コミュニケーション活動から見たTwitterユーザ間の関係性遷移

(1)

DEIM Forum 2016 A5-4

コミュニケーション活動から見た Twitter ユーザ間の関係性遷移

山本

修平

†

神門

典子

††

佐藤

哲司

†††

†

筑波大学大学院図書館情報メディア研究科

〒 305–8550 茨城県つくば市春日 1-2

††

国立情報学研究所情報社会相関研究系

〒 101–8430 東京都千代田区一ツ橋 2-1-2

†††

筑波大学図書館情報メディア系

〒 305–8550 茨城県つくば市春日 1-2

E-mail:

†{

yamahei,satoh

}

@ce.slis.tsukuba.ac.jp,

††

[email protected]

あらまし Twitter では，リプライやリツイート等のコミュニケーション活動で，数多くのユーザが多様な関係性を築

いている．本論文では，ユーザ間のリプライ数とリツイート数に基づく，ユーザペアのコミュニケーション活動の遷

移を明らかにするための分析をする．コミュニケーション活動で関係を持つユーザペアについて，頻出する関係性や

連続時間で遷移しやすい関係性，また維持しやすい関係性などを明らかにできれば，ユーザの属性や利用形態の分析

のための有効な特徴量の 1 つになることが期待できる．単位時間毎のコミュニケーション活動をリプライとリツイー

トの相互性と，その活動量で特徴付け，ユーザ間の関係性を 27 種類のパターンに分類する．パターンの遷移確率から

頻出しやすい遷移や，自己遷移などを明らかにするためパターン間の遷移図を描き，それぞれのパターンが対応する

関係性について考察をする．長期的にコミュニケーション活動をしたユーザペアを分析した結果，ユーザ間の特徴的

な関係性を明らかにできたので報告する．

キーワード Twitter, リプライ, リツイート, コミュニケーション活動，関係性

1. はじめに

代表的なマイクロブログであるTwitter（注 1）では，ユーザはツイートと呼ばれる最大140文字の短い記事を投稿し，他のユーザとツイートを共有している．投稿に関わる機能として，他のユーザに対する返信（リプライ）や，投稿を引用するリツイートなどが存在する．ユーザはそれらの機能を利用しながら，情報発信や他のユーザとコミュニケーションを図っている． Twitterのコミュニケーションには，多様な形が存在する．例えば，友人間で交互にリプライし会話をするケースや，有名人に対しそのファンが一方的にリプライをして応援するケース，いち早く最新のニュースを発信するアカウントのツイートを，あるユーザが頻繁にリツイートするケースなどがあげられる．このようなユーザペアの関係性はいくつかのパターンに分類できると考えられ，また，時間の経過と共にその関係性も遷移していくことが予想される．ユーザ間のコミュニケーション活動の遷移パターンとユーザ間の関係を明らかにすることで，ユーザの属性や利用形態の分析のための有効な特徴量の一つになると期待される．著者らは，これまでに個々のユーザの単位時間あたりのツイート数，リプライ数，リツイート数などの投稿活動における特徴量に基づき，ユーザの投稿活動の遷移を分析してきた[14]．そこでは，単位時間あたりのユーザの投稿活動をクラスタリングし，ユーザのクラスタ間の遷移を確率として算出し遷移図を描くことにより，投稿活動が消極的になっていくユーザに見られる特徴を明らかにしている．本論文でも，ユーザペアのコミュニケーション活動のパターンの遷移図を描くことにより，（注 1）：http://twitte.com/ 頻出する遷移を明らかにしていく．本論文では，ユーザ間のリプライとリツイートを基本となるコミュニケーション活動と定義し，リプライとリツイートの相互性を特徴量に用いた，ユーザ間のコミュニケーション活動の遷移を分析する手法を提案する．ユーザペアのエッジについて，一週間毎にリプライ数とリツイート数を計測し，リプライ，リツイートの相互性と，それらの総数によってコミュニケーション活動を数十種類のパターンに分類する．一週間毎のパターンの遷移確率を計算することにより，ユーザのコミュニケーション活動において頻出する遷移を明らかにする．本論文の構成を以下に示す．第2章では関連研究について述べる．第3章でリプライとリツイートの相互性に基づく，コミュニケーション活動の分析手法について述べる．第4章で実際のデータを用いた分析をし，定義したコミュニケーション活動のパターンの遷移確率から状態遷移図を作成し，第5章で詳細な考察をする．第6章で結論と今後の課題を述べる．

2.

