Loading article…
ソーシャル メディア マイニングとは、ソーシャル メディア上のユーザー生成コンテンツからデータを取得し、実用的なパターンを抽出し、ユーザーに関する結論を導き、その情報に基づいて行動するプロセスです。マイニングは、ユーザーや学術研究への広告のターゲティングをサポートします。この用語は、鉱物の採掘プロセスに似ています。採掘会社は、貴重な鉱物を見つけるために原鉱石をふるいにかけます。同様に、ソーシャル メディア マイニングは、ソーシャル メディアの使用、オンライン行動、コンテンツ共有、個人間のつながり、購買行動などの問題に関するパターンと傾向を識別するために、ソーシャル メディア データをふるいにかけます。これらのパターンと傾向は、企業、政府、非営利団体にとって興味深いものです。これらの組織は、設計戦略、プログラム、製品、プロセス、サービスの紹介などのタスクに分析を使用できるからです。
ソーシャルメディアマイニングは、コンピュータサイエンス、データマイニング、機械学習、統計の概念を活用しています。マイニングは、ソーシャルネットワーク分析、ネットワークサイエンス、社会学、民族誌学、最適化、数学に基づいています。ソーシャルメディアデータからパターンを正式に表現、測定、モデル化しようとします。[1] 2010年代には、大企業、政府、非営利団体が顧客やクライアントなどについて知るためにマイニングを始めました。
Google、Facebook（ DatalogixおよびBlueKaiと提携）などのプラットフォームは、広告のターゲットユーザーを絞り込むためにマイニングを行っています。[2]科学者や機械学習の研究者は洞察を抽出し、製品の機能を設計しています。[3]
ユーザーは、プラットフォームが自分のデータをどのように使用するかを理解していない可能性があります。[4]ユーザーは利用規約を読んでいないままクリックする傾向があり、プラットフォームがユーザーのプライバシーを適切に保護しているかどうかという倫理的な疑問が生じます。
2016年のアメリカ大統領選挙の際、フェイスブックはトランプ陣営とつながりのある政治コンサルティング会社ケンブリッジ・アナリティカに、推定8,700万人のフェイスブック利用者のデータを分析して有権者のプロファイリングを行うことを許可し、これが発覚すると物議を醸した。[5]
背景
KaplanとHaenlein [6]の定義によると、ソーシャルメディアとは「Web 2.0の思想的および技術的基盤の上に構築され、ユーザー生成コンテンツの作成と交換を可能にするインターネットベースのアプリケーションのグループ」です。ソーシャルメディアには、ソーシャルネットワーキング（FacebookまたはLinkedIn）、マイクロブログ（Twitter）、写真共有（Flickr、Instagram、Photobucket、Picasa）、ニュースアグリゲーション（Google Reader、StumbleUpon、Feedburner）、ビデオ共有（YouTube、MetaCafe）、ライブキャスト（UstreamまたはTwitch）、仮想世界（Kaneva）、ソーシャルゲーム（World of Warcraft）、ソーシャル検索（Google、Bing、Ask.com）、インスタントメッセージング（Google Talk、Skype、Yahoo!メッセンジャー）など、多くのカテゴリがあります。
最初のソーシャルメディアウェブサイトは、1994年にGeoCitiesによって導入されました。これにより、ユーザーはHTMLコーディングの高度な知識がなくても独自のホームページを作成できるようになりました。最初のソーシャルネットワーキングサイトであるSixDegrees.comは、1997年に導入されました。[7]それ以来、他の多くのソーシャルメディアサイトが導入され、それぞれが数百万人の人々にサービスを提供しています。これらの個人は、個人（ソーシャルアトム）、エンティティ（コンテンツ、サイトなど）、および相互作用（個人間、エンティティ間、個人とエンティティ間）が共存する仮想世界を形成します。社会的規範と人間の行動がこの仮想世界を支配しています。これらの社会的規範と人間の行動モデルを理解し、この仮想世界の観察と測定値と組み合わせることで、ソーシャルメディアを体系的に分析およびマイニングできます。ソーシャルメディアマイニングは、ソーシャルインタラクションの結果としてのソーシャルメディアのデータから意味のあるパターンを表現、分析、および抽出するプロセスです。これは、コンピューター サイエンス、データ マイニング、機械学習、ソーシャル ネットワーク分析、ネットワーク サイエンス、社会学、民族誌学、統計、最適化、数学の技術を網羅する学際的な分野です。ソーシャル メディア マイニングは、ビッグ データ パラドックス、十分なサンプルの取得、ノイズ除去の誤り、評価のジレンマなどの大きな課題に直面しています。ソーシャル メディア マイニングは、ソーシャル メディアの仮想世界を計算可能な方法で表現し、それを測定し、その相互作用を理解するのに役立つモデルを設計します。さらに、ソーシャル メディア マイニングは、この世界で興味深いパターンをマイニングし、情報の拡散を分析し、影響と同質性を研究し、効果的な推奨事項を提供し、ソーシャル メディアにおける新しい社会的行動を分析するために必要なツールを提供します。
