[论文解读] 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 6

一句话总结

本文提出了一种受认知启发的 hashtag 推荐算法 BLL I,S，该算法基于 ACT-R 的基础水平学习（BLL）方程，对个体和社交层面的 hashtag 重复使用中的时间效应进行建模。该方法通过利用 hashtag 使用的时间衰减特性，优于当前最先进的方法，表明过去使用的时间和频率显著预测未来的重复使用，且幂律衰减模型比指数模型拟合得更好。

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.

研究动机与目标

• 研究时间在 Twitter 上个体和社交 hashtag 重复使用中的作用。
• 基于人类记忆理论的认知原理，对 hashtag 重复使用中的时间衰减进行建模。
• 设计一种个性化 hashtag 推荐算法，通过整合过去 hashtag 使用的及时性和频率，提高预测准确性。
• 在特定领域和随机 Twitter 网络中，对所提方法与当前最先进的方法进行评估。

提出的方法

• 将 ACT-R 认知架构中的基础水平学习（BLL）方程应用于建模 hashtag 重复使用中的时间依赖性衰减。
• BLL I,S 算法仅基于用户及其关注对象的过去使用模式进行 hashtag 预测，同时考虑使用频率和及时性。
• 一种变体 BLL I,S,C 将 BLL 模型与当前 tweet 的 TF-IDF 内容分析相结合，以提高推荐的相关性。
• 该模型使用幂律函数捕捉 hashtag 有用性随时间的衰减，基于两个 Twitter 数据集的经验验证。
• 该方法区分了个体重复使用（用户自己使用的 hashtag）和社交重复使用（关注对象使用的 hashtag），并对两者分别建模。
• 评估在两种场景下进行：一种仅使用时间模式，另一种将时间模式与当前 tweet 内容结合。

实验结果

研究问题

• RQ1 时间模式如何影响 Twitter 上的个体和社交 hashtag 重复使用？
• RQ2 与指数函数相比，幂律衰减函数是否能更好地建模 hashtag 重复使用的时间依赖性衰减？
• RQ3 基于人类记忆理论的受认知启发模型是否能相比当前最先进的方法，提升 hashtag 推荐的准确性？
• RQ4 过去 hashtag 使用模式在多大程度上能解释 Twitter 上未来的 hashtag 分配？
• RQ5 将时间模式与当前 tweet 内容结合，如何影响推荐性能？

主要发现

• 在 CompSci 和 Random 数据集中，66% 至 81% 的 hashtag 分配可由过去的个体和社交 hashtag 使用行为解释。
• hashtag 重复使用的时间效应遵循幂律衰减，及时性比频率具有更强的预测能力。
• 幂律衰减模型相比指数衰减模型显著更好地拟合数据。
• BLL I,S 算法在预测准确性和排序性能方面均优于当前最先进的 hashtag 推荐方法。
• 结合时间模式与基于 TF-IDF 的内容分析的混合型 BLL I,S,C 模型，进一步提升了推荐质量。
• 在 CompSci 数据集中约 26% 的 hashtag 分配和 Random 数据集中约 13% 的 hashtag 分配无法由重复使用模式解释，表明需要引入趋势话题等外部知识源。