sigmod2013勉強会：social media

SIGMOD2013 勉強会 Session 8: Social Media

筑波大　山口

13/09/07

SIGMOD勉強会 - Yuto Yamaguchi 1

session 8: social media

ü  Efficient sentiment correlation for large-scale demographics ü  Tsytsarau et al. (Univ. of Trento)

ü  EBM - An Entropy-Based Model to Infer Social Strength from Spatiotemporal Data ü  Pham et al. (Univ. of Southern California)

ü  Online Search of Overlapping Communities ü  Cui et al. (Fudan Univ.)

13/09/07


Efficient Sentiment Correlation for Large-scale Demographics

13/09/07

3

SIGMOD勉強会 - Yuto Yamaguchi

Problem: Sentiment Analysis

Problem

グループごとのsentiment analysisをする研究は少ない ü  例）イタリアの学生の意見、ヨーロッパの10代の意見

扱う問題

ü  ある期間においてあるトピックに対するsentimentが似ているグループを探す

ü  例）小学生女子「プリキュア大好き！」　　理系大学生男子「プリキュア大好き！」

13/09/07


Data

扱うデータは次のタプルの集合 ü  x = (u, t, s, p) ü  u: ユーザ

ü  t: トピック

ü  s: センチメント　s∈[-1, 1]　（1に近いほどプラスの感情）

ü  p: 期間　（2013年9月の一ヶ月間とか）

ü  x = (誰がいつ何に対してどんな感情を示した)

ü  例） x1 = (‘Alice’, ‘Politics’, 0.8, p1) x2 = (‘Bob’, ‘Drama’, -0.5, p2)

13/09/07


Demographics

それぞれのユーザは Demographic Criteria d をもつ ü  例） d = {age: Young, location: Italy, occupation: Student} Demographicは階層構造を持つ

ü  例） Europe = {Italy, France}, Academic = {Prof., Student}

Demographic Criteria d は階層構造に従ってLatticeになる

13/09/07


Sentiment Series

Demographic Group Ud ü  同じ Demographic Criteria d を持つユーザの集合

Group Sentiment si

ü  あるトピック t 、ある時刻 p におけるグループのsentimentの平均

Sentiment Series ü  si の列

13/09/07


Correlated Sentiment Sentiment Correlation　（ピアソンの積率相関係数） ü  二つのSentiment seriesがどれだけ似ているか

Correlated Sentiment（本論文の問題）

ü  あるトピック t 、ある期間 p に対して相関係数が閾値以上となるDemographic Groupのペアを返す

13/09/07


EBM - An Entropy-Based Model to Infer Social Strength from Spatiotemporal Data

13/09/07

9


Problem: Link Prediction

Problem

LBSN(Location-based social network) ü  Foursquare, Facebook, Twitter, … 問題 ü  チェックイン履歴を用いて友人関係の強さを推定仮説 ü  同じ場所に同時にチェックイン（共起）する二人は友達っぽい

ü  共起の回数が多ければより可能性が高い ü  いろいろな場所で共起すればより可能性が高い ü  人が少ない場所で共起すればより可能性が高い

13/09/07


Social Strength

13/09/07


sij =αDij +βFij +γユーザ i と j のsocial strength ü  大きいほど友達っぽい ü  これを推定したい

i と j のdiversity（後述） ü  いろいろな場所で

共起しているかを評価

i と j のweighted frequency（後述） ü  人が少ない場所で

共起しているかを評価

D,Fを説明変数、sを応答変数とする線形回帰で係数α、β、γを求める

Diversity　D ユーザ i と j がいろいろな場所で共起しているかどうかを評価例） ü  友達！　→　東京駅で1回、つくば駅で1回、大宮駅で1回共起した二人 ü  友達？　→　東京駅で3回共起した二人

エントロピーを用いて評価 ü  共起した場所のベクトルのエントロピーが高いほど友達っぽい ü  例）

ü  (1, 1, 1) -> エントロピー大 ü  (3, 0, 0) -> エントロピー小

13/09/07


Weighted Frequency　F ユーザ i と j が人の少ない場所で共起しているかどうかを評価例）

ü  友達！　→　東京駅のマックと渋谷駅のマックで共起した二人

ü  友達？　→　東京駅と渋谷駅で共起した二人

場所のエントロピーを用いて評価 ü  多くの人がチェックインする場所はエントロピーが大きい

ü  F = Σk（k での共起回数）×（場所 k のエントロピー）

13/09/07


Online Search of Overlapping Communities

13/09/07

14


Problem: Community Detection

Problem

ü  クエリノードv0が与えられた時、v0を含むコミュニティを全て返す

ü  Note

ü  コミュニティの全列挙ではない ü  オンラインクエリ

ü  すぐ結果を返す ü  コミュニティの重複を許す

13/09/07


ABCDE BFGH

v0 = B

γ-quasi-k-clique

以下を満たすサブグラフ ü  ノード数がk

ü  　

ü 

13/09/07


k = 5 γ = 0.9

≥ γk(k −1)2

（密度）

0 ≤ γ ≤1

完全グラフの密度

満たさない満たす

Clique Graph

元のグラフから抽出されたクリークをノードとするグラフ ü  α-adjacency

ü  二つのγ-quasi-k-clique(kは同じ)は少なくともα個のノードを共有する時隣接

ü  Clique component

ü  Clique graphにおける連結成分に含まれるクリークの和集合

13/09/07

SIGMOD勉強会 - Yuto Yamaguchi 17 Clique graph

Original graph

k = 4 γ = 1 α = 3

(α, γ)-OCS

OCS: Overlapping Community Search

13/09/07


グラフG パラメータk, α, γ クエリノードv0 v0を含む全てのclique componentを見つける

が与えられた時

Exact Algorithm

ü  next_clique() ü  v0を含む、まだ訪れていないγ-quasi-k-cliqueを返す

ü  expand() ü  与えたγ-quasi-k-cliqueを含む最大のclique componentを返す

1.  next_clique(v0 = B) 1.  -> ABCE

2.  expand(ABCE) 1.  -> ABCDE

3.  next_clique(v0 = B) 1.  -> BFGH

4.  expand(BFGH) 1.  -> BFGH

5.  終了

13/09/07

SIGMOD勉強会 - Yuto Yamaguchi 19 詳細は論文… （近似アルゴリズムもあるよ！）

sigmod2013勉強会：social media

Technology