3. コミュニケーション活動の分析手法

3. 1 ユーザペアの関係性を測る特徴量本節では，ユーザ間のリプライ回数に基づく関係性を測る特徴量を算出する．Twitterではリプライは会話，リツイートは引用を目的にユーザから利用されている．一般的に，2ユーザのコミュニケーションは図1のように，相互にメッセージを送受信しながら進められる．Twitterにおけるリプライも，このように相互性のあるリプライの送受信が一般的であると考えられる．ユーザuからユーザvへのリプライ回数をrpu,vとすると，図1の例のような一般的なリプライ関係では，rpu,v≃ rpv,uとなる．一方，ユーザvが著名人でユーザuがそのファンである関係性の場合は，図2のように，ユーザuからvに一方的にリプライを送り続ける関係になると考えられる．この場合は， rpu,v≫ rpv,uとなる．このような2ユーザの関係性を定量的に測るため，ユーザu とvのリプライ，リツイートの相互度をmrpu,v，mrtu,vを以

(3)

図 1 相互的なリプライ関係図 2 一方的なリプライ関係下の式で定義する． mrpu,v =          0 (rpu,v+ rpv,u) = 0, rpu,v /

rpv,u rpu,v< rpv,u,

rpv,u / rpu,v otherwise, (1) mrtu,v =          0 (rtu,v+ rtv,u) = 0, rtu,v /

rtv,u rtu,v< rtv,u,

rtv,u / rtu,v otherwise, (2) rtu,vとrtv,uは，それぞれユーザuがvのツイートをリツイートした回数，ユーザvがuのツイートをリツイートした回数である．mrpu,v，mrtu,vは共に，0 <_{= x <}_{= 1}を満たす．ユーザu とvが，図1のような相互的なコミュニケーションをしているとき，mrp(u, v)は1.0に近い値となる．図2のような一方的なコミュニケーションをしているとき，mrp(u, v)は0.0に近い値となる． mrpu,vとmrtu,vは，ユーザペアのコミュニケーション活動の相互性を定量的に測れる一方で，そのユーザペアのコミュニケーション活動の量を考慮できていない．そこで，ユーザペアのリプライ数とリツイート数の合計値を，ユーザuとvのコミュニケーション活動量comu,vとして以下の式で定義する．

comu,v= log(rpu,v+ rpv,u+ rtu,v+ rtv,u+ 1) (3) 以上3種類の特徴量を単位時間毎に計測する．時刻tにおけるユーザuとvのコミュニケーション活動に基づく特徴量は，

fu,vt = (mrptu,v, mrttu,v, comtu,v)と定義する． 3. 2 ユーザペアのパターンへの分類前節で算出した特徴量に基づき，ユーザペアをいくつかのパターンに分類する．まず，各特徴量を次の式で{0, 1, 2}の3段階の離散値に変換する． mtu,v =          0 mrpt u,v= 0.0, 1 0 < mrptu,v< 0.5, 2 0.5 <_{= mrp}tu,v, (4) rtu,v =          0 mrtt u,v= 0.0, 1 0 < mrttu,v< 0.5, 2 0.5 <_{= mrt}tu,v, (5) etu,v =          0 comt u,v< 2, 1 2 <_{= com}t u,v< 4, 2 4 <_{= com}tu,v, (6) これらの閾値は，全て経験的に設定した．（注 2） mtu,v= 0は片方のユーザからのみリプライが確認された場合，mtu,v= 1は一方的なリプライ関係である場合，mtu,v= 2はおよそ相互的なリプライ関係である場合を示す．リプライの離散的特徴量rt u,v についても同様である．例えば，(mt

