[论文解读] TwitterCrowds: Techniques for Exploring Topic and Sentiment in Microblogging Data

Daniel Archambault, Derek Greene+1 more|arXiv (Cornell University)|Jun 17, 2013

Data Visualization and Analytics参考文献 37被引用 11

一句话总结

本文提出了两种基于列表的界面替代方案，用于两种标签云可视化技术——ThemeCrowds 和 SentireCrowds——旨在探索大规模微博数据（数千万条推文）中的主题与情感。作者通过正式的用户研究评估了这些界面，发现当采用适当的排序方式（例如按情感强度排序）时，列表显著提升了识别高情感主题的任务效率，而多层标签云在用户满意度方面更受青睐，尽管效率较低。

ABSTRACT

Analysts and social scientists in the humanities and industry require techniques to help visualize large quantities of microblogging data. Methods for the automated analysis of large scale social media data (on the order of tens of millions of tweets) are widely available, but few visualization techniques exist to support interactive exploration of the results. In this paper, we present extended descriptions of ThemeCrowds and SentireCrowds, two tag-based visualization techniques for this data. We subsequently introduce a new list equivalent for both of these techniques and present a number of case studies showing them in operation. Finally, we present a formal user study to evaluate the effectiveness of these list interface equivalents when comparing them to ThemeCrowds and SentireCrowds. We find that discovering topics associated with areas of strong positive or negative sentiment is faster when using a list interface. In terms of user preference, multilevel tag clouds were found to be more enjoyable to use. Despite both interfaces being usable for all tested tasks, we have evidence to support that list interfaces can be more efficient for tasks when an appropriate ordering is known beforehand.

研究动机与目标

• 为解决社会科学与工业研究中大规模微博数据缺乏可扩展、交互式的可视化技术的问题。
• 将现有的基于标签云的可视化方法（ThemeCrowds 和 SentireCrowds）扩展为对应的列表界面，以提升可用性与性能。
• 评估列表界面与多层标签云在支持主题与情感探索任务方面的有效性。
• 确定在已知最优排序顺序（例如按情感强度）的情况下，结构化排序是否能提升任务效率。

提出的方法

• 采用分层聚类技术将用户生成的推文聚类为每日的文档概要，实现在大规模数据上的主题与情感聚类。
• 为 ThemeCrowds 和 SentireCrowds 开发了对应的列表界面，按情感强度或主题相关性组织主题，以实现更快速的视觉发现。
• 采用无监督学习方法（如聚类）将数千万条推文总结为可管理、可分析的聚类。
• 设计多层标签云与列表界面，以可视化识别主题周围的语言模式与情感强度。
• 通过正式的用户研究，比较列表界面与标签云界面在多个情感与主题发现任务中的任务表现与用户偏好。
• 使用统计分析比较响应时间与偏好排名，参与者完成的任务包括情感强度判断、语言使用分析与主题识别。

实验结果

研究问题

• RQ1 与多层标签云相比，列表界面是否能提升发现强正向或负向情感主题的速度？
• RQ2 在主题与情感探索任务中，用户如何评价列表界面与多层标签云的可用性与愉悦感？
• RQ3 当已知最优排序顺序（例如按情感强度）时，有序列表表示是否能提升任务效率？
• RQ4 当任务中缺乏明确排序时，列表与标签云界面在可用性与有效性方面表现如何？
• RQ5 当性能差异较小时，视觉吸引力在用户偏好中起到何种作用？

主要发现

• 当按情感强度排序时，列表界面在发现情感强度最大主题时显著缩短了响应时间，尤其在识别强正向或负向情感主题时效果明显。
• 在用户偏好调查中，多层标签云整体更受欢迎，22名参与者中有13名更偏好标签云，且被评价为更具趣味性与视觉吸引力。
• 当缺乏合适排序时，列表与标签云在任务完成时间上表现相当，表明排序是影响列表效率的关键因素。
• 用户研究证实，当存在有意义的排序顺序时，列表比标签云更高效，支持了关于有序数据中列表有效性既往研究的发现。
• 尽管存在性能差异，两种界面的错误率均较低，表明两者在大多数主题与情感探索任务中均具可行性。
• 用户反馈表明，虽然标签云更具趣味性，但用户也承认在时间敏感的分析任务中，列表可能更有效。