[논문 리뷰] Temporal Effects on Hashtag Reuse in Twitter: A Cognitive-Inspired Hashtag Recommendation Approach

Dominik Kowald, Subhash Chandra Pujari외 1명|arXiv (Cornell University)|2017. 01. 05.

Recommender Systems and Techniques참고 문헌 41인용 수 6

한 줄 요약

이 논문은 ACT-R의 기억 모델에서 유도된 Base-Level Learning(BLL) 방정식을 사용하여 개인 및 사회적 해시태그 재사용에 대한 시간적 영향을 모델링하는 인지적 영감을 받은 hashtag 추천 알고리즘인 BLL I,S를 제안한다. 이 알고리즘은 해시태그 사용의 시간에 따라 변하는 감쇠를 활용하여 최신 기술 수준의 방법들을 능가하며, 과거 사용의 최근성과 빈도가 향후 재사용을 예측하는 데 있어 중요하다는 것을 보여주며, 지수 모델보다 거듭제곱 법칙 감쇠 모델이 더 잘 맞는다.

ABSTRACT

Hashtags have become a powerful tool in social platforms such as Twitter to categorize and search for content, and to spread short messages across members of the social network. In this paper, we study temporal hashtag usage practices in Twitter with the aim of designing a cognitive-inspired hashtag recommendation algorithm we call BLLi,s. Our main idea is to incorporate the effect of time on (i) individual hashtag reuse (i.e., reusing own hashtags), and (ii) social hashtag reuse (i.e., reusing hashtags, which has been previously used by a followee) into a predictive model. For this, we turn to the Base-Level Learning (BLL) equation from the cognitive architecture ACT-R, which accounts for the time-dependent decay of item exposure in human memory. We validate BLLi,s using two crawled Twitter datasets in two evaluation scenarios: firstly, only temporal usage patterns of past hashtag assignments are utilized and secondly, these patterns are combined with a content-based analysis of the current tweet. In both scenarios, we find not only that temporal effects play an important role for both individual and social hashtag reuse but also that BLLi,s provides significantly better prediction accuracy and ranking results than current state-of-the-art hashtag recommendation methods.

연구 동기 및 목표

• 트위터에서 개인 및 사회적 해시태그 재사용에 시간이 미치는 영향을 조사하는 것.
• 인간 기억 이론의 인지 원리를 활용하여 해시태그 재사용의 시간에 따라 변하는 감쇠를 모델링하는 것.
• 과거 해시태그 사용의 최근성과 빈도를 통합하여 예측 정확도를 향상시킬 수 있는 개인 맞춤형 해시태그 추천 알고리즘을 설계하는 것.
• 도메인 특화 및 무작위 트위터 네트워크에서 최신 기술 수준의 접근 방식과 비교하여 제안된 방법을 평가하는 것.

제안 방법

• ACT-R 인지 아키텍처에서 유도된 Base-Level Learning(BLL) 방정식을 사용하여 해시태그 재사용의 시간에 따라 변하는 감쇠를 모델링한다.
• BLL I,S 알고리즘은 사용자 자신과 그가 팔로우하는 사용자들의 과거 사용 패턴에만 기반하여 해시태그를 예측하며, 빈도와 최근성을 모두 고려한다.
• BLL I,S,C는 현재 트윗의 내용을 TF-IDF 기반 분석과 결합하여 추천의 관련성을 향상시키는 변종이다.
• 해시태그의 유용성 감쇠를 포착하기 위해 거듭제곱 법칙 함수를 사용하며, 이는 두 개의 트위터 데이터셋에서 경험적으로 검증되었다.
• 개인 재사용(자신의 해시태그)과 사회적 재사용(팔로잉 대상이 사용한 해시태그)을 구분하여 각각 별도로 모델링한다.
• 평가 시나리오는 두 가지로 나뉜다: 하나는 시간 패턴만을 사용하는 경우, 다른 하나는 시간 패턴과 현재 트윗의 내용을 조합하는 경우.

실험 결과

연구 질문

• RQ1 시간 패턴은 트위터에서 개인 및 사회적 해시태그 재사용에 어떻게 영향을 미치는가?
• RQ2 지수 함수보다 거듭제곱 법칙 감쇠 함수가 해시태그 재사용의 시간에 따라 변하는 감쇠를 더 잘 모델링하는가?
• RQ3 인간 기억 이론에 기반한 인지적 영감을 받은 모델이 최신 기술 수준의 방법보다 해시태그 추천 정확도를 향상시키는가?
• RQ4 과거 해시태그 사용 패턴이 트위터에서 향후 해시태그 할당을 얼마나 잘 설명하는가?
• RQ5 시간 패턴과 현재 트윗의 내용을 조합할 경우 추천 성능에 어떤 영향을 미치는가?

주요 결과

• 컴퓨터 과학(CompSci) 및 랜덤(Random) 데이터셋에서 약 66%에서 81%의 해시태그 할당이 과거 개인 및 사회적 해시태그 사용 패턴에 의해 설명된다.
• 해시태그 재사용에 대한 시간적 영향은 거듭제곱 법칙 감쇠를 따르며, 최근성은 빈도보다 더 강력한 예측 변수이다.
• 거듭제곱 법칙 감쇠 모델이 지수 감쇠 모델보다 데이터에 더 잘 맞는다.
• BLL I,S 알고리즘이 예측 정확도와 랭킹 성능 양면에서 최신 기술 수준의 해시태그 추천 방법을 능가한다.
• 시간 패턴과 TF-IDF 기반의 내용 분석을 조합한 하이브리드 BLL I,S,C 모델은 추천 품질을 더욱 향상시킨다.
• 컴퓨터 과학 데이터셋에서 약 26%의 해시태그 할당과 랜덤 데이터셋에서 약 13%의 해시태그 할당은 재사용 패턴으로 설명되지 않아, 트렌드 주제와 같은 외부 지식 소스가 필요할 것으로 보인다.