居住地推定法基

(1)

居住地推定法基

関分析

(Analysis of Social Graph Properties for Home Location Estimation)

2021 ^年 1 ^月

博士（工学）

廣中詩織

豊橋技術科学大学

(2)

別紙４－２（課程博士（和文））

2021年 1月 8日情報・知能工学専攻学籍番号第143369号指導教員梅村恭司

北崎充晃氏名廣中詩織

論文内容の要旨 (博士)

博士学位論文名居住地推定法に基づいたソーシャルグラフに関わるプロパティの分析

(要旨 1,200字程度)

人間社会では、似た属性を持つ人とのつながりを持ちやすいことが知られている。ソーシャルメディアが広く使われるようになり、人々の行動がソーシャルメディアを通じて観測できるようになってきた。多くの人々に利用されているソーシャルメディアは、現実の社会を観測し分析するために利用される。様々な分析をする際にはユーザ属性が利用されるが、一部のユーザ属性は欠損していることが多いため、他の情報から推定する必要がある。ソーシャルグラフはソーシャルメディア上のユーザ間の関係をもとに構築することができるが、このとき似た属性を持つユーザ同士のつながりをもとにしたソーシャルグラフを用いると、居住地などのユーザ属性を推定することができる。

ソーシャルグラフは現実の社会を反映していると考えられるが、ソーシャルグラフの性質は明らかではないため、実際のデータをもとにソーシャルグラフの性質を調べるアプローチが必要である。ソーシャルグラフを用いた居住地推定では、ソーシャルグラフの持つ性質により推定性能が変化する。本論文では、ユーザ属性とソーシャルグラフとの関係に着目し、居住地推定を通じてソーシャルグラフのプロパティを分析する。

ソーシャルメディア上でのユーザ間の関係には多くの種類があることから、居住地推定に適したユーザ間の関係の特定に取り組んだ。その結果、居住地推定に用いるソーシャルグラフを構築するために利用するユーザ間の関係について、向きを考慮することで推定性能が向上することを明らかにした。

ソーシャルグラフ上において、ユーザに紐付いている居住地ラベルがグラフ上でどのように分布しているかは、ラベルをどのように伝搬させていくと推定がうまくいくかに関係している。そこで、ソーシャルグラフを構成するノードが持つ居住地ラベルがどのような分布をしているのかを分析した。その結果、88%のユーザは同じラベルを持つユーザが1ホップ以内に存在することを明らかにした。

ソーシャルグラフはユーザが他者と交流する過程で構築されていくものであるため、ソーシャルグラフの形状に関わるプロパティは、ユーザの特徴と関係していると考えられる。そこで、居住地推定が困難なユーザの持つノードのプロパティである、プロフィール属性を分析した。分析に使用した属性は、ユーザ名や自己紹介文などプロフィールのテキストの文字数、グラフの次数に関連するフォロー数、フォロワー数、フォロー／フォロワー比、アクティビティを示すいいね数、総ツイート数、1日あたりのツイート数、公開リストに入れられている数、アカウント作成日からの日数である。また、他ユーザとつながっている度合いを測る中心性も、ノードのプロパティであるため、中心性についても分析した。分析には、ソーシャルグラフの次数、PageRank、H ITSのAuthorityとHubを用いた。

本論文では、日本のTwitterユーザによるソーシャルグラフの性質についての発見をまとめた。

本論文は日本周辺で投稿された1年分の位置情報付きツイート140,055,452件をもとに大規模な分析をおこなったものである。

(3)

別紙４－１（課程博士（英文））

Date of Submission（month day，year）: January 8, 2021 Department of

Student ID Number D143369

Supervisors

Kyoji Umemura Michiteru Kitazaki

Applicant’s name Shiori Hironaka

Abstract （ Doctor ）

Title of Thesis Analysis of Social Graph Properties for Home Location Estimation

Approx. 800 words

People tend to interact with others who have similar attributes. Social media, which is widely used worldwide, can be used to analyze real-world social behaviors. Users’ attributes are used in the analysis; however, because certain user attributes are not open to the public, it is necessary to estimate them using other sources of information. A social graph is constructed based on the relationships among users on social media. As we use the social graph based on the relationships among users with similar attributes, we can estimate user attributes such as home location.

While a social graph is considered to reflect the real world, the properties of the social graph are not clearly known. These properties need to be analyzed using data that represent the real world. The performance of social graph-based home location estimation varies based on social graph properties. In this thesis, we analyzed social graph properties using home location estimation, which is based on user attributes and social graphs.

