SVM を用いることでツイートがキーワードに関するもの ④収集 Web SNS ⑤検出システム解析検出 ③情報を発信 ⑥について通知参加者おすすめ ②参加経験かどうか解析しその結果をもとに検出を行っているまた群集行動を解析してを検出している Lee R[4] らによる研究もある

Size: px

Start display at page:

Download "SVM を用いることでツイートがキーワードに関するもの ④収集 Web SNS ⑤検出システム解析検出 ③情報を発信 ⑥について通知参加者おすすめ ②参加経験かどうか解析しその結果をもとに検出を行っているまた群集行動を解析してを検出している Lee R[4] らによる研究もある"

はすなたにしき
7 years ago
Views:

1 参加者のフォロー関係に基づく分類手法の提案河野慎1 米澤拓郎2 中澤仁1,2 川崎仁嗣3 太田賢3 稲村浩3 徳田英幸1,2 概要近年 GPS が搭載されたスマートフォンや SNS の普及によってユーザがリアルタイムに位置情報を付加させた情報を発信できるようになってきたこれらの位置情報付き発言を収集解析することで人々が集まって形成されるソーシャルを検出することが可能となるソーシャルを検出するには発見と分類の２段階の過程があり本研究ではが発見された後の分類手法を提案するには特徴性質として内容規模大衆性の３つがあると考え分類軸として大衆性に着目する位置情報を付与させて発言している参加者のフォロー関係を解析することで大衆性の推定をしの分類を目指す本研究ではリアルタイムに解析を行えるツールを設計実装し大衆性の推定手法について考察を行った 1. はじめに近年 Twitter や Facebook Foursquare といったソーシャルネットワークサービス SNS が普及しユーザ一人ひとりが容易にかつリアルタイムに情報を発信することが可能になってきたこのユーザによって発信された情報にはブログやウェブサイトに関する情報などの拡散だけではなくユーザが見たり経験したことについてなどが含まれている IT 技術の発展によってセンサが開発され様々な事象についてセンシングすることが可能になってきたが未だそれができていない事象も存在するしかしそういっ図 1 iphone5 発売日の様子た事象をユーザが経験し SNS に情報を発信することで従来では得ることができなかった情報を取得することが可能となるこのようにユーザをセンサとみなして情報を収集し何らかの知見を得ようとする参加型センシングと呼ばれる研究が注目されるようになってきているまた IT 技術の発展によって GPS センサが普及されるようになってきた GPS を用いることでバスなど車両の現在位置などをリアルタイムに特定することが可能になった東日本大震災のときも自動車の GPS センサを用いて道路の混雑状況などを把握した例も存在する GPS センサはユーザ一人ひとりが持つ携帯端末にも搭載され端末をなくしてしまった時に見つけたりするサービスやチェックインと呼ばれるサービスが提供されるようになってきたチェックインは特に SNS と共に利用されることが増えまたチェックインだけではなく発信される情報にそのユーザの位置情報を付与させることも多く見受けられるこの位置情報が付与され SNS を用いて発信された情報位置情報付き発言を解析することで人々が集まって形成されるソーシャルを発見することが可能となるソーシャルの一例として図 1 に Apple iphone5 発売日の AppleStore 銀座店付近の様子を示すピンが位置情報付き発言を表しておりこの図から行列の様子を知ることができるこのように位置情報つき発言から地震など特定のソーシャルの検出は多く試みられているしかしイベントの種類はたくさんありこれらを対象に検出するため慶應義塾大学環境情報学部慶應義塾大学大学院政策メディア研究科株式会社 NTT docomo にはを検知した後さらに分類する必要があるそこで本研究ではソーシャルを検知した後に分 1

