PROPAGAÇÃO DE INFLUÊNCIA EM REDES SOCIAIS

Transcrição

1 PROPAGAÇÃO DE INFLUÊNCIA EM REDES SOCIAIS Júlia Coelho Furlani Faculdade de Engenharia de Computação / CEATEC juliacfurlani@gmail.com Juan Manuel Adán Coello Grupo de Pesquisa em Sistemas Inteligentes CEATEC juan@puc-campinas.edu.br Resumo: A identificação de usuários que têm capacidade de influenciar os pares em redes sociais é um problema com aplicações em diversas áreas, por exemplo marketing e educação. Trata-se de um problema difícil sem o uso de métodos computacionais, dado o grande volume de dados produzido nessas mídias. Neste artigo, apresenta-se um algoritmo que tem como finalidade a identificação de usuários influentes na rede social Twitter a partir de duas perspectivas: polaridade e conexão. A polaridade considera a análise de sentimentos dos tuítes com o objetivo de identificar os usuários influentes que têm uma postura positiva ou negativa a respeito de determinado tópico. Já o parâmetro conexão mede a influência de um usuário a partir da sua relação com os demais usuários. A avaliação experimental realizada mostrou que o algoritmo apresenta boa precisão. Palavras-chave: Redes sociais, usuários influentes, Twitter, análise de sentimentos. Área do Conhecimento: Ciências Exatas e da Terra Ciência da computação. 1. INTRODUÇÃO As redes sociais estão cada vez mais presentes no cotidiano das pessoas e têm relação com diversos âmbitos de suas vidas, como por exemplo a socialização e o entretenimento. Nesse contexto, são utilizadas para que se expressem opiniões, possibilitando que se tornem potenciais alternativas às pesquisas tradicionais de opinião pública (especialistas processam manualmente os dados e então produzem relatórios que serão analisados) [1][2]. Todavia, uma enorme quantidade de mensagens é gerada diariamente. Além de ser impraticável a inspeção de todas elas (mesmo para um tópico específico), nem todos os comentários e usuários são merecedores de tal avaliação. Sob essas circunstâncias, um dos objetivos da tecnologia atualmente é conseguir minerar essas mensagens em tempo real e identificar o que as pessoas estão pensando. Por esta razão, é crucial encontrar os líderes de opinião, ou usuários influentes, que guiam as conversas positivas e negativas nas redes. Segundo [3], usuários influentes são definidos como "os indivíduos que são mais propensos a influenciar outras pessoas em seu ambiente imediato". Assumindo a existência destes indivíduos, foi proposta uma abordagem para encontrá-los em um cenário baseado em tópicos (por exemplo, um evento, um produto, uma pessoa, etc.). O Twitter, por ser uma das redes sociais de maior destaque na atualidade, foi o escolhido para ser o foco do trabalho relatado neste artigo. Os usuários desta rede social postam mensagens de até 140 caracteres, chamadas de status, ou tuítes. Um tuíte pode conter, além de texto, links para sites, fotos, vídeos e expressões seguidas do símbolo "#", mais conhecidas como hashtags. Um usuário pode também fazer um retuíte (replicar um tuíte de outro usuário). Devido ao pequeno tamanho dos tuítes e à facilidade de postar e ler mensagens de qualquer lugar, é muito fácil produzir e consumir conteúdo no Twitter. Cada usuário dessa rede possui uma página de perfil, que contém informações pessoais (nome, foto, etc.), dados quantitativos (o número de seguidores e o número de pessoas que o usuário segue) e a timeline (lista dos tuítes postados). Os dados quantitativos associados ao usuário e a sua timeline são usados no algoritmo descrito neste artigo para computar o parâmetro conexão, que será usado para estimar a influência do usuário. Em adição a esse parâmetro, será também utilizado um parâmetro denominado polaridade (baseado na análise de sentimentos), determinado utilizando o sistema Piegas [4]. Com isto, será possível identificar se um usuário tem uma postura positiva ou negativa a respeito de determinado tópico.

