[논문 리뷰] Leveraging Social Foci for Information Seeking in Social Media

Suhas Ranganath, Jiliang Tang외 3명|arXiv (Cornell University)|2015. 02. 23.

Expert finding and Q&A systems참고 문헌 41인용 수 7

한 줄 요약

이 논문은 트위터와 같은 소셜 미디어 플랫폼에서 주관적이고 개인적인 질문에 적합한 답변자를 식별하기 위해 네트워크 및 콘텐츠 데이터에서 유도된 공통 관심사와 소속 관계(사회적 초점)를 활용하는 프레임워크를 제안한다. 네트워크 구조와 사용자 생성 콘텐츠를 통합함으로써, 다양한 질문 유형에서 베이스라인을 능가하는 성능을 달성하며, '제안' 유형에 대해 MAP@5가 4.68%를 기록하고, 네트워크 및 콘텐츠 정보 비율이 다양할 경우에도 높은 성능( MAP > 3%)을 유지한다.

ABSTRACT

The rise of social media provides a great opportunity for people to reach out to their social connections to satisfy their information needs. However, generic social media platforms are not explicitly designed to assist information seeking of users. In this paper, we propose a novel framework to identify the social connections of a user able to satisfy his information needs. The information need of a social media user is subjective and personal, and we investigate the utility of his social context to identify people able to satisfy it. We present questions users post on Twitter as instances of information seeking activities in social media. We infer soft community memberships of the asker and his social connections by integrating network and content information. Drawing concepts from the social foci theory, we identify answerers who share communities with the asker w.r.t. the question. Our experiments demonstrate that the framework is effective in identifying answerers to social media questions.

연구 동기 및 목표

• 주관적이고 개인적인 질문에 대해 전통적인 Q&A 플랫폼이 이러한 상호작용을 위해 설계되어 있지 않은 소셜 미디어에서 관련 답변자를 식별하는 과제를 해결하기 위해.
• 특히 공통 관심사와 소속 관계와 같은 사회적 맥락이 소셜 미디어 질문의 답변자 식별을 향상시키는 데 어떻게 활용될 수 있는지 조사하기 위해.
• 네트워크 및 콘텐츠 정보를 통합하여 질문자와 잠재적 답변자 간의 공통 초점을 추론하고 부드러운 커뮤니티 소속을 모델링하는 프레임워크를 개발하기 위해.
• 다양한 질문 유형과 네트워크 및 콘텐츠 데이터의 비율이 변할 때 프레임워크의 효과성을 평가하기 위해.
• 트위터와 같은 플랫폼에서 흔한 주관적 질문에 대해 사회적 초점 기반 방법이 답변자를 효과적으로 식별할 수 있음을 입증하기 위해.

제안 방법

• 사용자 게시물의 텍스트 콘텐츠와 사회적 네트워크 구조(소셜 그래프)를 결합하여 사용자에 대한 부드러운 커뮤니티 소속을 추론한다.
• 사회적 초점 이론을 적용하여 질문자와 그의 사회적 연결 간의 공통 관심사(예: 스포츠, 음악, 학문 등)를 모델링한다.
• 콘텐츠 신호와 네트워크 신호를 융합하기 위해 가중치 매개변수 α(콘텐츠 가중치)와 β(네트워크 가중치)를 사용하는 가중 융합 모델을 적용한다.
• 질문자와 공통 초점을 공유하는 잠재적 답변자를 랭킹하기 위해 검색 프레임워크를 활용하며, MRR 및 MAP@5와 같은 메트릭을 사용한다.
• 사용자 생성 질문을 정보 탐색 행동의 사례로 간주하고, 사회적으로 연결된 사용자가 답변을 제공하는 쿼리로 간주한다.
• 평가를 위해 인간 주관을 수행하여 질문을 '제안', '의견', '요청', '의문적' 등의 유형으로 분류한다.

실험 결과

연구 질문

• RQ1 소셜 미디어에서 주관적 질문에 대해 네트워크 및 콘텐츠 정보를 효과적으로 통합하여 답변자를 식별하는 방법은 무엇인가?
• RQ2 공통 사회적 초점(예: 관심사, 소속 관계)이 기존의 베이스라인 방법에 비해 관련 답변자를 식별하는 데 얼마나 기여하는가?
• RQ3 프레임워크는 '제안', '의견', '의문적 질문' 등의 소셜 미디어 질문 유형에서 어떻게 성능을 발휘하는가?
• RQ4 네트워크 및 콘텐츠 정보의 상대적 비율이 변할 경우 프레임워크의 성능은 얼마나 강인한가?
• RQ5 트위터와 같은 플랫폼에서 흔한 개인적이고 사실적이지 않은 질문에 대해 사회적 초점 기반 방법이 효과적으로 답변자를 식별할 수 있는가?

주요 결과

• '제안' 질문에 대해 프레임워크는 MAP@5가 4.68%를 기록하며, 가장 가까운 베이스라인 대비 1.78% 향상된 성능을 보였다.
• '요청' 질문에 대해 프레임워크는 MAP@5가 4.39%를 기록하며, 베이스라인 대비 1.01% 향상된 성능을 보였다.
• 모든 α 및 β 조합에 대해 프레임워크는 MAP 값이 3% 이상을 유지하여 네트워크 및 콘텐츠 정보 비율의 변화에 대해 강인함을 입증했다.
• '의문적' 질문에 대해 가장 낮은 성능(MAP@5 = 0%)을 보였으며, 이는 이러한 질문들이 실제 정보 필요성을 반영하지 않으며 초점 기반 매칭에 덜 적합할 수 있음을 시사한다.
• paired t-test를 통해 모든 질문 유형에서 베이스라인 대비 성능 향상이 통계적으로 유의미하다고 확인되었다.
• 랜덤 순서보다도 프레임워크의 성능이 뚜렷이 뛰어나, 가장 낮은 성능조차도 랜덤 선택의 두 배 이상이었으며, 이는 파rameter 설정이 최적화되지 않은 상황에서도 효과적임을 보여준다.