[논문 리뷰] Temporal Identification of Latent Communities on Twitter

Hossein Fani, Fattane Zarrinkalam외 4명|arXiv (Cornell University)|2015. 09. 14.

Complex Network Analysis Techniques참고 문헌 24인용 수 4

한 줄 요약

이 논문은 의미적 개념을 시간적 신호로 모델링하고 사용자 관심의 시간적 상관관계를 통해 잠재적인 주제 기반 사용자 커뮤니티를 탐지하기 위해 多변량 시간 시리즈 기반 프레임워크를 제안한다. 이는 사건에 특화된 세밀한 주제를 포착하고 2차원 상관관계를 사용하여 시간에 따른 사용자 유사도를 측정함으로써 전통적 방법보다 뛰어난 성능을 발휘하며, 실제 사건에 대해 유사한 시간적 참여 패턴을 보이는 커뮤니티 탐지를 가능하게 한다.

ABSTRACT

User communities in social networks are usually identified by considering explicit structural social connections between users. While such communities can reveal important information about their members such as family or friendship ties and geographical proximity, they do not necessarily succeed at pulling like-minded users that share the same interests together. In this paper, we are interested in identifying communities of users that share similar topical interests over time, regardless of whether they are explicitly connected to each other on the social network. More specifically, we tackle the problem of identifying temporal topic-based communities from Twitter, i.e., communities of users who have similar temporal inclination towards the current emerging topics on Twitter. We model each topic as a collection of highly correlated semantic concepts observed in tweets and identify them by clustering the time-series based representation of each concept built based on each concept's observation frequency over time. Based on the identified emerging topics in a given time period, we utilize multivariate time series analysis to model the contributions of each user towards the identified topics, which allows us to detect latent user communities. Through our experiments on Twitter data, we demonstrate i) the effectiveness of our topic detection method to detect real world topics and ii) the effectiveness of our approach compared to well-established approaches for community detection.

연구 동기 및 목표

• 사용자 간 명시적 사회적 연결이 없더라도 유사한 시간적 관심을 공유하는 잠재적 사용자 커뮤니티를 식별하기.
• 트윗 빈도에서 시간적 행동이 상관관계를 보이는 의미적 관련 개념의 집합으로 주제를 모델링하기.
• 시간에 따라 사용자가 식별된 주제에 기여하는 동적 기여도를 기반으로 커뮤니티를 탐지하는 방법 개발하기.
• 구조적 연결이 아닌 의미적 및 시간적 일치에 초점을 맞춤으로써 구조 기반 커뮤니티 탐지의 한계를 극복하기.
• 절기나 정치적 사건과 같은 특정 실제 사건 주변에서 세밀한 커뮤니티 탐지 가능하게 하기.

제안 방법

• 의미적 개념은 의미 주석 시스템(예: TagMe)을 사용해 트윗에서 추출되며, 이는 이산 시간 간격 동안의 빈도를 나타내는 시간 시리즈 신호로 표현된다.
• 시간 시리즈 신호 간의 상관관계를 기반으로 의미적 개념을 군집화하여 주제를 식별하며, 상관관계가 있는 시간 패턴은 개념적 유사성을 나타낸다고 가정한다.
• 2차원 상관관계에서 유도된 유사도 점수를 사용해 가중치가 부여된 개념 그래프를 구축하고, 그래프 분할 기법을 적용해 일관된 주제를 추출한다.
• 사용자 관심은 시간에 따라 식별된 주제에 대한 각 사용자의 기여도를 나타내는 다변량 시간 시리즈로 모델링된다.
• 다변량 시간 시리즈 상관관계를 통해 사용자 유사도를 계산하고, 커뮤니티 탐지를 위한 가중치가 부여된 사용자 그래프를 구성한다.
• 사용자 유사도 그래프에 그래프 분할 기법을 적용하여 시간적 참여 패턴이 유사한 잠재 커뮤니티를 식별한다.

실험 결과

연구 질문

• RQ1 의미적 개념의 시간적 상관관계가 빛나는 절기나 정치적 사건과 같은 실제 주제를 효과적으로 식별할 수 있는가?
• RQ2 기존의 커뮤니티 탐지 방법에 비해 제안된 방법이 특정 주제에 대해 시간적 관심 패턴이 유사한 사용자 커뮤니티를 얼마나 잘 탐지하는가?
• RQ3 유사한 시간적 프로파일을 보이는 다수의 입법 조치와 같은 겹치는 또는 동시에 발생하는 사건들을 프레임워크가 얼마나 잘 구분할 수 있는가?
• RQ4 다변량 시간 시리즈와 2차원 상관관계를 사용할 경우, 주제 거리나 관심도 기반 방법에 비해 커뮤니티 탐지 성능이 어떻게 향상되는가?
• RQ5 사회적 유대관계가 없더라도 특정 사건과 시간적으로 일치하는 커뮤니티를 방법이 식별할 수 있는가?

주요 결과

• 주제 탐지 방법은 뉴이어 연말 축하 행사나 프린스 윌리엄의 약혼과 같은 실제 사건을 성공적으로 식별하여 세밀하고 사건 중심의 주제 탐지 능력을 입증했다.
• 2010년 12월에 'Don’t Ask, Don’t Tell Repeal Act'와 'Dream Act' 등 세 가지의 다른 사건이 유사한 시간적 프로파일을 보여, 하나의 주제로 통합되어 탐지된 바, 이는 겹치는 사건을 처리하기 위한 후처리가 필요함을 시사한다.
• 다변량 시간 시리즈에서 사용자 유사도 측정에 2차원 상관관계를 사용한 것은 잠재적 커뮤니티를 시간적 관심 패턴이 유사한 사용자 기반으로 효과적으로 식별하는 데 있어 신선하고 효과적인 방법으로 입증되었다.
• 기존의 더 넓은 범주로 분류하는 방법들([13] 등)과 달리, 이 방법은 특정 사건을 식별하는 데 있어 세밀한 주제 해상도를 달성했다.
• 사용자 간 직접적인 사회적 연결이 없더라도 시간적 주제 기반 기여도를 기반으로 사용자 커뮤니티를 효과적으로 모델링할 수 있었다.
• 다양한 사건에 등장하는 겹치는 개념들(예: 'United States Senate')이 비겹침 주제 군집화 기법으로 인해 제대로 분리되지 않아, 향후 작업에서 겹치는 주제 모델링이 필요함을 시사한다.