[論文レビュー] Mining Concurrent Topical Activity in Microblog Streams

André Panisson, Laëtitia Gauvin+2 more|arXiv (Cornell University)|Mar 6, 2014

Complex Network Analysis Techniques参考文献 4被引用数 13

ひとこと要約

本稿では、ロンドン2012オリンピック期におけるTwitterのマイクロブログストリームから、同時に発生し時間とともに変化するトピックを抽出する2つの非負値行列およびテンソル分解手法を提案する。実験の結果、検出されたトピック活動のタイムラインが公式スケジュールと非常によく一致しており、Twitterが現実の出来事に対して高分解能な社会的センサーとして機能できることを示している。

ABSTRACT

Streams of user-generated content in social media exhibit patterns of collective attention across diverse topics, with temporal structures determined both by exogenous factors and endogenous factors. Teasing apart different topics and resolving their individual, concurrent, activity timelines is a key challenge in extracting knowledge from microblog streams. Facing this challenge requires the use of methods that expose latent signals by using term correlations across posts and over time. Here we focus on content posted to Twitter during the London 2012 Olympics, for which a detailed schedule of events is independently available and can be used for reference. We mine the temporal structure of topical activity by using two methods based on non-negative matrix factorization. We show that for events in the Olympics schedule that can be semantically matched to Twitter topics, the extracted Twitter activity timeline closely matches the known timeline from the schedule. Our results show that, given appropriate techniques to detect latent signals, Twitter can be used as a social sensor to extract topical-temporal information on real-world events at high temporal resolution.

研究の動機と目的

• 単なる語句頻度を超えた潜在的信号を検出することで、リアルタイムのマイクロブログストリームに複数の同時進行するトピックを解体する手法を開発すること。
• 公式スケジュールが明確に定義されたロンドン2012オリンピックを参照として、Twitterにおける集団的注目度が現実の出来事とどのように相関するかを調査すること。
• 抽出されたトピック活動のタイムラインと外部の出来事タイムラインを比較することにより、Twitterが高分解能な社会的センサーとして機能するかどうかを評価すること。
• 非負値テンソル分解（NTF）と凝集的非負値行列分解（NMF）の2つの要因分解ベースの手法の、動的マイクロブログストリームにおけるトピックダイナミクスの捉え具合の違いを比較すること。
• 検出されたトピックと手作業でアノテートされた出来事用語との間の意味的マッチングを評価することで、トピック検出のロバストネスを評価すること。

提案手法

• Twitterデータから三方向のツイート-語-時間テンソルを構築し、マスク付き非負値テンソル分解（NTF）を適用して、関連する時間的活動プロファイルを持つトピックを抽出する。
• 時間セグメント化アプローチを採用：固定された毎時インターバルごとにツイート-語頻度行列を構築し、各インターバルに対して非負値行列分解（NMF）を適用する。
• 連続する時間インターバル間で類似したトピックを追跡するために、凝集的階層的クラスタリングを適用し、進化するトピックの時間的追跡を可能にする。
• マイクロブログデータのスパarsityと歪度を考慮した、適応されたNTF技術を導入することで、トピックの一貫性を向上させる。
• クラウドソーシングを用いて、検出されたトピックと出来事アノテーションとの間の意味的マッチングを測定することで、トピック品質の妥当性を検証する。
• 公式オリンピックスケジュールを基準として、検出されたトピックの時間的構造を既知の出来事タイミングと比較する。

実験結果

リサーチクエスチョン

• RQ1 非負値行列およびテンソル分解手法は、どれほど高い時間分解能で、Twitterマイクロブログストリームから同時に発生する時間的に変化するトピックを抽出できるか？
• RQ2 Twitterから抽出されたトピック活動のタイムラインは、公式オリンピックスケジュールに基づく現実の出来事のタイミングと、どの程度一致するか？
• RQ3 動的マイクロブログストリームにおいて、時間経過に伴いトピックを検出・追跡する際、NTFと凝集的NMFの性能にどのような差があるか？
• RQ4 検出されたトピックと出来事アノテーションとの間の意味的マッチング重みは、時間的整合性の正確さとどの程度相関するか？
• RQ5 検出されたトピック活動と実際の出来事スケジュールとの不一致の原因は何か。また、それらはどのように診断できるか？

主な発見

• NTFおよびNMF手法によって抽出されたトピック活動プロファイルは、公式スケジュールと強く時間的整合性を示しており、特に毎時のスケールで顕著である。
• Twitterトピックと意味的にマッチング可能な大多数のスポーツイベントについて、Twitterの活動ピークは、出来事の開始時刻またはピーク時刻とほぼ一致している。
• NTFおよびNMF手法は、複数の活動フェーズやピークでないスパイクを示すケースにおいても、単純なカウントベースの手法よりも正しくトピックの時間的構造を捉えている。
• 整合性の欠如は主に、トピック語と出来事アノテーションとの間の意味的マッチングが低いこと（例：「サッカー、メキシコ、ガボン」）や、出来事終了後の注目度の遅延シフト（例：水泳決勝）に起因している。
• クラウドソーシングによる評価では、NTFおよびNMFが頻度ベースのベースラインよりも高い意味的一貫性を持つトピックを生成していることが確認され、アノテータ間の合意度で測定されている。
• 凝集的NMFアプローチは、時間セグメント化設計のおかげでオンライン処理が可能である一方、マスク付きNTF手法は、時間的テンソル全体の包括的視覚化を提供する。