[论文解读] Tracking User Attention in Collaborative Tagging Communities

Elizeu Santos‐Neto, Matei Ripeanu+1 more|ArXiv.org|May 7, 2007

Recommender Systems and TechniquesComputer Science参考文献 15被引用 17

一句话总结

本文提出了一套框架，通过分析标签行为和用户兴趣相似性，追踪并建模 CiteULike 和 Bibsonomy 等协作标签社区中的用户注意力。该框架引入了新颖的用户兴趣相似性度量方法，揭示出一个核心用户群体（共享广泛兴趣）和大量具有独特、小众偏好的用户群体的社区结构，有助于提升不断扩展的知识空间中的内容导航与可扩展性。

ABSTRACT

Collaborative tagging has recently attracted the attention of both industry and academia due to the popularity of content-sharing systems such as CiteULike, del.icio.us, and Flickr. These systems give users the opportunity to add data items and to attach their own metadata (or tags) to stored data. The result is an effective content management tool for individual users. Recent studies, however, suggest that, as tagging communities grow, the added content and the metadata become harder to manage due to an ease in content diversity. Thus, mechanisms that cope with increase of diversity are fundamental to improve the scalability and usability of collaborative tagging systems. This paper analyzes whether usage patterns can be harnessed to improve navigability in a growing knowledge space. To this end, it presents a characterization of two collaborative tagging communities that target scientific literature: CiteULike and Bibsonomy. We explore three main directions: First, we analyze the tagging activity distribution across the user population. Second, we define new metrics for similarity in user interest and use these metrics to uncover the structure of the tagging communities we study. The structure we uncover suggests a clear segmentation of interests into a large number of individuals with unique preferences and a core set of users with interspersed interests. Finally, we offer preliminary results that demonstrate that the interest-based structure of the tagging community can be used to facilitate content usage as communities scale.

研究动机与目标

• 理解用户注意力在 CiteULike 和 Bibsonomy 等协作标签社区中的分布方式。
• 识别影响可导航性和内容可发现性的用户标签行为结构模式。
• 开发用于测量用户兴趣相似性的度量方法，以揭示社区组织结构。
• 评估基于兴趣的社区结构是否能在社区规模扩大时改善内容访问。
• 为数字图书馆中的个性化、可扩展元数据访问提供基础。

提出的方法

• 分析用户间标签活动的分布，以识别贡献频率中的幂律模式。
• 基于共享标签和标签共现关系，定义新的相似性度量方法，以衡量用户兴趣的一致性。
• 将这些度量方法应用于 CiteULike 和 Bibsonomy 的真实世界数据集，以绘制用户兴趣聚类图。
• 利用所得的兴趣结构，将社区划分为核心用户与利基用户。
• 通过展示该结构在引导内容发现与导航方面的潜力，验证其有效性。
• 采用统计与网络分析技术，从标签共现模式中揭示潜在的社区组织结构。

实验结果

研究问题

• RQ1 协作标签社区中用户的标签活动如何在用户间分布？
• RQ2 在分析标签共现与相似性时，用户兴趣中会浮现何种结构模式？
• RQ3 能否识别出具有重叠兴趣的核心用户群体，他们与具有独特偏好的用户之间有何关系？
• RQ4 所识别出的兴趣驱动结构如何支持内容导航与可扩展性？
• RQ5 在不断扩展的数字图书馆中，用户注意力模式在多大程度上可被利用以改善元数据访问？

主要发现

• 用户兴趣呈现出清晰的分层结构：大量用户具有独特、个性化的标签模式，而少数核心用户则具有重叠的兴趣。
• 核心用户群体在标签行为上表现出高度的用户间相似性，表明其兴趣共享，具备协同过滤的潜力。
• 标签活动的分布遵循幂律模式，表明少数用户贡献了绝大多数标签。
• 基于兴趣的社区结构揭示出一种分层组织，其中核心用户作为内容发现的枢纽。
• 所提出的相似性度量能有效捕捉用户兴趣的一致性，可用于引导个性化内容访问。
• 初步结果表明，利用该结构可提升大规模协作标签系统中的可导航性与可扩展性。