2 SVM を用いることでツイートがキーワードに関するもの ④収集 Web SNS ⑤検出システム解析検出 ③情報を発信 ⑥について通知参加者おすすめ ②参加経験かどうか解析しその結果をもとに検出を行っているまた群集行動を解析してを検出している Lee R[4] らによる研究もあるこれは位置情報をもとに局所的なイベントとしてある地域の祭りや花火大会を検出しているこれらの研究は予め指定した特定のを検出することに成功しているが複数の種類の検出は行って ①発生いない複数のの検知を行っている研究は存在する [5] が分類にまでは至っていない図 2 本研究応用システム例 2.3 目的類するための手法を提案する大衆性という新しい分類軸本研究は特定のソーシャルだけではなく複数を定義し参加者のフォロー関係を分析することのソーシャルをリアルタイムに分類する手法の提での分類を可能にする本研究では提案した手法案を目的とする本研究が実現することで分類したイベンを実装しユーザがインタラクティブに操作可能なインタトに合わせたリアルタイムな推薦システムやマーケティンフェースを実現したその結果参加者のフォローグ広告都市計画に利用することが可能になる関係から大衆性だけでなくの内容を推定できる可能性もあることがわかり今後の可能性を示唆することができた 2. 社会の検出と分類 2.1 動機 3. 分類手法の提案 3.1 分類軸テキストマイニングはメールのスパムフィルタなど様々なところで用いられている手法であるしかし Twitter はメールなどの文面とは違いその表現方法も多種多様になっ近年ソーシャルに対するニーズは高まってきてていることテキストの量が制限されていることがあるたいるゲリラ豪雨や地震など現在の技術を用いても予測がめテキストマイニングを行っても有益な結果を得ること難しいものが増えてきていることや人の属性に合わせたが難しいこれらの問題を解決するため Nishida ら [8] のマーケティング広告さらに都市計画などに利用することデータ圧縮や Sriram らの発言者情報の追加 [9] など様々なができるからである本研究が実現しソーシャルイベン手法が提案されているしかしテキストマイニングによっトの性質をもとに分類ができることでこういったニーズにて名を特定できただけではユーザに推薦するか応えることが可能になる図 2 に本研究を応用した推薦シどうか評価するのは難しいゆえにテキストマイニングにステムの例を示すこの例では以下の手順で推薦が行わよる名以外の評価分類軸が必要となる分類軸れるの一つとしての規模が考えられるしかしイベン ( 1 ) ソーシャルが発生するトに参加者しているユーザ全員が位置情報付き発言をする ( 2 ) にユーザが参加目撃などをするわけではないしたがって位置情報付き発言のみでそのイ ( 3 ) 参加したことなどについて SNS で発言するベントの参加者数や規模を推定することはできない ( 4 ) SNS 上の情報を収集する ( 5 ) 本研究を応用したシステムがを検知しそのの性質から分類をするそこで本研究ではの新しい分類軸として大衆性という属性を提案する大衆性とは大衆に受け入れられる性質を意味する本研究では大衆を様々な属性をもつ ( 6 ) その性質との近くを通ったユーザの興味を人々と捉え参加者集団の属性の均等性すなわちイベン比較し合致している場合にそのをユーザにト参加者の多様性を示すものとして大衆性を扱うイベンプッシュ通知などを通じて推薦をするト参加者集団の属性が偏っていれば大衆性は低く偏りが上記のシステムを実現するためにはソーシャル少なければ大衆性が高いと考えられる大衆性の高いもののリアルタイムな検知と分類手法の提案をする必要があるとしては花火大会などが挙げられ逆に低いものとしてはサークルの飲み会などが挙げれられる一般に集団の属性 2.2 関連研究ソーシャル発見をする研究は数多く存在するを分析する手法としてクラスタリングがある参加者集団のクラスタリングをした際にクラスタ数が多け Sakaki ら [1] は Twitter から地震の検出に James ら [2] はれば多いほど大衆性が高いといえる大衆性が高いイベン Twitter からスポーツ観戦におけるの検出に成功トの場合はあらゆるユーザに推薦をすることができまたしているこれらの研究では予めキーワードを指定し大衆性が低いの場合でももしその参加 2