2 A abordagem utilizada no trabalho descrito neste artigo foi baseada no método proposto em [1], que identifica usuários influentes a partir de três métricas, ou perspectivas: polaridade, rede e qualidade. A perspectiva polaridade classifica os tuítes em positivos, negativos e neutros, com a finalidade de encontrar evangelistas e detratores (aqueles que se apresentam contra ou a favor do tópico). Já a perspectiva rede mede a relação entre um usuário e os usuários conectados a ele através de retuítes, respostas (replies) e menções (mentions). Por fim, o parâmetro qualidade é usado para identificar usuários cujos textos são bem escritos. Além da abordagem citada acima, existem outras maneiras de resolver o problema de identificar os nós influentes [5][6]. Uma delas é dividir a detecção de influência em três tópicos: número de seguidores que um determinado usuário possui, número de retuítes deste usuário e número de vezes que o usuário foi mencionado. Estes tópicos são analisados ao longo do tempo, a fim de verificar se os nós (usuários) conseguem manter uma influência significativa em vários tópicos diferentes e examinando a sua ascensão e queda. Um outro exemplo de abordagem é medir a influência baseando-se na habilidade do usuário de difundir conteúdos novos. Dado um caminho de propagação rastreado a partir do usuário que criou o conteúdo (URL) até o último usuário a receber o conteúdo, os usuários mais perto da origem do conteúdo são considerados os mais influentes. Os parâmetros usados para a realização destes cálculos são: número de seguidores, números e usuários que segue, número total de tuítes já postados pelo usuário e data que o usuário criou a conta no Twitter. O artigo está organizado da seguinte forma: na Seção 2 faz-se uma discussão sobre o processo de análise de sentimentos utilizada para determinar a métrica polaridade, dando destaque para o classificador utilizado com esse propósito; na Seção 3 discute-se a análise de dados quantitativos e dados da timeline de usuários que serão usados pelo algoritmo desenvolvido para calcular a métrica conexão; na Seção 4 apresentam-se os resultados de uma avaliação experimental do algoritmo em dois contextos diferentes; e, finalmente, na Seção 5 são apresentadas algumas considerações finais. 2. ANÁLISE DE SENTIMENTOS (POLARIDADE) Antes de qualquer análise, é necessário dar foco a um assunto específico. Por isso, logo que o sistema se inicia é solicitado que o usuário digite uma palavrachave. A partir dela, com a utilização da API do Twitter, é feita uma requisição de busca de tuítes. Interessam apenas tuítes que atendam às seguintes restrições: não conter links, já que estes frequentemente estão associados a notícias ou a spam; apenas em língua portuguesa; sem a inclusão de retuítes; não ser de autores que contenham no nome a palavra-chave que foi pesquisada. Com os tuítes devidamente coletados, o sistema Piegas foi utilizado para classificá-los em positivos, negativos e neutros. Neste sistema, antes de serem submetidos ao classificador Naive Bayes para determinação de sentimentos, os tuítes são préprocessados. Inicialmente, são removidas expressões que representam risadas e saudações (por exemplo: "haha" ou "boa tarde"), palavras sem valor sentimental, a palavra-chave, caracteres não alfanuméricos, números e nomes de autores. Feito isso, os caracteres repetidos presentes no texto são reduzidos a apenas um caractere, assim a expressão "ebaaa" passa a ser "eba". Em seguida, passam por um processo que retira as palavras irrelevantes para a análise (stop words), e se há palavras que expressam negação elas passam a ser tratadas juntamente com a palavra seguinte a elas (exemplo: "não gostei"). O sistema faz então a lematização de palavras, que as reduz ao seu radical, quando possível. Feito o pré-processamento, a análise de sentimentos é realizada utilizando um classificador Naive Bayes, previamente treinado utilizando duas listas, uma com exemplos de tuítes negativos e outra de tuítes positivos. Durante o treinamento, os exemplos em ambas listas passam por um processo de préprocessamento semelhante ao descrito anteriormente. Os tuítes coletados, devidamente tratados e categorizados, são armazenados em memória local, juntamente com os nomes dos seus autores. 3. ANÁLISE DE CONEXÃO Com a análise de sentimentos já concluída, é necessário realizar a análise de conexão. Como este parâmetro visa encontrar usuários influentes, o foco está nos autores dos tuítes que foram coletados e classificados. Tendo isso em vista, foram utilizadas duas métricas associadas aos tuítes e seus respectivos autores a fim de gerar um ranking dos usuários influentes: a quantidade de retuítes para cada tuíte (IRT - Índice de Retuítes), e a relação entre seguidores e seguidos