There are several types of relationships between users on social media, however the estimation performance of each relationship is unclear. Therefore, we conducted a study to identify the relationship between users, which is helpful for home location estimation. Based on the results, we observed that the estimation performance can be improved by considering the direction of the relationships.

The distribution of the location labels associated with the users on the social graph is related to the success ratio of the estimation, and we analyzed the distribution of home locations on the social graph. From the results, it was observed that 88% of the users had the same home location within one hop (friends and friends of friends).

A social graph is constructed while interacting with others, and its properties are related to user characteristics. We analyzed users whose home locations were difficult to estimate. We focused on the user profile attributes, which is a subset of the social graph properties, and we analyzed the relationship between the degree of difficulty of estimation and user profile attributes. We employed the following profile attributes: length of the profile text, such as name or description; attributes related to the degree of the graph, such as the number of followings and followers or follow ratio; and activity measures, such as the number of likes,

Computer Science and Engineering

(4)

average number of tweets per day, number of lists, or number of days since the account was created. We also conducted an analysis using centrality, which measures the connectivity of other users. We employed the following centralities: the in-/out-degree centrality, PageRank, and Authority and Hub scores of the HITS algorithm.

In this thesis, we summarize our findings on the properties of the Twitter social graph.

This was a large-scale analysis based on 140,055,452 geo-tagged tweets posted throughout Japan in 2014.

(5)

iv

図目次

2.1 Twitter Web 画面例（2020年12月2日閲覧） . . . . 6

3.1 関係 4種類間関係 . . . 17

3.2 間地理的距離分布 . . . 26

3.3 距離分布（Majority Vote + follower） . . . 27

3.4 4^{種類手法} ^推定性能 k ^変 Recallk 評価結果 . . . 29

4.1 繰返回数 4種類推定関数変評価結果（適合率、再現率、 F値） . . . 38

4.2 ^{繰返回数} 4^{種類推定関数変} ^{評価結果（平均} ^距離、中央値距離） . . . 39

4.3 同持最短距離分布 . . . 40

5.1 ^値 ^{適合率変化} . . . 51

5.2 値分布 . . . 55

5.3 属性間順位相関係数 . . . 57

6.1 入次数中心性出次数中心性分布 . . . 63

6.2 PageRank HITS Authority, Hub 分布 . . . 64

(8)

vii

表目次

3.1 統計量 . . . 19

3.2 ^{居住地推定性能（}leave-one-out^{交差検証）} . . . 24

3.3 居住地推定性能（10分割交差検証） . . . 25

3.4 都道府県居住地推定性能（leave-one-out交差検証） . . . 30

5.1 ^{適合率最大} ^値 ^性能 . . . 49

(9)

1

第 1 ^章

序論：本論文枠組

社会的生物人間、相互影響与合暮。人間人間関係、家族友人、恋人、同僚様々。関係人間同士人持面（属性）共有。同僚同会社勤

、家族一緒住多、学友同学校通。住

場所通大学人属性、似属性持人同士人間社会多存在。

人間同士関係分析、人間、人間人間関係

表現用。表現

、人持属性人間同士関係調。多人々日常

的利用、上

人間関係観測、分析用

。上人間関係持現実世界人間関係

多、現実世界人間関係関連

。本論文、基本的呼際、

指。

上、特上、人々認識

。上、同士様々交流、様々関係

築。社会一部反映、様々

研究開発用。例、検出 [Benhardus

13] 体験向上推薦 [Jonnalagedda 13, Phelan 09]、疾患流行

観測 [Signorini 11]^{、現実世界} ^起 ^検出 [Sakaki 10] ^挙 ^。

研究開発、属性組合詳細分析

。普段利用 Web 、様々場所

、属性利用

。属性様々場面必要、一部属性欠損

多、欠損属性情報推定取組

(10)

第1章序論：本論文枠組 2

。

似属性持上同士用、属性推定

。例、現実友人関係場合、住

場所近同士、近年齢同士、

位置年齢推定利用。、購読

利用場合、住地域関読

考、位置推定利用可能性。、上

間関係属性推定可能性、間関係推定属性異。

上様々間関係存在、

用属性推定考、間関係属性推定

働調方法必要。

定義作、生成

考、実際性質調必要。

本研究、属性関係着目、

分析。

上様々関係作、

間関係種類変。関係種

類形状異、関係属性推定適間

関係調必要。第 3章、構築用

間関係推定性能与影響分析。

上属性（）位置

、属性推定方法変。上属性分布

、直接部分使予測、全体

使性能向上調必要。第 4章、同値持間距離分析。

構築他関係、他関係持

、形状決考。、推定

性能影響形状、関係作関連

考。第 5章、推定対象関係築、

分析。、第 6章、

一般的解析手法用、推定対象上

特徴持分析。

(11)

