■

Prominent Features of Rumor Propagation in Online Social Media
Sejeong. Kwon, Meeyoung Cha, Kyomin Jung, Wei Chen, and Yajun Wang
ICDM '2013 (2013), pp. 1103–1108.

rumorとnon-rumorの特徴を，temporal, structural, linguisticな特徴から分類した．temporalな結果を反映した時系列モデル，PESモデルを構築した．そして，このモデルと特徴からならる噂の分類器で，従来よりも高精度で噂を分類することに成功した．
小数サンプルでCase studyになりがちな噂の研究に対して，100以上のサンプルを集めてきている．
70と60のそれぞれrumorとnon-rumorのサンプルを集めてきて，さらに人力で4名を使って多数決で一致する場合のみ，rumorとnon-rumorへ最終的に分類している点は偉い．また，何よりもまとめ方がうまい．

Temporal propertiesに対しては，non-rumorは大きなピークが一度だけあるのに対して，rumorはわりとギザギザして揺らぎが大きいのが興味深い(Fig.1)．
彼らの時系列モデル，PESモデルは以下のように項を付け加えることで構築．
[1] SIモデル：ベースとなる感染症のモデル
[2] SpikeM model by Matsubara et al. ：SIモデルに(a) a power-law decay term(1.5乗のベキで感染力が弱まって行く効果)と(b)periodic interaction function(日中の方がユーザ間で会話が多い効果)を加えた
[3] Periodic External Shock (PEF)model：SpikeMに外的な効果(強さ，周期性)を入れた
#どんどん拡張するから，パラメータ大杉．また，power-law decayの根拠は何なのか気になった．Sornetteの講演でもpower-law decayを自然なものとして受け入れていたが，自然な減衰であればexponentialであるべきだと思うのだが・・・

Structural propertiesは，ノードはユーザだが，リンクはリツイートではなく，follow-follower関係から構築．もしBがAをフォローしていて，Bのツイート内容が過去にAが言及していた内容であれば，リンクができるネットワーク．rumorの方が散発的(singleton)で，non-rumorの方が大きなクラスターができやすいようだ．(Fig.2)また，低次数ノードから，高次数ノードへと拡散がおこることもrumorの特徴としてあった．
#過去をさかのぼる時間窓の大きさに関しては言及なし．結果には関係ないのだろうか．ともあれ，こんなことができるデータを大量に集められたことが偉大．

Linguistic propertiesは，LIWC(有償ソフトウェアで，Twitterを使ったP/N概日周期のScience論文にも使われていたやつ)を使って単語をクラスターしたらしい．P/Nだけではなく，social, affective, cognitive, perceptual, and biological processesの５つの主分類へとできるらしい．が，そのsentimentに関する部分は結果には反映されていない様子．結果としてはrumorにはnegativeな単語が多いよということ．例えば，no, never, but, without．他にも曖昧な表現perhaps, guessも含まれる．(Table 4)

時間窓とか細かいことはさておき，古めの心理学の文献も多く引用されているし，結果も大きく３つ．それを分類器に反映してこれまでよりも高精度でましたと，単純明快で爽快な読み応えの論文だった．いいところは見習おう．