用途
ソーシャルメディアマイニングは、ビジネス開発、社会科学研究、医療サービス、教育目的など、さまざまな業界で使用されています。 [8] [9]受信したデータがソーシャルメディア分析を通過すると、これらのさまざまな分野に適用できます。多くの場合、企業は、影響、同質性、相互性と推移性によって引き起こされるユーザー間の社会的類似性であるアソート性など、ソーシャルネットワークに浸透している接続パターンを使用します。[10]これらの力は、ノードとノード間の接続の統計分析によって測定されます。[8]ソーシャル分析では感情分析も使用されます。ソーシャルメディアのユーザーは、投稿で肯定的または否定的な感情を伝えることが多いためです。[11]これにより、特定のトピックに関するユーザーの感情に関する重要な社会的情報が提供されます。[12] [13] [14]
これら 3 つのパターンには、純粋な分析以外にもさまざまな用途があります。たとえば、影響力を使用して、特定のネットワークで最も影響力のあるユーザーを特定できます。[8]企業は、インフルエンサー マーケティングに誰を雇うかを決定するために、この情報に関心があります。これらのインフルエンサーは、認知度、アクティビティ生成、および新規性によって決定されます。この 3 つの要件は、これらのサイトからマイニングされたデータを通じて測定できます。[8]アナリストは、類似した 2 人の個人が友人になる傾向である同質性の尺度も重視しています。[10]ユーザーは、さまざまな主題を理解するために、他のユーザーの意見の情報に頼り始めています。[11]これらの分析は、個人に合わせた推奨事項を作成するのにも役立ちます。[8]影響力と同質性を測定することにより、オンラインおよびオフラインの企業は、個々の消費者や消費者グループに特定の製品を提案できます。ソーシャル メディア ネットワークは、この情報自体を使用して、ユーザーに追加する可能性のある友人、フォローするページ、対話するアカウントを提案できます。
感知
現代のソーシャルメディアマイニングは、Facebook、Twitter、Googleなどのテクノロジー大手のユーザー数の飛躍的な増加につながった物議を醸す慣行です。「ビッグテック」と見なされるこれらの企業は、ユーザーの入力を利用して好みを理解し、できるだけプラットフォーム上にとどまるようにするアルゴリズムを構築する企業です。特定の画面に費やされた時間のような単純な入力からマイニングされたデータが提供され、そのデータを使用してユーザー行動に関する非常に正確な予測を活用することで企業が大きな利益を得ることができます。これらの戦略が導入されると、プラットフォームの成長は急速に加速しました。現在、最大のプラットフォームのほとんどは、2021年時点で平均10億人以上のアクティブユーザーを毎月抱えています。[15]
トリスタン・ハリスやチャマス・パリハピティヤのような多くの反アルゴリズム派は、特定の企業（特にFacebook）は成長を何よりも重視し、こうした成長エンジニアリング戦術による潜在的な悪影響を無視していると主張している。[16]
同時に、ユーザーはコンテンツの収益化やインフルエンサーになることを通じて、自分のデータを利用して独自のデータ・アービトラージを生み出している。ユーザーは通常、ソーシャルメディアで自分と交流する人々に特化したさまざまな分析情報にアクセスでき、それを視聴者に合わせた広告や投稿を通じて、独自のターゲティングおよび成長戦略の構成要素として活用できる。インフルエンサーは、確立されたブランドの製品やサービスを宣伝することもよくあり、インフルエンサー・マーケティングという最大のデジタル産業を生み出している。Instagram、Facebook、Twitter、YouTube、Googleなどは、長い間プラットフォーム分析へのアクセスを提供し、第三者がその情報にアクセスすることを許可してきたが、時にはそのデータが閲覧/購入されているユーザーにさえ知られていないこともある。[17]
研究
研究分野
- ソーシャルメディアイベント検出 – ソーシャルネットワークは、ユーザーが自由にコミュニケーションをとり、最近のニュース、進行中の活動、さまざまなトピックに関する意見を共有することを可能にします。その結果、ソーシャルネットワークは、現在発生しているトピックやイベントを理解するための潜在的に実行可能な情報源と見なすことができます。[18] [19] [20] [21] [22] [23]
- 公衆衛生のモニタリングと監視- ソーシャルメディアの大規模な分析を使用して、患者と一般の人々の大規模なコホートを研究します。たとえば、薬物相互作用や薬物有害反応の早期警告信号を取得するため、[24] [25]、または人間の生殖と性的関心を理解するため。[26]
