DEIM Forum 2015 G7-6 Twitter ,

(1)

DEIM Forum 2015 G7-6

Twitter を利用した観光ルート推薦の一手法

新井

晃平

†

新妻弘崇

††

太田

学

†††

†

岡山大学工学部情報系学科

〒 700-8530 岡山県岡山市北区津島中 3-1-1

††

,

†††

岡山大学大学院自然科学研究科〒 700-8530 岡山県岡山市北区津島中 3-1-1

E-mail:

†

††

†††

あらまし

Twitter に代表されるマイクロブログの普及に伴い，今日では様々な情報が発信されている．それらの情

報の中には，Twitter ユーザ自身が実際にどのような場所を訪れ，どのような体験をしたかといった観光体験情報も

多く存在する．実際の観光体験に基づくこれらの情報は，これから観光する者にとって重要な情報源となる．そこで

本稿では，まず Twitter から実際の観光体験に基づいてつぶやかれたツイートを収集する．観光体験に関わるツイー

トかどうかの判定には，旅行者のツイートに頻繁に現れる特徴や手がかり語の有無を利用する．そして，収集したツ

イートを「食事」，

「景観」，

「行動」，

「土産」の 4 つのカテゴリに分類し，それらの結果を用いて観光ルートを推薦する

手法を提案する．実験では，人手で判定した正解データとの比較により観光ツイートの抽出精度と分類精度を評価し

た．また，推薦した観光ルートを分析し，その有効性について考察した．

キーワード

マイクロブログ，Twitter，観光情報，ルート推薦

1. はじめに

Twitter（注1）_{は，ツイートと呼ぶ}₁₄₀_{文字以内の短文を投稿・} 閲覧することによってユーザ間のコミュニケーションを図ることができるマイクロブログサービスであり，今日では，何気ない発言からニュース速報に至るまで，幅広い情報が発信されている．それらの情報の中には旅行者が実際に，どのような場所で，どのような体験をしたかといった観光に関する体験情報を記したツイートも数多く存在する．また，Twitterと連携できるFoursquare（注 2）などの位置情報に基づいたサービスや Instagram（注3）のような画像共有サービスも登場し，ユーザの位置情報や体験情報が発信されている．実際の観光体験に基づいてつぶやかれたツイートには，現地を訪れた時刻や現地の様子，景観に対する感想など，観光における重要な情報が含まれる．しかし，Twitterには無数のツイートが存在するため，観光体験に基づく情報のみを収集し，利用することは容易ではない．そこで中嶋ら[1]は，観光体験に関わるツイートの収集に，旅行者のツイートに頻繁に現れる特徴とFoursquareやInstagram などのサービスを利用した．そして収集したツイートをカテゴリ分類し，その結果を用いて旅行者の好みに合わせた観光ルートを推薦する手法を提案した. 中嶋らは，位置情報が付与されたツイートと本文に「なう」を含むツイートのみを対象に，観光スポット周辺でリアルタイムにつぶやかれたツイートの収集と分類を行ったが，位置情報が付与されていないツイートの中にも観光体験に関わるツイートは数多く存在する．また，中嶋らは観光スポットでの過去の体験についてつぶやかれたツイートを収集対象としていないた（注1）：Twitter，http://twitter.com/ （注2）：Foursquare，https://ja.foursquare.com/ （注3）：Instagram，http://instagram.com/ め，観光情報の取りこぼしが多い. さらに，中嶋らの手法では Twitterユーザのタイムラインからのみ観光スポットを収集するため，得られる観光スポットが少ないという問題がある．そこで本研究では，あらかじめ観光スポットを収集し，その一覧を生成する．また，本研究では位置情報の有無に関わらず全てのツイートを対象に観光ツイートを収集し，分類する．そして，それらのツイートに含まれる観光情報を用いて観光ルートを推薦する手法を提案する．なお，本稿において，観光スポットとは観光名所や店のことを指し，実際の観光体験に基づいてつぶやかれたツイートのことを観光ツイートと呼ぶ．本稿の構成は次の通りである．まず2.節で関連研究について述べ，3.節で提案する観光ルート推薦システムの概要を述べる．次に4.節で観光スポット一覧の提示方法について説明し， 5.節で推薦ルートの決定方法について述べる．そして，6.節で提案手法に対する評価実験を行い，最後に7.節で本研究のまとめと今後の課題について述べる．

2.

3. 観光ルート推薦システムの概要

まず最初に，提案する観光ルート推薦システム（以下，提案システムと呼ぶ）の概要について説明する．提案システムは，次の手順でユーザに観光ルートを推薦する．（1）ユーザが出発地，到着地，出発時刻，到着時刻を入力（2）入力された条件を満足する観光スポット一覧を提示（3）ユーザが訪ねたい観光スポットを1つ選択（4）ユーザの選択した観光スポットを含むルートを推薦まず手順（1）でユーザが出発地，到着地，出発時刻，到着時刻を入力すると，手順（2）に記したように，提案システムは入力された条件を満足する観光スポットの一覧をユーザに提示する．ここで，入力された条件を満足する観光スポットとは， 5. 2節で述べる観光ツイートの時間帯分布についての条件を満たし，かつ，ユーザが指定した時間内で訪ねることができる観光スポットを指す．観光スポット一覧をユーザに提示するためには，あらかじめ観光スポットを収集する必要がある．そこで本研究では，Google Places API（注4）_と_Yahoo!_{知恵袋質問検索}

API（注 5）を用いて観光スポットの一覧を取得する．

指定した時間内で訪ねられる観光スポットであるかを判定するためには，観光スポットでの滞在時間や，移動時間を推定す

る必要がある．滞在時間は4. 2. 2節の方法で抽出する観光ルー

（注4）：Google Places API，https://developers.google.com/places/ （注5）：Yahoo!知恵袋質問検索 API，http://developer.yahoo.co.jp/

webapi/chiebukuro/chiebukuro/v1/questionsearch.html

トを利用して求め，移動時間はGoogle Directions API（注 6）を用いて取得する．そして，手順（3）でユーザは，提示された観光スポット一覧から訪ねたい観光スポットを1つ選択する．すると，手順（4）に記したように，提案システムはユーザが選択した観光スポットを含むルートを作成し，ユーザに推薦する．なお，観光スポットでの滞在時間や移動時間は，手順（2）で観光スポットを選別するために用いた方法で推定する．本研究では，観光ルートを決定するための指標として次の3つを使用した．これらの詳細は5.節で述べる． • 観光ルート内における観光スポットの共起頻度 • ツイートの時間帯分布 • ツイートをカテゴリ分類した結果

4. 観光スポット一覧の提示

提案システムは，ユーザが出発地，到着地，出発時刻，到着時刻を入力すると，5. 2節で述べる観光ツイートの時間帯分布についての条件を満たし，かつ，ユーザが指定した時間内で訪ねることができる観光スポットの一覧をユーザに提示する．最初に4. 1節で観光スポットを収集する手法について述べる．また，各観光スポットについてつぶやかれた観光ツイートを収集し，ユーザタイムラインから観光ルートを抽出する方法について4. 2節で説明する．さらに，4. 3節で観光スポットでの滞在時間や，移動時間を推定する方法について述べる． 4. 1 観光スポットの収集

ここでは，Google Places API とYahoo!知恵袋質問検索

API（以下，質問検索APIと呼ぶ）を用いて観光スポットを収

集する手法について述べる．

4. 1. 1 観光スポット候補の収集

本研究では，Google Places APIのプレイス検索を用い，以

下の手順で，ある地点の周辺に位置する施設一覧を取得する．まず，任意の地点を決め，Geocoding API（注 7）_{を用いてその}

地点の位置情報（緯度，経度）を取得する．その後，得られた

位置情報を用いてGoogle Places APIで周辺の施設の情報（施

設名，緯度，経度，タイプ）を20 件取得する．タイプとは，

aquarium（水族館）やhospital（病院）など，Googleによっ

て定義されたカテゴリのことを指す．次に，取得した20件の

各施設に対しても同様にGoogle Places APIを用いて周辺情報

を取得する．これを繰り返し，新しい施設名が出現しなくなった場合，この処理を停止する．本研究では，図1に示す10種類のタイプを観光スポット候補の取得に利用した． 4. 1. 2 観光スポットの選定 4. 1. 1節で収集した観光スポット候補一覧において，各候補が観光スポットであるかどうかを判定する必要がある．観光スポットの判定には，質問検索APIを用いる．質問検索APIでは，Yahoo!知恵袋に公開されている質問の中から，あるキー

（注6）：Google Directions API，https://developers.google.com/maps/ documentation/directions/

(3)

amusement park（遊園地） aquarium（水族館） cafe（カフェ） establishment（施設） museum（美術館/博物館） park（公園）

place of worship（礼拝所） restaurant（レストラン） spa（温泉、スパ） zoo（動物園）図 1 観光スポット候補の取得に利用するタイプ表 1 閾値と観光スポットの収集精度都道府県閾値再現率適合率 F 値岡山県 0.27 0.917 0.776 0.841 京都府 0.32 0.970 0.922 0.945 表 2 得られた観光スポットの例岡山県の観光スポット京都府の観光スポット岡山城清水寺岡山後楽園伏見稲荷大社吉備津神社知恩院池田動物園京都水族館岡山県立博物館京都国立博物館津山城金閣寺ワードを含む質問本文や質問に対するベストアンサー，キーワードにマッチした質問の総数等を取得することができる．本研究では，4. 1. 1節で得たそれぞれの観光スポット候補名をキーワードとして質問検索APIを用い，それにマッチした質問の総数を取得する．ある観光スポット候補cに対して，全カテゴリでマッチした質問の総数をAcとし，「地域，旅行，お出かけ」カテゴリ内の下位に位置する「国内」カテゴリでマッチした質問の総数をLc とした時，各観光スポット候補が観光にどの程度関連するかの度合い（関連度）Rcを次式で表す． Rc= Lc/Ac (1) 次に，求めた関連度Rcが設定した閾値を上回る観光スポット候補を観光スポットとして選定する．閾値は次のようにして設定する．各観光スポット候補に対し，人手で観光スポットであるかどうかを判定したものを正解データとする．閾値を0から1まで0.01間隔で設定し，それぞれの閾値において取得した観光スポット群の適合率と再現率を求める．さらに，求めた適合率および再現率からF値を算出する．算出したF値の中で，最大のF値をとる時の閾値を選定に利用する閾値と定める．この手法を用いて，岡山県と京都府の観光スポット候補一覧を対象に閾値を設定した．岡山県の閾値は0.27となり，合計で 79件の観光スポットが得られた．また，京都府の閾値は0.32 となり，合計で134件の観光スポットが得られた．決定した閾値とその時の再現率，適合率，F値を表1に示し，得られたスポットの例を表2に示す． 4. 2 観光体験情報の収集次に，各観光スポットについてつぶやかれた観光ツイートを収集する方法について説明する．また，収集した観光ツイートが観光スポットでリアルタイムにつぶやかれたツイートであるかを判定し，Twitterユーザの観光ルートを抽出する手法について述べる． 4. 2. 1 観光ツイートの収集観光ツイートを収集するためには，どのツイートが実際の観光体験に基づくツイートであるかを判定する必要がある．そこで，本研究では以下の5項目のうち1つ以上の特徴を満たすツイートを観光ツイートであるとみなす．

（1） URL中に“swarmapp.com”または“4sq.com”を含む（2） URL中に“tou.ch”を含む（3） URL中に“instagram.com”を含む（4） URL中に“.jpg”または“.png”を含む（5）観光スポットを訪れたとみなせる表現が存在する項目（1）はFoursquareを用いたツイートに現れる特徴である．Foursquareとは，訪れた場所にチェックインすることで得点が得られ，その得点に応じてバッジを獲得することができる位置情報を利用したゲームの一種である．項目（2）はロケタッチ（注8）_{を利用したツイートに出現する} 特徴であり，Foursquareと同様に，ユーザが訪れた場所を友人や知人と共有するサービスである．項目（3）はInstagramを用いたツイートに現れる特徴である．Instagramは画像共有サービスの一種であり，その観光スポットを訪れて撮影された画像であると判定し収集する．項目（4）はInstagramと同様，その観光スポットを訪れて撮影された画像であると判定して収集する．ただし本研究では，ノイズを減らすため，同じユーザが同じ内容で投稿したツイートはbot であると判定し，収集しない．なお，botとは Twitterの機能を用いて作られた自動発言システムである．最後に，項目（5）の観光スポットを訪れたとみなせる表現が出現する場合について述べる．Twitter利用者の間で頻繁に利用される語「なう」は，場所や動作の後につけ，今どこにいるかや何をしているかを表す語であり，例えば「岡山駅なう」ならば「今岡山駅にいる」という意味で使用される．よって，「なう」が観光スポットの直後に用いられる場合は観光スポットでつぶやかれたツイートであると判定する．また，「わず」も「岡山駅わず」のように使用され，観光スポットの直後に使用される場合は過去に観光スポットを訪れたとみなすことができる．同様に，「＠」，「at」，「in」が観光スポットの直前に出現した場合も観光スポットでつぶやかれたツイートであると判定する．また，ツイート本文に対して形態素解析を行い，表3に示すような表現が観光スポット名より後方に出現した場合も観光ツイートであるとみなす．なお，形態素解析器にはSen（注9）を使用した．本研究では，観光スポット名を本文に含む全てのツイートから観光ツイートの収集を試みる．観光ツイートの収集は次の手順で行う．まず，観光スポットを本文中に含む，リツイートとリプライを除く全てのツイートを取得する．その後，取得したツイートそれぞれに対して，先述した（1）から（5）の特徴が含まれているかどうかでフィルタリングを行い，1つ以上の特徴を含むツイートを観光ツイートとして収集する．（注8）：ロケタッチ，http://tou.ch/ （注9）：形態素解析システム Sen，https://www.mlab.im.dendai.ac.jp/ ˜yamada/ir/MorphologicalAnalyzer/Sen.html

(4)

表 3 観光スポットを訪れたとみなす表現出現する表現具体例「行く/着く/来る」+「た/ました」着いた形容詞 +「た」楽しかった名詞-サ変接続 +「する」+「た/ました」満足しました名詞-形容動詞語幹 +「だ/です」+「た」綺麗だった「行く/来る」+「て」+「き/み」+「た/ました」来てみました 4. 2. 2 観光ルートの抽出あるユーザによって観光スポットでリアルタイムにつぶやかれたツイート集合を時系列順に並べることで，そのユーザの観光ルートを抽出することができる．そこで，収集した観光ツイートに対して，それがリアルタイムにつぶやかれたものであるか，もしくは，過去の観光スポットでの体験についてつぶやかれたものであるかを判別する．本研究では，4. 2. 1節で列挙した 5項目のうち，項目（1），項目（2），項目（5）中の「なう」，「＠」，「at」，「in」のいずれかの特徴を満たすツイートをリアルタイムにつぶやかれたツイートであると判定する．ある観光ツイートが，観光スポットでリアルタイムにつぶやかれたツイートであると判定できる場合，そのユーザのタイムラインからリツイートとリプライを除く同じ日に投稿された全てのツイートを取得し，同様にしてリアルタイムにつぶやかれたと判断できるツイートを収集する．例えば，あるユーザのタイムラインから抽出した，リアルタイムにつぶやかれたツイート群を時系列順に並べると表4のようになる．表4のツイートは全てFoursquareを用いてつぶやかれたツイートであり，このユーザは仙台空港を出発した後，清水寺をはじめとする京都府のいくつかの観光名所を訪れ，最終的には滋賀県に移動しホテルに宿泊したことがわかる．表4からもわかるように，Foursquareを用いたツイートには「I’m at」の直後，もしくは「(@」の直後にユーザが現在いる場所が示される．また，ロケタッチを用いたツイートにも「にタッチ」や「に写真付きタッチ」という文字列の直前に位置情報が記述されるという特徴がある．こういった手がかり語をもとに観光スポットを抽出し，それらを時系列順に並べることで旅行者の観光ルートを抽出する．また，観光スポットでつぶやかれたわけではないが，1つのツイート内で複数の観光スポットを訪れた記述があるツイートも存在し，複数の観光スポットを「→」で繋いだ形で記述されることが多い．このようなツイートは4. 1節で挙げたどの項目にも当てはまらないが，観光スポットの出現順序がそのまま観光ルートになっているとみなして抽出する． 4. 3 移動時間と滞在時間

本研究では，2地点間の移動時間をGoogle Directions API

を用いて取得する．Google Directions APIは，指定した出発地点から目的地点までのルート検索ができるサービスであり，指定した 2地点間の移動距離と移動時間を得ることができる．例えば，出発地に清水寺，到着地に金閣寺を指定すると，移動時間27分，移動距離9.8 kmというレスポンスが返される．ある観光スポットにおける滞在時間の推定には，4. 2. 2節で抽出した観光ルートを利用した．ある観光スポットAで観光ツイートがつぶやかれた時刻と，次に別の観光スポットBで観光ツイートがつぶやかれた時刻の差を求め，その結果から2点間の移動時間を引いたものを，観光スポットA の滞在時間として求めた．例えば，清水寺で12時30分にツイートをしたユーザが，次に13時50分に金閣寺でツイートしたとすると，清水寺における滞在時間は80分から27分を引いた53分となる．この計算を抽出した観光ルート全てに対して行い，得られた滞在時間を平均したものを滞在時間として設定する．

5. 観光ルートの推薦

ユーザが提示された観光スポット一覧から訪れたい観光スポットを1つ選択すると，提案システムはユーザが選択した観光スポットを含むルートを作成し，ユーザに推薦する．本節では，観光ルートの決定に使用する3つの指標について，それぞれ5. 1節，5. 2節，5. 3節で説明する．また，それらの指標を用いた，観光ルート推薦手法について5. 4節で述べる． 5. 1 観光スポットの共起頻度 4. 2. 2節で述べたように，本研究では，ある観光スポットでリアルタイムに観光ツイートをつぶやいたユーザのタイムラインから，そのユーザが実際に巡った観光ルートを抽出する．ある観光スポットA をルート内に含む全ての観光ルートから，A以外の観光スポットの出現回数を求めることによって，どのような観光スポットがAと共に訪れられることが多いかがわかる．本研究では，観光スポットAを訪れたユーザが，同じ観光ルート内で観光スポットBを訪れる頻度を，Aに対するBの共起スコアと定義する．そしてこの共起スコアを，観光ルート推薦のための指標の1つとして用いる．例えば，観光スポットAを訪れたユーザが40人いたとして，そのうち10人が同じ観光ルート内で観光スポットBを訪れたとする．この時，観光スポットAに対する観光スポットBの共起スコアは，10/40 = 0.25となる． 5. 2 観光ツイートの時間帯分布観光ルートを推薦するための指標の1つとして，観光ツイートの時間帯分布を用いる．観光客が多い時間帯を検出するために，24時間を3時間毎に区切り，その時間帯毎に観光スポットでリアルタイムにつぶやかれた観光ツイート数の割合を求める．本研究では，この時間帯毎の観光ツイート数の割合を時間帯スコアと定義する．例えば，50件のツイートが観光スポットAでリアルタイムにつぶやかれており，50件のうち12時から15時までの間にリアルタイムにつぶやかれた観光ツイート数が20 件のとき，時間帯スコアは，20/50 = 0.4となる． 5. 3 観光ツイートのカテゴリ分類観光スポットを訪れたユーザがそこでどのような体験をしたかを知ることは，これから旅行をする者にとって大変有益な情報である．そこで本研究では，各観光スポットについて収集した観光ツイートを「食事」，「景観」，「土産」，「行動」の4つのカテゴリに分類する．具体的には，観光ツイートの本文中に次のような手がかり語が出現するかどうかに基づいて，観光ツイー

(5)

表 4 ある旅行者の Foursquare を利用したツイートツイート時刻ツイート本文

6:20 開門待ち。 (@ 仙台空港 (Sendai Airport - SDJ/RJSS) in 名取市, 宮城県) https://www.swarmapp.com/... 9:33 I’m at 大阪国際空港 (ITM/RJOO) in 豊中市, 大阪府 https://www.swarmapp.com/...

12:20 世界遺産。 (@ 清水寺 (Kiyomizu-dera Temple) in 京都市, 京都府) https://www.swarmapp.com/... 12:44 I’m at 六花亭 in 京都市東山区, 京都府 https://www.swarmapp.com/...

15:01 I’m at 金閣寺不動堂 https://www.swarmapp.com/...

15:56 ハイペースすぎ。 (@ 北野天満宮 (Kitano-Tenmangu Shrine) in 京都市, 京都府) https://www.swarmapp.com/... 17:53 めちゃくちゃいいホテルやー。 (@ 大津プリンスホテル in 大津市, 滋賀県) https://www.swarmapp.com/... 表 5 行動に関するツイートとみなす表現出現する表現具体例動詞 +「た/ました」遊んだ名詞-サ変接続 +「する」+「た/ました」散策した名詞-サ変接続 +「できる」+「た/ました」体験できた名詞-サ変接続 +「なう」参拝なうトを分類する．なお，手がかり語の収集にはWikipedia（注 11）と Weblio類語辞典（注 12）_{を用いた．また，括弧内の数字は収集し} た手がかり語の個数を表している． • 食事に関するツイート – 「うどん」などの料理の名称（2,033） – 「懐石料理」などの料理の種類（70） – 「昼食」などの食事の形態（18） – 「カフェ」などの食事施設の名称（32） – 「おいしい」などの食事に対する評価（14） – 「食べる」などの食事に関する動作（11） • 景観に関するツイート – 「夜景」などの景観の対象（26） – 「雨」などの天候に関する語（27） – 「綺麗」などの景観に対する評価（30） – 「撮る」などの景観に関する動作（7） • 土産に関するツイート – 「きびだんご」などの土産の名称（316） – 「名物」などの土産に関する語（8） – 「買う」などの入手を表す動作（5） • 行動に関するツイート – 表5に示す表現ここで，表5に示した「動詞」には，「来る」，「行く」，「向かう」，「着く」を含めないものとする．これは，「来る」や「行く」といった動詞が移動を表す動詞であり，観光スポットでの体験を表さないことが多いためである． Wikipediaの各記事はカテゴリ分類されており，例えば「料理」カテゴリの下位に「揚げ物」や「卵料理」といったサブカテゴリが存在し，さらにその「揚げ物」カテゴリの下位に「から揚げ」や「コロッケ」などの記事が存在する．本研究では

MediaWiki API（注13）を用いて，Wikipediaの比較的上位に位

（注11）：Wikipedia，http:// ja.wikipedia.org/wiki/ （注12）：Weblio 類語辞典，http://thesaurus.weblio.jp/ （注13）：MediaWiki API，http://www.mediawiki.org/wiki/API:Main page/ 置する「料理」や「土産菓子」のようなカテゴリを指定してその下位に存在するサブカテゴリや記事タイトルを取得し，それを手がかり語とした．本研究では，観光ツイートをカテゴリ分類した結果を，観光ルート推薦のための指標として用いる．なお，「食事」，「景観」，「土産」，「行動」のいずれかのカテゴリに分類された観光ツイート総数のうち，あるカテゴリに分類されたツイートの割合を，本研究では分類スコアと呼ぶ．例えば，ある観光スポット Aについてつぶやかれた観光ツイートが計100件あり，そのうち 80件が「食事」，「景観」，「土産」，「行動」のいずれかに分類されたとする．さらに，その80件のうち「景観」に分類されたツイート数が 60件であるとき，その割合，すなわち「景観」に対する分類スコアは， 60/80 = 0.75となる． 5. 4 ルート推薦アルゴリズム 5. 4. 1 提示する観光スポットの決定提案システムにおけるユーザの最初の入力は，出発地PS，到着地PG，出発時刻TS，到着時刻TGである．また，ルート R =< PS，PG>とする．出発地PSからある観光スポットSi までの移動時間をMS,i，観光スポットSiから到着地PGまでの移動時間をMi,G，2つの観光スポットSiとSj間の移動時間をMi,jとし，観光スポットSiでの滞在時間をViで表す．また，ある時刻をtとし，時刻X =（TS+ MS,i+ Vi/2）から時刻Y =（TG− Mi,G− Vi/2）までの区間において，観光スポットSiの最も高い時間帯スコアZX<max_=t<_=Y(Si)を求める．8つに分割した時間帯スコアをZ(Si)0, Z(Si)3,…, Z(Si)21と定義し，Zmax X<_=t<_=Y(Si)を次式で表す． ZX<max_=t<_=Y(Si) = max ⌊X/3⌋<=j<=⌊Y /3⌋ Z3j(Si) (2) 本研究では，次式の両方を満たす観光スポットの一覧をユーザに提示する． ZX<max_=t<_=Y(Si) >_{= 0.125} (3) TG− TS >_{= M}S,i+ Vi+ Mi,G (4) 5. 4. 2 推薦ルートの決定提示した観光スポット一覧の中からユーザが訪れたい観光スポットSUを1つ選択すると，提案システムはSUを含む観光ルートをユーザに推薦する．従って，ルートRにSU を加え， R =< PS，SU，PG>とする．これより先の観光ルート推薦アルゴリズムについて，図2を用いて説明する．

(6)

図 2 観光スポット推薦アルゴリズム • Phase 1 ここでは，時刻 X = （TS + MS,U + VU/2）から Y =（TG− MU,G− VU/2）までの区間と重なりがあり，最も高い時間帯スコアZX<max_=t<_=Y(SU)が得られる時間帯を求める．図2は，15時から18時までの時間帯スコアが最大である例を説明している． • Phase 2 本研究では，観光スポットの時間帯スコアが最も高くなる区間に，4. 3節で求めた滞在時間の半分はユーザが滞在することを条件とする. 図2に示した通り，SU における滞在時間VU は 120分であるので，120分のうちの60分は少なくとも15 時から18時までの間にSUに滞在できるようにする．従って，ユーザは 14時から19時までの区間で120分SUに滞在することになる．しかし，ユーザが設定した到着時刻TGは19時であり，SUからPGまでにかかる移動時間MU,Gは30分であるため，遅くとも18時30分にSU を出発しなければTGを超えてしまう．そのため，観光スポットSUの推薦が可能な時間は，図2のPhase 2に矢印で示す14時から18時30分までの区間である． • Phase 3 Phase 3では，Phase 2で定めた時間内でユーザがSUに最も早く訪れる場合と最も遅く訪れる場合を考える．ここで，ある観光スポットSiを最も早く出発する時刻をminTiD，Siに最

も遅く到着する時刻をmaxTiAとする．Phase 2より，minT D U は16時，maxTUAは16時30分である． 4. 3節で求めた滞在時間の半分は時間帯スコアが最も高くなる区間に滞在するという条件を満たし，推薦ルートに追加する観光スポットを決定するには，TSからmaxTUAの間と， minTUDからTGの間で推薦すべき観光スポットを探せばよい．それぞれの区間で，式(3)，(4)を満たし，共起スコア，時間帯スコア，カテゴリスコアの和が最大となる観光スポットを導出し，それらを追加候補SA，SBとする．ただし，式(3)，(4) においては，時刻X，Y ならびにPS，PGをそれぞれの区間のものに置き換えて計算する．そして，SAとSBを比較してスコアが大きい追加候補を推薦ルートに加える．図2は，SBのスコアがSAより大きかった場合を説明している．SBは，minTUD からTGの区間で導出した観光スポットなので，SUの後に追加する．すなわち，R =< PS，SU，SB，PG>とする．なお，SB をルートに追加したことによって生じる時間の制約については Phase 5で述べる． • Phase 4 Phase 4では，新たに追加された観光スポットSBを検出した区間で，Phase 1同様，SBの時間帯スコアが最も高くなる時間帯を求める．すなわち，時刻X =（minTUD+ MU,B+ VB/2）からY =（TG− MB,G− VB/2）の区間と重なりがあり，最も高い時間帯スコアZmax X<_=t< =Y(SB)が得られる時間帯を求める．図2は，15時から18時までの時間帯スコアが最大である場合を説明している． • Phase 5 Phase 5 では，4. 3節で求めた滞在時間の半分はユーザが滞在するという条件をルート内の観光スポット全てに適用し，それぞれの推薦可能な時間帯を求める．図2に示すように，SBの滞在時間VBは60分なので，SBの推薦が可能な時間は14時 30分から18時30分となる．しかし，ユーザは少なくとも時刻minTD U まではSUに滞在しなければならない．また，MU,B が30分であるため，SBを推薦可能な時間帯は16時30分から18時30分までの間である．一方，SUを推薦可能な時間帯は，Phase 2の段階で14時から18時30分の間となっていたが，maxTBA は17時30分であり，MU,Bが30分であるので，SUを推薦可能な時間帯は14時から17時である．以上のことから，観光スポットSUとSB を推薦可能な時間帯は，それぞれ図2のPhase 5に矢印で示す範囲である． • Phase 6 Phase 6で推薦ルートに追加する観光スポットを決定する．ルート内の観光スポット全てについて，Phase 5で定めた時間内で，ユーザが最も早く訪れる場合と最も遅く訪れる場合を考える．Phase 5より，minTUDは16時，maxT

A U は15時，minT D B とmaxTBAはともに17時30分である．次に推薦ルートに追加する観光スポットを決定するには，R =< PS，SU，SB，PG>

(7)

において，PSとSU，SUとSB，SBとPGの間でそれぞれ推薦すべき観光スポットを探す．すなわち，TSからmaxTUAまで，minTD U からmaxTBAまで，さらに，minTBDからTGまでの間で，それぞれ追加候補を探す．それぞれの区間について，追加候補SC，SD，SEを導出し， SC，SD，SEを比較してスコアが最も大きい追加候補を推薦ルートに加える．図2では，SCのスコアがSD，SEより大きかった場合を示している．SCは，TSからmaxTUAの間で得られた観光スポットなので，PSの次に追加し，R =< PS，SC，SU，SB，PG> となる．提案手法では，追加候補，すなわち，推薦ルートに追加できる観光スポットがなくなるまでPhase 4，Phase 5，Phase 6

を再帰的に繰り返すことで，推薦ルートを決定する．

6. 評価実験

本節では，収集した観光ツイートの適切さと，観光ツイートの分類精度を評価実験により求める．また，作成した観光ルートを評価する． 6. 1 観光ツイートの収集実験「岡山後楽園」，「倉敷美観地区」，「清水寺」，「伏見稲荷大社」の4つの観光スポットを対象として観光ツイートを収集し，その適合率，再現率，F値を求めた．「岡山後楽園」と「倉敷美観地区」については2014年12月21日から2015年1月9日までの間に投稿されたツイートから観光ツイートを収集した．また，「清水寺」と「伏見稲荷大社」は2014年12月21日から 2014年12月23日までの間に投稿されたツイートを収集した．対象の期間に投稿されたツイートから人手により観光ツイートを収集し，正解データとして用いた．人手で収集した観光ツイートは「岡山後楽園」が178件，「倉敷美観地区」が518件，「清水寺」が483件，「伏見稲荷大社」が201件あった．実験結果を表6に示す．収集できなかった例としては，「伏見稲荷大社の千本鳥居凄い！」のように，4. 2. 1節で挙げた特徴が現れないものがあった．また，誤って収集した例としては，「播州清水寺はもう正月の準備万端。http://instagram.com/...」のような，京都の清水寺ではない同名の観光スポットについての観光ツイートを誤って検出した例もあった．また，「伏見稲荷大社に行ったらしい」のような，自分の体験ではないツイートも誤って検出していた．中嶋らの手法では位置情報の付与されたツイートと本文中に「なう」が含まれるツイートのみを対象としているため，今回得られた観光ツイートのおよそ 1割程度しか収集できなかった．また，中嶋らの観光ツイート収集結果は再現率0.719，適合率 0.837 であった．表6と比較すると，適合率でも本手法の方が高い結果を示している．このことから，本研究における観光ツイートの収集手法は中嶋らの手法より有用であると言える． 6. 2 観光ツイートの分類実験 6. 1節に示した4つの検索スポットと期間において収集した観光ツイートを対象に，観光ツイートの「食事」，「景観」，「行動」，「土産」カテゴリへの分類精度を調べた．各カテゴリに分表 6 観光ツイートの収集結果観光スポット再現率適合率 F 値岡山後楽園 0.854 0.849 0.852 倉敷美観地区 0.903 0.876 0.890 清水寺 0.884 0.846 0.864 伏見稲荷大社 0.901 0.858 0.879 合計 0.890 0.859 0.874 表 7 観光ツイートの分類精度観光スポット食事景観行動土産岡山後楽園 0.652 0.831 0.629 0.571 倉敷美観地区 0.777 0.782 0.717 0.625 清水寺 0.671 0.776 0.622 0.833 伏見稲荷大社 0.556 0.883 0.775 0.750 合計 0.707 0.801 0.681 0.711 類されたツイートを，人手によりそのカテゴリにふさわしいかどうか判定し，適切なものの割合を分類精度として求めた．実験結果を表7に示す．検出できなかった例をみると，「キレイだった」や「きれかった」といったフレーズを「綺麗だった」という意味で解析できなかったために，「景観」カテゴリに分類されなかった．同様に，「吉備団子」が平仮名表記されていた場合も「土産」に分類できなかった．誤って検出した例としては，「パンフレット」という単語が本文中に出現した場合に，「パン」という食べ物の名前を誤って検出して「食事」カテゴリに分類したものがあった． 6. 3 推薦ルートの評価 5. 4節で述べた方法で決定した観光ルートについて考察する．提案システムで決定したルート（以下，提案ルートと呼ぶ）を，

Google Maps API（注 14）で提供されるルートサービスを用いて

可視化した．比較対象としては，Googleによって最適化された観光ルート（以下，最短ルートと呼ぶ）を用いた．提案ルートの例を図3，最短ルートの例を図4にそれぞれ示す．図3，図4は，地点Aの御陵駅を11時に出発し，地点Hにあるホテルに19時に到着するように指定した場合の観光ルートである．なお，必ず訪れねるスポットには，清水寺（図3の地点D，図4の地点F）を選択した．ユーザは地点Bの観光スポットからアルファベット順に各観光スポットを巡る．最短ルートを示す図4に比べ，提案ルートを示す図3では，地点Bを訪れてから地点Cまで戻り，再び地点Bの近くにある地点Dまで行き，地点C付近の地点Eに向かうといったように，移動経路に何度も往復が生じた．また，提案ルートと最短ルートの合計移動時間を比較したところ，提案ルートが81 分，比較ルートが56分と大きな差があった．このことから，提案ルートは移動に関する効率は悪いことがわかる．これは，本手法が観光スポット間の移動時間を重視せず，ツイートの時間帯分布等により推薦ルートを決定したために生じた問題である．一方で，図4における地点E の法観寺や地点Fの清水寺，地点Gの建仁寺は拝観・開館時間が決まっており，最短ルート

(8)

図 3 提案システムによる推薦ルート図 4 最適化された観光ルートでは，法観寺と建仁寺をその拝観時間内で訪れられないが，提案ルートでは拝観・開館時間内に訪れることができる．これは，本手法がツイートの時間帯分布を利用して推薦ルートを決定したために生じた利点であり，最短ルートは観光スポット間の移動時間しか考慮していないため，推薦すべきでない時間帯に観光スポットを薦めてしまう．提案ルートは5. 4節で説明したアルゴリズムに基づいて決定されるため，時間の制約を満たし，指標となる3つのスコアが最も高くなる観光スポットであれば，距離が離れていても推薦する．そのため，移動効率の悪いルートを推薦してしまうという欠点があるが，一方で，移動効率のみを考慮した最短ルートでは推薦すべきでない時間帯に観光スポットを薦めてしまい，観光スポットにおけるユーザの満足度が低くなるという欠点がある．観光ルートを推薦するにあたって，移動効率に関わるユーザの満足度と，観光スポットにおけるユーザの満足度をどちらも満たすようなルートを導出することが望ましく，これは今後の課題として挙げられる．また，図3における地点Fの哲学の道や地点Gの蹴上インクラインは春には桜の名所となる観光スポットである．そういった季節等の状況に応じて推薦ルートを決定することも今後の課題である．

7. おわりに

本研究では，Twitterを用いて，観光スポットでの実際の観光体験に基づくツイートを収集し，それらのツイートに含まれる観光情報を利用して観光ルートを推薦する手法を提案した．観光スポットの収集にはGoogle Places APIとYahoo!知恵袋

質問検索APIを用いた．また，観光体験に関わるツイートかどうかの判定には，旅行者のツイートに頻繁に現れる特徴や手がかり語の有無を利用した．さらに，観光ツイートを「食事」，「景観」，「行動」，「土産」に分類した結果と，リアルタイムにつぶやかれた観光ツイートの時間帯分布，観光ルート内における観光スポットの共起頻度を用いて，観光スポットをスコア付けした．そしてそのスコアを用いて，推薦ルートを決定した．観光ツイートの収集実験では適合率 0.859,再現率0.890, F 値0.874という結果を得た．また，観光ツイートの分類実験では「食事」が0.707，「景観」が0.801，「行動」が0.681，「土産」が0.711という分類精度が得られた．さらに，推薦ルートを分析し，その有効性について考察した．本研究で提案した観光ルート推薦手法では，推薦ルートを決定する際に観光スポット間の移動効率を考慮していないため，スコアが高い観光スポットが離れた位置に存在する場合に移動効率の悪いルートになってしまうという問題がある．しかし，本手法では観光ツイートの時間帯分布を指標に用いているため，営業時間のある観光スポットをその時間内に訪れられるようなルートを推薦できた．今後の課題としては，移動効率の改善とともに，リアルタイムなイベントの検出や，状況（季節やユーザの年齢，移動手段など）を考慮した推薦方法の検討，インタフェースの実装と被験者実験などが挙げられる．文献 [1] 中嶋勇人，新妻弘祟，太田学，“ 位置情報付きツイートを利用した観光ルート推薦 ”，情報処理学会研究報告．データベース・システム研究会報告，Vol．2013-DBS-158，No．28，pp．1-6， 2013． [2] 藤坂達也，李龍，角谷和俊，“ 地域イベント発見のためのジオタグ付マイクロブログを用いたノーマルパターン検出手法 ”，平成 22 年度情報処理学会関西支部大会，Vol．2010，2010． [3] 石野亜耶，小田原周平，難波英嗣，竹澤寿幸，“ Twitter からの被災時の行動経路の自動抽出および可視化 ”，言語処理学会第 18 回年次大会，pp．907-910，2012． [4] 小田原周平，石野亜耶，難波英嗣，竹澤寿幸，“ ブログからのユーザの行動経路の自動抽出と可視化 ”，電子情報通信学会第 20 回 Web インテリジェンスとインタラクション研究会，2011． [5] 郡宏志，服部峻，手塚太郎，田島敬史，田中克己，“ ブログからのビジターの代表的な行動経路とそのコンテキストの抽出 ”，電子情報通信学会技術研究報告，Vol．106，No．149，pp．29-34， 2006．

DEIM Forum 2015 G7-6 Twitter ,