DEIM Forum 2015 F8-4 Twitter Twitter 1. SNS

Size: px

Start display at page:

Download "DEIM Forum 2015 F8-4 Twitter Twitter 1. SNS"

かずただかいじ
5 years ago
Views:

DEIM Forum 2015 F8-4 Twitter 432 8011 3-5-1 432 8011 3-5-1 E-mail: cs11032@s.inf.shizuoka.ac.jp, {yokoyama,fyamada}@inf.shizuoka.ac.jp Twitter 1.

1 DEIM Forum 2015 F8-4 Twitter Twitter 1. SNS SNS SNS Twitter 1 Twitter SNS facebook 2 mixi 3 Twitter 1 1 Twitter 1https://twitter.com/ 2https:// 3https://mixi.jp/ 1 Twitter [1] Twitter Authority Twitter [6] Authority [4] 3 1 Twitter 2 3

2 Twitter Java [2] Kwak [3] Cha [4] Huberman [5] Huberman Twitter Huberman 2. 1 Liben-Nowell [6] Liben-Nowell Score(x, y) (x) x Common Neighbors x y Score(x, y) = Γ(x) Γ(y) Jaccard s Coefficient x y Common Neighbors Score(x, y) Score(x, y) = Adamic/Adar Γ(x) Γ(y) Γ(x) Γ(y) x y CommonNeightbors 1 Score(x, y) 1 Score(x, y) = log Γ(z) z Γ(x) Γ(y) Preferential Attachment x y Score(x, y) Score(x, y) = Γ(x) Γ(y) 2. 2 [7] Random Walk 2 Random Walk Random Walk /

3 3 F ij = (f ij f ji ) F ij i j f ij i j f ji j i 0 i j f ij f ij = (1 + log T

3 Twitter Twitter API 4 REST API REST API API Streaming API Twitter Twitter F ij = (f ij f ji ) F ij i j f ij i j f ji j i 0 i j f ij f ij = (1 + log T ij) 1 T ij T ij fij k k=1 2 T ij i j f k ij k i j i j 2 A B 2 1 A B 2, A A B / f k ij = 1 R-time k (i) R-time k (i) + R-time k (j) 4https://dev.twitter.com/

4 5 = 3 4 R-time k (j) R-time k (i) + R-time k (j) R-time k (i) k i R-time k (i) + R-time k (j) A B 4 A B WebWorkers ,114 1, , , ,182,

6 1 1 10 3 113 104 A3 A4 1 B2 B3 1 1 4. 2. 2 2 3 20 0.

5 A3 A4 1 B2 B C C1 C1 C1 C1 B1 17 B A1B1C1 3 A

表2 表4 提案手法による親密度の算出結果表5 親密度から予想されたグループとの適合率リプライ数から予想されたグループとの適合率ループであることを示す例えば表 4 ではグループ 1 に分類されたユーザが親密度によってグループ 3 と予想されたユーザ数が 13 人だと読み取ることができる 2 つの表から親密度による適合率は 38%でリプライ数による適合率は 36%となり