- コミュニティ構造（コミュニティ検出/進化/評価） – ソーシャルネットワーク上のコミュニティを識別し、その進化方法や、多くの場合、グラウンドトゥルースなしで識別されたコミュニティを評価する。[1]
- ネットワーク測定– ソーシャルメディアにおける中心性、推移性、相互性、バランス、ステータス、類似性を測定する。[1]
- ネットワークモデル– 特定の特性を持つネットワークをシミュレートします。例としては、ランダムグラフ（ERモデル）、優先的接続モデル、スモールワールドモデルなどがあります。[1]
- 情報カスケード– ソーシャルメディアサイトで情報がどのように伝播するかを分析します。例としては、群集行動、情報カスケード、イノベーションの普及、伝染病モデルなどがあります。[1]
- 影響力と同質性– ネットワークの同類性を測定し、影響力と同質性を測定およびモデル化する。[1]
- ソーシャルメディアでの推奨- ソーシャルメディアサイトで友人やアイテムを推奨すること。[1] [27] [28]
- ソーシャル検索– ソーシャルウェブ上で情報を検索する。[29]
- ソーシャルメディアにおける感情分析– ソーシャルメディアデータから肯定的、否定的などの主観的な情報を集合的に識別する。[30] [31] [32] [33] [26] [25]
- ソーシャルスパマー検出– ソーシャルネットワークやユーザー生成コンテンツのあるウェブサイトに表示される不要なスパムコンテンツをターゲットユーザーに送信するソーシャルスパマーを検出します。多くの場合、ソーシャルスパマーは、社会的影響力、正当性、信頼性を高めるために裏付けを得ています。[34] [35] [36] [37]
- ソーシャルメディアデータによる特徴選択– ソーシャルメディアの力を活用するために特徴選択を変革する。[38] [39] [40] [41]
- ソーシャルメディアへの信頼– ソーシャルメディアへの信頼の研究と理解。[42] [43] [44] [45]
- 不信とネガティブなリンク – ソーシャルメディアにおけるネガティブなリンクを探る。[46] [47] [48]
- 危機におけるソーシャルメディアの役割– ソーシャルメディア、特にTwitterは危機の際に重要な役割を果たし続けています。[49]研究によると、危機時に投稿されたツイートを使用して地震[50]や噂[51]を検出できることが示されています。 より良い危機対応のために第一対応者がツイートを分析するのに役立つツールの開発[52]や、関連するツイートに迅速にアクセスできるようにする技術の開発[53]は、活発な研究分野です。
- 位置情報ソーシャルネットワークマイニング – 位置情報ソーシャルネットワーク上でパーソナライズされたPOI推奨のための人間の移動のマイニング。[54] [55] [56] [57] [58] [59]
- ソーシャルメディアにおける情報の出所 –出所は、特定の情報の出所についてユーザーに通知します。ソーシャルメディアは、ユーザー生成コンテンツ、ユーザープロファイル、ユーザーインタラクション、空間情報や時間情報などの独自の機能により、情報の出所を特定するのに役立ちます。[60] [61]
- 脆弱性管理– ソーシャルネットワーキングサイトにおけるユーザーの脆弱性は、（1）ユーザーが脆弱になる可能性のある新しい方法を特定する、（2）ユーザーの脆弱性を定量化または測定する、（3）脆弱性を軽減または緩和するという3つの連続したステップで管理できます。[62]
- 候補者/政党に関する世論調査 - ソーシャルメディアは、候補者/政党が選挙活動を行ったり、選挙活動に対する世論の反応を測ったりするのに人気の媒体です。ソーシャルメディアは有権者の意見の指標としても使用できます。いくつかの調査では、ソーシャルメディアの投稿を使用して行われた予測は、従来の世論調査と同等（またはそれ以上）になる可能性があることが示されています。[63]
出版場所
ソーシャル メディア マイニングの研究論文は、コンピューター サイエンス、社会科学、データ マイニングのカンファレンスやジャーナルに掲載されています。
会議
会議論文は、Knowledge Discovery and Data Mining (KDD)、World Wide Web (WWW)、Association for Computational Linguistics (ACL)、Conference on Information and Knowledge Management (CIKM)、International Conference on Data Mining (ICDM)、Internet Measuring Conference (IMC) の議事録に掲載されています。
- KDD カンファレンス– ACM SIGKDD知識発見とデータマイニングに関するカンファレンス
- WWW カンファレンス– 国際ワールド ワイド ウェブ カンファレンス
- WSDM カンファレンス – Web 検索とデータ マイニングに関する ACM カンファレンス
- CIKM カンファレンス– ACM情報および知識管理に関するカンファレンス
