ユーザ間関与に基づくTwitterフォローユーザ推薦

全文

(1)ユーザ間関与に基づく Twitter フォローユーザ推薦 Twitter Following User Recommendation Based on Involvement between Users ◎北村太一 1 小川祐樹 2 諏訪博彦 1 太田敏澄 1 Taichi KITAMURA, Yuki OGAWA, Hirohiko SUWA, Toshizumi OHTA 1 電気通信大学. 大学院情報システム学研究科 Graduate School of Information Systems, University of Electro-Communications 2 立正大学 Rissho University. Abstract: Twitter, one of micro-blogging services, was focused on by the effect of US President Obama's speech in the world in 2008, and the number of its users is increasing. Researches in recommendation method with respect to who should be the proper user to follow can be classified into two types; i.e. collaborative filtering using the followee/follower relations, and content-based filtering focusing on the contents similarity among users. However, these recommendation methods reveal shortcomings, in that they do not regard user involvement, namely the extent of communications among users. In order to include the factor of user involvement in recommendation method, a new type of recommendation system will be proposed. キーワード: Twitter, フォロー推薦, ユーザ間関与. 1 はじめに. した推薦モデルを提案する．. Twitter[1]は 2006 年に Obvious 社によって運用開. 本研究では, 趣味・嗜好を共にする多数のユーザと. 始されたマイクロブログサービスで, Neilsen によると. 広く浅いコミュニケーションを行うツールとして Twitter. 2011 年 2 月時点でのユーザ数は日本国内 1282 万人. を利用するユーザを対象に,本人は知らないがフォロ. [2], 全世界では 2 億人を超えている. (現在は Twitter. ーすることが適するユーザを推薦することとする. ここ. 社が運営) Twitter では, ユーザが 140 字以内の発言. で「知らない」とはユーザ本人に関し, 直接のフォロー/. (tweet と呼ぶ)を投稿する仕組みであり，誰かをフォロ. フォロワ関係にないユーザとし, 推薦はソーシャルグラ. ーすることによって情報収集やコミュニケーションを行. フベースとする．. うことが出来る．フォローとは，誰かの tweet を購読する. 2 関連研究. ことであり，A が B をフォローしている場合は「B は A のフォロー(followee)」, 「A は B のフォロワ(follower)」と. Twitter におけるフォローユーザ推薦に関する研究は，ユーザ本人のフォローやフォロワがフォローして. 呼ぶ. ユーザの Twitter 利用特性は鳥海ら[3]によると，広く. いるユーザを推薦する協調フィルタリングを用いるもの. 浅いコミュニケーションツールとして利用しているユー. が主流である．例えば Hannon ら[4]の研究は, ユーザ. ザ, コミュニケーションツールとして利用していないユ. 本人のフォロー/フォロワを基にソーシャルグラフベー. ーザ, 特定ユーザ間のみコミュニケーションを行うユー. スで推薦を行うものである. フォロー，及びフォロワが. ザの 3 種類に大別され, "広く浅いコミュニケーションツ. フォローしているユーザを本人に推薦する協調フィル. ール"として Twitter を利用しているユーザが全体の. タリングと, ユーザ自身とそのフォロー・フォロワの. 40%超と最も多い. こうしたユーザはフォローしたり,フ. tweet と類似した tweet を行っているユーザを推薦する. ォロワになることによりコミュニケーションの輪を広めよう. コンテンツベースフィルタリング, およびこの 2 手法を. とする傾向がある. こうしたユーザにとってフォローを. 組み合わせたものを提案している．2 手法を組合わせ. 推薦するのは有意義である.. たモデルは協調フィルタリングの欠点である cold-start. Twitter におけるユーザ推薦は Twitter 公式の「おす. 問題とコンテンツベースフィルタリングの欠点であるユ. すめユーザ」など, フォロー及びフォロワ情報を利用し. ーザの嗜好変化への追随等の問題を解消している．. た協調フィルタリングが主要な手法であるが，それらフ. 一方で, ユーザ本人のフォロー及びフォロワへの関与. ォロー関係のユーザへの関与を考慮しておらず，本人. には言及していないという特徴もある．. にとって趣味・嗜好の合わぬユーザが推薦される場合. また Golder ら[5]は, Twitter におけるユーザ同士の. がある．そのため，本研究ではユーザ間の関与を基に. 結びつき方について, 2-hop の非対称ソーシャルグラフ. -1-.