u,v, rtu,v, etu,v) = (0, 0, 2) のユーザペアは，相互的なリプライやリツイートはしていないが，単位時間に非常に多くのコミュニケーション活動をしているとみなせる．離散化により得られる特徴量の出現パターンは， 27(= 33₎_{通りである．} 3. 3 パターン間の遷移確率の算出前節で得られた単位時間あたりのユーザのコミュニケーション活動パターンを用いて，あるパターンから遷移しやすいパターンを検出するため，パターン間の遷移確率を算出する．パターンiからjへ遷移した回数をni,jとしたとき，iがjへ遷移する確率pi,jは以下の式から算出される． pi,j= ni,j ∑K k=1ni,k , (7) Kは総パターン数で，本論文ではK = 27である．全てのパターンの組み合わせに対して遷移確率を算出し，遷移図を作成することでコミュニケーション活動の変化を分析する．

4. 評価実験

4. 1 データセット本節では，評価実験に使用するデータセットの概要を説明する．実験データは，Twitter Search API（注 3）

を使用し，2012年 4月1日から2013年6月4日までの430日間に日本語で投稿されたツイートを収集した．コミュニケーション活動を計測するための単位時間は1週間とし，全計測区間は64週である．ここからリプライとリツイートを抽出し，ユーザペア毎にその頻度を計測した．各ユーザペアについて，1度でもコミュニケーション活動をした週の分布を図3に示す．横軸が活動した週の数，縦軸がそ（注 2）：単位時間の設定変更に伴い，(6) 式の閾値も適切に変更する必要があると考えられる．（注 3）：https://dev.twitter.com/docs/api/1/get/search

(4)

4

5

6

7

8

9

0 10 20 30 40 50 60 70

# of edges (10

x

)

# of active weeks

図 3 活動をした週数毎のユーザペア数

0

1

2

3 # of reply (10

x

)

0

1

2

3 # of retweet (10

x

)

10

0

10

1

10

2

10

3

図 4 分析対象のユーザペアのリプライ，リツイート数の分布のユーザペア数である．1週だけコミュニケーション活動をしたユーザペアは108を超過して存在し，64週コミュニケーション活動をしたユーザペアは105程度存在する．本論文では，ユーザペアのコミュニケーション活動の遷移に着目していることから，このうち，全区間の半分である32週以上活動をしているユーザペアのみ分析対象とする．この条件により得られたユーザペア数は，4,018,686である．分析対象としたユーザペアの，データ収集期間に計測したリプライ数とリツイート数の分布を図4に示す．縦軸がリツイート数，横軸がリプライ数，各点の色がそのユーザ数である．縦軸，横軸ともに常用対数でスケーリングしており，それぞれの値に1を加算しリプライ，あるいはリツイート数が0のユーザペアも描画している．リプライ，あるいはリツイートを1度もしたことがないユーザペアは103を超えて存在する．32週以上のコミュニケーション活動を継続したユーザペアを抽出したため，リプライ数かリツイート数は少なくとも32回計測されている． 4. 2 分析結果 4. 2. 1 算出した特徴量の頻度分布分析対象としたユーザペアについて，本論文で提案した関係性を測る特徴量を算出した．それぞれの特徴量の頻度分布を図 5，6，7に示す．いずれの図も，横軸がそれぞれの特徴量の値，縦軸がその頻度である．mrpとmrtは小数点第2位で，com は小数点第1位で切り捨てし頻度を求めている．また，離散化した特徴量の分布についても，それぞれの図の凡例で表示している．mrp，mrt共に値が0.0の頻度が他の値に比べて多いことから，単位時間に一方的なリプライ，リツート関係にあったユーザペアが多かったことが分かる．mrpは値が1.0の頻度も次いで多く，mrpの値が低くなるにつれてその頻度も減少している．mrtも，mrpに比べれば少ないものの，値が1.0の頻度も多く存在していた．comは値が大きくなるにつれ，その頻度も減少している． 4. 2. 2 各特徴量の出現パターンの頻度分布離散化した特徴量の出現パターンの頻度を表1に示す．表は3種類の特徴量の出現パターンを網羅しており，それぞれのパターンの頻度と共に，次節で説明する状態遷移図の簡略化のため，それぞれの出現パターンに0からZまでのラベルを付与している．ラベル0は離散化した特徴量の出現パターン

