[논문 리뷰] Ideology Detection for Twitter Users with Heterogeneous Types of Links

Yupeng Gu, Ting Chen외 2명|arXiv (Cornell University)|2016. 12. 24.

Misinformation and Its Impacts참고 문헌 26인용 수 9

한 줄 요약

이 논문은 이질적인 링크 유형—팔로우, 언급, 재게시—을 통합하여 트위터 사용자의 연속적인 이념적 위치를 탐지하는 통합된 확률 모델인 ML-IPM을 제안한다. 이 모델은 각 링크 유형의 상대적 중요성을 자동으로 학습한다. 모델은 기준선 대비 이념 순위 매기기 및 분류에서 뛰어난 성능을 보이며, 특히 연결이 적은 사용자에게서 두드러진다. 또한 인간의 직관과 잘 부합된다.

ABSTRACT

The problem of ideology detection is to study the latent (political) placement for people, which is traditionally studied on politicians according to their voting behaviors. Recently, more and more studies begin to address the ideology detection problem for ordinary users based on their online behaviors that can be captured by social media, e.g., Twitter. As far as we are concerned, however, the vast majority of the existing methods on ideology detection on social media have oversimplified the problem as a binary classification problem (i.e., liberal vs. conservative). Moreover, though social links can play a critical role in deciding one's ideology, most of the existing work ignores the heterogeneous types of links in social media. In this paper we propose to detect \emph{numerical} ideology positions for Twitter users, according to their \emph{follow}, \emph{mention}, and \emph{retweet} links to a selected set of politicians. A unified probabilistic model is proposed that can (1) explain the reasons why links are built among people in terms of their ideology, (2) integrate heterogeneous types of links together in determining people's ideology, and (3) automatically learn the quality of each type of links in deciding one's ideology. Experiments have demonstrated the advantages of our model in terms of both ranking and political leaning classification accuracy. It is shown that (1) using multiple types of links is better than using any single type of links alone to determine one's ideology, and (2) our model is even more superior than baselines when dealing with people that are sparsely linked in one type of links. We also show that the detected ideology for Twitter users aligns with our intuition quite well.

연구 동기 및 목표

• 기존의 이념 탐지 방법이 정치적 정렬을 이元적 분류(진보 대 보수)로 단순화하는 데서 비롯하는 한계를 해결하기 위해.
• 팔로우, 언급, 재게시와 같은 소셜 미디어 링크의 이질적 성격을 처리하기 위해, 이를 동일하게 취급하거나 유형 차이를 간과하는 것과는 다릅니다.
• 이데올로기 예측에 있어 각 링크 유형의 상대적 강도를 수동 또는 히ュ리스틱 가중치 없이 자동으로 학습하기 위해.
• 특히 한 링크 유형에서 연결이 적은 사용자에게서도 이데올로기 추정 정확도를 향상시키기 위해.
• 이념의 전체 스펙트럼을 반영하는 이원적 카테고리가 아닌 연속적인 실수 값의 이상점 추정을 제공하기 위해.

제안 방법

• 모델은 사회적 선택 이론을 활용하여 이데올로기 유사성에 기반한 링크 형성 원리를 설명하며, 링크의 존재 확률을 사용자들의 이상점에 대한 함수로 모델링한다.
• 각 링크 유형이 이데올로기 추론에 미치는 영향의 상대적 강도(가중치)를 함께 추정하는 통합된 확률 프레임워크를 도입한다.
• 관측된 네트워크 데이터의 가능도를 최적화하는 스케일러블한 기대값 최대화(EM) 기반 알고리즘을 통해 링크 유형 가중치를 학습한다.
• 팔로우, 언급, 재게시와 같은 다수의 링크 유형을 단일 확률 그래프에 통합하여, 서로 다른 링크 유형 간의 정보 공유를 가능하게 한다.
• 네트워크의 희박성 문제를 고려하여 링크 유형 간 지식 전이를 통해, 특정 유형에서 연결이 제한된 사용자에 대한 성능을 향상시킨다.
• 사용자 이데올로기의 잠재 변수 표현을 사용하여, 일차원 공간 내에서 연속적인 이상점을 추정한다.

실험 결과

연구 질문

• RQ1 팔로우, 언급, 재게시와 같은 다수의 이질적 링크 유형을 통합하는 통합 모델이 단일 유형의 링크 분석을 초월하여 이데올로기 탐지 성능을 향상시킬 수 있는가?
• RQ2 모델이 링크 유형 가중치를 자동으로 학습하는 능력이, 고정되거나 수작업으로 조정된 가중치 대비 이데올로기 추정에서 어떻게 비교되는가?
• RQ3 특정 링크 유형에서 연결이 희박한 사용자에 대해서도 모델이 성능을 유지하거나 향상시키는가?
• RQ4 탐지된 이데올로지가 인간의 직관과 유명 인물의 알려진 정치적 위치와 얼마나 잘 부합하는가?
• RQ5 모델이 이진 분류 또는 단일 링크 유형 기반 접근 방식보다 순위 매기기 및 분류 작업 모두에서 승리할 수 있는가?

주요 결과

• 다양한 이질적 링크 유형을 사용할 경우, 단일 링크 유형만 사용하는 것보다 이데올로기 탐지 성능이 크게 향상된다.
• 제안된 ML-IPM 모델은 모든 기준선 방법보다 정치 성향 분류 정확도가 높으며, 특히 연결이 적은 사용자에서 두드러진다.
• 모델은 링크 유형 간 정보 전이를 통해 희박하게 연결된 사용자에서 뛰어난 성능을 보이며, 냉시작 문제를 완화한다.
• 자동으로 학습된 링크 유형 가중치는 현실 세계의 직관을 반영한다—예를 들어, 재게시가 이데올로기 추론에 팔로우보다 더 유용하다.
• 사례 연구 결과, 레이철 매도우가 앤더슨 쿠퍼보다 더 진보적이라는 것과 같이, 알려진 정치적 위치와 탐지된 이상점이 잘 부합된다.
• 모델은 팔로우 패턴은 유사하지만 이데올로기 프로파일이 다름을 보이는 사용자들—예를 들어 글렌 그린월드와 메기언 켈리—를 재게시 행동에 기반해 정확히 구분할 수 있다.