Download to read offline
WWW2012勉強会：Information Diffusion in Social Networks
- 1. 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
- 2. 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
- 3. Informa(on Transfer in Social Media 12/07/22 WWW2012勉強会 3
- 4. 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
- 5. Informa3on Transfer • ユーザXが時刻tにツイートしたら1を取る確率変数 Xt(t!k ) = {Xt , Xt!1,..., Xt!k } • XからYへのInforma3on Transfer（Transfer Entropy） TX!Y = H (Yt | Yt"1 ) ) " H (Yt | Yt"1 ), Xt"1 ) ) (t"k (t"k (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 Xの観測によって 減った不確かさ 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 12/07/22 WWW2012勉強会 5
- 6. 結果① 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 図は論文中より引用（Figure 8） 算出は難しい 12/07/22 WWW2012勉強会 6
- 7. 結果② 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 表は論文中より引用（Table 1） 12/07/22 WWW2012勉強会 7
- 8. 結果③ I.T.の大きいペアの ツイートのタイミング 図は論文中より引用（Figure 10） ツイートのタイミングを 予測できる 12/07/22 WWW2012勉強会 8
- 9. The Role of Social Networks in Informa(on Diffusion 12/07/22 WWW2012勉強会 9
- 10. 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
- 11. 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
- 12. データ 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） 12/07/22 WWW2012勉強会 12
- 13. 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） 図は論文中より引用 （Figure 3 (b)） 12/07/22 WWW2012勉強会 13
- 14. 結果 ー Tie strength 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 12/07/22 WWW2012勉強会 14
- 15. Recommenda(ons to Boost Content Spread in Social Networks 12/07/22 WWW2012勉強会 15
- 16. 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
- 17. Content Maximiza3onを考慮した Recommenda3on 図は論文中より引用（Figure 1） 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 12/07/22 WWW2012勉強会 17
- 18. 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 １． f (X) = ! ! PX (i, c) を最大にする i c 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 ２． i ! N j , j ! N i ３． あるノードに対して推薦するエッジは最大k個 12/07/22 WWW2012勉強会 18
- 19. 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
- 20. 結果 図は論文中より引用（Figure 8） 12/07/22 WWW2012勉強会 20