(mtu,v, ru,vt , etu,v) = (0, 0, 0)を表し，全てのパターンの中で最も多い頻度となった．F，G，H，O，P，Q，U，V，Wの9ラベルは，分析対象としたユーザペアのコミュニケーション活動からは一度も検出されなかった．F，G，H，O，P，Qに共通して見られる特徴は，リツイートが相互的である（rtu,v= 2）が，リプライが相互的でなかった（mtu,v |= 2）．U，V，Wに共通して見られる特徴は，リプライが相互的である（mtu,v= 2）が，リツイートがやや一方的であった（rt u,v= 1）．また，検出されたパターンの中で最も少ない頻度だったラベルはEであった．各パターンを経験したユーザペア数とその割合を，表1の最も右の列に示す．ラベル0のパターンを経験したユーザペア数は825,466ペア存在し，全体の95.2%が少なくとも1度はラベル0を経験している．ラベルRやSも，その割合が50%を超えていることから，半分以上のユーザペアが相互的なリプライを経験している．ラベルLは出現頻度が64,261，経験ペア数が 59,597でその数に大きな差がないことから，ラベルLを経験したほとんどのユーザペアは，分析期間中に再びラベルLを経験することはない．各ユーザペアが経験したことのあるコミュニケーション活動パターンの種類数を，図8に示す．縦軸がユーザペア数，横軸がパターンの種類数である．2種類のパターンを経験したユーザペアが最も多く，種類数の増加に従ってユーザペア数は減少していき，17種類のパターンを経験したユーザペアは1ペアだけであった． 2種類，3種類，4種類のパターンを経験したユーザペアについて，どのようなパターンの組み合わせが多かったかを図9， 10，11に示す．横軸にパターンラベルの組合せを降順に10位まで示し，その組合せを経験したユーザペアの頻度を縦軸に示している．分析期間中に2種類のエッジを経験したユーザペアの内，最も頻度が多かったパターンの組合せは0Aであった．また，3種類では0RS，4種類では0IRSで，リプライが相互的なパターンR，Sを経験したユーザペア数が多い結果となった．

(5)

17種類のパターンを経験したユーザペアの，分析期間中のリプライ数，リツイート数を図12に示す．横軸が時系列，左と右の縦軸がそれぞれリプライ数とリツイート数である．また，図の上部にそれぞれの時刻で付与したラベルを表示している．このユーザペアは互いにリプライ，リツイートで頻繁にコミュニケーション活動をしており，リプライ，リツイートが相互的である際に与えられるラベルYを何度も経験している．表1で頻度が0でないパターンの内，このユーザペアが経験していないラベルはEだけであった． 4. 2. 3 パターン間の主要な遷移分析対象としたユーザペアのパターンの遷移系列に基づき，パターン間の遷移確率pi,j を算出し，遷移を描いた結果を図 13に示す．遷移図はGraphviz（注 4）_{を用いて作成した．本論文} はパターン間の主要な遷移に着目していることから，確率が 0.056（注 5）を超えるエッジのみ描画している．特に，pi,j > 0.5 は赤色，0.5 >_{= p}i,j > 0.4は橙色，0.4 >_{= p}i,j > 0.3は黄色， 0.3 >_{= p}i,j> 0.2は緑色，0.2 >_{= p}i,j> 0.056は青色のエッジで描いている．例えば，ラベル0，A，B，Sは，赤色のエッジが自己に遷移していることからこのパターンに留まりやすく，A→ 0，B→ Aは，橙色のエッジであるため次いで遷移し易いことを示している．ほとんどのラベルは自己に遷移しているエッジを持っているが，LとXは自己遷移のエッジを持っていなかった．ラベル0，R，S，Yは多くのラベルから遷移先としてエッジを持っていた．