3

第 2 ^章

本章、属性推定必要、関連諸概念記述

。、情報投稿・閲覧、交流双方向

。平成30年版情報通信白書、「、

（SNS）、動画共有、利用者情報発信、形成」

定義 [^総 18]^。 ^、

異、各情報発信者、人々各

自考投稿。、分析

、世論流行社会分析。

社会分析上、社会構成人関係調重要。

上間関係取得、人間同士関

係表得。述、

上人々活動場、得現実人間同

士関係表現、上関係表現

。、利用現実存在人

間、現実知合上交流多。、

現実世界関係反映。

以下、実在 2.1節述。次、本論文

分析用 Twitter ^、 ^構築 ^用

Twitter上間関係 2.2 節説明。、属性

居住地 2.3節述。属性関係

2.4^{節述} ^。 ^、間関係属性類似性強 2.5^{節述} ^。中心性 2.6節述。

(12)

第2章 4

2.1 ^実在

多種類。例、Twitter Facebook

、掲示板、、、

投稿閲覧主、多

当。多共通以下機能持：

投稿、閲覧、購読、評価、共有

（）。投稿種類利用目的、関係持

違、共通点。

本研究、種々中 Twitter 注目、Twitter

対象分析。平成 30^{年版情報通信白書} ^、日本

40% 人 Twitter 利用答 [総18]。Twitter API 提供

収集、多人利用、分析対象適

。、多似機能持、本論文分析方法

他対象場合参考考。

2.2 ^対象 ^： Twitter

Twitter 人々起比較的短文章投稿。

呼短文投稿特徴、日本語 140文字以内

制限 ^*1。投稿短文、他比、比較的

情報投稿特徴 [吉田 16]。投稿各呼場所時系列順表示。各、自身過去投稿

新順表示、（購読）

投稿新順表示持。

各情報入力。情報詳細 2.2.1 ^節 ^説明

。、各投稿情報 2.2.2節説明。、

間関係 2.2.3節述。

*12017 ^年 9 ^月 11 ^月、日本語、中国語、韓国語以外言語、文字数制限 280 ^文字 ^緩和 ^。https://blog.twitter.com/official/en_us/topics/product/

2017/Giving-you-more-characters-to-express-yourself.html(viewed 2020-12-02)

(13)

第2章 5

2.2.1

情報

Twitter 利用投稿作必要。

登録際、他人重複名（名；例：@twitter）決

必要。、公開非公開

選。非公開、許可

閲覧許可。非公開許可取

得、本研究公開対象。

名前（表示名）、場所、自己紹介入力。名前 50文字

入力、表示際、共表示。場所

位置情報入力、位置情報関係入力

。自己紹介 160文字以内入力、場所画面表示。、画像設定。

図 2.1 示、画面名、名前（表示名）、

画像、自己紹介、場所、Twitter登録日、数、数表示

。API 取得際、各投稿者

情報紐付。

2.2.2

情報

Twitter Web 、投稿入力欄「？」

表示、多起投稿。

、投稿日時、投稿情報、

内容紐付。、内容自動的解析、

含 URL 、言及（）情報

付与。、画像動画、位置情報含

。

付与位置情報、情報（place^；豊橋市 ^愛知県 ^） ^詳

細座標情報（coordinates；緯度経度） 2種類。座標情報付

場合、Twitter 座標対応情報追加、詳細

座標情報付与場合両方位置情報付与

。

Twitter 、他投稿再投稿（）

。、自身対共有行為。

(14)

第2章 6

図2.1: Twitter Web 画面例（2020年12月2日閲覧）

、投稿者閲覧、

拡散、多目触。場合

、情報、元情報、元

投稿者情報共得。

Twitter 情報取得・投稿 API 公開、自動

。自動投稿主体 Bot 呼。属性推定

利用作際、Bot 存在無視

。

Twitter 、今日天気新着投稿 Bot 、様々 Bot

。、普段手動投稿、Twitter

機能他機能利用、自動投稿。例

(15)

