適当に読んだ:Dynamics of News Events and Social Media Reaction(KDD2014)

論文を上手に読むこつが知りたい。

Dynamics of News Events and Social Media Reaction

アブスト

あるトピックに関する、ニュース投稿と、それに伴うソーシャル上の意見の変化のダイナミクスについての研究。ニュースとソーシャルメディアの振る舞いを、イベントの重要性とメディアのresponce関数の間のコンボリューションとしてモデル化する。それによって、各トピックに対するニュースイベントを抽出し、そしてそれと感情的な意見の時間変化とを相互に関係を持たせることで、イベントのダイナミクスと意見の変化のつながりを明らかにする事が出来る。

イントロ

特徴として、イベントの重要性とダイナミクスを理解するために、関連するニュース記事の投稿数だけでなく、ソーシャルメディアの反応を考慮に入れる事が挙げられる。
また、イベントに対するニュース投稿(もしくはユーザーの興味)のダイナミクスを決定するためために、ニュースメディア(もしくはソーシャルメディア)をresponce関数として描写するというアイデアを利用している。
このresponce関数というのは、イベントに対する投稿の"ディレイ"尤度として表現される。それは、ニュースやソーシャルメディアが再投稿、引用、以前の投稿について議論すると言ったようにアクティビティが時間を越えて展開される傾向がある事に起因している。このようなケースにおいては、投稿のピークは必ずしもイベントの開始の瞬間等とは一致しない。この問題を解決するために、画像処理や音声処理で利用されるデコンボリューションという技術を利用する。*1
この方法により、イベントの重要性とresponceのダイナミクスを正確にはかる事が出来,
また感情的な意見の展開に対するこれらのインパクトを評価する事が出来る。

※やりたい事の例が論文中に図解されているのでそちらを見るのが速い

貢献

1.既存モデルについて分析し、それらの基本原理について述べる
2.ニュースボリュームのダイナミクスを、イベントの重要性とresponce関数間のデコンボリューションとしてモデル化する
3.パラメータの自動最適化を伴ったデコンボリューションをもとに、ニュースイベントの抽出方法を発展させる
4.ニュースイベントに対して相互に関係する感情的な意見の特徴を評価することで、意見の変化を予測可能にした

また、このフレームワークはデコンボリューションに依存していることから、異なったケースに合わせて複数のresponse関数をのせる事が出来る。しかし、今回の手法ではそれぞれのケース対して異なった等式を要求する事はない。さらに、メディアのresponce関数についてはデータから自動で学習可能である。

Future Work

最適化部分においてデコンボリューションの頑健性と正確性をより発展させる。
意見の遷移は同一トピックだけでなく関連したトピックも要因となりうるので、それに対応できるようにモデルを拡張する。

*1:デコンボリューションについてはこちらのページを参照しました。DSLM::デコンボリューション