3 者の属性とあるユーザの属性が一致していれば推薦をするでの大衆性を推定することが可能となることができるこのように大衆性を評価することでユーザに推薦するかどうかの評価が容易になる 3.2 既存手法問題点 Twitter などで相互フォロー関係に注目しクラスタリングによるコミュニティ分類の研究は数多く存在する多くの研究で用いられているグラフ理論における手法の一つ低に Clique Percolation Method CPM [6][7] が存在する大衆性高しかし Twitter で CPM を用いようとした場合２つの問題がある１つ目は CPM の計算困難性であるクリーク間で共通ノード数を調べるため計算量が膨大になってし参加者まうためである２つ目はユーザのフォロー情報を取得すフレンドフォロー図 3 参加者のフォローの様子るまでの時間である CPM はクリークを利用してコミュニティを推定するものであるが推定するためにはノード間のリンクを少なくとも２ホップ先まで取得する必要がある参加者 n 人に対して CPM を使う場合は参加者一人あたり平均 100 人のユーザをフォローしているとすると Twitter API を少なくとも 100n 回呼ぶ必要がある 2013 年 6 月 14 日の Twitter API 制限の変更に伴い Twitter API は 15 分間で 15 回しか呼ぶことができなくなり 2 ホップ先のユーザのフォロー関係を取得するまでの時間が相当要してしまう以上のことから Twitter に CPM を用いて参加者間におけるつながりによる大衆性を推定することが難しい 4. 設計実装本研究ではリアルタイムにデータの取得解析が可能かつユーザがインタラクティブに操作可能なインタフェースをもつツールの設計と実装を行った 4.1 解析ツール本研究ではの分類が目的であり検出は既存手法の利用を想定するそこで図 4 のような直感的にイベントを発見することを支援するツールを実装し手動でイベントの発見ブックマークを可能にさせる発見ブックマークされた名は図 5 6 の左側に一覧表示さ 3.3 アプローチ大衆性を推定するために参加者のコミュニティ分類以外の手法で考える必要がある本研究では参加者の興味に着目する参加者の興味は Twitter においてそのフォローしているユーザフレンドに現れれる一覧の中から選択されたを解析してグラフ図 5 で表示しまた特定のフレンド集合 P を参加者からのフォロー獲得数によるランキング図 6 で表示するているとし参加者のフレンドを解析する取得するフレンドの情報を１ホップ先のみにすることで TwitterAPI を呼ぶ回数を n 回にすることが可能になる参加者 a がフォローしているフレンドの集合を Fa 参加者全員を A = {a 参加者 } とするとフレンドの集合 P は P = Fi (k A) (1) i k と表せる図 3 にフォロー関係の様子を示す図 3 左のように参加者の多くが特定のフレンドをフォローしている場合この参加者はある共通の興味関心図 4 発見ツール特定のフレンドをもつといえることからこのは大衆性が低いといえる逆に図 3 右のように参加者のフォローしているフレンドが特定のフレンドに集中 4.2 システム構成せずに分散している場合参加者の共通の興味図 7 に解析ツールのシステム構成図を示す Twitter か関心はないためこのの大衆性は高いといえるら Streaming API を利用して日本国内の位置情報つき発このように参加者のフォロー関係を解析すること言を取得し整形した後 TweetDB に保存していく次 3

4 べき乗分布にはパレートの法則の法則と呼ばれる法則があるこれは主要な一部上位 20 が全体の大部分残り 80 に影響を持っていることが多いというものであるパレートの法則をこの結果に当てはめると参加者に多くフォローされている上位 20 のフレンドが全体を表しているという仮説がたつ表 1 2 はこの仮説をもとに多くの参加者にフォローされているフレンド 20 のうち上位５人とそのフォローされている割合を示しているこの上位５人のフレン図 5 解析ツール１ドを見てみるとコミケでは１位に声優の田村ゆかり２位に艦これのアカウントが来ている FUJI ROCK FESTIVAL では１位２位ともに FUJI ROCK FESTIVAL に関連するアカウントになっているこれらを仮説に当てはめるとこのアカウントがを表していることになりそれぞれのを考えると妥当であるといえるこのようにテキストマイニングをしなくても参加者のフレンドを解析することでがどんな内容性質をもつのかがわかるといえる図 6 解析ツール２に図 4 のように地図上に発言をピンで表示しを発見する発見ツールで囲まれた発言をしたユーザがフォローしているフレンドの情報を Twitter から Rest API を利用して取得するその後取得したフレンドの情報を解析しその結果を表示する発見モジュール Tweet DB DB DB ユーザユーザ収集モジュール! 解析モジュール Twitter 表示モジル図 7 本システム構成図図 8 5. 解析結果考察解析結果の一部を図 8 表 1 2 に示すこれらは 2012/12/29 のコミケ初日と 2012/7/27 の FUJI ROCK 表 1 解析結果コミケ１日目順位アカウントフォロー数/参加者 FESTIVAL を解析したものである図 8 のグラフはイ 1位田村ゆかり@ 11/20 新アルバム発売ベント参加者のフレンドの集合 P を参加者にフォ 2位艦これ開発/運営ローされている割合から降順に並べたものであり横軸は 3位 geek@akibablog フレンドの集合 P を縦軸はその割合を意味している図 4位竹達彩奈に示されるようにべき乗分布に従っていることがわかる 5位 NHK 広報局ユルく会話しますよ

