[논문 리뷰] Exploratory Analysis of Covid-19 Tweets using Topic Modeling, UMAP, and DiGraphs

Catherine Ordun, Sanjay Purushotham외 1명|arXiv (Cornell University)|2020. 05. 06.

Misinformation and Its Impacts인용 수 62

한 줄 요약

이 연구는 대형 Covid-19 트위터 말뭉치에 LDA 토픽 모델링, UMAP 시각화, 및 DiGraph 기반 리트윗 네트워크를 적용하여 뚜렷한 토픽 클러스터, 빠른 정보 확산 패턴, 그리고 트윗 활동에 대한 정부 발표의 영향을 밝힙니다.

ABSTRACT

This paper illustrates five different techniques to assess the distinctiveness of topics, key terms and features, speed of information dissemination, and network behaviors for Covid19 tweets. First, we use pattern matching and second, topic modeling through Latent Dirichlet Allocation (LDA) to generate twenty different topics that discuss case spread, healthcare workers, and personal protective equipment (PPE). One topic specific to U.S. cases would start to uptick immediately after live White House Coronavirus Task Force briefings, implying that many Twitter users are paying attention to government announcements. We contribute machine learning methods not previously reported in the Covid19 Twitter literature. This includes our third method, Uniform Manifold Approximation and Projection (UMAP), that identifies unique clustering-behavior of distinct topics to improve our understanding of important themes in the corpus and help assess the quality of generated topics. Fourth, we calculated retweeting times to understand how fast information about Covid19 propagates on Twitter. Our analysis indicates that the median retweeting time of Covid19 for a sample corpus in March 2020 was 2.87 hours, approximately 50 minutes faster than repostings from Chinese social media about H7N9 in March 2013. Lastly, we sought to understand retweet cascades, by visualizing the connections of users over time from fast to slow retweeting. As the time to retweet increases, the density of connections also increase where in our sample, we found distinct users dominating the attention of Covid19 retweeters. One of the simplest highlights of this analysis is that early-stage descriptive methods like regular expressions can successfully identify high-level themes which were consistently verified as important through every subsequent analysis.

연구 동기 및 목표

• 코로나19 트윗 및 공공 담론의 고수준 트렌드를 조사합니다.
• 코로나19에 대한 트위터 활동의 급증을 유발하는 이벤트를 식별합니다.
• 말뭉치 내에서 서로 다른 주제가 어떻게 구분되는지 확인합니다.
• 이전 발병 사례에 비해 리트윗을 통한 정보 확산 속도를 평가합니다.
• 시간이 지남에 따라 코로나19 리트윗 카스케이드의 네트워크 다이내믹스를 분석합니다.

제안 방법

• 2020년 3월 24일부터 4월 9일까지 Streaming API를 사용하여 대형 Covid-19 트위터 데이터셋을 수집합니다 (23,830,322건의 트윗).
• 텍스트를 전처리하여 리트윗 제거, 텍스트 정규화, 추세 분석을 위한 13개 키워드 용어 추출.
• TF-IDF 벡터화(max_features=10000)와 LDA(20주제, 일관성 0.344)를 적용해 해석용 주제를 생성합니다.
• TF-IDF 특성과 주제 라벨을 2D 시각화로 투영하기 위해 UMAP를 사용하여 토픽 클러스터링 및 품질을 평가합니다.
• 리트윗 메타데이터에서 확산 속도를 측정하기 위한 타임-투-리트윗 지표를 계산합니다(중간값 2.87시간; 평균 12.3시간).
• 확산 구조를 연구하기 위한 9개 시점의 방향 그래프로 리트윗 네트워크를 구성하고 분석합니다.

실험 결과

연구 질문

• RQ1 코로나19 트윗에서 어떤 고수준 트렌드를 추론할 수 있는가?
• RQ2 코로나19 트위터 활동에 급증을 이끄는 이벤트가 있는가?
• RQ3 어떤 주제들이 서로 구분되는가?
• RQ4 코로나19의 리트윗 속도는 다른 비상 상황 및 발병 사례와 비교해 어떤가?
• RQ5 정보가 확산될 때 코로나19 네트워크는 어떻게 동작하는가?

주요 결과

• 코히런스 0.344의 20주제 LDA 모델은 PPE, 의료인, 사례/사망 언급 등과 같은 주제를 식별하며, 다수의 비영어권 주제(스페인어, 포르투갈어, 이탈리아어, 프랑스어)도 포함합니다.
• TF-IDF+LDA 주제의 UMAP 시각화는 뚜렷한 주제 클러스터와 독특한 트윗 콘텐츠를 나타내는 “100: N/A” 주제 분리를 보여줍니다.
• Live White House Coronavirus Task Force 브리핑은 정부 발표에 해당하는 주제(주제 18: potus)의 증가를 트리거합니다.
• 2020년 3월 코로나19 메시지의 중간 리트윗 시간은 2.87시간(평균 12.3시간)으로, 2013년 3월 Sina Weibo의 H7N9 재게시보다 약 50분 빠릅니다.
• 리트윗 카스케이드 분석은 리트윗 속도가 빨라질수록 네트워크 밀도가 증가하는 것을 보여주며, 9개의 시점 그래프는 빠른 확산에서 느린 확산으로의 흐름과 지배적인 사용자를 보여줍니다.
• 빠르게 리트윗하는 계정은 흔히 URL을 포함하는 콘텐츠를 공유하며(TF-IDF 특성에는 URL 관련 용어가 많음), 사용자 설명은 정치적이거나 뉴스 중심의 계정일 가능성이 있습니다.