3 para cada usuário (denominada RSS - Relação entre Seguidores e Seguidos). A métrica IRT representa, para cada usuário, o número de vezes que o tuíte de sua autoria coletado foi replicado por outros usuários. A métrica RSS é calculada subtraindo a quantidade de usuários que seguem o usuário em questão (seguidores) pela quantidade de usuários que este usuário segue (seguidos). Assim, supõe-se que quanto maior o valor de RSS mais influente deva ser o autor. Se o RSS está próximo de zero, o autor apresenta reciprocidade em suas conexões, o que descreve o tipo mais comum de usuário. Finalmente, se RSS apresenta valores negativos, o autor será categorizado como spammer ou robô; aquele que segue mais usuários do que possui de seguidores. A RSS, portanto, valoriza autores que são muito seguidos, mas são seletivos no momento de seguir outros usuários. Além disso, pode ser utilizada para eliminar spammers, que são aqueles usuários que se encaixam na segunda ou terceira condição enunciadas no parágrafo anterior. Como tais usuários não são relevantes, e por consequência não influenciam outros usuários, eles são desconsiderados. Assim, é formada uma lista constituída por aqueles autores que possuem o resultado da RSS maior que zero. IRT e RSS serão então normalizadas linearmente para que se situem em uma escala de [0,1]. Mas antes, são identificados os outliers, ou seja, aqueles valores atípicos que apresentam um grande afastamento dos demais valores da série. Os outliers são deixados de lado e não participam da normalização. A normalização é realizada nos valores de ambas as métricas, assim cada autor passa a possui duas notas diferentes de 0 a 1. Do ponto de vista da detecção de influência, o autor mais influente numa base de dados, seria aquele com as maiores notas para ambas métricas, IRT e RSS. Por esta razão, a nota de conexão, que mede a influência de um usuário é dada pela média aritmética dessas métricas. Por exemplo: se um autor possui como notas 0,125 de RSS e 0,68 de retuítes, sua nota final de conexão será 0,4025. Feito isso, os autores foram organizados em ordem crescente de acordo com sua respectiva nota final. Apesar dos outliers que se destacaram por possuir um valor muito grande terem sidos excluídos da normalização, eles, em geral, são os autores mais relevantes. Por isso, são incluídos de volta na lista, recebendo como nota final 1,0. Já os outliers destacados por possuírem valares muito baixos para as métricas IRT e RSS, continuam excluídos. O último passo é refinar a lista. Para isso, é feita a média das notas de conexão de todos os autores presentes na lista. Os autores com nota de conexão maior que essa média multiplicada por 1,5 serão apresentados como os mais influentes. O ranking final é formado pelos autores selecionados no passo citado acima, juntamente com a indicação do sentimento associado ao de sua autoria coletado. Assim é possível saber se o autor influente é um evangelista, que propaga uma opinião positiva ou neutra sobre o assunto escolhido, ou um detrator, que propaga uma opinião negativa. 4. AVALIAÇÃO EXPERIMENTAL Nesta seção descreve-se a avaliação experimental conduzida para avaliar o algoritmo descrito nas seções anteriores. Para começar, foram escolhidos dois tópicos diferentes, que produziram duas coleções de tuítes a ser analisados. O primeiro tópico escolhido foi uma marca de refrigerante e o segundo uma marca de eletrodomésticos, tendo sido foram coletados 100 tuítes de cada tópico. Esta coleta para foi realizada em 15/7/2015. Como base de comparação, primeiramente, os tuítes de ambos assuntos foram avaliados manualmente por duas pessoas. Em caso de divergência o resultado foi revisado pelo primeiro autor deste artigo. A partir disso, uma lista de usuários influentes foi criada. Foram considerados influentes os usuários que produzem conteúdo muito difundido e cuja opinião sobre o tópico escolhido era relevante, na perspectiva dos avaliadores. Para a coleção de tuítes do refrigerante, os avaliadores identificaram 16 usuários influentes, entre eles 6 detratores e 10 evangelistas. Para a coleção de tweets do eletrodoméstico foram identificados 12 usuários influentes entre eles, 7 detratores e 5 evangelistas. Já o algoritmo apresentado por este artigo identificou 15 usuários influentes para a marca de refrigerante, entre eles 5 detratores e 10 evangelistas, e 9 usuários influentes para a marca de eletrodomésticos, entre eles 6 detratores e 3 evangelistas. Observando estes dados, fica claro que a marca de refrigerante, em ambas avaliações, possui mais usuários evangelistas, ou seja, aqueles com uma opinião neutra ou positiva. Em análise mais minuciosa, foi possível perceber que a maioria dos

