SNSの盛衰を理解するための 感染的に回復するSIRモデルをいた アプローチ 都学東京 中萌奈 会雅樹 川島幸之助 1
SNSの盛衰を理解するための感染的に回復するSIRモデルを⽤用いた
アプローチ
⾸首都⼤大学東京 ⽥田中萌奈 会⽥田雅樹 川島幸之助
1
2
研究背景
Google Trendsから得られるSNS(MySpace)に関する 検索数のデータを⽤用いて,サービスの盛衰を調べる事で 他のSNSの盛衰の予測に応⽤用できないか?
• ソーシャルネットワーキングサービス(SNS) インターネット上の交流を通して社会ネットワークを 構築するサービス
代表的なサービスにfacebookやtwitter• Google Trends
特定のキーワードの検索件数の増減を時間的な推移で 確認できるサービス
検索数が最⼤大の時を100とし0~100のスケールで表⽰示
[1] J. Cannarella and J. A. Spechler : Epidemiological modeling of online social network dynamics, arXiv:1401.4208 [cs.SI]. 参考⽂文献
3
SIRモデル
€
ddtS(t) = − βS(t)I(t)
NddtI(t) = βS(t)I(t)
N− γI(t)
ddtR(t) = γI(t)
€
I
€
S
€
R
€
β
€
γ
感染 免疫獲得
€
β :γ :S(t) + I(t) + R(t) = N
感染率
隔離率
S: 感受性⼈人⼝口(健康な⼈人) I: 感染⼈人⼝口(感染者) R: 隔離⼈人⼝口(免疫獲得者)
• SIRモデル(感染病の流⾏行行過程を記述したモデル)
感受性⼈人⼝口は感染⼈人⼝口との 接触により感染
感染⼈人⼝口は⼀一定の率で隔離⼈人⼝口に移る
⾮非ユーザーは友達がユーザーになることにより⾃自分もユーザーへ
アクティブユーザーは⼀一定の率でノンアクティブユーザーへ
S: ⾮非ユーザー I: アクティブユーザー R:ノンアクティブユーザー
先⾏行行研究
※アクティブユーザー = Google Trends のデータで表される検索者(話題にする者) ※ノンアクティブユーザー = 知っていて検索しない者(話題にしない者)
Susceptible Infected Recovered
4
irSIRモデル
€
ddtS(t) = − βS(t)I(t)
NddtI(t) = βS(t)I(t)
N−vI(t)R(t)
NddtR(t) = vI(t)R(t)
N
友達が興味をなくせば,⾃自分もなくなる I→Rの遷移は次に流⾏行行するサービスの利⽤用者からの誘い(接触)による ユーザーが興味をなくす=他サービスのユーザーとなる
€
I
€
R免疫獲得
€
I
€
S
€
R
€
β
€
ν
感染 免疫獲得
サービスA サービスB 重なる
先⾏行行研究
5
MySpace
• MySpace ⾳音楽,エンターテイメントを中⼼心としたSNS
英語圏ではfacebookに抜かれるまで最⼤大規模
MySpaceのデータを SIRモデルおよび irSIRモデル(ir=infectious recovery)に当てはめる
先⾏行行研究
0.0494 0.0179 354 1.49 0 17451
6
Myspace
SIRモデル irSIRモデル
実データと各モデルの挙動との誤差(残差平⽅方和SSE)が 最⼩小になるときのパラメータ を検出
€
β,γ (ν ),S0,I0,R0
0.0589 0.0276 93.2 0.0998 0.567
irSIRモデルがよりSNSの盛衰の動きに適している
€
β
€
ν
€
S0
€
SSE
€
I0
€
R0
€
β
€
γ
€
S0
€
SSE
€
I0
€
R04375.9
先⾏行行研究
€
I
€
S
€
R
€
β
€
γ
感染 免疫獲得
€
I
€
R免疫獲得
€
I
€
S
€
R
€
β
€
ν
感染 免疫獲得
7
facebook予測
2014年1⽉月4⽇日までのデータを⽤用いると2015年から2017年の間にピークの20%以下まで衰退
• facebook予測
先⾏行行研究
but
少しのデータの違いで予測に影響 facebookはメッセンジャーアプリなどの連携があり利便性が⾼高く,早急な衰退は考えづらい
• MySpaceで予測の正確性を調査
7
facebookの予測は正確性に⽋欠ける.正確性のある予測を⽬目指し,単純に衰退しなかったSNSの推移を分析することで予測の⽅方法を⾒見見いだす
8
mixi
2004年にサービス開始し⽇日本最⼤大規模(2011年頃)のSNS
近年ユーザー達はfacebookやtwiHerへ移⾏行行 • Google Trends mixi data
ピークを過ぎた後,再び 盛りあがりと衰退を繰り返す
新機能やサービスの追加が⼀一因である
07-‐6-‐26:mixiモバイルで 天気ニュース配信
mixiは単純に衰退しなかったようなデータを持つ
①
②③
④⑤⑥
9
mixiの盛衰を記述するモデル
再び盛り返すポイント①~⑥を指定
€
I
€
R免疫獲得
€
I
€
S
€
R
€
β
€
ν
感染 免疫獲得
€
I + n
€
R − n
€
I
€
Rn⼈人戻す • てこ⼊入れ時
€
S
€
β
€
ν
盛り返す効果を考慮した評価モデルの概要 盛り返す=てこ⼊入れ がある時にR→Iに n ⼈人戻すことで表す irSIRモデルのその他のパラメータについては
• 変更しない(案1) • 変更するが必要最⼩小限(案2)
10
案1(irSIRモデルのパラメータ不変)評価結果
初期の区間でのβ,νを⽤用いると直後のポイント間のデータを除き irSIRモデルとの挙動に合わない
i i+1
11
案2(irSIRモデルのパラメータを変える)の⽅方針
i番⽬目の盛り返す点(現時点)と次のi+1番⽬目に盛り返す点に挟まれた領域に注⽬目 初期時点(2004/01) から現時点(i番⽬目に盛り返す点)までの挙動を単⼀一のirSIRモデルでパラメータ推定する. その時のパラメータを⽤用いてi番⽬目とi+1番⽬目の間の曲線に合うように,RからIに戻す⼈人数nを決める.
• ⽅方法2
12
案2(irSIRモデルのパラメータを変える)の⼿手順
⻘青:irSIRモデルのパラメータを決めるための曲線 ⾚赤:予測された曲線
⻘青で求められたパラメータで⾚赤の予測
13
案2(irSIRモデルのパラメータを変える)の⼿手順
ある時点まで分かっているデータまでをirSIRモデルにフィッティング させる.そこで求められたパラメータでその後の予測が可能.
14
まとめと今後
正確な予測を⽬目指しmixiのデータを⽤用いて再び盛り返す際のデータの傾向を調査
SNSにおいて興味をなくしたユーザーを取り戻すために新機能やサービスなどを追加すると想定しその効果を考慮して予測する
盛り返す際にRからIに戻す量nは,その時点の「てこ⼊入れの効果」を表す
「てこ⼊入れの効果」がその後に及ぼす影響は,現時点で明らかになっているデータから予測できる
てこ⼊入れがサービスの減衰を遅らせている
facebookを新たに予測し mixiとfacebookの移り変わりの関係について調べる
• 今後
• まとめ
15
ご清聴ありがとうございました