5. 考

察

5. 1 パターンの出現頻度から見た考察表1から，離散化した特徴量における出現しやすいパターンは，上位から順にラベル0，S，R，Aであった．このうち，Aを除くラベルは図13において，多くのパターンから遷移先としてエッジを持っており，他のパターンから遷移先として辿り着きやすいパターンであることが分かる．一方，ラベルAはラベル0とBから遷移先にされているだけである．ラベルAやBは，リプライ，リツイートが完全に一方的（mtu,v= rtu,v= 0）で，活動的（etu,v>= 1）なユーザペアに与えられるパターンである．このようなユーザペアに想定される例として，一般ユーザと著名なユーザや，リプライやリツイートを続けるBotアカウントと一般ユーザのような場合が考えられる．このようなユーザ間の関係性は，リプライやリツイートが相互的になることはほとんどなく，コミュニケーション活動量が週によって変化していたため，ラベル0，A，Bで閉じた遷移となったことが考えられる．このことは，3種類のパターンを経験したユーザペア数を示した図10において，パターンラベルの組合せの頻度2位に 0ABがあることからも示唆される．ラベルRやSは，リプライが相互的であるコミュニケーション活動に与えられるラベルである．この2つのラベルは自己遷（注 4）：http://www.graphviz.org/ （注 5）：観測できたパターン数が 18 種類であり，全てのパターンへ一様へ遷移するとしたときの確率 1 18=0.056を閾値として用いた．表 1 特徴量の出現パターンに基づき付与するラベルラベル mt

u,v ru,vt etu,v 出現頻度経験ぺア数

0 0 0 0 71,175,753 3,825,466 95.2% A 0 0 1 13,817,934 1,646,174 41.0% B 0 0 2 308,905 75,218 1.9% C 0 1 0 935,829 333,892 8.3% D 0 1 1 445,855 103,919 2.6% E 0 1 2 14,858 4,085 0.1% F 0 2 0 0 0 0% G 0 2 1 0 0 0% H 0 2 2 0 0 0% I 1 0 0 3,223,799 1,410,512 35.1% J 1 0 1 3,035,731 1,040,483 25.9% K 1 0 2 124,754 47,003 1.2% L 1 1 0 64,261 59,597 1.5% M 1 1 1 557,109 263,644 6.6% N 1 1 2 69,016 32,311 0.8% O 1 2 0 0 0 0% P 1 2 1 0 0 0% Q 1 2 2 0 0 0% R 2 0 0 34,468,681 2,151,905 53.5% S 2 0 1 37,296,365 2,159,356 53.7% T 2 0 2 2,478,114 516,133 12.8% U 2 1 0 0 0 0% V 2 1 1 0 0 0% W 2 1 2 0 0 0% X 2 2 0 586,157 355,835 8.9% Y 2 2 1 4,965,252 925,020 23.0% Z 2 2 2 1,315,420 307,043 7.6% 移のエッジを高い確率で持っており，それぞれに留まりやすいパターンであると言える．すなわち，リプライが相互的であるユーザペアは，時間が経過してもその関係性を維持し易く，長期に渡ってコミュニケーション活動ができる関係性であると考えられる．ただし，リプライが相互的でコミュニケーション活動が非常に活発（et u,v= 2）であるラベルTは，RやSに比べると頻度も少なく他のパターンから遷移先としてのエッジを多く持っていない．また，コミュニケーション活動量から見ると，ラベルR，S，Tの順にその値が大きくなるが，これらのパターンの間に存在するエッジはR↔ S ← Tだけで，RやSからよりコミュニケーションが活発なTへの主要な遷移は確認できなかった．これらの結果から，リプライが相互的な関係性は，1 週間におよそ同じ量のコミュニケーション活動をしていて，それがやや少なくなったり多くなったりするものの，いきなり増大するケースは少ないことを示唆している．以上の結果から，Twitterにおける主要なコミュニケーション活動のパターンは，リプライやリツイートが完全に一方的な関係性，あるいはリプライのみ相互的でありコミュニケーション活動がやや活発な関係性であると考えられる．表1で出現頻度が0のパターンに注目すると，リツイートが相互的（rt u,v = 2）なパターンF，G，H，O，P，Qが確認できる．リツイートが相互的なパターンの内，頻度が0でないものはリツイートも相互的なパターンX，Y，Zである．この結果か

(6)

