[論文レビュー] Temporal Effects on Hashtag Reuse in Twitter: A Cognitive-Inspired Hashtag Recommendation Approach

Dominik Kowald, Subhash Chandra Pujari+1 more|arXiv (Cornell University)|Jan 5, 2017

Recommender Systems and Techniques参考文献 41被引用数 6

ひとこと要約

本稿では、ACT-Rの記憶モデルから得たベースレベル学習（BLL）方程式を用いて、個人的および社会的ハッシュタグ再利用における時間的要因をモデル化する、認知的にインspiredされたハッシュタグ推薦アルゴリズムBLL I,Sを提案する。時間依存の減衰を活用することで、最先端の手法を上回る性能を示し、過去の使用頻度と最近性が将来の再利用を顕著に予測することを示している。また、べき乗則の減衰が指数関数的モデルよりも適合度が優れていることが判明した。

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.

研究の動機と目的

• Twitterにおける個人的および社会的ハッシュタグ再利用における時間の役割を調査すること。
• 人間の記憶理論からの認知的原則を用いて、ハッシュタグ再利用の時間的減衰をモデル化すること。
• 過去のハッシュタグ使用の最近性と頻度を組み込むことで、予測精度を向上させるパーソナライズドハッシュタグ推薦アルゴリズムを設計すること。
• 提案手法を、ドメイン固有およびランダムなTwitterネットワークの両方において、最先端の手法と比較して評価すること。

提案手法

• ACT-R認知アーキテクチャに由来するベースレベル学習（BLL）方程式を、ハッシュタグ再利用における時間依存的減衰をモデル化するために適用する。
• BLL I,Sアルゴリズムは、ユーザー自身およびフォロワーの過去の使用パターンに基づいてハッシュタグを予測し、頻度と最近性の両方を考慮する。
• BLL I,S,Cという変種は、現在のツイートの内容をTF-IDFベースで分析した結果とBLLモデルを組み合わせることで、推薦の関連性を向上させる。
• モデルは、時間経過に伴うハッシュタグの有用性の低下を捉えるためにべき乗則関数を用い、2つのTwitterデータセット上で実証的に検証された。
• 個人的再利用（自身が使用したハッシュタグ）と社会的再利用（フォロワーが使用したハッシュタグ）を区別し、それぞれ別々にモデル化する。
• 評価は2つのシナリオで実施する：1つは時間的パターンのみを用いるもの、もう1つは時間的パターンと現在のツイートの内容を組み合わせたもの。

実験結果

リサーチクエスチョン

• RQ1 時間的パターンは、Twitterにおける個人的および社会的ハッシュタグ再利用にどのように影響を与えるか？
• RQ2 べき乗則の減衰関数は、指数関数的関数よりもハッシュタグ再利用の時間的減衰をよりよくモデル化できるか？
• RQ3 人間の記憶理論に基づく認知的にインスパイアされたモデルは、最先端の手法と比較してハッシュタグ推薦の正確性を向上させられるか？
• RQ4 過去のハッシュタグ使用パターンは、Twitterにおける将来のハッシュタグ割り当てをどの程度説明できるか？
• RQ5 時間的パターンと現在のツイートの内容を組み合わせることで、推薦性能にどのような影響を与えるか？

主な発見

• CompSciおよびRandomデータセットにおいて、ハッシュタグの割り当ての66％から81％が、過去の個人的および社会的ハッシュタグ使用に基づいて説明可能である。
• ハッシュタグ再利用における時間的要因はべき乗則の減衰に従い、頻度よりも最近性がより強い予測要因である。
• べき乗則の減衰モデルは、指数関数的減衰モデルよりもデータに著しく適している。
• BLL I,Sアルゴリズムは、予測精度および順位付け性能の両面で、最先端のハッシュタグ推薦手法を上回っている。
• 時間的パターンとTF-IDFベースのコンテンツ分析を組み合わせたハイブリッドなBLL I,S,Cモデルは、さらに推薦品質を向上させている。
• CompSciデータセットでは約26％、Randomデータセットでは約13％のハッシュタグ割り当てが再利用パターンでは説明できないため、トレンドトピックなどの外部知識源の導入が求められる。