An attention-based Ranking Model for social media
Upcoming SlideShare
Loading in...5
×
 

Like this? Share it with your network

Share

An attention-based Ranking Model for social media

on

  • 2,306 views

Workshop Amuce2007

Workshop Amuce2007

Statistics

Views

Total Views
2,306
Views on SlideShare
2,186
Embed Views
120

Actions

Likes
1
Downloads
39
Comments
2

2 Embeds 120

http://nico.maisonneuve.free.fr 114
http://ltang-ld2.linkedin.biz 6

Accessibility

Categories

Upload Details

Uploaded via as Adobe PDF

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
  • This is a sample of good explanation through properly structured presentation.

    Darren Mack
    www.lyricsringtones.org/
    www.shibidoo.com/
    Are you sure you want to
    Your message goes here
    Processing…
  • Very interesting ppt. The research indicated PPT only contains 30% of information; therefore the 70% valuable information comes from the presenter himself/herself. soEZLecturing.com provides you a chance to record your voice with your PowerPoint presentation and upload to the website. It can share with more readers and also promote your presentation more effectively on soEZLecturing.com.

    www.soezlecturing.com
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

An attention-based Ranking Model for social media Presentation Transcript

  • 1. Application of a simple visual attention model to  the communication overload problem Tags:  Information overload, Community, Social Media, Attention‐ based Ranking model, visual attention model, Social computing  Context: European research  Nicolas Maisonneuve, research associate  project   www.atgentive.com Centre for Advanced Learning Technologies,  INSEAD Sept. 2007
  • 2. Scenario 1: Online Community Situation • Member of an active community • I’m overwhelmed by the unread messages • I only have 10 minutes to understand the highlights  since my last login.  Problem :  Is there a way to recommend me the most important messages ? 1) Avoiding uninteresting messages according my interests, 2) … except if it’s about an important issue in the community
  • 3. Scenario 2:  Weblogs & Social Media Situation  • I have subscribed to a lot of interesting blogs  • Now I’ m overloaded by too many posts • I only have 10 minutes to read all my feeds Same Question: How rank them and read only the most  important ones for me ? 
  • 4. Research problem Question: In a rich information (and social) environment,  How do I  choose items (message, blog posting, .. )  due to my limited  resources (e.g. time, or people) ?  Answer:   in a rich information environment,  information competes  for the  user’s attention (c.f Attention Economy) I choose the most attractive items Conception of an Attention‐based Ranking Model to select  items
  • 5. How does an item attract the user’s attention? Similarity in vision • In a scene (visual rich environment),  which area (item) will  attract my attention?  • how to predict where my attention will be guided? (Visual  Search problem) Approach  • Use of a visual search model: “guided Search2.0” (J. Wolfe, 1994) • Turn visual signals  into  communication signals  (Message Reader = eye to  perceive the social activity)
  • 6. How does an item attract the user’s attention? The Visual attention model “Guided Search 2.0”  ‐ 1/2 Saliency (i.e. attractivity) of a signal The saliency of a signal is computed as the (weighted) sum of  the saliency for each attractive feature of the signal (e.g.  color, size, intensity, motion,etc…) Attention guiding the 2 types of features: • Top‐down features (User guidance) e.g.  user searching a green object • Bottom‐up features (Stimuli guidance)  e.g. flashy object in a dark scene
  • 7. How does an item attract the user’s attention? The Visual attention model  Guided Search 2.0  ‐ 2/2 Process  1) For each attractive feature,  the signals are computed into a  Feature Map (i.e. their levels of saliency according to the feature) 2) Mix of the feature Maps into a global Saliency Map
  • 8. In your context of communication signals…  Question 1: What are the top‐down features (user’s interest profile) ?  Question 2: What are the bottom‐up features? (i.e. attractive features  without knowing the user’s  intention) Question 3: How to compute a feature map? Question 4: how to  compute the saliency map? 
  • 9. Question 1: What are the top‐down features?   (User driven attention) User's vigilance profile in a IT  Top‐down features Community (scenario 1) • Message’s Topic: focus on specific topics • Message’s User:  focus on specific users Simple Vigilance profile P  For a given context K (e.g. a task to do) , VG Market IT Industry Research P(k)  =  (C,W)  with: ‐ C = The set of concepts c (user, topic) I want  User's vigilance profile in a  to pay specially attention to in a signal Social Network (Scenario3) ‐W = their respective levels of  vigilance wc for the user  ‐ + Limited capacity H ( ∑wc<H  and wc>w min ) (I can’t want to pay attention to everything) userA userB userC Vigilance feature map
  • 10. Question 2: What are attractive bottom‐up features?  (i.e. without knowing the user’s  intention) 1) Exception  3) User’s effort 2) About me  (temporal/spatial) ‐ Type of Medium  ‐ message audience  ‐ Unusual sender focussed on me  (Text < Sound< Video) (mailing‐list vs. personal   ‐ Unusual topic message) ‐ Unusual activity (cf 5)  5) Other’s influence 4) Urgency ‐ Collective attention  (burst of activity) Lifecycle of the message   ‐ Explicit Attention asked (Subject:  (3 months<now) [URGENT]… ) ‐ See also 5)
  • 11. Question 3: How to compute a feature map? Computation of a bottom‐up feature map E = the set of unread items  e1, e2, .. , en  • For each feature k , each item is computed  by a  function fk to give its  saliency [0, 1] related to this feature •A feature map is Mk={fk (e1), fk (e2), .. , fk (en)}  Example: Simple Computation of the Burst of  (reading) Activity  feature Definition: Burst = an abnormal high level of activity :  Last week, in average, a  message has been read  10 times,  but the message A has been read  30 times.  Computation: r(e,∆t) = the number of readings of  the message e during the interval ∆t,  m = the mean of r(e, ∆t) for the set of messages read during ∆t fburst(e)= 1 with 1<t1<t2 the bounds 0 m m*t1 m* t2 inf
  • 12. Conclusion Features of the Ranking Model • Based on a Visual Attention Model  Not only what the user expects ( bottom up feature) • Use of social factors to rank items.  • Try to integrate the notions of  limited capacity & vigilance •Adaptive to the context (possible change of the vigilance profile) Future work • Partially implemented  (collective activity observer,  burst of  Activity, Vigilance Profile)  • Need to be evaluated (how to configure  the weight of each  Feature in the global saliency map computation?)
  • 13. Thanks for your attention.  ☺
  • 14. Scenario 3:  Traditional Communication Situation :   • Growth of the user’s connectivity (globalization + internet) • I’m currently collaborating on a specific task with userA and  • 4 hours spent managing emails per day by senior  specially with userB.  management (Guardian Unlimited Newspaper, 2007)  • I receive a lot of emails that interrupt my work • Economic Impact of the interruption caused by  email+online tools:  $588 billion/year  for the Us Economy   (Basex Research, 2005) Problem  Is there a way to notify me  on a new emails only if : ‐ it  is related to my current task (e.g. message from UserB) ‐ Or it  delivers unexpected but important information.