Downloaded 54 times
![PornHubのデータの⾒かた
d <- fromJSON(file='porn_hub/raw_data/149_page.json')
d$albums[[1]]$segment #カテゴリ
d$albums[[1]]$votes #評価回数
d$albums[[1]]$upvote_percent #ポジティブ評価の⽐率
d$albums[[1]]$views #閲覧回数
d$albums[[1]]$images[[1]]$tags #タグ
他にもタイトルやコメントとかも取れる
22](https://image.slidesharecdn.com/random-170121083001/85/slide-22-320.jpg)
野良ビッグデータへのお誘い
- 1.
- 2. ⾃⼰紹介 • 名前: takano • Twitter: @mtknnktm • 仕事: Web系企業のデータ関連あれこれ • 興味: 計算社会科学・複雑系科学 • もろもろ – Publications: https://sites.google.com/site/mtkn35699/ – Slide: http://www.slideshare.net/MasanoriTakano1 – Blog: http://mtkn.hatenablog.com/ 2
- 3. • ふと回帰分析したくなった時 • ふとMCMCしたくなった時 • ふと前処理したくなった時 • ふと機械学習したくなった時 • ふと集計したくなった時 • ふと社会科学したくなった時 でも iris はもう飽きた → そんなときのために、 誰でも使えるデータをご紹介 3
- 4.
- 5. おもしろいと思ったデータの取り⽅と使い⽅ ⼥性の美醜ステレオタイプの⽂化差の研究 • 差別: 超重⼤な問題 – どのように、どこで、性・⼈種差別が起きているか？ の状況把握をしたい • ⽅法 – 検索エンジンの検索結果を使う – 検索結果は間接的に⼈の⾏動を表す – "beautiful woman", "ugly woman" を22ヶ国の⾔語に翻訳し、 GoogleとBingで画像検索しデータ収集 → 検索された画像の年齢・⼈種を推定（Face++を使⽤） → ⾔語（≒国・⽂化）ごとの⼥性の ⾝体的なステレオタイプの傾向を分析 • 基本的な傾向: – ⽩⼈・若い⼥性の⾼評価傾向が強い • 美醜ステレオタイプの⽂化差クラスタリングしたり Camila Souza Araújo, Wagner Meira Jr., Virgilio Almeida, "Iden;fying Stereotypes in the Online Percep;on of Physical AErac;veness", Proceedings of The 8th Interna3onal Conference on Social Informa3cs (SocInfo), pp. 419-437, 2016. preprint: hEps://arxiv.org/abs/1608.02499 5
- 6. 建前と本⾳、意識と無意識の乖離 • ⽶出会い系サイトOkキューピットの例 – アンケート結果 • 「差別主義者とデートするか？」→ No – ⾏動ログ分析の結果 • 特定の⼈種に対する好み • ⽇本における最近の乖離の例 （これは両⽅共アンケート） – ＬＧＢＴに関する意識調査 • 上司や同僚が同性愛者や両性愛者だったら「嫌だ」「どちらか といえば嫌だ」と感じる⼈が計35.0％ • 職場での差別については81.0％が「なくすべきだ」 • http://www.nikkei.com/article/DGXLASDG07H4N_X00C17A1CR8000/ 性や差別に関してはこういった不⼀致が⾒られやすい？ 実態の把握には、本⾳・無意識が表れやすい⾏動ログ分析が キーになるかも ビッグデータの残酷な現実 https://www.amazon.co.jp/dp/B01JHNBK90 6
- 7.
- 8. 検索ヒットした⼥性の画像が美醜ともに低年齢な傾向 • 単に⽇本⼈が若く判別されただけ？ → 韓国よりも⽇本のほうが低いので、そうでも無さそう 仮説:⽇本のアイドルなどの低年齢傾向を⽰す？ 若年層の性的搾取も⼈類の深刻な問題の⼀つ 単にライブラリが⽇本⾵の撮り⽅を若く判別してるだけかも。年齢・⼈種の判別はFace++を利⽤。 8 ⽇本の傾向 – 年齢 ⼥性の美醜ステレオタイプの⽂化差の研究
- 9.
- 10.
- 11. 本⽇ご紹介するデータ • BigQuery(Github) • PornHub • Dryad, figshare 11
- 12. BigQuery • 様々なビッグデータが公開されている。 – Hackernewsの記事とコメント、オンラインゲームのロ グ、サッカーデータ、Reddit、Twitterとかも – https://www.reddit.com/r/bigquery/wiki/datasets • ⽣データが多いので中⾝を理解できればかなり楽しい • BigQueryにSQLを投げればデータが取れるので とにかく⼿軽。 • BigQueryなので⼤きなデータの前処理も楽勝 • ちゃんとしたドキュメントはあまりないがスキーマが 分かるのでなんとなくわかる（こともある） 12
- 13. Githubのデータ • BigQueryに⾏動ログが毎⽇⼊れられている – 新鮮な⽣データ！ • ⾏動ログ – 公開リポジトリについての、プルリク、マージ、コミッ ト、フォーク、Issueなどなど （各APIのレスポンス？） • ドキュメント – https://www.githubarchive.org/ – https://developer.github.com/v3/activity/events/ types • これとは別にある程度まとめたものもある – リポジトリの利⽤⾔語とかがわかる – https://cloud.google.com/bigquery/public-data/ github 13
- 14. データの詳細のさわり （詳しくはドキュメント参照） • ⾏動のタイプ: かなりいろいろ取れる – CommitCommentEvent, CreateEvent, DeleteEvent, ForkEvent, GollumEvent, IssueCommentEvent, IssuesEvent, LabelEvent, MemberEvent, PublicEvent, PullRequestEvent, PullRequestReviewEvent, PullRequestReviewCommentEvent, PushEvent, WatchEvent • JSON形式でユーザやリポジトリの情報など 詳細な情報が格納されている 14
- 15.
