勉強会:Information Diffusion in Social Networks
-
Upload
yuto-yamaguchi -
Category
Technology
-
view
797 -
download
0
Transcript of 勉強会:Information Diffusion in Social Networks
WWW2012勉強会 Session 18: Informa3on Diffusion in Social Networks
筑波大 山口祐人(D1)
12/07/22 WWW2012勉強会 1
Session 18: Informa3on Diffusion and Social Media • Informa(on Transfer in Social Media – Greg Ver Steeg, Aram Galstyan (University of Southern California)
• The Role of Social Networks in Informa(on Diffusion – Vineet Chaoji, Sayan Ranu, Rajeev Rastogi (Facebook), Rushi BhaP (University of Michigan)
• Recommenda(ons to Boost Content Spread in Social Networks – Eytan Bakshy, Itamar Rosenn (UCSB), Cameron Marlow, Lada Adamic (Yahoo! Labs)
12/07/22 WWW2012勉強会 2
Informa(on Transfer in Social Media
12/07/22 WWW2012勉強会 3
概要
• 情報理論的にノード間のアクティビティの因果関係を解明 – 例) ツイートのタイミング – Informa3on Transfer (Transfer Entropy)を算出
• Informa3on Transferを用いてノードのアクティビティを予測 – 例) AがツイートしたらBもツイートする
• Model-‐freeなアプローチ – ノードのアクティビティに対する仮定が一切いらない
12/07/22 WWW2012勉強会 4
Informa3on Transfer
12/07/22 WWW2012勉強会 5
Xt(t!k ) = {Xt,Xt!1,...,Xt!k}
• ユーザXが時刻tにツイートしたら1を取る確率変数
TX!Y = H (Yt |Yt"1(t"k ) )"H (Yt |Yt"1
(t"k ),Xt"1(t"k ) )
過去のYのアクティビティの系列が与えられた時の 現在のYのアクティビティのエントロピー 引く 過去のYとXのアクティビティの系列が与えられた時の 現在のYのアクティビティのエントロピー
Xの観測によって 減った不確かさ
• XからYへのInforma3on Transfer(Transfer Entropy)
結果①
12/07/22 WWW2012勉強会 6
図は論文中より引用(Figure 8)
フォロワー数が同じでも I.T.は振れ幅が大きい
ネットワークからの Informa(on Transferの 算出は難しい
結果②
12/07/22 WWW2012勉強会 7
表は論文中より引用(Table 1)
I.T.の大きいペアはほとんどが プロモーションアカウント
結果③
12/07/22 WWW2012勉強会 8
図は論文中より引用(Figure 10)
I.T.の大きいペアの ツイートのタイミング
ツイートのタイミングを 予測できる
The Role of Social Networks in Informa(on Diffusion
12/07/22 WWW2012勉強会 9
概要
• Social influence or Homophily? – Homophilyの影響
• 友達同士は類似した興味を持っている • 同じ情報源を購読している可能性が高い
– 同じWebページを見たからといって必ずしもSocial influenceであるとは言えない
• Strong 3e or weak 3e? – Strong 3eで繋がっているペア程、同じWebページを見る可能性は高いが、それはSocial influenceの影響なのか?
• 私達(Facebook)が持っているデータで検証しましょう!!
12/07/22 WWW2012勉強会 10
実験方法
• 以下の二つの状況を比較 – Feed:
• Facebookのfeed上で友人がシェアしたURLを見せる • 情報の入手源はfeedからもしくは他から
– No feed: • feed上で友人がシェアしたURLを隠す • 情報の入手源は他から
• それぞれについてURLをReshareする確率を算出
12/07/22 WWW2012勉強会 11
データ
12/07/22 WWW2012勉強会 12
2.5 million subjects (ユーザ) 0.75 million URLs 110 million subject-‐URL pairs
偏りなくデータが 分割されている
表は論文中より引用(Table 1)
結果 ー Exposure effects
• Reshareの確率は7.37倍上がった – feed: 0.191% – no feed: 0.025%
• feedの方がすぐにreshareした(右図)
12/07/22 WWW2012勉強会 13
図は論文中より引用 (Figure 3 (b))
結果 ー Tie strength
12/07/22 WWW2012勉強会 14
実はweak 3eの方がsocial influenceの影響が大きい Strong 3eになるにつれてhomophilyの影響のほうが大きくなるため
Recommenda(ons to Boost Content Spread in Social Networks
12/07/22 WWW2012勉強会 15
概要
• SNSでは情報拡散が重要 – 新しい有益な情報が手に入る – èContent Maximiza3on
• 既存のノード推薦手法では不十分 – 共通の友人、プロファイルの類似度、etc – èContent Maximiza-onを考慮した推薦手法を提案
• 本研究の貢献 – Problem defini3on – Proposing Approximate Algorithm – Conduc3ng Experimental Experiments
12/07/22 WWW2012勉強会 16
Content Maximiza3onを考慮したRecommenda3on
12/07/22 WWW2012勉強会 17
図は論文中より引用(Figure 1)
l Dに推薦する候補はEとC (共通の友人がいるため) • どちらがより情報拡散を促進するか
l Cを推薦すれば、AとBに情報が届く可能性が高まる
Content Maximiza3on Problem • 各ノードiは三つのパラメータを持つ
– pi: 情報伝搬する確率 • e.g.) RTする確率
– ci: 生成または見つけたコンテンツ • e.g.) 発信したツイート、共有したWebページ
– Ni: 自身に”似ている”ノード集合 • e.g.) 共通の友人が多いユーザ、ツイートの内容が似ているユーザ
• このとき、次のようなエッジ集合X={ (i, j) | i,j∈V }を作る
12/07/22 WWW2012勉強会 18
f (X) = PX (i,c)c!
i! を最大にする
PX (i,c) :Xを追加したグラフにおいて、cがiに到達する確率
i ! N j, j ! Ni
あるノードに対して推薦するエッジは最大k個
1. 2. 3.
実験
• Datasets – Wikipedia, TwiPer, Flickr, Epinion
• Methods – Greedy
• f(X)が最も増加するエッジを1つずつ加えていく – Con3nuous Greedy (CG) – 提案手法
• 全てのエッジについてXに入る確率を与える – Degree
• 次数の大きいノード間にエッジを張る – Friend-‐of-‐Friend (FoF)
• 共通の友人が多いノード間にエッジを張る
12/07/22 WWW2012勉強会 19
結果
12/07/22 WWW2012勉強会 20
図は論文中より引用(Figure 8)