Positive/Negative 2 Neutral 3 [4],[5],[6],[7],[8],[9] Positive Negative / / 2 3 Positive/Negative 10 [11] 8,,,,,,, [10] 8 Twitter Twitter ff- ff- ff-

Size: px

Start display at page:

Download "Positive/Negative 2 Neutral 3 [4],[5],[6],[7],[8],[9] Positive Negative / / 2 3 Positive/Negative 10 [11] 8,,,,,,, [10] 8 Twitter Twitter ff- ff- ff-"

おきみちわかはら
5 years ago
Views:

1 WebDB Forum ,a) 2,b) 1,c) Twitter TL TL Twitter Twitter 8,,,,,,, 8 1. Twitter Twitter Twitter Twitter TL TL Twitter [1] Twitter 1 Konan University 2 Chiba Institute of Technology a) wabisabiwasabin@gmail.com b) kumamoto@net.it-chiba.ac.jp c) nadamoto@konan-u.ac.jp Pennacchiotti [2] Gurini [3] 2015 Information Processing Society of Japan 174

2 Positive/Negative 2 Neutral 3 [4],[5],[6],[7],[8],[9] Positive Negative / / 2 3 Positive/Negative 10 [11] 8,,,,,,, [10] 8 Twitter Twitter ff- ff- ff- Twitter Rest API *1 ff- *1 ff- ff- ff Twitter [12] 2-hop Scott [13] Jilin [14] Hannon [15] Twitter Twittomender Armentano [16] [17] [18] Twitter Yahoo! API[19] 2015 Information Processing Society of Japan 175

3 Plutchik [20] 8 [21] Takaoka [22] 10 [11] 6 10 [11] 8,,,,,,, [10] 3. ff- Twitter Rest API ff- n 2n n [24] Repeated Bisection [25] *2 bayon 10 2 ff- ff- 10:1 1:1 *2 Repeated Bisection bayon[26] i R i T R R i = X i Y i X i + Y i X i i X Y i i Y Repeated Bisection i C i c i x C i A i T A A i = x C i ( x c i x c i )2 R i T R A i T A T R = 0.25 T A = ff Information Processing Society of Japan 176

4 ff- 4.1 [21] 3 Twitter 2 1 Twitter [10] 10 [11] 8,,,,,,, 8 2 Twitter Yahoo! * 3 74,000 5,600 7,500 *3 Yahoo!movie Juman *4 32,326 * Information Processing Society of Japan 177

5 3 AS i BS i S i i= (20,3,12,3,4,3,3,5) (20,4,11,4,3,3,5,3) 0.99 i= (6,3,3,10,4,20,3,3) (3,5,5,12,3,18,5,3) 0.97 S( ) 1.96 [23] Juman ff- S S = k i=1 ( AS i BS i AS i BS i )2 k AS i i BS i i ff- 2 S S T S ff- ff- 3 ( ) 3 ff- ff Plutchik [20] 1 3 ff- ff- ff- ff ff- 100 User1 User2 User3 User4 ( ) 2015 Information Processing Society of Japan 178

