[论文解读] Classifying Conversation in Digital Communication.

Andrew Mellor|arXiv (Cornell University)|Jan 31, 2018

Complex Network Analysis Techniques参考文献 33被引用 4

一句话总结

本文提出了一种内容无关的方法，通过建模数字互动的时序网络结构（利用时序基序和事件间时间间隔）来分类在线对话。通过在不聚合的情况下嵌入完整的时序网络，该方法捕捉了跨多个时间尺度的个体与集体对话动态，从而实现仅基于互动模式的分类。

ABSTRACT

Many studies of digital communication, in particular of Twitter, use natural language processing (NLP) to find topics, assess sentiment, and describe user behaviour. In finding topics often the relationships between users who participate in the topic are neglected. We propose a novel method of describing and classifying online conversations using only the structure of the underlying temporal network and not the content of individual messages. This method utilises all available information in the temporal network (no aggregation), combining both topological and temporal structure using temporal motifs and inter-event times. This allows us create an embedding of the temporal network in order to describe the behaviour of individuals and collectives over time and examine the structure of conversation over multiple timescales.

研究动机与目标

• 解决现有NLP方法在数字对话中忽略用户互动结构的不足。
• 开发一种仅依赖互动的时序和拓扑结构而非消息内容来分类在线对话的方法。
• 在不聚合的情况下对完整时序网络动态进行建模，保留跨多个时间尺度的细粒度互动模式。
• 生成反映个体与集体行为随时间演变的对话行为嵌入表示。

提出的方法

• 该方法从数字通信数据构建时序网络，将用户表示为节点，消息表示为有向、带时间戳的边。
• 利用时序基序识别互动序列中的重复模式，这些基序捕捉消息之间特定的事件间时间间隔序列。
• 使用连续消息之间的事件间时间间隔来表征对话的时机与节奏。
• 将拓扑特征与时序特征结合，形成对话结构的综合表示。
• 对完整时序网络应用节点嵌入技术，生成用户与群体行为的低维表示。
• 利用这些嵌入基于结构模式对对话进行分类，完全独立于语义内容。

实验结果

研究问题

• RQ1 如何在不依赖消息内容的情况下对在线对话进行分类？
• RQ2 时序互动序列中的哪些结构模式可区分不同类型的对话？
• RQ3 互动网络的拓扑与时序特征如何共同促进对话动态的区分？
• RQ4 是否可仅通过时序网络特征在多个时间尺度上有效捕捉并分类对话结构？

主要发现

• 该方法成功实现了仅基于互动结构动态的在线对话分类，无需访问消息内容。
• 时序基序和事件间时间间隔有效捕捉了不同时间尺度下的独特对话模式。
• 嵌入方法保留了细粒度的互动序列，实现了对个体与集体对话行为的准确表示。
• 该模型揭示了通过内容分析无法检测到的对话动态结构差异。