滨肠飞蝉尘読み会
- 1. ICWSM読み回 Booming Up the Long Tails: Discovering Potentially Contributive Users in Community-Based Question Answering Services ＠_A_K_5
- 2. 概要 ? CQAサービスに貢献するユーザの早期発見 ? 多くのユーザが、あまり活動しないまま居なくなる ? いなくなる前に、将来有望なユーザを見つけて、質問 を推薦してあげる ? 有望そうなユーザの定義 ? Joinしたてで、かつ専門性の高そうなユーザ ? 専門性の高いユーザでコミュニティが回っている
- 3. 推定アプローチ ? 3つのデータを利用 ? ヘビーユーザの回答集合 ? ヘビーユーザの統計量 ? ベストアンサー数、その比率、回答推薦数 ? ライトユーザの回答集合 ? 注目する素性 ? ヘビーユーザが頻繁に使うキーフレーズ、統計量 ? ライトユーザの直近のアクティビティ
- 4. 推定の流れ ヘビーユーザ集合… ライトユーザ集合… ? 入力データ ターゲットカテゴリ… ? 学習データ キーワード集合… ? 出力データ ライトユーザが将来ヘビーユーザになるかどうかの推定値… 全ライトユーザで算出し、この値が高いユーザに質問を推薦 各キーワードで、ヘビーユーザに依存したWordlevelを計算
- 6. 専門性の算出1 ? ヘビーユーザの専門性 ? ? ? ? ? ?+ 2 )( 2 )))(1(1( )( h h h uE uE uEntropy otherwise ucPif hett 5.0)|( arg > )|(log)|()( 2 },arg{ h othersettc hh ucPucPuE ∑∈ ?= ? 専門性が強いほどエントロピーがたかくなる P(c_target｜u) E(u) 0 0.5 1 1 調整パラメータ u_hの間違い
- 7. 専門性の算出2 ? ヘビーユーザの専門性 2 ))(())(( )( hh h utRecommCounSuSelcountS uRating + = α?? + = t e tS 1 1 )( t S(t) ? Selcount…ベストアンサー数(A) ? Recomm…回答推薦数(C)
- 9. キーワードの算出2 ∑ ∑ ∑ ∑ = H hu h H hu h U A ujiji U A ujijih i Aawtfidfaw AawtfidfawuExpertise wWordlevel ),,(),( ),,(),()( )( σ σ ? ? ? ∈ = otherwise Aausedwif aw huji ji 0 1 ),(δ ),(),(),,( hh uijiuji AwidfawtfAawtfidf ?= ? キーワードのレベル算出式 任意のヘビーユーザの 回答集合 ワード出現頻度 逆回答頻度 ワードレベルが高くなるほど、専門性の 高い人がよく使う
- 10. キーワードの算出3 ※WordLevelが非常に小さいワードは無視 ∑ ∑ ? = lu lu W i W ii l w wwWordlevel uxpertiseEstimatedE )( )()( )( ρ ρ ? ? ? ≥ = otherwise wWordLevelif w i i 0 1.0)(1 )(ρ ? ライトユーザの専門性を推定 任意のライトユーザの 回答のキーワード集合
- 11. アクティビティの算出 ∑ + = luA j l aAge ucency 2)( 1 )(Re ))((Re)( ll ucencySutyAvailabili = ? ライトユーザのアクティビティを算出 任意のライトユーザの 回答集合 回答がより頻繁でより 直近であるほどアクティ ビティが高い
- 12. データセット ? 韓国のCQAサイトKinの質問回答集合 ? おおよそ10年間分のデータ（2002～2012） ? 今回は2つのカテゴリに絞って収集 ? 期間内で5回以上回答したユーザに絞る ? データの選定 ? 質問したユーザが選んだ回答のみに絞る（ノイズ対策）
- 13. 実験設定 ? データを3分割（学習、予測、評価） ? 学習データでヘビーユーザからワードの特徴量計算 ? 次の期間でライトユーザの専門性を推定 ? 次の期間で推定したユーザのCQAへの貢献度を評価
- 14. パラメータと評価指標 ? 調整パラメータ ? パラメータはデータ量で変化するもの ? 今回は経験的に設定（各々決めうち） ? 正解データと比較手法 ? Kin内で使われているユーザのランキングを正解データに ->ベストアンサー等の値を利用したもの ? Expertise(),SelectCount(),ReccomCount()を比較手法 ->評価期間でのランキング結果を利用 ->予測期間でランキングを求め、評価期間の正解データと比較
- 15. 事前調査 ? ちゃんと専門性の強いユーザを推定できているか ? EstimatedExpertiseの値でユーザを降順ソートして、上と比較 ? サイト内で、ユーザは自分の興味を示す機能がある EstimatedExpertiseが高いユーザは、9割近くが そのカテゴリに興味がある
- 16. 評価1 ? Precisionでの評価 ? Computerでは頑健な結果が得られている ? Travelではベターな結果 ->ユーザのエントロピーを使うとこうなるらしい
- 17. 評価2 ? コールドスタート問題に対応できるか ? 推定ランキングをKinのランキングの相関係数 ? 质问と回答の数が少なくても顽健な推定ができている
- 18. 評価3.1 ? affordanceの評価 ? 推定ユーザが将来CQAへ貢献しているか ? 評価指標 ? availability...ランキング上位ユーザがちゃんと回答しているか ? posession...ランキング上位ユーザが占める回答率 ランキングユーザのランキングユニーク回答数/全ユーザのユニーク回答数 ランキングユーザのランキング全回答数/全ユーザの全回答数 ? 評価方法 ? 2012年7月末のランキング結果とその後1ヶ月の状況
- 20. まとめ ? CQAサイトの活性化 ? 入りたての、専門性の高そうなユーザをターゲット ? ヘビーユーザの専門性と利用するキーワードを利用 ? ライトユーザから専門性の推定 ? キーワードのレベルとアクティビティから推定 ? 様々な評価 ? サービス内のランキングよりも良好な予測結果