5 6 7 8 9 0.0 0.2 0.4 0.6 0.8 1.0

Frequency (10

x

)

mrp

m=0 m=1 m=2 図 5 mrp値の頻度分布 5 6 7 8 9 0.0 0.2 0.4 0.6 0.8 1.0

Frequency (10

x

)

mrt

r=0 r=1 r=2 図 6 mrt値の頻度分布 0 1 2 3 4 5 6 7 8 9 0 1 2 3 4 5 6 7 8 9 10

Frequency (10

x

)

com

e=0 e=1 e=2 図 7 com値の頻度分布

0

1

2

3

4

5

6

7 0 2 4 6 8 10 12 14 16 18

# of edges (10

x

)

# of experience patterns

図 8 パターンの経験回数毎のユーザペア数ら，リツイートが相互的なユーザペアは，リプライも相互的な関係性を持つことが分かる．また，その他の頻度0のパターン U，V，Wは，リプライが相互的でリツイートがやや一方的な関係性である．リプライが相互的なパターンに着目すると，頻度 0がこの3種類だけであることから，相互的なリプライをしているユーザペアは，完全に一方的なリツイートかほぼ相互的なリツイートをしている関係性に限られていると示唆される． 5. 2 留まりにくいパターンに関する考察図13では，多くのパターンが自己へ遷移するエッジを持っており，時間が経過してもその関係性を維持し易いパターンが多く存在することが分かる．しかし，ラベルLとXは自己へ遷移するエッジを持っておらず，留まりにくい関係性と考えられる．まず，ラベルLに注目すると，このパターンはリプライやリツイートがやや一方的（mt u,v= rtu,v= 1）で，コミュニケーション活動は活発でない（etu,v= 0）．Lからの主要な遷移は，リプライが相互的なRとSを緑色のエッジで，リプライとリツイートが相互的なYを青色のエッジで確認できる．ラベルXは，リプライとリツイートが相互的（mt u,v= rtu,v= 2）で，コミュニケーション活動は活発でない（et u,v= 0）．Xからの主要な遷移は，ラベルLと同様にRとSを黄色と緑色のエッジで，Cと Yを青色のエッジで確認できる．これらの結果から，ラベルL とXが与えられたユーザペアは，リプライとリツイート共にやり取りをしているがその量は少ない関係性であり，時間の経過に従い2種類の遷移をすると考えられる．1つ目の大きな遷移先は，リプライが相互的になったRやSで，ユーザペアがリプライを重視したことを示唆できる．2つ目は，1つ目の遷移に比べれば確率は低いものの，リプライとリツイート共に相互的になり，またコミュニケーション活動量が増加したYで，ユーザペアがリプライとリツイートを共に重視したときの遷移先と示唆できる． 5. 3 コミュニケーション活動量から見た考察コミュニケーション活動量の大きさetu,vで見ると，表1で頻度が0以外のパターン18種類は，0 < A < Bのグループ（mtu,v = ru,vt = 0），C < D < Eのグループ（mtu,v =

0, rt

u,v= 1），I < J < Kのグループ（mtu,v= 1, rtu,v = 0），

L < M < Nのグループ（mt u,v = ru,vt = 1），R < S < T のグループ（mtu,v = 2, ru,vt = 0），X < Y < Zのグループ（mtu,v= rtu,v= 2）の6グループに分けられる．もしも，ユーザペアがリプライとリツイートの相互性を保ったまま，コミュニケーション活動量のみが増減していれば，これらのグループ間に主要な遷移ができる．実際に描いた遷移図でこれらのグループに着目すると，0↔ A ← B，C↔ D ← E，J← K，M← N，R↔ S ← T，X→ Y ← Zで，最も活発なetu,v = 2を持つパターン（B，E，K，N，T，Z）への遷移は確認できない．一方，これらのパターンの間では，E→ ZやK→ T，N→ Z などの遷移が確認できる．以上の結果から，コミュニケーション活動が活発なユーザペアでは，その活動量に大きな変化はないが，リプライ，リツイートの相互性が変化しているユーザペアが多く存在していることが示唆できる．