第2章 7

、Foursquare（Swarm）^*2 位置情報共有目的

、友人共有、Foursquare上共有場所 Twitter

同時投稿。程度決文面投稿。他、Web

設置、決文面（

文）入力済投稿画面出。利用、

同文面入複数投稿。自動生成

投稿分析障害、特徴、対前処理段階

Bot Bot投稿除外。

2.2.3

^{間関係}

関係表現。

上、各他対行動起、

行動間関係得。

対行動、、、（@ ）。

機能、他購読自分自身作

使。機能以外仮想的作使

。 1 1 持、

複数作成。、公開非公開、他作成公開

購読。各、自分追加公開一覧

画面確認。公開関連集作成

多、公開付名前、追加

対付 [Yamaguchi 15]。、

投稿際他名中含。

投稿際、言及通知受取。、

入、言及（）行為、相手許可

求。

対行動、気入 ^*3 。

気入入行為、行為、

許可必要。投稿情報紐付

、関係関係。加、

*2https://www.swarmapp.com/(viewed 2020-12-02)

*32015^年11^月 ^気 ^入 ^名称 ^変更 ^。同時 UI ^形 ^星形

型変更。https://blog.twitter.com/official/ja_jp/a/ja/2015/1104heart.html, https://twitter.com/TwitterJP/status/661659581832015878(viewed 2020-12-02)

(16)

第2章 8

行動、（返信）。

対象言及行動、特定対返信

投稿。

、対象投稿購読

。理由分析研究 [Kwak

10, Barbieri 14, Tanaka 14, Yamaguchi 15]。大分、内容

興味持、知合 2 分

。、友人関係含

、限。

2.3 ^{推定対象属性} ^居住地

年齢性別、嗜好、居住地属性利用

用、特情報整理利用属性

。情報整理際使軸、時間、空間、名前 3^軸 ^。例

、年表情報時間軸整理、地図上情報空間

軸整理。、本末尾用意索引名前軸整

理。軸、組合情報特定。時間空

間得場所特定、本論文時間空間軸利用属性着目。

時間空間該当属性考。

Twitter 投稿即時性高特徴報告 [吉田 16]。

、投稿時間、記載事柄起

時間推測。空間情報、付与位置情報利

用考。、位置情報付与、欠

損空間情報推定必要。我々着目

、位置注目。

位置、特徴表重要属性。 Twitter ^利用

主滞在場所、周辺考

、位置補完使。、位置利用

、検索推薦結果。様々場所検索

、検索結果表示、属性利用結果表示

、場所周辺結果提示。商品推薦同様

。他、利用考、

住重要要素。特定商品興味

(17)

第2章 9

対送集、提供範囲限

、提供範囲内情報活用

、有利進。、上

言及集、分析位置、

住流行。以上例

位置、主滞在場所、住場所考。

他勤務先位置考。

Twitter 得具体的位置関、

入力「場所」、投稿位置情報付

付与地理座標。自身場所入力

少 [Hecht 11,山口 13] 、全中位置情報付占

割合低 [Sloan 15] 知、位置情報多利用

推定必要。我々 Twitter ^利用 ^{主滞在} ^場所（

）注目、本論文位置情報付求、主

滞在場所居住地。

2.4 ^{属性伝搬}

付属情報。例、

年齢嗜好、居住地様々属性持。

属性、付属、

。用

属性利用、属性公開限、欠損

属性他情報推定必要述。本論文、属性推定

、似属性持間関係利用考。

人似好持他者関係持特徴、性質

上関係存在 [McPherson 01]。「似好

持同士以外比持」特徴、

間関係属性推定可能。例、間関係地理的距離関係調査研究 [Kulshrestha 12]、上関係用

位置推定試多数 [Jurgens 15, Zheng 18, Luo 20]。居住

地以外属性、職場通大学、学部属性、

用推定研究 [Mislove 10]。

用属性推定手法、言語依存適用利点。

属性推定用場合、推

(18)