6 図 1 レーダーチャートの例あり喜好驚のツイートを多数している度が上がったと考えられる 2 つめの理由として bayon User5 サッカーに対して興味を持っている対象ユーザの結果のみのベースライン bayon がハードクラスタリンで浦和レッズに対して喜好の感情が多くチーグであるため必ずどこかのクラスタにツイートが含てしまムを応援するようなツイートを多く投稿しているう反面我々のではクラスタ内に含まれる凝集性を考慮しているためこれらのクラスタに含まれる話題表 4 実験 1 の精度適合率が削除され精度が上がったと考えられるこの 2 つの理由からよりの精度は格段に上 User User がったと考えられる例えば User1 において bayon の結 User 果では候補ユーザのみがツイートしている話題であるテ User ニスやゲームなど対象ユーザがツイートしていない User 話題のクラスタが多数形成されているそれに対して提案手法ではこれらのクラスタは削除され共通の話題である阪神や読売などのクラスタが多く形成された 6.1 実験１クラスタリングの有用性実験条件我々の提案する共通話題クラスタの決定手法の有用性を示す為に比較実験を行ったここでは bayon によってク 6.2 実験２感情を考慮したフォロイー推薦手法の有用性実験条件の共通の話題と感情を考慮したフォロイー推薦ラスタリングされたそのままの結果をベースラインとしと話題のみのフォロイー推薦との比較実験を行い提案話題の比率と凝集性を用いた我々のと適合率によ手法の有用性を示す実験を行ったベースラインは話題る比較実験を行いの有用性を示す正解データのみの類似度からフォロイーを推薦している手法を用いは人手で対象ユーザと ﬀ-ユーザのツイートを見比べて共通た正解データは人手により対象ユーザと ﬀ-ユーザのツの話題を選びその共通の話題とクラスタの話題を比較しイートを見比べてフォロイーとして適切と感じたユーザをて正しいと感じたものを選んだ選んだ結果と考察実験結果を表 4 に示す表 4 の全ての対象ユー結果と考察ザにおいてよりの精度は格段に実験結果を表 5 に示す上がっている精度が上がった理由として 2 つ考えられる User1 の場合は適合率再現率 F 値の全ての値でベー 1 つめの理由として 2 ユーザのツイートを混ぜた状態でクスラインを上回ったベースラインでは阪神と巨人につラスタリングしているためベースラインでは 2 ユーザいてツイートしている ﬀ-ユーザがフォロイー候補として推共通の話題を表すクラスタではなく片方のツイートのみで薦対象となっておりその中には阪神ファンのみならずクラスタを形成する場合が多く見られそのようなクラス巨人ファンと思われる ﬀ-ユーザもいた我々の手法ではタは共通の話題ではなく片方のユーザの話題となってし阪神に対して喜好や昂といった感情をツイーまい不適切な結果となっていたこれに対し我々の提案トしていて巨人に対して厭怒といった感情を手法はクラスタ内のツイートの比率を考慮しているためツイートしているユーザが推薦され巨人ファンと思われこれらユーザの偏ったクラスタが削除されることにより精 2015 Information Processing Society of Japan 179

7 表 5 手法 User1 User2 User3 User4 User5 実験 2 の精度適合率 User3 とその ﬀ-ユーザは巨人の選手に対してのツイートを再現率 F値多く投稿しておりその為選手毎に評価が分散してしまい User1 と比較してベースラインとの差が小さく User4 に関しては適合率再現率共にベースラインとなっていると思われるとの差は見られなかったその理由として対象ユーザとその ﬀ-ユーザはアニメのタイトルであるアイドルマスター内に出て来る特定のキャラクターに対するツイートを多く投稿しておりその為キャラクター毎に評価が分散してしまいベースラインととの差が見られなかったと考えられる User5 はベースラインとを比較すると提案手法がベースラインを下回る結果となったその理由として User5 があまり感情的なツイートをしていなかった為と考えらえれる User5 と同じように感情的なツイートをあまりしていない User2 は政治やニュースについてのツイートであるため ﬀ-ユーザも同様に感情的なツイートをあまりしていない傾向があるしかし User5 の ﬀ-ユーザはサッカーや浦和レッズに対して感情的なツイートを多くしているその為推薦されるべき ﬀ-ユーザと User5 の感情がか図 2 User1 と類似度が高い ﬀ-ユーザのレーダーチャートけ離れてしまいそれに伴い類似度が低くなりの精度が良くない結果となったまた今回の実験結果の中で User1 に対して最も類似度の高く推薦フォロイー推薦となった ﬀ-ユーザのレーダーチャートを図 2 に示すこの図 2 から対象ユーザと同様に阪神に対して喜好と昂の感情を強く持っていて且つ巨人に対して怒厭の感情を強く抱いていることが分かる実際にツイートを見ることなくレーダーチャートを見るだけで直感的に自分と同じような話題とその話題に対して持っている感情が理解できる反対に今回の実験結果の中で図 2 と同様に阪神と巨人についてツイート図 3 User1 と類似度が低い ﬀ-ユーザのレーダーチャートしているが類似度が低く話題は同じであるが感情が異なるため推薦フォロイー候補となっていないユーザを図 3 にる ﬀ-ユーザや阪神を野次っている ﬀ-ユーザをフォロイー示す図 3 では対象ユーザが阪神に対して喜好昂推薦対象から排除することができたその理由の一つとしという感情が強く怒厭哀という感情が弱いが逆て対象ユーザと ﬀ-ユーザが阪神と巨人に対してに ﬀ-ユーザは怒厭哀という感情が弱く喜好感情的なツイートを多くしており感情抽出が成功してい昂という感情が強いまた巨人に対しても同様に感ると共に被験者からもこれらツイートの感情が分かりや情の差が見られその為この ﬀ-ユーザは User1 のフォロすかった為と考えられるイー推薦候補として適さないことがわかるこのように User2 に関しては適合率再現率共にベースラインと実際にツイートを見ることなくレーダーチャートを見るだとの差が見られなかったこれは対象ユーザでけで話題に対して違う感情であることが容易に分かるある User2 は政治やニュースについてのツイートが多いためあまり感情的なツイートが多くされていなかったことで精度に差が見られなかったと考えられる 7. まとめと今後の課題本論文では話題とその話題に対しての感情を考慮した User3 はベースラインとを比較すると提案手フォロイー推薦手法を提案した具体的には (1) クラス法の方が良い結果となっているが同じ野球を共通の話題タリングを用いて共通の話題の抽出手法を提案した具体としている User1 の結果と比較するとそれほどベースラ的にはクラスタに含まれているツイートの比率と凝集性イとの結果の差が大きくないその理由としてを考慮したクラスタの選別を行う手法を提案した (2) 共 2015 Information Processing Society of Japan 180

8 (3) JSPS ( ) [1] Twitter Reports First Quarter 2015 Results, cfm?releaseid= [2] M. Pennacchiotti and S. Gurumurthy, Investigating Topic Models for Social Media User Recommendation, Proceedings of the 20th International Conference Companion on World Wide Web, pp , [3] D. F. Gurini, F. Gasparetti, A. Micarelli and G. Sansonetti, A Sentiment-Based Approach to Twitter User Recommendation, Proceedings of the 5th ACM RecSys Workshop on Recommender Systems, [4] 37 pp [5] : 22 (2) pp [6] 6 DEIM 2014 No.E [7] 17 pp [8] M. Kobayashi, T. Inui and K. Inui, Dictionary-based acquisition of the lexical knowledge for p/n analysis, SIG-SLUD, pp.45 50, [9] S. Fujimura, M. Toyoda, and M. Kitsuregawa, A reputation extracting method considering structure of sentence, Institute of Electronics, Information and Communication Engineers, Data Engineering Workshop, [10] Twitter 7 DEIM 2015 No.E [11] 1993 [12] Twitter (CD-ROM) Vol [13] SA. Golder, S. Yardi, A. Marwick and D. Body, A structural approach to contact recommendations in online social networks, Proceedings of Workshop on Search in Social Media at ACM SIGIR Conference on Information Retrieval, [14] C. Jilin, G. Werner, D. Casey, M. Michael and G. Ido, Make New Friends, but Keep the Old: Recommending People on Social Networking Sites, Proceedings of the SIGCHI Conference on Human Factors in Computing Systems, pp , [15] J. Hannon, K. McCarthy and B. Smyth, Finding useful users on twitter: twittomender the followee recommender, In Advances in Information Retrieval 33rd European Conference on IR Research, pp.18 21, [16] MG. Armentano, DL. Godoy, and AA. Amandi, A topology-based approach for followees recommendation in twitter, In: The 9th Workshop on Intelligent Techniques for Web Personalization and Recommender Systems, ITWP, p.22, [17] Twitter pp [18] Twitter Vol.J98-D No.5 pp [19] API /developer.yahoo.co.jp/webapi/jlp/keyphrase/v1/ extract.html [20] R. Plutchik, The nature of emotions, American Scientist, Vol.89, pp , [21] T. Kumamoto, Design of Impression Scales for Assessing Impressions of News Articles, LNCS6193, Springer, In International Workshop on Social Networks and Social Media Mining on the Web (SNSMW 10), pp , [22] K. Takaoka and A. Nadamoto, Words-of-Wisdom Search based on Multi-dimensional Sentiment Vector, International Journal of Business Intelligence and Data Mining(IJBIDM), pp , [23] Vol.J94-D, No.3, pp [24] 6 DEIM2014 No.E [25] Y. Zhao and G. Karypis, Comparison of Agglomerative and Partitional Document Clustering Algorithms, University of Minnesota, pp.2 14, [26] M. Fujisawa, Bayon - a simple and fast clustering tool - Google Project Hosting, 2012, code.google.com/p/bayon/wiki/tutorial en [Online; accessed 11-August-2015] Information Processing Society of Japan 181

話題と感情の可視化に基づくフォロイー推薦

話題と感情の可視化に基づくフォロイー推薦 2015 年度修士論文発表 2016 年 2 月 13 日 Twitter の感情抽出に基づくフォロイー推薦甲南大学大学院自然科学研究科知能情報学専攻灘本研究室 21424010 山本湧輝 2 はじめに Twitter の基本的な使い方気になるユーザをフォローするそのユーザのツイートを見ることが出来るフォローツイートフォロイー 3 ユーザをフォローする理由趣味嗜好が似ているユーザ