[논문 리뷰] A Heterogeneous Graphical Model to Understand User-Level Sentiments in Social Media

Rahul Radhakrishnan Iyer, Jing Chen외 2명|arXiv (Cornell University)|2019. 12. 17.

Sentiment Analysis and Opinion Mining참고 문헌 21인용 수 8

한 줄 요약

이 논문은 사용자 간 상호작용 링크(예: 팔로우, 좋아요, 댓글)와 사용자 영향력 점수를 활용하여 소셜 미디어에서 사용자 수준의 감성 분석을 수행하는 준지도 학습형 이종 그래프 모델을 제안한다. 서로 다른 유형의 링크를 초월한 다중 이종 그래프를 수립하고, 링크 유형에 따라 고유한 가중치를 할당함으로써 기존의 기준 모델 대비 감성 전파 정확도를 향상시킨다. 이는 광범위한 인간 주석이 필요 없이도 사용자 수준의 감성 분류에서 높은 F1 점수와 정확도를 달성한다.

ABSTRACT

Social Media has seen a tremendous growth in the last decade and is continuing to grow at a rapid pace. With such adoption, it is increasingly becoming a rich source of data for opinion mining and sentiment analysis. The detection and analysis of sentiment in social media is thus a valuable topic and attracts a lot of research efforts. Most of the earlier efforts focus on supervised learning approaches to solve this problem, which require expensive human annotations and therefore limits their practical use. In our work, we propose a semi-supervised approach to predict user-level sentiments for specific topics. We define and utilize a heterogeneous graph built from the social networks of the users with the knowledge that connected users in social networks typically share similar sentiments. Compared with the previous works, we have several novelties: (1) we incorporate the influences/authoritativeness of the users into the model, 2) we include comment-based and like-based user-user links to the graph, 3) we superimpose multiple heterogeneous graphs into one thereby allowing multiple types of links to exist between two users.

연구 동기 및 목표

• 비용이 많이 들기 때문에 인간 주석에 크게 의존하는 감성 분석의 한계를 해결하기 위해.
• 다양한 소셜 네트워크 링크 유형(팔로우, 좋아요, 댓글 등)을 통합한 단일 그래프 모델에 통합함으로써 사용자 수준의 감성 예측을 향상시키기 위해.
• 감성 전파에 영향을 주는 요소로 사용자 영향력과 권위성을 모델링하기 위해.
• 최소한의 인간 간섭으로도 동적 소셜 미디어 데이터에서 확장 가능하고 실시간 감성 분석을 가능하게 하기 위해.
• 정확도와 매크로 F1 지표를 사용하여 텍스트 기반 기준 모델과의 성능 평가를 수행하기 위해.

제안 방법

• 소셜 미디어 데이터에서 이종 그래프를 구성하여 상호작용 링크 유형(예: 상호 팔로우, 좋아요, 댓글)을 하나의 겹쳐진 그래프 구조로 통합한다.
• 다른 링크 유형에 대해 고유한 가중치를 할당함으로써 감성 전파에 미치는 영향을 반영한다(예: 좋아요 기반 링크는 상호 팔로우보다 감성 관련성 가중치가 높다).
• 사용자 영향력 점수를 노드 수준의 특징으로 통합하여 권위 있는 사용자의 감성 확산에 미치는 영향을 모델링한다.
• 성능 향상(정확도 및 F1)과 로그우도비를 조합한 맞춤형 손실 함수를 사용한 수정된 SampleRank 알고리즘을 활용하여 레이블 전파를 최적화한다.
• 루프가 있는 신뢰도 전파와 배치 예측 기법을 적용하여 추론을 수행하며, 레이블 업데이트를 성능 및 우도 기준에 따라 이끌어낸다.
• 소수의 루트 사용자만 레이블이 부여된 준지도 학습 프레임워크를 활용하여, 이종 그래프 구조를 기반으로 네트워크 전반에 걸쳐 감성 예측을 전파한다.

실험 결과

연구 질문

• RQ1 다양한 유형의 사용자 간 링크(예: 좋아요, 댓글, 팔로우)를 통합함으로써 소셜 미디어에서 사용자 수준의 감성 예측 정확도를 향상시킬 수 있는가?
• RQ2 권위성 또는 영향력을 모델링함으로써 그래프 모델 내 감성 전파에 어떤 영향을 미치는가?
• RQ3 여러 이종 그래프를 하나의 통합된 그래프로 초월시킬 경우, 고립된 링크 유형을 사용하는 것보다 더 나은 감성 예측 성능을 얻을 수 있는가?
• RQ4 제안된 준지도 학습 접근 방식은 텍스트 기반 기준 모델(SVM과 다수결 투표 또는 배치 예측)과 비교해 정확도와 F1 점수 측면에서 어떻게 성능을 내는가?
• RQ5 모델은 광범위한 재학습이나 새로운 주석 없이도 드물거나 새로운 주제에 대해 얼마나 잘 일반화되는가?

주요 결과

• 제안된 모델은 텍스트 기반 SVM 기준 모델 대비 더 높은 정확도와 매크로 F1 점수를 달성하여 감성 전파에서 다중 링크 통합의 효과를 입증한다.
• 사용자 영향력 점수를 통합함으로써 권위 있는 사용자로부터의 감성 전파 능력이 향상되어 전체 예측 품질이 향상된다.
• 가중치가 할당된 다중 이종 그래프를 초월한 통합 그래프 구조는 상호 팔로우와 같은 단일 링크 유형만을 사용하는 모델보다 더 뛰어난 성능을 보이며, 더 풍부한 관계 신호를 제공한다.
• SampleRank 알고리즘이 성능 향상과 우도 개선을 효과적으로 균형 잡아 레이블 전파 과정에서 안정적인 수렴을 가능하게 한다.
• 네트워크 구조와 메타데이터를 활용함으로써 수동 주석 의존도를 줄여 실시간 감성 분석에 확장 가능한 모델이 되었다.
• 실험 결과, 좋아요 기반 및 댓글 기반 링크가 팔로우 기반 링크보다 감성 관련성이 높다는 것이 확인되어, 모델 내에서 이들의 고유한 가중치 할당이 타당하다고 입증되었다.