第2章 10

定性能影響。、属性推定

働調必要。

、付属加、形状関。具体的

、構築間関係、上

持属性分布考。

2.5 ^{伝搬強}

用属性推定手法、似属性持同士関係利用

。関係利用属性推定、属性

伝搬解釈。、間関係同強

考、伝搬強関係、

変考。

持中心生、

伝搬強変考。上

考上、直接得情報。

得情報記入、知手

考。

2.6 ^中心性

限、構造様々研究用。例

、共著研究者分析、引用論文分析、Web

Web 評価。、重要

発見一般的、汎用的分析手法開発

。、本論文、（）重要度測指標中心性

導入。中心性、

多度合測。中心性

一種考。重要性、推定利用

考。

対計算中心性以下小節述。

説明、以下定義変数用。有向単純。

頂点、辺呼。隣接行列表

現 A 。隣接行列A 要素、 j i 向

Aij = 1、 Aij = 0 値持。 i 入総数入

(19)

第2章 11 次数k_iⁱⁿ、 i 出総数出次数k_i^out 。

2.6.1

^{次数中心性}

次数中心性、持数重要度指標

。有向向、入次数中心性出次数中心性。次

数多関係持表値、多

持重要指標。

入次数中心性xⁱⁿ_i 出次数中心性x^out_i 次式定義。 xⁱⁿ_i =∑

j

A_ij =kⁱⁿ_i (2.1)

x^out_i =∑

j

A_ji =k^out_i (2.2)

Twitter 関係 ^*4 、入次数中心性

持数、出次数中心性数該当。多

持重要入次数中心性、多

重要出次数中心性。高

入次数中心性持多知有名、高出次数中心

性持多情報源購読考。

2.6.2 PageRank

PageRank [Page 98] 、単純多関係持、重

要持重要考中心性。

、指持和。

、各伝搬、持出数割

、大値持多出持伝搬

。

PageRank 次式表。

xi =α∑

j

Aij

x_j

k^out_j +β (2.3)

、α β 定数。β 項、 0 （入次数 0

）初期値重要度持表。

*4 u v u v 方向作構築。

(20)

第2章 12

PageRank Google Web 用使提案

[Page 98]。後、Web 間表現 Web

対象使、様々対象応用

利用 [Gleich 15]。

Twitter 、PageRank 入次数中心性

同、有名高値与。、多

高値持。、、高持

高持。、、

権威先受渡理解

。例、多有名人数

名場合、、有名人親有名人

関強考、重要度高（

上影響力）考。

2.6.3 HITS

HITS（Hyperlink-Induced Topic Search）[Kleinberg 99] 、各対 2種類重要度考指標。PageRank 高中心性持指

高値 Authority 、高中心性持指

高値持 Hub 考。、高 Hub 持

指高値 Authority 、高 Authority 持

指高値 Hub 定義。

Authority xi Hub yi 次式定義。

xi =α∑

j

Aijyj (2.4)

yi =β∑

j

Ajixj (2.5)

、α β 定数。

Twitter 、多持

高 Authority ^持 ^、多 ^高 Hub

持傾向。、、少高

Hub 持高 Authority 持、

少高 Authority ^持 ^高 Hub

持。PageRank 異、各伝搬 Authority 場合

Hub、Hub 場合反対 Authority 、有名人（Authority 高）

(21)

第2章 13

少数知人、重要

。代、多有名人（Authority 低

、Hub 高）、有名高

Authority 与。例、Authority 値 Twitter 利用

特定、Hub 値情報収集目的

特定考。

(22)

14

第 3 ^章

居住地推定法分析

3.1 ^{本章背景}

用居住地推定試多数。

作成際利用間関係変、異形

。間関係地理的近友人割合変化

[McGee 11] 報告、居住地推定性能変化明

。

本章、間関係変作成複数用、

居住地推定与影響調査。調査、

間関係居住地推定最有効示。、代表的居住地推定手法

推定傾向、形状影響受示。

3.2 ^関連研究

居住地推定関研究、主 Twitter 用

検証。Twitter 分析研究開発居住地属性利用

[奥村 12] 、自身居住地入力少 [Hecht 11,山口 13]。、居住地推定試多数。居住地推定手法、推定利用情報違、友人関係利用

手法、投稿内容利用手法、両方組合

利用手法分。

Twitter ^関係 ^手法 ^、友人 ^居住地

中最出現数多居住地推定手法提案 [Davis Jr. 11]。

、Sadilek 居住地推定予測同時解手法提案 [Sadilek

12]^。McGee ^友人関係 ^分析 ^、決定木 ^信頼度 ^決 ^、尤度 ^用

[Backstrom 10] 拡張 [McGee 13]。Rout 、居住地推定

住都市分類問題、SVM 用居住地推定

(23)