4 evangelistas teve opinião neutra, e não positiva. Enquanto isso, foi possível perceber que a maioria dos tuítes relacionados aos eletrodomésticos foram negativos. Conforme [1], estes resultados podem ser explicados pelas características dos produtos. Marcas de refrigerantes estão mais presentes no cotidiano das pessoas do que marcas de eletrodoméstico. Significando que o refrigerante pode ser citado em tuítes que não falam ou apresentam opiniões especificamente sobre a marca. Isso não acontece frequentemente com tuítes sobre eletrodomésticos, e, por expressarem opiniões, eles tendem a ser mais polarizados. A fim de avaliar as listas de usuários produzida pelo algoritmo proposto por este artigo, foram empregadas as métricas precisão (precision) e cobertura (recall), que foram ajustadas ao contexto de detectar usuários influentes, calculadas conforme expresso pelas equações (1) e (2). Foram feitas avaliações visando ambos objetivos. Os resultados são apresentados nas figuras 1 e 2. Figura 1. Medida-F, precisão e cobertura para marca de eletrodoméstico precisão = nir/nr (1) cobertura = nir/nit (2) Nas equações (1) e (2), nr indica o número de usuários apresentados pelo algoritmo no ranking de influentes; nir, corresponde ao número de usuários "realmente" influentes (conforme classificação manual previamente realizada) que são mostrados na lista de usuários relevantes; e por fim, nit, é o número total de usuários influentes existentes na coleção de tuítes sendo analisada. Tendo a precisão e cobertura como base, é calculada a medida-f para os conjuntos de tuítes sobre a marca de refrigerante e sobre a marca de eletrodoméstico. Essa medida pode é uma média ponderada entre a precisão e a cobertura e é definida pela Equação (3). = 1+ ã ã + 3 Nota-se na Equação (3), que além de precisão e cobertura, há outro parâmetro, que é representado por β. Trata-se de uma constante que pode ter seu valor alterado dependendo dos objetivos da avaliação. Se é desejado dar maior peso à cobertura, então β pode, por exemplo, ter valor 2. Caso contrário, para aumentar o peso da precisão, β recebe, por exemplo, o valor 0,5. Figura 2. Medida-F, precisão e cobertura para marca de refrigerante Nota-se mas figuras 1 e 2 que a precisão é, em ambos casos, maior do que a cobertura. Esse resultado é positivo, já que a precisão é a medida usualmente mais valorizada pois indica se a lista gerada pelo algoritmo contém os usuários realmente influentes. Além disso, como já era esperado, quando é dado mais peso à métrica cobertura, por esta apresentar valores menores que a precisão, a medida-f diminui. 5. CONSIDERAÇÕES FINAIS O objetivo do plano de trabalho detalhado neste artigo consistia em estudar, implementar e avaliar o desempenho de algoritmos para a determinação dos nós mais influentes de uma mídia social escolhida, que no caso foi o Twitter. Para atingir o objetivo, foi desenvolvido um algoritmo que analisa o comportamento dos usuários, através de suas conexões, com a finalidade de determinar a sua influência, assim como a polaridade das suas mensagens para separar os usuários evangelistas (promotores) dos detratores. Nos experimentos realizados, verificou-se que o algoritmo apresenta precisão elevada, maior que a

5 cobertura, o que é desejável, pois indica que embora não seja capaz de recuperar todos os usuários influentes, os que são apresentados são, em sua maioria, realmente influentes. Pretende-se, dar continuidade ao trabalho, aprimorando o algoritmo apresentado por este artigo e, também, realizando novos experimentos, com volumes maiores de dados, para melhor conhecer o seu comportamento. AGRADECIMENTOS À FAPIC/Reitoria pela bolsa de iniciação científica, à PUC-Campinas pelas instalações que permitiram o desenvolvimento deste artigo e as reuniões realizadas, e ao Prof. Dr. Juan Manuel Adán Coello pela orientação e motivação e pelo convite para a participar no trabalho de IC que me permitiu adquirir novos conhecimentos na área de computação. REFERÊNCIAS [1] N. Agarwal, H. Liu, L. Tang, and S. Y. Philip, Modeling blogger influence in a community, Social Network Analysis and Mining, vol. 2, no. 2, pp , [2] P. Gundecha and H. Liu, Mining Social Media: A Brief Introduction, Tutorials in Operations Research, vol. 1, no. 4, [3] C. Bigonha, T. Cardoso, M. Moro, M. Gonçalves, and V. Almeida, Sentiment-based influence detection on Twitter, Journal of the Brazilian Computer Society, vol. 18, no. 3, pp , [4] P. Grandin. "PIEGAS: Um sistema para a avaliação de tuítes em língua portuguesa através da análise de sentimentos". Trabalho de Conclusão de Curso. Faculdade de Engenharia de Computação. PUC-Campinas [5] F. Bonchi, Influence Propagation in Social Networks: A Data Mining Perspective., IEEE Intelligent Informatics Bulletin, vol. 12, no. 1, pp. 8 16, [6] A. Leavitt A, E. Burchard, D. Fisher and S. Gilbert S (2009) The influentials: new approaches for analyzing influence on Twitter. Web Ecology Project, 4(2), 1 18.