- ICDM カンファレンス – IEEE国際データマイニング会議
- 計算言語学会 (ACL)
- ASONAM カンファレンス - ソーシャル ネットワーク分析とマイニングの進歩に関する IEEE/ACM 国際カンファレンス
- インターネット測定会議 (IMC)
- ウェブとソーシャルメディアに関する国際会議 (ICWSM)
- ソーシャルメディアと社会に関する国際会議
- 国際ウェブエンジニアリング会議 (ICWE)
- 機械学習とデータベースにおける知識発見の原理と実践に関する欧州会議(ECML/PKDD)
- 人工知能に関する国際合同会議（IJCAI）
- 人工知能推進協会（AAAI）
- レコメンデーションシステム（RecSys）
- コンピュータと人間のインタラクション (CHI)
- ソーシャルコンピューティングの行動文化モデリングと予測 (SBP)。
- HT カンファレンス – ACM ハイパーテキスト カンファレンス
- SDM カンファレンス – SIAM 国際データマイニングカンファレンス ( SIAM )
- PAKDD カンファレンス – 知識発見とデータマイニングに関する太平洋アジア年次カンファレンス
ジャーナル
- DMKD カンファレンス – データマイニングと知識発見に関する研究課題
- ECML-PKDD カンファレンス –機械学習とデータベースにおける知識発見の原理と実践に関する欧州カンファレンス
- IEEE 知識とデータ工学に関するトランザクション (TKDE)
- ACM データからの知識発見トランザクション (TKDD)
- ACM インテリジェントシステムおよびテクノロジーに関するトランザクション (TIST)
- ソーシャル ネットワーク分析とマイニング (SNAM)
- 知識情報システム（KAIS）
- ACM トランザクションズ オン ザ ウェブ (TWEB)
- ワールドワイドウェブジャーナル
- ソーシャルネットワーク
- インターネット数学
- IEEE インテリジェントシステム
- SIGKDD 探索。
ソーシャル メディア マイニングは、ICDE カンファレンス、SIGMOD カンファレンス、International Conference on Very Large Data Basesなどの多くのデータ管理/データベース カンファレンスでも取り上げられています。
参照
- 方法
- アプリケーションドメイン
- ウェブマイニング
- Twitterマイニング
- 企業
- 関連トピック
参考文献
- ^ abcdefg ザファラーニ、レザ;アッバシ、モハメド・アリ。リュウ、フアン (2014)。 「ソーシャル メディア マイニング: 概要」。2014 年11 月 15 日に取得。
- ^ Leaver, Tama (2013年5月). 「ソーシャルメディアの矛盾: データマイニングとデジタルデス」. M/Cジャーナル. 16 (2). doi : 10.5204/mcj.625 . hdl : 20.500.11937/33046 . 2018年6月20日閲覧。
- ^ Sumbaly, Roshan; Kreps, Jay; Shah, Sam (2013 年 6 月)。「LinkedIn のビッグ データ エコシステム」。2013 年国際データ管理会議の議事録 - SIGMOD '13 (レポート)。SIGMOD '13: 2013 ACM SIGMOD 国際データ管理会議の議事録。pp. 1125–1134。doi : 10.1145 /2463676.2463707。ISBN 978-1-4503-2037-5。
- ^ Shvalb, Nir編 (2022). Our Western Spring: The Battle Between Technology and Democracy, Moment of Truth Kindle版。Amazon。
- ^ 「マーク・ザッカーバーグ証言：上院議員らがフェイスブックのプライバシー保護への取り組みに疑問」。ニューヨーク・タイムズ。2018年4月10日。2018年4月11日時点のオリジナルよりアーカイブ。 2018年6月13日閲覧。
- ^ Kaplan, Andreas M.; Haenlein, Michael (2010). 「世界のユーザーよ、団結せよ！ソーシャルメディアの課題とチャンス」Business Horizons . 53 (1): 59–68. doi :10.1016/j.bushor.2009.09.003. S2CID 16741539.
- ^ 「ソーシャルメディアの歴史：29以上の重要な瞬間」。ソーシャルメディアマーケティング＆マネジメントダッシュボード。2018年11月22日。 2021年4月21日閲覧。
- ^ abcde Zafarani, R., Ali Abbasi, M., Liu, H., (2014). ソーシャル メディア マイニング. Cambridge University Press. http://dmml.asu.edu/smm.
