[논문 리뷰] Classifying Conversation in Digital Communication.

Andrew Mellor|arXiv (Cornell University)|2018. 01. 31.

Complex Network Analysis Techniques참고 문헌 33인용 수 4

한 줄 요약

이 논문은 메시지 내용에 관계없이 디지털 상호작용의 시간적 네트워크 구조를 시간적 모티프와 메시지 간 간격을 사용하여 모델링하여 온라인 대화를 분류하는 내용 무관(content-agnostic) 방법을 제안한다. 집계 없이 전체 시간적 네트워크를 임bedding하여 다양한 시간스케일에서 개인 및 집단적 대화 역학을 포착함으로써, 의미적 내용에 의존하지 않고도 상호작용 패tern에 기반한 분류가 가능해진다.

ABSTRACT

Many studies of digital communication, in particular of Twitter, use natural language processing (NLP) to find topics, assess sentiment, and describe user behaviour. In finding topics often the relationships between users who participate in the topic are neglected. We propose a novel method of describing and classifying online conversations using only the structure of the underlying temporal network and not the content of individual messages. This method utilises all available information in the temporal network (no aggregation), combining both topological and temporal structure using temporal motifs and inter-event times. This allows us create an embedding of the temporal network in order to describe the behaviour of individuals and collectives over time and examine the structure of conversation over multiple timescales.

연구 동기 및 목표

• 디지털 대화에서 사용자 상호작용 구조를 간과하는 기존 NLP 방법의 격차를 보완하기 위해.
• 메시지 내용이 아닌 상호작용의 시간적 및 위상적 구조에만 기반하여 온라인 대화를 분류하는 방법을 개발하기 위해.
• 집계 없이 전체 시간적 네트워크 역학을 모델링하여 다양한 시간스케일에서 세밀한 상호작용 패턴을 유지하기 위해.
• 개인 및 집단적 역학을 시간에 따라 반영하는 대화 행동의 임베딩을 생성하기 위해.

제안 방법

• 메서드는 디지털 커뮤니케이션 데이터에서 시간이 부여된 간선을 갖는 노드로 사용자를 표현하는 시간적 네트워크를 구축한다.
• 시간적 모티프를 사용하여 상호작용 순서의 반복 패턴을 식별하며, 이는 메시지 간의 특정 간격 순서를 포착한다.
• 연속적인 메시지 간 간격을 사용하여 대화의 시간 및 리듬을 특성화한다.
• 위상적 및 시간적 특징을 융합하여 대화 구조의 종합적 표현을 형성한다.
• 전체 시간적 네트워크에 노드 임베딩 기법을 적용하여 사용자 및 그룹 행동의 저차원 표현을 생성한다.
• 이 임베딩은 의미적 내용과 무관하게 상호작용 패턴에 기반한 대화 분류에 사용된다.

실험 결과

연구 질문

• RQ1 메시지 내용에 의존하지 않고 온라인 대화를 어떻게 분류할 수 있는가?
• RQ2 시간적 상호작용 순서에서 어떤 구조적 패턴이 서로 다른 유형의 대화를 구분하는가?
• RQ3 상호작용 네트워크의 위상적 및 시간적 특징이 대화 역학을 구분하는 데 어떻게 기여하는가?
• RQ4 오직 시간적 네트워크 특징을 사용하여 다중 시간스케일에서 대화 구조를 효과적으로 포착하고 분류할 수 있는가?

주요 결과

• 메시지 내용에 접근하지 않고도 상호작용의 구조적 역학만을 사용하여 온라인 대화를 성공적으로 분류하였다.
• 시간적 모티프와 메시지 간 간격이 다양한 시간스케일에서 구분되는 대화 패턴을 효과적으로 포착하였다.
• 임베딩 접근법이 세밀한 상호작용 순서를 유지하여 개인 및 집단적 대화 행동의 정확한 표현이 가능해졌다.
• 내용 기반 분석만으로는 탐지할 수 없는 대화 역학의 구조적 차이가 모델에 의해 드러났다.