暇ツイートLOD スライド

1. 暇ツイートLOD
1
全18枚

2. 概要
2
テキストマイニング 今後の展望
可視化LODマップ
暇ツイートLOD研究

3.  研究テーマ「 暇ツイートLOD」概要
Twitterで「暇」と単語が入ったツイー
トを分析,
ユーザーニーズを視覚的にわかるよう
にし,
マーケティングに応用する方法
3

4. 研究に使うツール
Twitter API
→ツイートの取得に使用
SparqlEPCU (http://bit.ly/1UYtVDc)
→csvデータのLOD化に使用
LOD Browser (http://bit.ly/1UYtMjg)
→LODデータの可視化に使用
4

5. 先行研究調査
CiNii(http://ci.nii.ac.jp/)
GoogleScholar(https://scholar.google.co.jp/)
で同様の研究は見つからなかった
→ 新規性のある研究と言える
5

6. 収集したデータ量
収集したツイート総数が 348,027件
・テキストマイニングに利用できるツイート
→ 291,439件
・可視化マップに利用できるツイート
→ 7,594件
6

7. 概要
7
テキストマイニング 今後の展望
可視化LODマップ
暇ツイートLOD研究

8.  暇ツイートをテキストマイニング
 ツイートから形態素のbigramを抽出し，
 T値とMI値を用いて，「暇」と共起度が高い
形態素を抽出して消費者ニーズを分析
 簡単なテキストマイニングを行った結果、
マーケティングにつながる言葉は「お菓子」
であった。 8

9. Ｔ値
• 共起頻度を，総語数や期待度数で調整した値
• Tスコアが2以上になると有意な組合せであると
される。
𝑇 =
𝐶𝑜 −
𝑁𝑜𝑁 ×
𝐴𝑙𝑙𝑁𝑜
𝐶𝑜
• NoN(NodeNo) ：注目している語の頻度
(CollocateNo) ：注目している語と共起
関係にある語の頻度
• AllNo（AllNode） ：総語数
• Co(Collocate) ：共起頻度 9

10. ＭＩ値
• 共起頻度を，その期待値で割り，さらに2を底に
した対数を取った値
• MI値も2以上で有意な組合せであるとされる。
• MI値は，低頻度の単語であっても共起関係を抽
出できるという特徴を持つ。
𝑀𝐼 = 𝑙𝑜𝑔2
𝐶𝑜 × 𝐴𝑙𝑙𝑁𝑜
𝑁𝑜𝑁 ×
• NoN(NodeNo) ：注目している語の頻度
(CollocateNo) ：注目している語と共起
関係にある語の頻度
• AllNo（AllNode） ：総語数
• Co(Collocate) ：共起頻度 10

11. 概要
11
テキストマイニング 今後の展望
可視化LODマップ
暇ツイートLOD研究

12.  暇ツイートLODのスキーマイメージ
resource_i
d
schema:cr
eated_at
schema:Us
erTweets
geo:lat，
geo:long
schema:Us
erNeeds
schema:Ne
arPlaces
リソース
ID
ツイート
日
ツイート
文
位置情報 ユーザー
ニーズ
近隣施設
情報
 1行目がクラス
 2行目がプロパティ
12

13.  LOD可視化マップ(1)
作成したLODデータを
LODBrowserを利用し
LOD可視化マップ
に反映した結果
13

14.  LOD可視化マップ(2)
 渋谷駅周辺のマップ
 駅に近づくほど
ツイートは増え
 駅から遠ざかるほど
ツイートは減る
14

15. 概要
15
テキストマイニング 今後の展望
可視化LODマップ
暇ツイートLOD研究

16.  テキストマイニングから
・共起度の高い単語上位3つは
1. お菓子
2. 家族
3. LINE
→家族で楽しめるお菓子カフェ
16

17. LOD可視化マップから
・単に駅に人が密集するため、
ツイートが多くなっているだけ
→データ量を増やし、
駅以外でツイートが多くされる場所の
特定が求められる
17

18. 今後の課題
同様の研究がないか先行研究を進める
継続してツイートを取得する
Google Place APIとの連携
18