的な予測フレームワークに組み込むこと。
• トレーニング時に見られなかった新しいユーザーデータに対しても、ソーシャル特徴に基づくプロトタイプへのマッピングによって一般化を可能にすること。
• 実際のソーシャルメディアで観察される伝播パターンに類似した構造的拡散木を生成すること。

提案手法

• Diffusion-LSTMは、画像を共有したユーザーデータの逐次的履歴を符号化するための明示的なメモリセルを備えた長短期記憶（LSTM）アーキテクチャを採用している。
• 画像特徴は事前学習済みのVGG-16ネットワークを用いて抽出され、ユーザーユーザーのソーシャル特徴は38次元のPinterestカテゴリヒストグラムとして表現される。
• モデルは、各ステップで画像特徴、現在のユーザーユーザーのソーシャル特徴、および直前のステップの隠れ状態を統合することで、次に共有するユーザーユーザーを再帰的に予測する。
• ユーザープロトタイプは、ユーザーユーザーのソーシャル特徴分布に基づいてクラスタリングすることで作成され、推論時における未学習ユーザーユーザーへの一般化を可能にする。
• 木の生成は、101クラス（100のプロトタイプ＋終端クラス）を再帰的に予測することで行われ、終端ノードの確率が0.5の閾値に達した段階で停止条件が設定される。
• 評価では、過度に成長するのを避けるために、深さ≤10、サイズ≤150、幅≤100の切り詰められた木に対して、深さ別平均絶対誤差（MAE）を用いる。

実験結果

リサーチクエスチョン

• RQ1 画像共有者の履歴を追跡する深層再帰モデルは、履歴を無視するモデルに比べて、画像を共有するユーザーユーザーの完全なシーケンスをより正確に予測できるか？
• RQ2 画像コンテンツと進化するソーシャルコンテキストを統合することで、単一モダリティのみを用いるモデルに比べて、拡散経路予測の正確性がどの程度向上するか？
• RQ3 ユーザープロトタイプは、トレーニングデータに存在しない新しいユーザーユーザーに対して、どの程度一般化を可能にするか？
• RQ4 モデルは、実際のソーシャルメディアで観察される伝播パターンに類似した構造的拡散木をどの程度うまく生成できるか？
• RQ5 画像コンテンツとソーシャル特徴のどちらが、拡散チェーンにおける次の共有者を決定する上で相対的に寄与しているか？

主な発見

• メモリを欠如しているか、画像またはソーシャル特徴のみを用いるベースラインと比較して、Diffusion-LSTMは顕著に優れた性能を示し、逐次的履歴モデリングの重要性を裏付けた。
• モデルが生成する拡散木は、完全に結合された（FC）ベースラインと比較して、実際の木に著しく近いものであり、全深さにわたり深さ別MAEが改善された。
• 特定のユーザーユーザーを誤って予測しても、モデルの予測結果はしばしば実際のユーザーユーザーと同様のPinterestカテゴリに属しており、ソーシャル特徴の整合性に高い耐性を示している。
• モデルは長距離依存関係を正しく捉えており、初期共有者と同じプロトタイプグループに属するユーザーユーザーを予測するなど、効果的なメモリ利用を示している。
• 同じプロトタイプユーザーユーザーが異なる画像を投稿する場合、生成される拡散木はそれに応じて適応する——例えば、ガーデニング関連の画像ではガーデニングカテゴリのユーザーユーザーがより多く予測される——これにより画像コンテンツの役割が裏付けられた。
• プロトタイプマッピングにより、未学習のユーザーユーザーに対してもモデルは良好に一般化できており、トレーニング時と推論時における新規ユーザーユーザーのアイデンティティに対して一貫した性能を示した。