2 21, Twitter SNS [8] [5] [7] 2. 2 SNS SNS Cheng [2] Twitter [6] Backstrom [1] Facebook 3 Jurgens

Size: px

Start display at page:

Download "2 21,238 35 2 2 Twitter 3 4 5 6 2. 2.1 SNS 2.2 2. 1 [8] [5] [7] 2. 2 SNS SNS 2 2. 2. 1 Cheng [2] Twitter [6] 2. 2. 2 Backstrom [1] Facebook 3 Jurgens"

なおみもてぎ
9 years ago
Views:

1 DEIM Forum 2016 B4-3 地域ユーザに着目した口コミツイート収集手法の提案長島里奈関洋平圭猪筑波大学情報学群知識情報図書館学類茨城県つくば市春日 1 2 筑波大学図書館情報メディア系茨城県つくば市春日 1 2 つくば市役所茨城県つくば市研究学園 s @u.tsukuba.ac.jp, [email protected] あらまし本研究では店舗自治体地域住民が消費者の口コミを活用することを支援するために地域店舗を対象に絞って口コミツイートを収集するための手法を提案する提案手法は地域ユーザを口コミツイート収集の手がかりとして用いるしかし居住地をプロフィールに記述するユーザは多くないことから地域ユーザのカバー率向上のためにフォロー関係を活用する地域活性化を目的とするイベントの出店店舗を対象とした口コミツイートの収集において提案手法と手がかりに地域ユーザを用いないベースラインとの比較実験を行った結果提案手法による口コミツイート収集結果の F 値の平均はとなりベースラインから 93%の改善が見られた特に店舗名が多義性を持ちかつ店舗のある地域と結びつけることで店舗名が一意性を持つようになる店舗において提案手法は有効であったキーワード Twitter 口コミ地域活性化地域店舗 1. 2 背 1. はじめに景近年口コミツイートは消費者の生の声を聞く手段として 1. 1 本研究の概要企業や自治体などから注目を集めている注 1 本研究では Twitter における地域店舗を対象とした口コミツイートの収集手法について提案を行う実際に自治体による地域活性化に口コミツイートが活用された例としてつくば福来らーめん紀行注 2 が挙げられるこ近年リアルタイム性や投稿の手軽さにより Twitter 上にのイベントはラーメン店で市の名産品をプロモーションする消費者の口コミが多数投稿されるようになった手軽に発信という主旨で行われたイベントの開催にあわせて著者らがされるため消費者の本音が出やすいという記述内容の特色やイベントに出店した 12 店舗についての口コミツイートを収集データ量の優位性などの理由により Twitter 上の口コミはしつくば市と協力して公式サイトへの掲載を行った実際企業や自治体からも注目を集めている本研究ではこのようのページの一部を図 1 注 2 に示すな Twitter 上の口コミを口コミツイートとする一方全国的に有名な会社商品人物などを対象に絞った場合においては口コミツイートが比較的収集しやすいのに対し特定の地域においてのみ人気のある地域店舗を対象に絞った場合は口コミツイートの収集は難しいその理由としては地域店舗名が複数の意味で用いられる場合地域店舗に関わるツイートだけを集めようとしても地域店舗に適合しないツイートが混ざってしまうことが挙げられるこのように口コミツイートが消費者の反応を知るために有効なものであるにも関わらず地域店舗を対象とした口コミツイートの活用は容易ではないそのため地域店舗を対象に絞った口コミツイートの収集手法を開発することが必要となる本研究では先行研究で用いられている手がかりに新たに地域ユーザを加えることによって地域店舗を対象に絞った口コミツイートの収集手法を提案するこれにより店舗自治体地域住民が消費者の口コミを活用することが可能になると考える注 1 図1 公式サイトに表示された口コミツイート口コミツイートを掲載したサイトはイベントが開催された 2015 年 8 月 1 日から 2015 年 9 月 30 日までの期間で 3,057pv を獲得することができたしかしイベント出店店舗の中には複数の意味で用いられる単語を名称とする店舗が存在し対象店舗に絞った口コミツイートの収集が困難であった実際の例を図 2 に示すこの図における店舗名小五郎はアニメ注 2

2 2 21, Twitter SNS [8] [5] [7] 2. 2 SNS SNS Cheng [2] Twitter [6] Backstrom [1] Facebook 3 Jurgens [3] Twitter BOT SNS Jurgens [3] [4] 46.5% 15.5% 0.46% [4] 3. Twitter 3

3 Twitter Twitter Twitter (1) 5 4. Twitter Twitter Twitter4j 5 12 RT I m ID bot ,

4 , , TORIDORI , , Twitter 1 4,548 F 1 3 = (1) = (2) F = F 1% (3)

5 2 F F F t- ( 1%) 4. 5 F 12 9 F (1) (2) 2 F F F F F F 31% % [4] 5 F [3] BOT

6 [1] [3] F (1) 5 3,000 6,000 5,000 4,000 3,000 2,000 (2) 5 4,000 6,000 5,000 4,000 3,000 2,000 (3) 4,000 3, ,000 4,000 5,000 F 4,000 9 F F 3, F ,000 3,000 4,000 F 1 1

7 F 1 4, , ,589 F BOT 1 1 4,000 3, F F F F 2 1 F 2 3 F 4, , , F 5% 5. 4 F F

8 4 F F F t- ( 5%) F 4 F 6. Twitter F 31% 93% 47% F B B [1] L. Backstrom, E. Sun, and C. Marlow. That s What Friends Are For: Inferring Location in Online Social Media Platforms Based on Social Relationships. In Proceedings of the 19th International Conference on World Wide Web (WWW 2010), pp.61-70, New York, USA, [2] Z. Cheng, J. Caverlee, and K. Lee. You Are Where You Tweet: A Content-Based Approach to Geo-locating Twitter Users. In Proceedings of the 19th ACM International Conference on Information and Knowledge Management (CIKM 2010), pp , Toronto, Canada, [3] D. Jurgens. That s What Friends Are For: Inferring Location in Online Social Media Platforms Based on Social Relationships. In Proceedings of the 7th International AAAI Conference on Weblogs and Social Media (ICWSM 2013), pp , Boston, USA, [4]. Tips. ARG 7 Web, Tips (accessed ). [5],,,. Twitter. 29, 4M1-4, [6],. Twitter., Vol.7, No.3, pp.1-13, [7],,.. (DBS), Vol.2013-DBS-158, No.28, pp.1-6, [8],,,,,,,,.. 21, pp , 2015.

DEIM Forum 2009 C8-4 QA NTT QA QA QA 2 QA Abstract Questions Recomme

DEIM Forum 2009 C8-4 QA NTT QA QA QA 2 QA Abstract Questions Recomme DEIM Forum 2009 C8-4 QA NTT 239 0847 1 1 E-mail: {kabutoya.yutaka,kawashima.harumi,fujimura.ko}@lab.ntt.co.jp QA QA QA 2 QA Abstract Questions Recommendation Based on Evolution Patterns of a QA Community