[論文レビュー] Location-Based Events Detection on Micro-Blogs

Augusto Dias Pereira dos Santos, Leandro Krug Wives+1 more|arXiv (Cornell University)|Oct 15, 2012

Human Mobility and Location-Based Analysis参考文献 5被引用数 5

ひとこと要約

本稿では、政治的領域ごとの時間的・地理的パターンを分析することにより、Twitterにおける新規トピックを特定するニューラルネットワークベースの外れ値検出手法を提案する。異常なツイート件数の急増を検出することで、本手法は地域的行動変化を効果的にモデル化し、自然災害やトレンドトピックなどの場所別イベントをリアルタイムで検出可能となる。

ABSTRACT

The increasing use of social networks generates enormous amounts of data that can be used for many types of analysis. Some of these data have temporal and geographical information, which can be used for comprehensive examination. In this paper, we propose a new method to analyze the massive volume of messages available in Twitter to identify places in the world where topics such as TV shows, climate change, disasters, and sports are emerging. The proposed method is based on a neural network that is used to detect outliers from a time series, which is built upon statistical data from tweets located on different political divisions (i.e., countries, cities). The outliers are used to identify topics within an abnormal behavior in Twitter. The effectiveness of our method is evaluated in an online environment indicating new findings on modeling local people's behavior from different places.

研究の動機と目的

• マイクロブログデータの時間的・地理的パターンを分析することにより、新規トピックをリアルタイムで検出すること。
• ツイート件数の傾向を用いて、異なる政治的領域（例：都市、国）における局所的行動変化をモデル化すること。
• ツイート時系列における異常行動を、自然世界の重要な出来事の兆候として特定すること。
• オンライン環境での評価を通じて、イベント検出における実用的応用性を検証すること。

提案手法

• 政治的領域ごとの集計ツイート数から構築された時系列における外れ値を検出するため、ニューラルネットワークを訓練する。
• 時系列は、地理的場所（例：国、都市）ごとにグループ化されたツイートの統計データを用いて構築される。
• 時系列における外れ値は、ツイート件数の急激な異常な増加を示し、潜在的な新規イベントを示唆する。
• 本手法は、時間的・空間的クラスタリングを活用して、こうした異常が発生する地域を特定する。
• システムはオンライン設定で動作し、継続的に流入するツイートを処理してリアルタイムでイベントを検出する。
• 異常検出は、各場所における歴史的ツイート件数パターンからの統計的乖離に基づく。

実験結果

リサーチクエスチョン

• RQ1 ツイート件数時系列における外れ値検出は、現実世界の出来事における新規トピックをどのように特定できるか？
• RQ2 マイクロブログにおける地理的・時間的パターンは、どれほど局所的行動の変化を明らかにできるか？
• RQ3 ニューラルネットワークは、自然災害やトレンドトピックなどの出来事の兆候となる異常行動を効果的に検出できるか？
• RQ4 オンラインで動的かつリアルタイムな環境下で、本手法はどれほど効果的に動作するか？

主な発見

• 本手法は、自然災害、スポーツイベント、メディアトレンドなど、異常なツイート件数の急増を通じて新規トピックを効果的に検出できた。
• 時系列における外れ値検出は、急激な行動変化が生じる地域を効果的に同定できた。
• 地理的・時間的ツイートパターンの分析を通じて、本手法は地域住民の行動をモデル化できた。
• オンライン環境での評価により、本手法がリアルタイムイベント検出に有効であることが確認された。
• システムは高い時間的・空間的精度でイベントを同定でき、新規状況への迅速な対応を可能にした。
• ニューラルネットワークベースの外れ値検出は、ベースラインの統計的手法に比べて、異常トレンドの捉え込みにおいて優れた性能を示した。