- ^ Singh, Archana (2017). 「大学生のソーシャルメディアデータのマイニング」.教育と情報技術. 22 (4): 1515–1526. doi :10.1007/s10639-016-9501-1. S2CID 1761288.
- ^ ab Tang, J., Chang, Y., Aggarwal, C., Liu, H., (2016). 「ソーシャルメディアにおける署名付きネットワークマイニングの調査」ACM Computing Surveys、49: 3。
- ^ ab Adedoyin-Olowe, M., Gaber, M., & Stahl, F., (2013). 「ソーシャルメディア分析のためのデータマイニング手法の調査」
- ^ Laeeq, F., Nafis, T., & Beg, M. (2017). 「デートマイニングを使用したソーシャルメディアの感情分類」International Journal of Advanced Research in Computer Science、8: 5。
- ^ ホー、ヴォン・アイン;グエン、ズオン・フィンコン。グエン、ダン・ホアン。ファム、リン・ティ・ヴァン。グエン、ドゥクヴー。グエン、キエット・ヴァン。グエン、ガン・ルートゥイ（2020）。 「ベトナムのソーシャルメディアテキストの感情認識」。計算言語学。コンピュータおよび情報科学におけるコミュニケーション。 Vol. 1215。319 ～ 333 ページ。arXiv : 1911.09339。土井：10.1007/978-981-15-6168-9_27。ISBN 978-981-15-6167-2. S2CID 208202333。
- ^ Nguyen et al.(2020). 「ベトナム語のソーシャルメディア特性を活用したベトナム語のテキスト感情認識」国際アジア言語処理会議 (IALP)、2020年。
- ^ ソーシャル・ディレンマ（2020年）ジェフ・オーロウスキー監督、Exposure Labs。Netflix、https://www.netflix.com/title/81254224。
- ^ ニューマン、ジョン、ハウ・アレンズワース、レベッカ（2021年1月30日）。「政府はフェイスブックの行動を予見していなかった」アトランティック誌。 2021年2月15日閲覧。
- ^ Zarrinkalam, Fattane; Bagheri , Ebrahim (2017). 「ソーシャルネットワークにおけるイベント識別」。セマンティックコンピューティングとロボット知能百科事典。01 (1): 1630002. arXiv : 1606.08521 . doi :10.1142/S2425038416300020. S2CID 8484345.
- ^ Nurwidyantoro, A.; Winarko, E. (2013 年 6 月 1 日)。「ソーシャル メディアでのイベント検出: 調査」。スマート社会のための ICT に関する国際会議。pp. 1–5。doi : 10.1109 / ICTSS.2013.6588106。ISBN 978-1-4799-0145-6. S2CID 23802901。
- ^ 「ソーシャルメディアデータからのイベント検出」(PDF) 。 2017年5月5日閲覧。
- ^ 「ソーシャルメディアデータにおけるイベント検出」(PDF) 。 2017年5月5日閲覧。
- ^ Cordeiro, Mário; Gama, João (2016 年 1 月 1 日)。「オンライン ソーシャル ネットワーク イベント検出: 調査」。大規模学習タスクの解決。課題とアルゴリズム。コンピュータ サイエンスの講義ノート。第 9580 巻。Springer International Publishing。pp. 1–41。doi :10.1007/ 978-3-319-41706-6_1。ISBN 978-3-319-41705-9。
- ^ Gasco, Luis; Clavel, Chloé; Asensio, Cesar; De Arcas, Guillermo (2019年3月25日). 「騒音レベル監視を超えて: 騒音に対する市民の主観的反応を収集するためのソーシャルメディアの活用」. Science of the Total Environment . 658 : 69–79. Bibcode :2019ScTEn.658...69G. doi :10.1016/j.scitotenv.2018.12.071. ISSN 0048-9697. PMID 30572215. S2CID 58647430.
- ^ Correia, Rion Brattig; Li, Lang; Rocha, Luis M. (2016). 「Instagram ユーザータイムラインのネットワーク分析による潜在的な薬物相互作用と反応のモニタリング」Biocomputing 2016 . Vol. 21. pp. 492–503. doi :10.1142/9789814749411_0045. ISBN 978-981-4749-40-4. PMC 4720984 . PMID 26776212.
{{cite book}}:|journal=無視されました (ヘルプ) - ^ ab Korkontzelos, Ioannis; Nikfarjam, Azadeh; Shardlow, Matthew; Sarker, Abeed; Ananiadou, Sophia; Gonzalez, Graciela H. (2016). 「ツイートやフォーラム投稿からの薬物有害反応抽出における感情分析の効果の分析」Journal of Biomedical Informatics . 62 : 148–158. doi :10.1016/j.jbi.2016.06.007. PMC 4981644 . PMID 27363901.
