投稿日: CIKM 論文紹介

Who Will You “@”?

Gong, Yeyun and Zhang, Qi and Sun, Xuyang and Huang, Xuanjing
In Proc. of CIKM 2015

概要

Twitterではリプライ以外でも、ツイートの中に「@」を付けることで特定のユーザに向けた投稿をすることができる。「@」に続けてユーザ名を入力するとTwitterが入力補完のために何人かのユーザを推薦する。この研究ではその推薦精度を高めることが目的。

先行研究との違い

Twitter上で影響力の大きいユーザや、あるツイートを高い確率でリツイートするユーザを特定する研究はあったが、「@」に続くユーザの推薦を目的にした研究は初めて。

手法

トピックモデルを使うことで、与えられたツイート文から各ユーザが生起する確率を求める。3種類のモデルを提案。

  • モデル1
  • ツイートごとにトピック分布を持ち、ツイート内の単語ごとにトピックが割り当てられる。ツイートのトピック分布からは、ツイート内で「@」で言及されているユーザごとのトピックも割り当てる。あるトピックのある単語に対する「@」の対象となるユーザの分布を持ち、そこから「@」のユーザが生成される。

  • モデル2
  • ユーザごとにトピック分布を持ち、ツイートごとに1つのトピックが割り当てられる。このトピックは、ツイート内の単語とツイート内で「@」で言及されているユーザで共通のトピックとなる。

  • モデル3
    モデル2を拡張して、「@」で言及されたユーザの日頃のツイートも考慮する。これにより、「@」で言及される各ユーザが興味を持っているトピックも考慮でき、ユーザを推薦したいツイートとより関連のあるユーザを推薦することができる。

評価方法

Weiboのデータを使用。PrecisionやMRRなどで各モデルのユーザ推薦精度を評価し、モデル3が最も優れていることを示した。また、「@」の使用頻度の高いユーザほど高精度でユーザの推薦ができることも示した。その他、トピック数による精度の差やトレーニング期間の長さによる精度の差などを検証。


-CIKM, 論文紹介

関連記事

Spatio-Temporal Topic Modeling in Mobile Social Media for Location Recommendation

Bo, Hu and Mohsen, Jamali and Martin, Ester In Proc. of ICDM 2013 概要 チェックインサービス等でのユーザと場所と時刻を考慮したモデル化 …

Optimizing Search by Showing Results In Context

Dumais, Susan Cutrell, Edward Chen, Hao In Proc. of CHI2001 http://dl.acm.org/citation.cfm?id=365116 …

Semantic Annotation of Mobility Data using Social Media

Wu, Fei and Li, Zhenhui and Lee, Wang-Chien and Wang, Hongjian and Huang, Zhuojie In Proc. of WWW 20 …

Semantic Similarity Between Search Engine Queries Using Temporal Correlation

S. Chien, and N. Immorlica In Proc. of WWW 2005 http://dl.acm.org/citation.cfm?id=1060752 目的 クエリログを用 …

Fighting search engine amnesia: reranking repeated results

Shokouhi, Milad White, Ryen W. Bennett, Paul Radlinski, Filip In Proc. of SIGIR 2013 http://dl.acm.o …