[論文紹介][KDD2014]Dynamics of News Events and Social Media Reaction

Transcript

1. [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
2. 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．  
3. 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
4. Modeling  News  Dynamics •  mrf:  media  response  func9on   •  e:  actual  event  sequence   •  n:  news  volume
5. media  response  func9on •  h(t):  ヘヴィサイドの階段関数  
6. Event  importance
7. News  Deconvolu9on •  フーリエ逆変換を用いる
8. 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  
9. 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
10. 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  
11. 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  
12. Compare  Accuracy  to  Previous  Model
13. Compare  Accuracy  to  Previous  Model
14. Evaluate  the  Proposed  response  dynamics
15. •  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