- ^ アブ ・ウッド、イアン・B.;ヴァレラ、ペドロ L.ボーレン、ヨハン。ロシャ、ルイス M.ゴンサルベス＝サ、ジョアナ（2017）。 「人間の性周期は文化によって動かされ、集団の気分と一致する」。科学的報告書。7 (1): 17973.arXiv : 1707.03959。Bibcode :2017NatSR...717973W。土井：10.1038/s41598-017-18262-5。PMC 5740080。PMID 29269945。
- ^ Tang, Jiliang ; Tang, Jie; Liu, Huan (2014). 「ソーシャル メディアにおける推奨 - 最近の進歩と新境地」。知識発見とデータ マイニングに関する第 20 回 ACM SIGKDD カンファレンスの議事録。2016 年 4 月 13 日時点のオリジナルよりアーカイブ。2014年11 月 30 日閲覧。
- ^ Tang, Jiliang; Hu, Xia; Liu, Huan (2013) .「ソーシャルレコメンデーション：レビュー」（PDF）。ソーシャルネットワーク分析とマイニング。3 （4）：1113–1133。doi ： 10.1007 /s13278-013-0141-9。S2CID 14899273。 2016年3月3日時点の オリジナル（PDF）からアーカイブ。 2014年11月30日閲覧。
- ^ Horowitz, Damon; Kamvar, Sepandar (2013). 「大規模ソーシャル検索エンジンの構造」(PDF)。第 19 回国際ワールド ワイド ウェブ会議の議事録。ACM。pp. 431–440。
- ^ Hu, Xia; Tang, Lei; Tang, Jiliang; Liu, Huan (2013). 「マイクロブログでの感情分析のための社会的関係の活用」(PDF)。第6回ACM国際ウェブ検索およびデータマイニング会議の議事録。 2016年3月4日時点のオリジナル(PDF)からアーカイブ。 2014年11月29日閲覧。
- ^ Hu, Xia; Tang, Jiliang; Gao, Huiji; Liu, Huan (2013). 「感情信号による教師なし感情分析」(PDF)。第 22 回国際ワールド ワイド ウェブ会議の議事録。pp. 607–618。doi : 10.1145 /2488388.2488442。ISBN 9781450320351. S2CID 6608236. 2016年3月4日時点の オリジナル(PDF)からアーカイブ。2014年11月29日閲覧。
- ^ Ali, K; Dong, H; Bouguettaya, A (2017). 「サービスとしての感情分析: ソーシャル メディア ベースの感情分析フレームワーク」.第 24 回 IEEE 国際 Web サービス会議 (IEEE ICWS 2017) . pp. 660–667.
- ^ Shahheidari, S; Dong, H; Daud, R (2013). 「Twitter 感情マイニング: マルチドメイン分析」2013 第 7 回複雑、インテリジェント、ソフトウェア集約型システムに関する国際会議 (CISIS 2013) pp. 144–149。
- ^ Hu, Xia; Tang, Jiliang; Zhang, Yanchao; Liu, Huan (2013). 「マイクロブログにおけるソーシャルスパマー検出」(PDF)。第23回国際人工知能合同会議議事録。 2016年3月4日時点のオリジナル(PDF)からアーカイブ。2014年11月29日閲覧。
- ^ Hu, Xia; Tang, Jiliang; Liu, Huan (2014). 「オンラインソーシャルスパマー検出」(PDF)。第28回AAAI人工知能会議議事録。 2016年3月28日時点のオリジナル(PDF)からアーカイブ。2014年11月29日閲覧。
- ^ Hu, Xia; Tang, Jiliang; Liu, Huan (2014). 「マイクロブログにおけるスパマー検出のためのメディア横断的な知識の活用」(PDF)。第37回ACM SIGIRカンファレンスの議事録。 2016年3月4日時点のオリジナル(PDF)からアーカイブ。2014年11月29日閲覧。
- ^ Hu, Xia; Tang, Jiliang; Gao, Huiji; Liu, Huan (2014). 「感情情報によるソーシャルスパマー検出」(PDF)。IEEE国際データマイニング会議の議事録。 2016年3月3日時点のオリジナル(PDF)からアーカイブ。2014年11月29日閲覧。
- ^ Tang, Jiliang; Liu, Huan (2012). 「ソーシャルメディアにおけるリンクデータによる特徴選択」(PDF)。SIAM International Conference on Data Mining の議事録。 2016年3月3日時点のオリジナル(PDF)からアーカイブ。 2014年11月30日閲覧。
- ^ Tang, Jiliang; Liu, Huan (2014). 「ソーシャルメディアデータの特徴選択」(PDF) . ACM Transactions on Knowledge Discovery from Data . 8 (4): 1–27. doi :10.1145/2629587. S2CID 15006243. 2016年3月3日時点の オリジナル(PDF)からアーカイブ。2014年11月30日閲覧。