(2) 9 通りに対してどの様な条件でフォローする傾向にある. とが言えるので, A にとって未知な C を A に対して推薦. のかを示している. ユーザ実験の結果, (A⇔B→C),. する. 但し A-B 間と B-C 間が共通の趣味・嗜好でリン. (A→B⇔C), (A⇔B⇔C)の 3 パターンにおいて A が C. クされている必要があるため, 少なくともいずれかの関. をフォローする傾向にあることを示し, "→"(Transitivity). 係は相互フォロー(フォローであり，かつフォロワでもあ. 及び"⇔"(Mutuality)の双方を含む繋がりが有効である. る)の関係が必要である. また B へのアテンションの意. と結論付けている. その一方で, フォローを推薦する. 味合い(趣味,嗜好など)が A と C で異なるのを防ぐため,. 上で繋がり及び共通フォロー/フォロワ(B)の数だけで. A から C へは推移性(transitivity)も要件である. なお，. 自動的に行っており，tweet を判断材料としていない．. リツイート (Retweet;RT) 等ユーザへのリンクを含む. そのために推薦されたユーザ(C)の tweet 傾向が見え. tweet を関与に含めないのは，それらの tweet は単に. ず, フォローを見送る可能性もある．また各ユーザ間. 他者の意見を引用している場合が多く，コミュニケーシ. 関与についても均一的に扱われている．. ョンを取っているとは言い難いためである．. 鳥海ら[3]は, Twitter ユーザの利用特性を単位 tweet. 提案手法の概要を図 1 に示す. 2-hop 間のフォロ. 当たりリプライ数, 単位 tweet 当たり CT 数(@ユーザ名. ー関係において, A にとって未知な C をリプライベース. の付いた tweet.. で推薦する仕組みである．. リプライ+リツイートにほぼ匹敵), 単. 位ユーザ当たりリプライ数で C1～C8 という 8 つのユーザ属性に分類している．各属性およびそれらの特徴を表 1 に示す．表 1: Twitter ユーザの利用特性ユーザユーザの特徴重要指標割合 (%) 属性 C1 全体の24%のユーザが所属. @/T=30%程度特になし (平均的) 24.0 C2 コミュニケーションツールとして利用せず @/T, CT/T, 被@/T, 被CT/T 20.7 C3 C1よりもコミュニケーションを取っている @/T, CT/T, 被@/T 19.9 C4 75%のtweetがコミュニケーション目的 @/T, CT/T, #tweet 15.1 C5 tweet数が多い(12日間で1171) 他はC1, C3と同様 #tweet, @/T, CT/T 13.9 C6 ユーザへのリンクを含んだtweetがメイン CT/T, 被CT/T 4.4 C7 仲間内での(閉じた)コミュニケーションに利用 @/U, 被@/U 1.8 C8 有名人 (フォロワが多い) 被@/T, 被@/U 0.1. 図 1 提案手法. ここで, "@/T","CT/T","@/U"はそれぞれ"単位 tweet. 4 試行実験. 当たりリプライ数","単位 tweet 当たりリプライ+リツイート数","単位ユーザ当たりリプライ数"を表している．すな. 本章では, 鳥海ら[3]に基づいた対象となるユーザ. わち, 8 つのユーザ属性は, ユーザ本人のフォロー及. の属性選定, 被推薦ユーザが表 1 のどの属性に属す. びフォロワへの関与の度合いを示している．. るか調査を行い，提案手法の推薦精度を実験にて試行調査した．なお，被験者は筆者である．. 3 提案手法. 4-1: 対象ユーザ選定. 1,2 章で述べたとおり, Twitter 公式サイト[1]にある. Twitter の利用目的はユーザによって様々である．. 「おすすめユーザ」等の既存システム及び Hannon ら. 有名人等の日常を知るために行っている者，最新技. [4]や Golder ら[5]の手法ではフォローやフォロワに対. 術,災害,ニュース等の情報収集の為に行っている者,. するユーザの関与を考慮しておらず，趣味・嗜好の遭. 他者とのコミュニケーションに用いている者などが挙げ. わぬユーザが推薦される可能性がある．そこで本研究. られる．ここでは，コミュニケーションの内，共通趣味等. では, ユーザのフォローへの関与を重み付けしたユー. での不特定多数との会話を Twitter の利用目的として. ザ推薦を行う. Twitter では, ユーザによっては他人を. いるユーザの選定を行う. 表 2 は, 鳥海ら[3]における. フォローするだけでユーザ間において関与を取らない. 利用特性のまとめである．「広く浅い」を@/U 及び被. 者もいる．ここでいう関与とはフォロー/フォロワへのコミ. @/U が 10 以下，「コミュニケーション」を@/T と被@/T，. ュニケーション,すなわちリプライ(reply=返信)のことで. 及び CT/T と被 CT/T の乖離が 2 倍以内，また@/T 及. ある．つまり, ユーザ A がフォローB に対しリプライを積. び被@/T がいずれも 0.3 以上のユーザと定義する．こ. 極的に行っていれば A と B の関係が密であることが予. の表から対象ユーザ属性を C3,C4,C5 の 3 種類と設定. 想される. また B とそのフォローC との間にも同様のこ. する．なお，Tweet 数は 12 日間の小計である．. -2-.