第3章居住地推定法分析 15

[Dominic 13]。Jurgens 、作成利用、友人

情報利用推定手法繰返適用多居住地推定

示 [Jurgens 13]。

手法、Cheng 本文含地理的単語利用

居住地推定手法 [Cheng 10]。Kinsella 本文作成

言語推定 [Kinsella 11]。手法、Li

本文含地名用手法 [Li

12b]。複数居住地推定方法提案 [Li 12a]。Chen

強考慮 Li 手法拡張 [Chen 16]。

居住地推定多手法提案、実験条件異、論文情

報結果比較。、新手法提案、

提案手法比較分析研究。Jurgens [Jurgens 15]

作成利用、手法

統一的評価。

提案手法関係使傾向

、本章関係関係着目調査。

、関係作成 4種類用、居

住地推定与影響調査。調査、間

関係居住地推定最有効示。、代表的居住地推定手法推定

傾向、形状影響受示。Twitter

調困難、本章位置情報付投稿

調査。

3.3 ^作成 ^特徴

本調査、Twitter 居住地、関係

利用、居住地推定性能調。作成方法詳細

3.3.1^節以降 ^述 ^。

3.3.1

位置情報付居住地

調査利用居住地位置情報付決定。主

居住地周辺活動考、位置情報付投稿

主場所居住地。本研究、手法

提案主要先行研究 [Davis Jr. 11] 同様、居住地市区町村

(24)

。、森國 [森國 15] 同様方法総務省統計局境界作成。位置情報付地理座標情報（coordinates）座標含

（日本国内市区町村）求、最数多居住地。

Twitter Streaming API^*1 使用、2014年日本包含矩形^*2 中投稿位置情報付（250,564,317件）集。森國 [森國 15] 同様 Bot

投稿除外、2014年 5回以上位置情報付投稿条件設定、614,440 居住地付与。

3.3.2

^関係

本研究、間関係利用作成。

集合^*3 集合^*4 2種

類情報取得、合間関係利用。居住地

付与 614,440 周関係 2015年7月取得。必要情報

取得 472,350 調査使用。

Twitter 関係間関係、関係

（followee）、関係（follower）、相互関係（mutual）、

関係（linked） 4種類考。居住地推定

最有効関係特定、関係 4種類

作成。本研究、図 3.1 ^示 ^、 ^、

間関係有向作成単純有向。作成

、隣接、関係（followee

follower ）。図 3.1 、 B A 隣接

。

3.3.3

^特徴

本節、作成統計量調、間関係変作成

特徴明。、居住地付与

違調査。

間関係変作成特徴明、

*1https://dev.twitter.com/streaming/reference/post/statuses/filter(viewed 2016-11-04)

*2北緯20^度 50^度、東経110^度 160^度 ^範囲。

*3https://dev.twitter.com/rest/reference/get/friends/ids(viewed 2016-11-04)

*4https://dev.twitter.com/rest/reference/get/followers/ids(viewed 2016-11-04)

(25)

ইज़টشखथःॊ

قĨŽůůŽǁĞĞك

ইज़টشऔोथःॊ

قĨŽůůŽǁĞƌك

ৼ൩ইज़টش قŵƵƚƵĂůك

ইज़টشखथःॊ

ऽञमऔोथःॊ

قůŝŶŬĞĚك

図3.1: 関係 4種類間関係

基本的統計量調。大、作成有向

G(V, E) 次数 1以上数|V^′|^、 ^数|E| ^調 ^。 ^、推定隣接（友人）利用、居住地付与出次数（隣接

数）平均K_out 標準偏差S_out、中央値M_out 調。加、隣接利

用手法推定数、居住地付与出次数

0 数|Iout| ^調 ^。 ^、次数 1以上集合 V^′ 、次数 0

以上集合 V 仮定、3.3.2節述居住地付与

隣接取得都合上、観測存在。、

|V| ≥ |V^′|+|Iout| ^関係 ^成立 ^、|V| ^正確 ^値 ^算出不能 ^、本

稿 V 議論。

3.3.2節述、居住地付与周関係取得、4種

類作成。居住地付与関係

、居住地付与。、収集

作成、居住地付与

含。、関係取得起点

居住地付与、居住地付与同士関係

取得。以上制約、取得関係利用作

成、取得関係居住地付与同士関係

作成区別統計量調。表 3.1 調統計量示

。、3.4節後述、本研究隣接利用手法居住地推定性能評価、実験、居住地付与同士関係作成

（表 3.1b）使用。

作成際、関係関係

居住地推定法 基