- ^ Tang, Jiliang; Liu, Huan (2012). 「リンクされたソーシャルメディアデータの教師なし特徴選択」(PDF)。知識発見とデータマイニングに関するACM SIGKDD国際会議の議事録。 2016年3月3日時点のオリジナル(PDF)からアーカイブ。2014年11月30日閲覧。
- ^ Tang, Jiliang; Liu, Huan (2014). 「リンクされたソーシャル メディア データの教師なし特徴選択」(PDF) . IEEE Transactions on Knowledge and Data Engineering . doi :10.1109/TKDE.2014.2320728. S2CID 16142099. 2016 年 3 月 3 日時点の オリジナル(PDF)からアーカイブ。2014年11 月 30 日閲覧。
- ^ Tang, Jiliang; Liu, Huan (2014). 「Trust in Social Computing」。第23回国際ワールドワイドウェブ会議の議事録。2016年3月4日時点のオリジナルよりアーカイブ。 2014年11月30日閲覧。
- ^ Tang, Jiliang; Gao, Huiji; Liu, Huan (2012). 「mTrust: つながる世界における多面的な信頼の識別」(PDF)。第5回 ACM 国際ウェブ検索・データマイニング会議。 2016年3月3日時点のオリジナル(PDF)からアーカイブ。2014年11月30日閲覧。
- ^ Tang, Jiliang; Gao, Huiji; DasSarma, Atish; Liu, Huan (2012). 「eTrust: オンライン世界における信頼の進化を理解する」(PDF)。ACM SIGKDD 国際知識発見およびデータマイニング会議の議事録。 2016 年 3 月 4 日のオリジナル(PDF)からアーカイブ。2014 年11 月 30 日に取得。
- ^ Tang, Jiliang; Gao, Huiji; Hu, Xia; Liu, Huan (2013). 「信頼予測のための同質性効果の活用」(PDF)。第6回ACM国際ウェブ検索およびデータマイニング会議。 2016年3月4日時点のオリジナル(PDF)からアーカイブ。2014年11月30日閲覧。
- ^ Tang, Jiliang; Hu, Xia; Liu, Huan (2014). 「不信は信頼の否定か? ソーシャル メディアにおける不信の価値」(PDF)。ACM Hypertext Conference Proceedings 。 2016 年 3 月 3 日時点のオリジナル(PDF)からアーカイブ。2014 年11 月 30 日閲覧。
- ^ Tang, Jiliang; Hu, Xia; Chang, Yi; Liu, Huan (2014). 「インタラクションデータによる不信の予測可能性」(PDF)。ACM International Conference on Information and Knowledge Management 。 2016年3月3日時点のオリジナル(PDF)からアーカイブ。 2014年11月30日閲覧。
- ^ Tang, Jiliang; Chang, Shiyu; Aggarwal, Charu; Liu, Huan (2015). 「ソーシャルメディアにおけるネガティブリンク予測」(PDF)。Proceedings OfACM International Conference on Web Search and Data Mining。arXiv : 1412.2723。Bibcode :2014arXiv1412.2723T。 2015年9月24日時点のオリジナル(PDF)からアーカイブ。 2014年11月30日閲覧。
- ^ブルーノ、ニコラ (2011)。「まずツイート、 後で検証？リアルタイム情報は世界的な危機的出来事の報道をどう変えているのか」オックスフォード：オックスフォード大学ロイタージャーナリズム研究所。10 ：2010-2011。
- ^ 坂木 隆; 岡崎 誠; 松尾 豊 (2010)。「地震が Twitter ユーザーを揺さぶる: ソーシャル センサーによるリアルタイム イベント検出」第 19 回国際ワールド ワイド ウェブ会議の議事録。pp. 851–860。
- ^ Mendoza, Marcelo; Poblete, Barbara; Castillo, Carlos (2010)。「危機に瀕するTwitter: RTした内容を信頼できるか?」ソーシャルメディア分析に関する第1回ワークショップ議事録。pp. 71–79。
- ^ Kumar, Shamanth; Barbier, Geoffrey; Abbasi, Mohammad Ali; Liu, Huan (2011). 「TweetTracker: 人道支援および災害救援のための分析ツール」。第 5 回国際 AAAI ウェブログおよびソーシャル メディア会議。2014 年 12 月 5 日時点のオリジナルよりアーカイブ。2014年12 月 1 日閲覧。
