Slide 1
Slide 1 text
[論文紹介]
Dynamics
of
News
Events
and
Social
Media
Reac9on
Mikalai
Tsytsarau*1,
Themis
Palpanas*2,
Malu
Castellanos*3
(University
of
Trento*1,
Paris
Descartes
University*2,
HewleJ
Pakard*3)
KDD
2014
Yoshifumi
Seki
(Gunosy
Inc)
2015.04.07
@Gunosy研究会
#86
Slide 2
Slide 2 text
概要
• ニュースの波及の様子とその反応についてモ
デル化を行う
• ニュースの波及について，そのイベントの重
要度とメディアの反応モデルの畳み込みとし
て表現することでイベントの重要度を得る
• ニュースの波及と反応にはラグが存在する．
時系列の相関を踏まえることでイベントによっ
て反応がどのように変化したのかを捉える．
Slide 3
Slide 3 text
ニュースの波及について
• 青:
検索ボリューム
– 常にある程度のボリュームがあり、Eventのインパ
クトを見積もるのが難しい
• 赤:
提案手法のアウトプット
– イベントの影響力を捉えることができている
Slide 4
Slide 4 text
Modeling
News
Dynamics
• mrf:
media
response
func9on
• e:
actual
event
sequence
• n:
news
volume
Slide 5
Slide 5 text
media
response
func9on
• h(t):
ヘヴィサイドの階段関数
Slide 6
Slide 6 text
Event
importance
Slide 7
Slide 7 text
News
Deconvolu9on
• フーリエ逆変換を用いる
Slide 8
Slide 8 text
Detec9ng
Sen9ment
Shi\s
• Sen9ment
Extrac9on
– トピックに関連する文書をApache
Luceneを用いて
得る
– Sen9Strength
Algorithm
• hJp://sen9strength.wlv.ac.uk/
• Sen9ment
Volume
– 文書数(ツイート数)できまる
Slide 9
Slide 9 text
Detec9ng
Sen9ment
Shi\s
• Contradic9on
Level
– 意見がわかれている度合い
– 平均と分散で測る
– n:
number
of
sen9ments
Slide 10
Slide 10 text
Correla9ng
News
and
Sen9ments
• ピアソンの相関係数
– 線形性を仮定しているので、今回のようなBurstな
変化の相関を捉えるには向いていない
– あるインターバルでバースト(一定以上値が上昇
したかを集合にしてJaccard
,
Cosine類似度を測る
Slide 11
Slide 11 text
Experimental
Evalua9on
• Meme
Dataset
– top
100
memes
9me
series
– approximately
500
peaks
– 4
hour
aggrega9on
• TwiJer
– 30
topics(selected)
– 7
million
tweets,
400
peak
during
the
event
– 1
day
aggrega9on
Slide 12
Slide 12 text
Compare
Accuracy
to
Previous
Model
Slide 13
Slide 13 text
Compare
Accuracy
to
Previous
Model
Slide 14
Slide 14 text
Evaluate
the
Proposed
response
dynamics
Slide 15
Slide 15 text
• 映画は事前はPosi9veだが事後にはNega9veなも
のが出る
• スポーツのような事前に起こることがわかってい
るイベントはイベントとの相関が高く出る