[논문 리뷰] Inferring gender of a Twitter user using celebrities it follows

Puneet Singh Ludu|arXiv (Cornell University)|2014. 05. 26.

Authorship Attribution and Profiling참고 문헌 10인용 수 14

한 줄 요약

이 논문은 사용자 트윗의 언어적 특징(리커핑 워드 리스트, LIWC를 사용)과 유명인 팔로우 패턴—특히 팔로우한 유명인의 성별, 연령, 직업—을 조합하여 트위터 사용자에 대한 성별 분류 모델을 제안한다. 언어적 특징과 유명인 주변 환경 특징을 융합한 결과, 정확도가 85.67%에 도달하여 사회적 네트워크 맥락이 트위터에서 성별 추론에 있어 상당한 기여를 한다는 것을 보여준다.

ABSTRACT

This paper addresses the task of user gender classification in social media, with an application to Twitter. The approach automatically predicts gender by leveraging observable information such as the tweet behavior, linguistic content of the user's Twitter feed and the celebrities followed by the user. This paper first evaluates linguistic content based features using LIWC dictionary and popular neighborhood features using Wikipedia and Freebase. Then augments both features which yielded a significant increase in the accuracy for gender prediction. Results show that rich linguistic features combined with popular neighborhood prove valuables and promising for additional user classification needs.

연구 동기 및 목표

• 관찰 가능하고 침해적이지 않은 특징을 사용하여 트위터 사용자 성별 분류 정확도를 향상시키는 것.
• 사용자가 팔로우하는 유명인의 성별, 연령, 전문 분야가 사용자의 성별을 효과적으로 예측할 수 있는지 조사하는 것.
• LIWC를 통한 언어적 특징과 사회적 주변 환경 특징(유명인 프로필)이 개별적으로나 조합하여 사용될 때 기여도를 평가하는 것.
• 사회 미디어 프로파일링에서 사용자 레이블링 또는 자가 보고된 속성의 대안으로서 유명인 기반 특징이 얼마나 확장 가능할 수 있는지 탐색하는 것.

제안 방법

• 각 사용자의 최근 1000개 트윗에서 언어적 특징을 추출하기 위해 LIWC 사전을 활용하여, 성별 언어 사용과 관련된 단어 카테고리에 중점을 두었다.
• 미국 사회보장청의 2011년 상위 100개 이름을 기반으로 한 이름을 사용하여, 성별이 확인된 265명의 트위터 사용자 데이터셋을 수집하고 처리하였다.
• 팔로워 수 10,000명 이상 또는 인증된 계정으로 간주하여 유명인을 식별하였으며, 이 265명의 사용자가 팔로우한 유명인 계정은 총 5,546개였다.
• 위키백과와 프리베이스에서 유명인 특징을 추출하였으며, 성별(주로 대명사 빈도를 통해), 연령, '유명한 분야' 카테고리(예: 음악, 정치, 스포츠)를 포함하였다.
• 트윗 텍스트를 정제하기 위해 메타포네와 텍스트브류 문자 편집 거리의 하이브리드 방법에 더하여, 자체 제작한 트위터 슬랭 사전을 활용하여 철자 수정을 수행하였다.
• 10겹 교차검증을 적용한 SVM 분류기로 학습하였으며, 구성별 성능을 평가: 언어적 특징 전용, 주변 환경 특징 전용, 언어적 및 주변 환경 특징 융합.

실험 결과

연구 질문

• RQ1 사용자 트윗에서 유도된 언어적 특징이 트위터에서 성별 분류 정확도를 향상시킬 수 있는가?
• RQ2 사용자가 팔로우하는 유명인의 성별, 연령, 전문 분야가 사용자의 성별을 어느 정도 예측할 수 있는가?
• RQ3 언어적 특징과 유명인 주변 환경 특징을 융합하면, 각각의 특징을 별도로 사용할 때보다 더 높은 성능을 낼 수 있는가?
• RQ4 다양한 유형의 유명인 특징(예: 성별 대비 직업)이 성별 예측에 어떤 기여를 하는가?

주요 결과

• LIWC를 통한 언어적 특징과 트윗 행동 특징의 융합으로 성별 분류 정확도가 82.26%까지 향상되었다.
• 팔로우한 유명인의 성별만으로도 71.57%의 정확도를 달성하여 성별 추론에 강력한 신호를 제공하는 것으로 나타났다.
• 유명인이 유명한 분야(예: 음악, 정치, 스포츠)는 67.23%의 정확도 기여를 하여 관심 기반 패턴이 유용한 정보임을 시사했다.
• 유명인의 연령은 가장 낮은 정확도인 56.05%를 기록하여 성별 분류에 대해 제한된 예측 능력을 지닌 것으로 나타났다.
• 모든 특징을 융합한 결과가 가장 뛰어난 성능을 보였으며, 정확도는 85.67%에 도달했고, 정밀도와 재현율은 각각 84.56%와 86.82%로 균형 잡힌 성능을 보였다.
• 결과적으로 사회적 주변 환경 특징—특히 유명인의 성별—이 사용자 속성 추론에 매우 유용하며, 아직 충분히 활용되지 않은 잠재력 있는 요소임을 시사한다.