- ^ Kumar, Shamanth; Hu, Xia; Liu, Huan (2014)。「危機地域からのツイートを識別するための行動分析アプローチ」。第25回ACMハイパーテキストおよびソーシャルメディア会議の議事録。pp. 255–260。
- ^ Gao, Huiji; Tang, Jiliang; Liu, Huan (2012). 「位置情報に基づくソーシャルネットワークにおける社会的・歴史的つながりの探究」(PDF)。第6回国際AAAIウェブログおよびソーシャルメディア会議の議事録。 2016年1月22日時点のオリジナル(PDF)からアーカイブ。2014年12月1日閲覧。
- ^ Gao, Huiji; Tang, Jiliang; Liu, Huan (2012). 「時空間コンテキストにおけるモバイル位置予測」(PDF)。Nokia Mobile Data Challenge Workshop 2012 。 2015年9月24日時点のオリジナル(PDF)からアーカイブ。 2014年12月1日閲覧。
- ^ Gao, Huiji; Tang, Jiliang; Liu, Huan (2012). 「gSCorr: 位置情報ベースのソーシャル ネットワークでの新しいチェックインのための地理ソーシャル相関のモデリング」(PDF)。第 21 回 ACM 国際情報および知識管理会議の議事録。2015年 9 月 24 日時点のオリジナル(PDF)からアーカイブ。2014 年12 月 1 日に取得。
- ^ Gao, Huiji; Tang, Jiliang; Hu, Xia; Liu, Huan (2013). 「位置情報ベースのソーシャル ネットワークにおける位置情報推奨の時間的影響の調査」( PDF)。第 7 回 ACM 推奨システム カンファレンスの議事録。pp. 93–100。doi : 10.1145 /2507157.2507182。ISBN 9781450324090. S2CID 14990290. 2015年9月24日時点の オリジナル（PDF）からアーカイブ。2014年12月1日閲覧。
- ^ Gao, Huiji; Tang, Jiliang; Hu, Xia; Liu, Huan (2014). 「位置情報ソーシャル ネットワークにおけるコンテンツ認識型 Point of Interest の推奨」(PDF)。第 29 回 AAAI 人工知能会議の議事録。2015年 9 月 24 日時点のオリジナル(PDF)からアーカイブ。2014年12 月 1 日に閲覧。
- ^ Gao, Huiji; Tang, Jiliang; Liu, Huan (2014). 「位置情報ベースのソーシャル ネットワークにおけるパーソナライズされた位置情報の推奨」(PDF)。第 8 回 ACM 推奨システム カンファレンスの議事録。2015年 9 月 24 日時点のオリジナル(PDF)からアーカイブ。2014年12 月 1 日閲覧。
- ^ Barbier, Geoffrey; Feng, Zhuo ; Gundecha, Pritam; Liu, Huan (2013). 「ソーシャルメディアにおける出所データ」。データマイニングと知識発見に関する統合講義。4 : 1–84。doi : 10.2200/S00496ED1V01Y201304DMK007。S2CID 46794494 。
- ^ Gundecha, Pritam; Feng, Zhuo; Liu, Huan (2013). 「ソーシャル メディアにおける情報の出所の調査」(PDF)。第 22 回 ACM 国際情報および知識管理会議の議事録。2016年 3 月 4 日時点のオリジナル(PDF)からアーカイブ。2014年12 月 1 日閲覧。
- ^ Gundecha, Pritam; Barbier, Geoffrey; Tang , Jiliang; Liu, Huan (2014). 「ソーシャル ネットワーキング サイトにおけるユーザーの脆弱性とその軽減」(PDF)。ACM Transactions on Knowledge Discovery from Data。9 (2): 1–25. doi :10.1145/2630421. S2CID 1200227. 2016 年 3 月 3 日時点の オリジナル(PDF)からアーカイブ。2014年12 月 1 日閲覧。
- ^ Marozzo, Fabrizio; Bessi, Alessandro (2018)、「政治キャンペーン中のソーシャルメディアユーザーとニュースサイトの分極化の分析」、Social Network Analysis and Mining、8 :1、doi :10.1007/s13278-017-0479-5、S2CID 21257844
外部リンク
- ザファラーニ、レザ。アッバシ、モハメド・アリ。およびリウ、フアン (2014)。ソーシャル メディア マイニング: 概要、ケンブリッジ大学出版局
- Barbier, Geoffrey; Feng, Zhuo ; Gundecha, Pritam; Liu, Huan (2013)。「ソーシャルメディアにおける出所データ」。データマイニングと知識発見に関する統合講義。4 : 1–84。doi : 10.2200/S00496ED1V01Y201304DMK007。S2CID 46794494 。