- 16. 幸せなコメントの多い プログラミング⾔語 at Stackoverflow 圧倒的 1位！ Gigazine:どのプログラミング⾔語で幸せなコメントor怒りのコメントが多いのかランキング http://gigazine.net/news/20170116-programming-language-happiest-comment/ 16
- 17.
- 18.
- 19.
- 20. ⽣データならではの味わい • 違う名前の同じデータ – forksとforks_count – watchersとwatchers_countとstargazersと stargazers_count • APIの資料には "ある"。なので、あるかと 思ってたら、データには "ない" – CommitCommentEventのrepository情報 など • なんだかよくわからない項⽬ • ノイズ（よくわからない使い⽅をしている ユーザの⾏動ログ） 20
- 21. PornHub • 海外のアダルトサイトのデータ • クロールしたデータをMITライセンスで公開 – ML,NLP⽤に作ったらしい – http://cdipaolo.github.io/hub-db/ – ドキュメントが揃ってて使いやすい • アダルトデータは、うまく使えば性差別・ LGBT差別・⼈種差別における現状把握・問 題発⾒にも使える（かもしれない） 21
- 22. PornHubのデータの⾒かた d <- fromJSON(file='porn_hub/raw_data/149_page.json') d$albums[[1]]$segment#カテゴリ d$albums[[1]]$votes #評価回数 d$albums[[1]]$upvote_percent #ポジティブ評価の⽐率 d$albums[[1]]$views #閲覧回数 d$albums[[1]]$images[[1]]$tags #タグ 他にもタイトルやコメントとかも取れる 22
- 23. 試しに検証: ⽇本⼈と低年齢 • さっきの画像検索データ研究での仮説 「⽇本の性的対象の低年齢化」をこちらの データを使って雑に検証してみる – このデータでは特にそうでは無さそう？ タグ 総頻度 共起頻度 共起率 french 33 8 24% german 35 7 20% latina 202 33 16% japanese 78 11 14% asian 327 46 14% white 110 13 12% black 307 34 11% brazilian 21 2 10% russian 35 3 9% indian 76 6 8% chinese 29 2 7% anime 93 2 2% 国・⼈種と "teen, teens" などの若年齢タグとの共起 23 ※ クローリングの対象は ランダムサンプリング ではないので参考値
- 24. 試しに検証: ⽇本⼈と低年齢 • 回帰分析 – 若年齢タグ（teensとか）と⼈種・国の交絡 – 若年齢タグとの交絡が強ければ、 その⼈種・国の若年齢は性の対象になっていると⾔える？ – ⽬的変数はポジティブ評価回数 glm(positive_eval~offset(log(view))+tag*teens, family=poisson) のL1正則化 24 ※ クローリングの対象は ランダムサンプリング ではないので参考値
- 25. 試しに検証: ⽇本⼈と低年齢 25 ※ クローリングの対象は ランダムサンプリング ではないので参考値 異様に強い アニメ:teensタグの交絡 glm(positive_eval~offset(log(view))+tag*teens, family=poisson) のL1正則化 • 回帰分析 – 若年齢タグ（teensとか）と⼈種・国の交絡 – 若年齢タグとの交絡が強ければ、 その⼈種・国の若年齢は性の対象になっていると⾔える？ – ⽬的変数はポジティブ評価回数
- 26. 動物のソーシャルネット • Dryad, figshareなどなど – 主に論⽂の実験・観測データ公開に使われる – バイオ系の実験データ、動物のフィールドデータ からTwitterのデータまでいろいろ – ⼤抵はその論⽂の実験が再現できるギリギリまで 削られたデータが多い（気がする） – たまーに掘り出し物がある。 – http://datadryad.org/ – https://figshare.com/ • その中から動物のソーシャルネットワークの データを分析 26
- 27.
- 28. 動物のソーシャルネット ネットワークの統計量⽐較 ノード数 クラスタ係数 次数相関 最短経路長 バブーン 29 0.52 -0.09 1.64 鳥 83 0.61 -0.13 1.82 鹿 671 0.56 -0.20 2.09 28 • クラスタ係数 – ⼤きいほど "友達の友達" が "友達" である傾向 – 最も社会性が⾼いと思われるバブーンが意外と低い • 次数相関 – "友達の多い⼈" の友達が多いと正、そうでなければ負 – 全体的に負。⿅が最も強い傾向 • 最短経路⻑ – ノード間の距離の平均 とりあえずやってみたがよくわからない。要調査。
- 29. まとめ 野良ビッグデータを使っていろいろ調べると楽しい • BigQueryのオープンデータ – 使いやすくて最⾼ – いろいろあってうれしい • 出会い系やアダルトサイトのデータ – 普段は表に出ない差別や性的搾取に本⾳や無意識を探るの に有⽤かも – 本発表の分析はデモ⽤のかなり適当なものなので、 本当に知るにはもっとちゃんと分析する必要がある – センシティブなテーマなので慎重な妥当性の検討が必要 • Dryad、figshare – 研究者が何年も掛けて集めたデータが簡単に⼿に⼊る。 たいへん貴重。 29
- 30. 付録: データが公開されている場所 とかリンク集とか • SNAP – ネットワークのデータ。ソーシャルネットワーク、P2P、 商品レビューなど。ドキュメントがそこそこある。 – https://snap.stanford.edu/data/ • AWS – https://aws.amazon.com/jp/public-datasets/ • リンク集 – https://github.com/caesar0301/awesome-public- datasets – http://web.stanford.edu/class/cs224w/ resources.html – http://www.kdnuggets.com/datasets/index.html – https://www.quora.com/Where-can-I-find-large- datasets-open-to-the-public 30