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


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


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


勉強会：Information Diffusion in Social Networks

Technology

Transcript of 勉強会：Information Diffusion in Social Networks