(3) 表2: Twitterユーザの利用特性 (鳥海ら2010[3]より) ユーザユーザの特徴 (筆者が加筆) 属性 C1 全体の24%のユーザが所属. @/T=30%程度 C2 コミュニケーションツールとして利用せず C3 C1よりもコミュニケーションを取っている C4 75%のtweetがコミュニケーション目的 C5 tweet数が多い(12日間で1171) 他はC1, C3と同様 C6 ユーザへのリンクを含んだtweetがメイン C7 仲間内での(閉じた)コミュニケーションに利用 C8 有名人 (フォロワが多い). @/T. CT/T. @/U. 0.316 0.110 0.491 0.752 0.429 0.236 0.625 0.359. 0.436 0.170 0.670 0.842 0.563 1.343 0.644 0.698. 4.073 2.489 3.924 8.449 6.078 1.012 45.946 3.801. 被@/T 被CT/T 被@/U Tweet数割合 (%) 0.239 0.101 0.410 0.603 0.324 0.303 0.514 4.721. 0.317 0.150 0.558 0.702 0.423 1.085 0.533 8.933. 4.063 2.565 4.217 8.485 5.745 1.757 40.739 5.398. 302.4 392.6 320.4 543.5 1171.2 532.3 630.0 314.5. 表 3 被推薦ユーザの特性. .@/T 18/50=0.36. CT/T 30/50=0.6. フォローしたくない ① ② どちらともいえず ③ ④ フォローしたい ⑤ 平均値. 被@/T 21/50=0.42. P (n=17) 3 2 4 6 2 3.1176. 被CT/T 23/50=0.46. 表5: ユーザ推薦結果 Q (n=14) 5 2 0 6 1 2.7143. .@/U 18/15=1.2. 被@/U 21/17=1.24. R (n=10) 3 1 3 0 3 2.9000. Type C5. S (n=12) 1 4 2 4 1 3.0000. 4-2: 既存ユーザ分析ここでは，調査対象である被推薦ユーザが表 2 のど. なお，関与の高低に関し閾値を A－B は 10，B－C は. の属性に属するか調査を行った．調査日時 2011 年 6. 6 と設定した．これは，対象期間における tweet 数が A. 月 7 日 11 時 14 分現在の最新 50tweet を対象とし，そ. が 1800 であるのに対し B は 900 と半分なためである．. の結果を表 3 に示す．調査対象の tweet は 2011 年 6. このスキームにおける推薦結果を表 5 に示す．ここで，. 月 7 日 8 時 57 分までとなり，単位時間当たりの tweet. 平均値とは 5 段階評価の評価平均で，数値が大きけ. 数が多いこと, @/T や被@/T が 0.4 前後，CT/T=0.6,. れば推薦されたユーザをフォローしたいと思う傾向に. 被 CT/T=0.46 であることから, 属性 C5 となり，4.1 節で. あることを意味する．表 5 より，フォロー記号 P,即ち. 規定した対象ユーザに含まれる．. A-B,B-C ともに関与度合の大きいユーザはいずれか. 4-3: 推薦実験. のホップ，あるいは双方のホップが低関与な他ユーザ. 本節では, 図 1 に示した提案手法に基づき, ユーザ. よりもフォローしやすい傾向にあり，ユーザ同士の繋が. 間関与とフォローとの関係を調査した．調査日時は. りがフォロー傾向に関して与える影響が認められる．な. 2011 年 5 月 24 日で，対象期間は 2011 年 5 月 19 日. お，フォローの可否においては，ユーザ C，すなわち. 0 時より 24 日 17 時 32 分までとし，ユーザ間関与(reply). P~S の自己紹介文及び最新の 10～20tweet を判断材. に関する情報は Twilog[6]より収集した．またユーザ B. 料としており，関与度合の大きいユーザは自己紹介等. 及び C は Twilog ユーザより無作為に抽出を行った．