[论文解读] Timeline Generation: Tracking individuals on Twitter

Jiwei Li, Claire Cardie|arXiv (Cornell University)|Sep 27, 2013

Complex Network Analysis Techniques参考文献 34被引用 15

一句话总结

本文提出了一种无监督框架，通过使用非参数多层级狄利克雷过程模型对推文进行分类，将推文分为四类——个人时间特定（PersonTS）、个人时间一般（PersonTG）、公共时间特定（PublicTS）和公共时间一般（PublicTG），从而从推特数据中生成个性化的时间线。该方法成功识别了普通用户和名人的重要个人事件（PIE），证明了仅从原始推文流中自动生成时间线的可行性。

ABSTRACT

In this paper, we propose a unsupervised framework to reconstruct a person's life history by creating a chronological list for {\it personal important events} (PIE) of individuals based on the tweets they published. By analyzing individual tweet collections, we find that what are suitable for inclusion in the personal timeline should be tweets talking about personal (as opposed to public) and time-specific (as opposed to time-general) topics. To further extract these types of topics, we introduce a non-parametric multi-level Dirichlet Process model to recognize four types of tweets: personal time-specific (PersonTS), personal time-general (PersonTG), public time-specific (PublicTS) and public time-general (PublicTG) topics, which, in turn, are used for further personal event extraction and timeline generation. To the best of our knowledge, this is the first work focused on the generation of timeline for individuals from twitter data. For evaluation, we have built a new golden standard Timelines based on Twitter and Wikipedia that contain PIE related events from 20 {\it ordinary twitter users} and 20 {\it celebrities}. Experiments on real Twitter data quantitatively demonstrate the effectiveness of our approach.

研究动机与目标

• 解决从嘈杂、非结构化的推特数据中自动重建个人生平记录的挑战。
• 定义并识别个人重要事件（PIE）——即用户推文流中时间特定、个人相关且频繁讨论的事件。
• 开发一种可扩展的无监督方法，以区分推文内容中的个人与公共、时间特定与时间一般的话题。
• 仅使用用户的推文集合，为普通用户和名人生成PIE的时序时间线。
• 评估在不依赖外部传记资料或人工标注的情况下，自动时间线生成的可行性。

提出的方法

• 作者引入一种非参数多层级狄利克雷过程混合模型（DPM），以联合建模推文中的时间模式与用户特定的主题模式。
• 该模型根据个人相关性与时间特定性的组合，将推文分类为四类：PersonTS、PersonTG、PublicTS 和 PublicTG。
• 时间特定性由推文在特定时间窗口内的集中程度决定，而个人相关性则通过用户特定的讨论模式和参与度推断得出。
• 对推文集合应用主题建模以提取潜在主题，时间特定主题通过高频、短时长的发布爆发特征识别。
• 该框架利用词频和时间聚类检测事件，如大学录取或职业变动，以将其与重复性或一般性兴趣区分开来。
• 为评估模型性能，人工构建了20名普通用户和20名名人的黄金标准时间线。

实验结果

研究问题

• RQ1 我们能否在不依赖外部传记数据的情况下，从推特流中自动提取个人重要事件（PIE）？
• RQ2 什么特征定义了一条推文为PIE——具体而言，个人相关性与时间特定性在识别此类事件时如何相互作用？
• RQ3 无监督主题建模方法在区分推特数据中的个人与公共、时间特定与时间一般话题方面的有效性如何？
• RQ4 时间线生成的性能在普通用户与名人之间是否存在差异？若存在，原因是什么？
• RQ5 非参数多层级狄利克雷过程模型在事件检测中，对个人相关性与时间特定性双重维度的捕捉能力如何？

主要发现

• 所提出的无监督框架能够成功从推特数据中生成时序时间线，证明了仅使用推文集合即可实现自动PIE提取的可行性。
• 在名人数据集上的表现优于普通用户数据集，因为名人相关话题更常被讨论，因而更易被主题模型检测到。
• 该模型正确识别了时间特定的个人事件，如大学录取和职业变动，但对低可见度事件因讨论量不足而识别困难。
• 系统有时会将短期兴趣（如勒布朗·詹姆斯关于达拉斯牛仔队的推文）误判为PIE，原因在于高频发布，突显了时间特定性假设的局限性。
• 由于模型依赖词频和主题流行度，低可见度个人事件（如仅有一条关于大学录取且无回复的推文）常被遗漏。
• 研究还发现了隐私问题，指出从公开数据自动重建个人生平可能与用户对隐私的预期相冲突。