投稿パターンモデル構築機能

54

55

図 3.8 投稿パターンベクトル抽出の処理

図 3.8に示すとおり，投稿パターンベクトルの抽出では，まず，ユーザの投稿履歴から1 時間単位の投稿数を集計する．そして，集計した各時間帯の投稿数に対して，抽出対象の 日時を基準に，過去 n 時間分遡った時間帯までの投稿数を抽出し，投稿パターンとしてベ クトル化する．ここで，投稿履歴におけるすべての日付を𝒅_𝟏, 𝒅, … , 𝒅_𝒉, … , 𝒅_𝒛と定義し，日付 𝒅𝒉，曜日𝒘𝒊，時間𝒕𝒋の投稿パターンベクトル𝑽𝒅_𝐡𝒘_𝒊𝒕_𝒋を式 3.5に示す．ここで，nは過去に遡 る時間数を表す．

𝑉_{𝑑ℎ𝑤𝑖𝑡𝑗} = {𝑃𝑜𝑠𝑡(𝑑_ℎ, 𝑤_𝑖, 𝑡_𝑗), 𝑃𝑜𝑠𝑡(𝑑_ℎ, 𝑤_𝑖, 𝑡_𝑗−1), … , 𝑃𝑜𝑠𝑡(𝑑_ℎ, 𝑤_𝑖, 𝑡_𝑗−𝑛)} (3.5)

投稿履歴 ex.2012-12-20,thu

0 4 8 12 16

0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 投

稿 数

V 2012-12-20,thu,12:00 V 2012-12-20,thu,13:00 V 2012-12-20,thu,14:00

V 2012-12-20,thu,15:00 V 2012-12-20,thu,16:00 V 2012-12-20,thu,17:00 ｎ時間

投稿パターンベクトルの抽出

時間

56

式 3.5 において，𝑃𝑜𝑠𝑡(𝑑ℎ, 𝑤𝑖, 𝑡𝑗)は，時間帯𝑡𝑗の投稿数を表す．この投稿パターンベクト ル𝑉𝑑_ℎ𝑤_𝑖𝑡_𝑗をユーザの投稿履歴のすべての日時から抽出する．

(2) 行動確率付与処理

本処理では，行動確率モデルを参照し，投稿パターンベクトルに行動確率を付与する．

行動確率付与処理のイメージを図 3.9に示す．

図 3.9 行動確率付与処理のイメージ 睡眠中：80％

その他：20％

睡眠中：90％ 食事中：10％

帰宅中：70％ 食事中：30％

・・・

・・・

・ ・

・

・ ・

・ ・ ・ ・

睡眠中：80％

その他：20％

睡眠中：70％

その他：30％

その他：70％

食事中：30％

V

2012-12-20,thu,12:00

V

2012-12-20,thu,13:00

行動確率モデル

各曜日・時間帯に分類 行動確率の付与 投稿パターンベクトル

曜 日

時間帯

57

図 3.9 では，まず，投稿パターンベクトル𝑽𝒅_𝐡𝒘_𝒊𝒕_𝒋を各曜日・時間帯に分類する．曜日𝒘𝒊， 時間𝒕𝒋に分類した投稿パターンベクトル集合𝑽𝑺𝒆𝒕𝒘_𝒊𝒕_𝒋を式3. 6に示す．ここで，zはTwitter アカウントの開始日からの経過日数を表す．

𝑉𝑆𝑒𝑡_{𝑤𝑖𝑡𝑗} = {𝑉_{𝑑ℎ𝑤𝑖𝑡𝑗}, 𝑉_{(𝑑ℎ−7)𝑤𝑖𝑡𝑗}, 𝑉_{(𝑑ℎ−14)𝑤𝑖𝑡𝑗}, … , 𝑉_{(𝑑ℎ−𝑧)𝑤𝑖𝑡𝑗}} (3.6)

そして，投稿パターンベクトル集合𝑉𝑆𝑒𝑡𝑤_𝑖𝑡_𝑗に行動確率モデルの同曜日・時間帯における 各行動の行動確率を付与する．これにより，投稿パターンベクトルに行動の意味付けを行 う．

(3) 投稿パターンベクトルのクラスタリング処理

本処理では，類似する投稿パターンベクトルをクラスタリングにより類型化し，集約す ることで特徴的なベクトルを抽出する．まず，各曜日・時間帯の投稿パターンベクトル集 合𝑉𝑆𝑒𝑡𝑤_𝑖𝑡_𝑗 を 分 析 し ， ク ラ ス タ リ ン グ に よ っ て 投 稿 パ タ ー ン ベ ク ト ル 𝑉𝑑_ℎ𝑤_𝑖𝑡_𝑗, 𝑉(𝑑_ℎ−7)𝑤_𝑖𝑡_𝑗, 𝑉(𝑑_ℎ−14)𝑤_𝑖𝑡_𝑗, … , 𝑉(𝑑_ℎ−𝑧)𝑤_𝑖𝑡_𝑗を分類する．そして，分類したベクトルの平均値 を求めることで，類似するベクトルを集約した特徴的な投稿パターンベクトルを抽出する．

クラスタリングにより集約した投稿パターンベクトルをそれぞれ𝑉𝑐1, 𝑉𝑐2, … , 𝑉𝑐𝑏, … 𝑉𝑐𝑦と表 す．ここで，yはクラスタの数を表す．

クラスタリングには，階層的クラスタリングと非階層的クラスタリングがある．階層的 クラスタリングと非階層的クラスタリングの特徴の比較を表 3.4に示す．

表 3.4 階層的クラスタリングと非階層的クラスタリングの特徴の比較 階層的クラスタリング 非階層的クラスタリング

長所

・分類するクラスタ数を事前 に決定する必要がない

・初期値に依存しない

・処理時間が短い

短所 ・処理時間が長い

・分類するクラスタ数を事前 に決定する必要がある

・初期値に依存する

非階層的クラスタリングで代表的なk-means法[83]では，初期値にクラスタリングの精度 が依存する問題や分類するクラスタ数が固定である問題がある．特に，本研究では，分類 するクラスタ数を事前に決定することが困難なため，階層的クラスタリングを用いること にした．階層的クラスタリングでは，データの分類が階層的になされ，その結果がデンド ログラム（樹形図）で表される．デンドログラムを図 3.10に示す．

58

図 3.10 デンドログラム

デンドログラムを任意の閾値 α で切ることで，分割するクラスタ数を操作する．この閾 値 α は，事前実験にて決定する．クラスタ間の距離の算出には，階層的クラスタリングの 代表的な手法であるWard法[84]を用いる．Ward法は，クラスタ内のデータの平方和を最小 にするように考慮した手法であり，分類感度が高いことが知られている．Ward法によりク ラスタリングした投稿パターンベクトル𝑉𝑐_𝑏を VSM の学習ベクトルとして投稿パターンモ デルに格納する．これらの処理の流れにより，ユーザの習慣行動と投稿パターンの関係を 学習し，投稿パターンモデルを構築する．

ドキュメント内 マイクロブログを用いたソーシャルセンシング技術 に関する研究 (ページ 48-52)