6. 結

論

本論文では，Twitterにおけるユーザ間のコミュニケーション活動に基づく関係性を特徴づけるため，ユーザ間の相互のリプライ数とリツイート数を用いた指標とコミュニケーション活

(7)

1 2 3 4 5 6 7 0A RS ST 0R AB 0C JS 0B 0S JK

# of edges (10

x

)

図 9 2種類のパターンを経験したユーザペア 2 3 4 5 6

0RS 0AB IRS RST JRS RSY 0IR 0CD JST STZ

# of edges (10

x

)

図 10 3種類のパターンを経験したユーザペア 3 4 5 6

0IRS0JRS0RSY0RSTIJRSJRST0RSXIRST0ARSRSTY

# of edges (10

x

)

図 11 4種類のパターンを経験したユーザペア

0

50

100

150

200

250

0

10

20

30

40

50

60

0

5

10

15

20

25 Reply

Retweet

U’s RP

V’s RP

U’s RT

V’s RT

Y0YS0JSSXCY00JYYYM0ZY0D0R000RSDMDMNDM00YY0YNLKKMINTR0B0C0A

図 12 あるユーザペアのコミュニケーション活動の遷移例動量を定義し，1週間毎のユーザ間の関係性をパターンに分類する分析手法を提案した．パターン間の遷移確率を算出することで，頻繁に遷移する関係性や維持しやすい関係性などを明らかにすることができる．長期的にコミュニケーション活動をしたユーザペアを用いた分析の結果，次のことを明らかにした．（1）完全に一方的なリプライ，リツイート関係にあるユーザペアは数多く存在し，その関係性が相互的なものに変化していく確率は低い．（2）相互的なリプライ関係にあるユーザペアは，その関係性を継続できる確率が高い．（3）相互的なリツイート関係にあるユーザペアは，リプライも相互的である確率が極めて高い．（4）コミュニケーション活動量が活発なユーザペアは，その量は変わらず，関係性のみ変化する確率が高い．（5）コミュニケーション活動量が活発でないユーザペアは，微小な増減はするものの，その関係性を維持したまま活発になる確率は低い．今後の課題は，2ユーザの関係性を表す特徴量を拡張し，より詳細な分析をすることである．例えば，同じツイートを何度リツイートしたかという「共引用」に基づく特徴量や，同じユーザに何度リプライをしたかというコミュニケーション相手の一致度などを導入する予定である．

謝

辞

本研究は，NII戦略研究公募型共同研究，およびJSPS科研費25280110，15J05599の助成を受けたものです. ここに記して謝意を示します. 文献

[1] Meeyoung Cha, Hamed Haddadi, Fabricio Benevenuto, and

Krishna Gummadi. Measuring user influence in twitter: The million follower fallacy. In Proceedings of the 4th

Interna-tional AAAI Conference of Web and Social Media, ICWSM

’10, pp. 10–17, 2010.

[2] Dan Chalmers, Simon Fleming, Ian Wakeman, and Des

Watson. Rhythms in twitter. In PASSAT/SocialCom

2011, Privacy, Security, Risk and Trust (PASSAT), 2011 IEEE Third International Conference on and 2011 IEEE Third International Conference on Social Computing (So-cialCom), Boston, MA, USA, 9-11 Oct., 2011, pp. 1409–

1414, 2011.

[3] Justin Cheng, Cristian Danescu-Niculescu-Mizil, and Jure

Leskovec. Antisocial behavior in online discussion commu-nities. In Proceedings of the 9th International AAAI

Con-ference of Web and Social Media, ICWSM ’15, pp. 61–70,

2015.

[4] Cristian Danescu-Niculescu-Mizil, Robert West, Dan

Juraf-sky, Jure Leskovec, and Christopher Potts. No country for old members: User lifecycle and linguistic change in on-line communities. In Proceedings of the 22Nd International

Conference on World Wide Web, WWW ’13, pp. 307–318,

2013.

[5] Gideon Dror, Dan Pelleg, Oleg Rokhlenko, and Idan

Szpek-tor. Churn prediction in new users of yahoo! answers. In

Proceedings of the 21st International Conference on World Wide Web, WWW ’12 Companion, pp. 829–834, 2012.