A. においてもユーザ A と関連のあることが記載されてい. から 2-hop のユーザ C を推薦するので，関与のパター. ることが多いという結果となった.. ンは 4 通りあり，それぞれのパターンに付した記号 P~S. また，本ユーザ推薦実験に関し，リプライ中に「おは. の意味は表 4 の通りである．. よう」等の挨拶を繰り返すやりとりが見られた (図 2) これは「挨拶リプライ」という，起床・就寝・帰宅時などに. 表4: 各ユーザ間関与 P: A－B高関与，B－C高関与 Q: A－B高関与，B－C低関与 R: A－B低関与，B－C高関与 S: A－B低関与，B－C低関与. 発せられるユーザ同士の軽い会話である．挨拶リプライだけで繋がっているユーザ同士が突然内容のある tweet でやり取りする場合もある．一方で，こうしたやりと. -3-. 24.0 20.7 19.9 15.1 13.9 4.4 1.8 0.1.

(4) りだけで繋がっている状態では，単なる「近所同士の. ただし，ユーザ間のリプライに多く含まれていた，い. 会釈」に過ぎないので，フォロー関係にあってもその関. わゆる「挨拶リプライ」がフォローに与える影響及び，リ. 係は内容の濃いリプライを行っている関係より薄いと考. プライに含まれる単語集合の類似度によって推薦に及. えられる．ただし集合住宅における実際の挨拶とは異. ぼす効果については今後の課題とする．. なり，無視されてもそのユーザに対して悪い印象を持つとは考えにくく，挨拶リプライはユーザ間の関係に一. また，推薦されたユーザ C のフォロー可否に自己紹. 定の効果があると考えられることから他者との関与にあ. 介と tweet を利用する傾向にあることから，最新のそれ. たえる影響については考慮する必要がある．. らを盛り込んだインタフェイスで推薦システムが実装されれば精度も向上できると考えられる．参考文献 [1] http://twitter.com [2] http://blogs.itmedia.co.jp/saito/2011/03/mixi-twitter-fa4dc9.html [3] 鳥海不二夫, 神谷達幸, 石井健一郎: "Twitter におけるつぶやきを用いたのユーザの特性分析", 情報処理学会第 7 回ネットワーク生態学シンポジウム, pp.1234-1237, 2011 [4] John Hannon, Mike Bennett, Barry Smyth, "Recommending Twitter Users to Follow Using Content and Collaborative Filtering Approaches,". 図 2 挨拶リプライの一例. RecSys '10 Proceedings of the fourth ACM conference on Recommender systems, pages 199-206, 2010 [5] Scott A. Golder, S. Yardi, "Structural Predictors of. さらに，各リプライにおいて A-B 間における単語集合と. Tie Formation in Twitter: Transitivity and Mutuality,". B-C 間における単語集合を利用してその集合間の類. socialcom, pp.88-95, 2010 IEEE Second International. 似度を測定することによって，ユーザ間の興味や嗜好. Conference on Social Computing, 2010. が共通するか否かを図る指標になりうる．将来的には. [6] http://twilog.org. A-B 間関与と B-C 間関与の間での挨拶リプライを除去した単語の類似度を測定し，それに基づいた推薦モデルとすることで，パターン P においてフォローの平均値が上昇することが期待できる．. 5 まとめ及び今後の課題本研究では，あるユーザ A がフォロー関係にあるユーザ B を介してあるユーザ C をフォローする際に，既存論文及びサービスにおいて言及のなかった，ユーザ同士の繋がり度合である関与に着眼点を当てて評価を行った．今回は鳥海ら[3]の 8 パターンあるユーザ利用特性からユーザ推薦そのものを行う価値のユーザを選出し，その条件に合致するユーザを用いてユーザ推薦実験を行った．その結果として，A-B,B-C 間がいずれも高関与の場合がフォローしたいと感じる度合が最も高く，ユーザ同士の繋がりがフォローに与える影響が認められた．. -4-.

(5)