[論文レビュー] Stochastic Models Predict User Behavior in Social Media

Tad Hogg, Kristina Lerman+1 more|arXiv (Cornell University)|Sep 8, 2013

Complex Network Analysis Techniques被引用数 5

ひとこと要約

本論文は、特にTwitterにおける提唱者に対する反応に関して、ユーザーがコンテンツに反応する前に隠れた状態を経由するようにモデル化することで、ソーシャルメディアにおけるユーザー行動を確率的モデルで捉える手法を提案する。このモデルは、動的ユーザー状態とインターフェース要因を考慮することで、単純なモデルよりもユーザー参加の予測性能を向上させ、関心の高いユーザーを特定する。

ABSTRACT

User response to contributed content in online social media depends on many factors. These include how the site lays out new content, how frequently the user visits the site, how many friends the user follows, how active these friends are, as well as how interesting or useful the content is to the user. We present a stochastic modeling framework that relates a user's behavior to details of the site's user interface and user activity and describe a procedure for estimating model parameters from available data.We apply the model to study discussions of controversial topics on Twitter, specifically, to predict how followers of an advocate for a topic respond to the advocate's posts. We show that a model of user behavior that explicitly accounts for a user transitioning through a series of states before responding to an advocate's post better predicts response than models that fail to take these states into account. We demonstrate other benefits of stochastic models, such as their ability to identify users who are highly interested in advocate's posts.

研究の動機と目的

• 動的ユーザー状態とインターフェース要因を考慮した、ソーシャルメディアにおけるユーザー反応行動をモデル化する確率的フレームワークの開発。
• 特に論争の多いトピックに関して、ソーシャルメディアの提唱者のフォロワーがその投稿にどのように反応するかを予測すること。
• 実世界のデータ（例：Twitterの活動やユーザー相互作用）からモデルのパラメータを推定すること。
• 状態に基づく行動モデリングを用いて、提唱者のコンテンツに高い関心を示すユーザーを特定すること。

提案手法

• ユーザーが投稿に反応する前に観察されない状態を経由するという構造を、隠れマルコフモデル（HMM）フレームワークで表現する。
• ユーザー状態は、注意や関心の度合いの違いを表し、サイトのレイアウト、訪問頻度、友人の活動状況によって影響を受ける。
• 友人の数、その活動レベル、コンテンツの関連性といった観察可能な要因を組み込み、反応の確率を予測する。
• 実際のTwitterデータ（論争の多いトピックに関する議論）を用いて、最尤推定法によるパラメータ推定を実施する。
• 状態遷移を考慮しないベースラインモデルと比較して、反応予測の正確性を評価する。
• 状態遷移フレームワーク内での反応の頻度とタイミングを分析することで、関心の高いユーザーを同定する。

実験結果

リサーチクエスチョン

• RQ1 ユーザーインターフェース設計とユーザー行動パターンは、ソーシャルメディアコンテンツへの反応行動にどのように影響するか？
• RQ2 ユーザー状態の遷移をモデル化することで、Twitterにおける提唱者の投稿への反応予測を改善できるか？
• RQ3 ネットワーク要因（例：友人の数、友人の活動レベル）は、ユーザー反応行動にどのような役割を果たすか？
• RQ4 確率的モデルは、特定のコンテンツに高い関心を示すユーザーをどのように同定できるか？
• RQ5 隠れたユーザー状態を考慮することで、静的モデルに比べて予測性能が向上するか？

主な発見

• 状態に基づく確率的モデルは、ユーザー状態遷移を無視するモデルよりも、提唱者の投稿に対するユーザー反応の予測において顕著に優れている。
• ユーザー状態遷移を考慮することで、遅延反応や即時でない反応を捉える予測精度が向上する。
• 反応パターンとタイミングを分析することで、提唱者のコンテンツに高い関心を示すユーザーをモデルが成功裏に同定している。
• ユーザー反応行動は、サイトのレイアウト、訪問頻度、友人の活動レベルによって強く影響を受ける。
• ユーザー参加は即時的ではなく、注意状態の連鎖によって生じるため、その過程を明示的にモデル化する必要がある。
• 実際のTwitterデータからのパラメータ推定により、モデルの実用的妥当性と現実世界のソーシャルメディア分析への応用可能性が裏付けられた。