[논문 리뷰] Optimizing The Selection of Strangers To Answer Questions in Social Media

Jalal Mahmud, Michelle X. Zhou외 3명|arXiv (Cornell University)|2014. 04. 08.

Expert finding and Q&A systems참고 문헌 23인용 수 7

한 줄 요약

이 논문은 사용자 행동과 콘텐츠를 기반으로 응답 가능성과 준비도를 예측함으로써, 소셜 미디어(예: 트위터)에서 질문에 응답할 수 있는 낯선 사람들을 선택하기 위한 기능 기반 모델과 최적화 프레임워크를 제안한다. 응답 수를 극대화하면서 보내는 질문 수를 최소화하는 응용 분야별 목표를 고려한 최적화를 통해 실제 데이터셋에서 교차 검증을 수행함으로써, 최소한의 접근으로도 개선된 답변 수확률을 달성한다.

ABSTRACT

Millions of people express themselves on public social media, such as Twitter. Through their posts, these people may reveal themselves as potentially valuable sources of information. For example, real-time information about an event might be collected through asking questions of people who tweet about being at the event location. In this paper, we explore how to model and select users to target with questions so as to improve answering performance while managing the load on people who must be asked. We first present a feature-based model that leverages users exhibited social behavior, including the content of their tweets and social interactions, to characterize their willingness and readiness to respond to questions on Twitter. We then use the model to predict the likelihood for people to answer questions. To support real-world information collection applications, we present an optimization-based approach that selects a proper set of strangers to answer questions while achieving a set of application-dependent objectives, such as achieving a desired number of answers and minimizing the number of questions to be sent. Our cross-validation experiments using multiple real-world data sets demonstrate the effectiveness of our work.

연구 동기 및 목표

• 트위터와 같은 소셜 미디어 플랫폼에서 실시간으로 낯선 사람으로부터 정보를 수집하는 효율성을 향상시키기 위해.
• 사용자의 소셜 미디어 행동과 콘텐츠를 기반으로 그들이 질문에 응답할 가능성을 모델링하고 예측하기 위해.
• 정보 수집 응용 프로그램에서 원하는 응답 수를 달성하면서도 보내는 질문의 수를 최소화하기 위해.
• 실제 소셜 미디어 시스템에서 확장 가능하고 응용 프로그램 중심의 사용자 선택을 지원하기 위해.

제안 방법

• 트윗 콘텐츠, 사회적 상호작용, 사용자 활동을 기반으로 한 기능 기반 모델을 개발하여 응답 의지와 준비도를 예측한다.
• 추출된 행동 특징을 바탕으로 사용자가 질문에 응답할 확률을 추정하기 위해 기계 학습 기반 접근법을 사용한다.
• 목표 응답 수와 접근 예산과 같은 제약 조건 하에 응답 수확률을 극대화하기 위해 최적의 낯선 사용자 집합을 선택하는 최적화 프레임워크를 도입한다.
• 보내는 질문 수를 최소화하는 등의 상충되는 목표를 균형 잡기 위해 혼합정수계획법 설정을 사용한다.
• 모델 및 최적화 전략의 튜닝과 검증을 위해 다수의 실제 트위터 데이터셋에서 교차 검증을 적용한다.
• 응답 확률 점수를 최적화 모델에 통합하여 높은 확률의 응답자들을 우선순위로 지정한다.

실험 결과

연구 질문

• RQ1 소셜 미디어에서의 사용자 행동과 콘텐츠는 어떻게 활용되어 질문에 응답할 가능성을 예측하는 데 기여하는가?
• RQ2 원하는 수의 응답을 달성하기 위해 최소한의 낯선 사용자 집합을 효과적으로 선택할 수 있는 최적화 전략은 무엇인가?
• RQ3 제안된 모델은 응답 수확률과 접근 비용 측면에서 기준 전략에 비해 어떻게 비교되는가?
• RQ4 이 모델은 다양한 실제 소셜 미디어 이벤트와 데이터 분포에 일반화될 수 있는가?

주요 결과

• 콘텐츠와 사회적 상호작용 특징을 모두 포함시킴으로써 제안된 모델은 응답 예측 정확도를 크게 향상시킨다.
• 최적화 프레임워크는 랜덤 선택 대비 동일한 목표 응답 수를 달성하면서도 보내는 질문 수를 최대 40% 감소시킨다.
• 교차 검증 결과, 다양한 실제 데이터셋에서 일관된 성능 향상이 나타나 모델의 강건성과 일반화 능력을 입증한다.
• 응답 확률 점수를 선택 과정에 통합함으로써 효과적인 응답률 향상이 명백하게 측정된다.