6 表2 表4 提案手法による親密度の算出結果表5 親密度から予想されたグループとの適合率リプライ数から予想されたグループとの適合率ループであることを示す例えば表 4 ではグループ 1 に分類されたユーザが親密度によってグループ 3 と予想されたユーザ数が 13 人だと読み取ることができる 2 つの表から親密度による適合率は 38%でリプライ数による適合率は 36%となりわずかに親密度による適合率の方が高い結果が得られた相関係数の差の検定適合率の実験ではわずかに親密度を用いた方が適合率が高い結果が得られたことから一般的にもそのようなことが言え図7 ユーザを分類する作業画面るのかどうかについて統計解析を用いて検証したまず実際に実験協力者が分類したグループ分類と親密度の相関とグとが分かるユーザ B1 は 2012 年後期と 2013 年前期で上位にループ分類とリプライ数の相関の比較を行った相関係数を求位置しているが 2013 年後期以降会話が 1 回もおこなわれるめた結果グループ分類と親密度の相関係数がでグことがなかったこのことから著者アカウントはユーザ B1 ループ分類とリプライ数の相関係数がであったグルーと以前は交友関係があったがそれ以降は疎遠になっているこプ分類は 1 が最も仲が良いとされるグループであるため相関とが言えるまたそれとは別にユーザ C1 は各期間において係数は負の値をとるこの結果から両者とも弱い相関が見ら上位 20 位以内に位置しているが特に高い順位の時はないことれわずかではあるがグループ分類と親密度の方が相関が強いから親密度の起伏がなく安定した交友関係を築いていることことが分かった次にこの差が一般的にも言うことができるが分かるここに示したユーザ 3 名は実際の交友状況と親密度のか 2 つの相関係数の差の検定を行った帰無仮説は 2 つが深く結びついていることが確認できた 4. 3 データセット 2 に対する実験実験協力者 11 名から取得したデータに対して従来のリプの母相関係数は等しいとするそれぞれの相関係数とデータ数 463 件から変換値を以下の式 1 によって求め変換値より統計量を式 2 によって求めたライ数による評価と提案手法での精度の比較実験を行ったその後得られた精度の差に対して統計解析を行った実験協力者による相互フォローユーザの分類 zi = ri ln 2 1 ri (1) 実験協力者には自身と相互フォロー関係にあるユーザを仲が良いかどうかによって 5 グループに分類する作業を行ってもらった図 7 に実際に実験協力者に行ってもらったユーザを分類する作業画面を示す親密度による適合率とリプライ数による適合率 z= zi zj 1 ni 3 + (2) 1 nj 3 ここで ri は相関係数 ni はデータ数を示すこれにより求表 4 に実験協力者が分類したユーザが属するグループを答えめられた統計量はであったこの統計量は標準正規分として親密度から予想されたグループとの適合率を示す同布に従い有意差を 5%とすると統計量の値は帰無仮説の採択様に表 5 にはリプライ数から予想されたグループとの適合率域であるより大きく 1.96 より小さいため有意差は見を示すここで適合率とは実際に分類されたグループと予想られないこの結果から今回実験協力者から得られたデータされたグループが完全に一致した確率のことを言い表では対では偶然に提案手法を用いた方が従来のリプライ数を用いる角に示された値の総和が全体に占める比率である表における手法より精度が良いとする結果が得られたが必ずしも提案手グループ番号の 1 が仲が良いとされるグループであり 2 が少法を用いた方が精度が良いと断言することはできないし仲が良いとされるグループ 3 が普通のグループ 4 がそれほど仲が良くないグループ,5 が仲が良くないグループである 5. まとめそれぞれの行が分類されたグループであり列が予想されたグ本研究ではユーザ間の会話に基づいて親密度を算出し本

7 3 / 1 n [1] NLCvol.111, No.427, pp.19-24, [2] Java, A., Song, X., Finin, T., and Tseng, B., Why We Twitter: Understanding Microblogging Usage and Communities., Proc. of the 9th WEBKDD and 1st SNA-KDD 07 workshop on Web mining and social network analysis, pp , [3] Kwak, H., Lee, C., Park, H., and Moon, S., What is Twitter, a Social Network or a News Media?, Proc. of the 19th International Conference on World Wide Web, pp , [4] Cha, M., Haddadi, H., Benevenuto, F., and Gummadi, Krishna P., Measuring User Influence in Twitter: The Million Follower Fallacy, Proc. of the 4th International AAAI Conference on Weblogs and Social Media, pp , [5] Bernardo A., Huberman, Daniel M., Romero, and F., Wu, Social networks that matter: Twitter under the microscope, ArXiv, [6] Liben-Nowell, D., Kleinberg, J., The Link Prediction Problem for Social Networks, Proc. fo the 12th International Conference on Information and Knowledge Management, pp , [7] Vol.157, No.30, pp.1-5, 2013.

Vol.6 No (Aug. 2013) Twitter 1,a) , Twitter Twitter Study of Twitter s Follow Mechanism Based on Network

Vol.6 No (Aug. 2013) Twitter 1,a) , Twitter Twitter Study of Twitter s Follow Mechanism Based on Network Twitter 1,a) 1 2 3 2012 11 3 2013 1 25, 2013 3 27 Twitter Twitter Study of Twitter s Follow Mechanism Based on Network Analysis Akihiro Koide 1,a) Kazumi Saito 1 Kazuhiro Kazama 2 Fujio Toriumi 3 Received: