Exploring Twitter Hashtags

自然言語処理 twitter

2011年の論文なので古い部類だろうなあ

Intro

SMS language

  1. abbreviation (e.g. "4 u")
  2. emoticons (e.g. ":)" )

Twitter-specific forms

  1. @-replies
  2. hashtags

例.

@merazindagi Thanks! Will make more 4 U. Live performances in #boulder area will be on http://saxy.us :) #jazz #rock #funk #dance #livemusic

ハッシュタグはそのツイートが何の目的であるかを教えてくれるが、 複数のツイートが沢山含まれるようなものは一体何なのかわからなくなる. そこで、co-occurrences に基づく辞書の構築を目指す. 分類器の構成を考え，最終的にアプリケーションを作成する

Dataset

29,000,000 tweets から、 ノイズの少ない 310,000 種類のハッシュタグは取り除いて、 85,503 種類を使った

Hashtag co-occurrences

Dictionary

共起 where ハッシュタグ \(h_i, h_j\):

\[C(h_i, h_j) = \# \{ t : t \in \text{tweets}, \text{has}(t, h_i) \land \text{has}(t, h_J) \}\]

辞書:

\[D(h) = \{ (h', C(h, h')) : h \ne h' \}\]

Similarity of two hashtags

\[\text{synnet}: h \mapsto s\]

類似度関数: \[S(h_1, h_2) = \max \{ S'(s_1, s_2 : s_1 \in \text{synset}(h_1), s_2 \in \text{synset}(h_2) \}\]

\(S'\) として、

PythonのnltkのWordNet module には、 次の2種類が組み込まれている

  1. path distance similarity
  2. Wu-Palmer distance

それぞれ、Spath, Swp と呼ぼう．

どちらも数字が大きいほうが近いことを意味する

実際の値を見てみると、

Spath Swp
共起ハッシュタグ 0.12 0.37
Twitter (ランダムな2単語) 0.07 0.26

って感じ．

Clustered graph

共起してたら枝をつなぐ，でグラフがかけた． 連結成分というクラスらリングもできる．

Classification

hashtag classes

まあハッシュタグは何かそのものを表しているわけだけど，

  1. organization
  2. geolocation
  3. person
  4. event: particular interest on Twitter
  5. category: all other hashtags

に分類するのを第一目標とする

例として，

class example hashtags
organization #google, #nokia
geolocation #europe, #uk, #graz
person #obama, #madonna
event #christmas, #election
category #fun, #math, #ipod

学習

最大エントロピー (MaxEnt) で学習する

features