5 2 FUJI ROCK FESTIVAL / 1 FUJI ROCK FESTIVAL fujirockers.org Creativeman Radiohead α [10] 8 y = x α α α 3 α 8 P K-means k=4 K-means [11] K-means Twitter API CPM c 2013 Information Processing Society of Japan 5

6 [12] Carlos [13] 7. Twitter SNS GPS [1] Sakaki, Takeshi, Makoto Okazaki, and Yutaka Matsuo. Earthquake shakes Twitter users: real-time event detection by social sensors. Proceedings of the 19th international conference on World wide web. ACM, [2] Lanagan, James, and Alan F. Smeaton. Using twitter to detect and tag important events in live sports. Artificial Intelligence (2011): [3] Thelwall, Mike, Kevan Buckley, and Georgios Paltoglou. Sentiment in Twitter events. Journal of the American Society for Information Science and Technology 62.2 (2011): [4] Lee, R., Sumiya, K. Measuring geographical regularities of crowd behaviors for Twitter-based geo-social event detection, Proceedings of the 2nd ACM SIGSPATIAL International Workshop on Location Based Social Networks(2010). [5] Becker, Hila, Mor Naaman, and Luis Gravano. Beyond Trending Topics: Real-World Event Identification on Twitter. ICWSM [6] Palla, Gergely, et al. Uncovering the overlapping community structure of complex networks in nature and society. Nature (2005): [7] Palla, Gergely, Albert-Lszl Barabsi, and Tams Vicsek. Quantifying social group evolution. Nature (2007): [8] Tweet-Topic Classication using Data Compression, Kyosuke NISHIDA, Ryohei BANNO, Ko FUJIMURA, and Takashide HOSHIDE,NTT Cyber Solutions Laboratories, NTT Corporation, 2011 [9] B. Sriram, D. Fuhry, and M. Demirbas, Short text classification in twitter to improve information filtering, Proceedings of 33rd Inter- national ACM SIGIR Conference on Research and Development in Information Retrieval, pp , [10] Si, Si.. [11], and (2011): [12],, and (2013): [13] Castillo, Carlos, Marcelo Mendoza, and Barbara Poblete. Information credibility on twitter. Proceedings of the 20th international conference on World wide web. ACM, c 2013 Information Processing Society of Japan 6

FIT2014( 第 13 回情報科学技術フォーラム ) RD-002 Web SNS Yuanyuan Wang Gouki Yasui Yuji Hosokawa Yukiko Kawai Toyokazu Akiyama Kazutoshi Sumiya 1. Twitter 1 Facebo

FIT2014( 第 13 回情報科学技術フォーラム ) RD-002 Web SNS Yuanyuan Wang Gouki Yasui Yuji Hosokawa Yukiko Kawai Toyokazu Akiyama Kazutoshi Sumiya 1. Twitter 1 Facebo RD-002 Web SNS Yuanyuan Wang Gouki Yasui Yuji Hosokawa Yukiko Kawai Toyokazu Akiyama Kazutoshi Sumiya 1. Twitter 1 Facebook 2 SNS SNS SNS Twitter SNS [1] SNS [2] Twitter Web Web Web Web SNS Web Web 2 Web