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 305 8550 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 305 8550 茨城県つくば市春日 1 2 つくば市役所 305 8555 茨城県つくば市研究学園 1 1 1 E-mail: s1211530@u.tsukuba.ac.jp, yohei@slis.tsukuba.ac.jp 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 0.677 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 https://twitter.com 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 http://tsukuba-honmono.jp/noodle/
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 [3] Twitter BOT SNS Jurgens [3] [4] 46.5% 15.5% 0.46% [4] 3. Twitter 3 https://www.facebook.com
3 2 4 3 Twitter Twitter Twitter 4 1 2 4 2 1 2 (1) 5 4. Twitter 4. 2 1 12 2015 8 1 2015 9 30 2 Twitter Twitter4j 5 12 RT I m at @ ID bot 12 132,316 5 1 2 3 4. 1 5 4 http://twpro.jp 5 http://twitter4j.org/
6 1 2 3 6 1 6 1 697 697 45 34 738 687 615 129 498 498 461 19 21,238 35 5,395 18 TORIDORI 213 195 239 154 92,756 9 9,421 30 100 Twitter 1 4,548 F 1 3 = (1) = (2) 4. 4 2 F = 1 + 1 2 F 1% (3) 7 7 4. 3 7 6 7
2 F F 0.366 1.000 0.223 0.312 1.000 0.185 1.000 0.522 1.000 0.353 0.300 1.000 0.176 0.756 0.259 1.000 0.148 0.218 1.000 0.122 0.931 0.602 0.982 0.434 0.506 0.978 0.341 0.210 0.516 1.000 0.347 0.359 1.000 0.219 1.000 0.733 1.000 0.579 0.538 1.000 0.368 0.041 0.408 0.714 0.286 0.200 0.800 0.114 0.002 0.286 1.000 0.167 0.286 1.000 0.167 0.003 0.354 1.000 0.215 0.274 1.000 0.159 0.915 0.613 1.000 0.442 0.308 1.000 0.182 0.644 0.083 0.043 0.889 0.090 0.048 0.889 0.000 0.772 0.815 0.733 0.815 0.917 0.733 0.003 0.459 0.880 0.401 0.351 0.895 0.305 0.459 F t- ( 1%) 4. 5 F 12 9 F (1) 7 0.041 0.002 5 (2) 2 F F F F F F 31% 0.459 15.5% [4] 5 F 5. 5. 1 5. 2 1 4 5. 2. 1 4 [3] BOT
[1] [3] 3 1 2 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 4 5 6 7 8 5. 2. 2 8 9 4,000 4,000 5,000 F 4,000 9 F 10 11 F 3,000 12 13 5 6 F 5 8 12 10 11 3,000 3,000 4,000 F 1 1
13 14 1 F 1 4,000 2 3,000 3 5 27,589 F 0.668 5. 3 2 1 5. 3. 1 4 BOT 1 1 4,000 3,000 1 5 6 7 8 9 10 11 F 5. 3. 2 1 14 15 1 9 10 F 1 10 15 1 F 1 2 3 1 2 F 2 1 F 2 3 F 4,548 0.459 0.880 0.401 1 27,589 0.668 0.785 0.726 2 31,666 0.677 0.775 0.751 4 4 F 5% 5. 4 F 12 10 F
4 F F 0.822 1.000 0.697 0.366 1.000 0.223 0.692 1.000 0.529 0.522 1.000 0.353 0.606 1.000 0.435 0.259 1.000 0.148 0.802 0.989 0.674 0.602 0.982 0.434 0.782 1.000 0.643 0.516 1.000 0.347 0.865 0.889 0.842 0.733 1.000 0.579 0.733 0.600 0.943 0.408 0.714 0.286 0.632 0.600 0.667 0.286 1.000 0.167 0.870 1.000 0.769 0.354 1.000 0.215 0.934 1.000 0.877 0.613 1.000 0.442 0.073 0.038 1.000 0.083 0.043 0.889 0.311 0.187 0.933 0.772 0.815 0.733 0.677 0.775 0.751 0.459 0.880 0.401 F t- ( 5%) F 4 F 6. Twitter F 31% 93% 47% F B B 25280110 25540159 [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, 2010. [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.759-768, Toronto, Canada, 2010. [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.273-282, Boston, USA, 2013. [4]. Tips. ARG 7 Web, 2015. Tips. http://www.slideshare.net/yoheiikawa/tips- 55961281 (accessed 2015-12-23). [5],,,. Twitter. 29, 4M1-4, 2015. [6],. Twitter., Vol.7, No.3, pp.1-13, 2014. [7],,.. (DBS), Vol.2013-DBS-158, No.28, pp.1-6, 2013. [8],,,,,,,,.. 21, pp.820-823, 2015.