[6] Rumi Ghosh, Tawan Surachawala, and Kristina Lerman.

Entropy-based classification of ’retweeting’ activity on twit-ter. CoRR, Vol. abs/1106.0346, , 2011.

(8)

0 A R 0.5>=p>0.4 S B p>0.5 C 0.2>=p D Y 0.3>=p>0.2 E N Z J M T I K 0.4>=p>0.3 L X 図 13 パターン間の遷移図

prediction in mmorpgs: A social influence based approach. In Proceedings of the 2009 International Conference on

Computational Science and Engineering - Volume 04, CSE

’09, pp. 423–428, 2009.

[8] Haewoon Kwak, Changhyun Lee, Hosung Park, and Sue

Moon. What is twitter, a social network or a news

me-dia? In Proceedings of the 19th International Conference

on World Wide Web, WWW ’10, pp. 591–600, 2010.

[9] Seth A. Myers and Jure Leskovec. The bursty dynamics of

the twitter information network. In Proceedings of the 23rd

International Conference on World Wide Web, WWW ’14,

pp. 913–924, 2014.

[10] Nicholas Navaroli and Padhraic Smyth. Modeling response

time in digital human communication. In Proceedings of

the 9th International AAAI Conference of Web and Social Media, ICWSM ’15, pp. 278–287, 2015.

[11] Jiliang Tang, Shiyu Chang, Charu Aggarwal, and Huan Liu.

Negative link prediction in social media. In Proceedings of

the Eighth ACM International Conference on Web Search and Data Mining, WSDM ’15, pp. 87–96, 2015.

[12] Fujio Toriumi, Takafumi Nakanishi, Mitsuteru Tashiro, and

Kiyotaka Eguch. Analysis of user behavior in private

chat system. In The Third International Workshop on

Data Oriented Constructive Mining and the Seventh In-ternational Workshop on Emergent Intelligence Networked Agents, 2015.

[13] Beidou Wang, Can Wang, Jiajun Bu, Chun Chen, Wei

Vi-vian Zhang, Deng Cai, and Xiaofei He. Whom to mention: Expand the diﬀusion of tweets by @ recommendation on micro-blogging systems. In Proceedings of the 22Nd

Inter-national Conference on World Wide Web, WWW ’13, pp.

1331–1340, 2013.

[14] Yutaro Yamaguchi, Shuhei Yamamoto, and Tetsuji Satoh.

Behavior analysis methods for twitter users based on tran-sitions in posting activities. International Journal of Web

Information Systems, Vol. 10, pp. 363–377, October 2014.

[15] Yuto Yamaguchi, Mitsuo Yoshida, Christos Faloutsos, and

Hiroyuki Kitagawa. Patterns in interactive tagging

net-works. In Proceedings of the 9th International AAAI

Con-ference of Web and Social Media, ICWSM ’15, pp. 513–522,

2015.

[16] Jiang Yang and Scott Counts. Comparing information

diﬀu-sion structure in weblogs and microblogs. In Proceedings of

the 9th International AAAI Conference of Web and Social Media, ICWSM ’10, pp. 351–354, 2010.

[17] 田中成典, 中村健二, 加藤諒, 寺口敏生. マイクロブログの投稿時

間に着目したユーザの職業推定に関する研究. 情報処理学会論文誌データベース（TOD）, Vol. 6, No. 5, pp. 71–84, dec 2013.

[18] 田中成典, 中村健二, 寺口敏生, 中本聖也, 加藤諒. マイクロブロ

グから抽出したユーザの習慣に基づく行動推定に関する研究. 情報処理学会論文誌データベース, Vol. 6, No. 3, pp. 73–89, jun 2013.

[19] 島田諭, 山口裕太郎, 佐藤哲司. マイクロブログにおける情報伝

搬距離に着目したユーザプロファイリング. 電子情報通信学会他共催, 第 4 回データ工学と情報マネジメントに関するフォーラム (DEIM2012), D8-5, 2012.

コミュニケーション活動から見たTwitterユーザ間の関係性遷移

DEIM Forum 2016 A5-4