Predicting the Demographics of Twitter Users from Website Traffic Data

Transcrição

1 Predicting the Demographics of Twitter Users from Website Traffic Data Aluno: Jhonata Emerick Ramos Seminário da Disciplina de Inteligência Artificial Maio/2016 1

2 Conteúdo 1. Objetivos Dados Análises Resultados Conclusão

3 Motivo da escolha Contextualizando a escolha desse artigo: a. Mídias sociais são cada vez mais utilizadas para fazer inferências sobre o mundo real b. Aplicações em: a. Política (O Connor et al. 2010) b. Saúde (Dredze 2012) c. Marketing (Gopinath,Thomas, and Krishnamurthi 2014)

4 Objetivo do artigo Utiliza um modelo de regressão para prever seis variáveis demográficas (sexo, idade, etnia, educação, renda e se possui filhos) de um conjunto de usuários do twitter com base em quem eles seguem na rede social. Desenvolve-se um modelo de regressão entre um conjunto de usuários do twitter e seu perfil demográfico esperado. Principais diferenciais do presente trabalho: a. A utilização de dados de tráfego web como uma forma de supervisão fraca e o uso de informações do seguidor (twitter) como a principal fonte de evidências. b. Propõe um conjunto maior de variáveis demográficas quando comparado a trabalhos anteriores

5 Dados Quantcast é uma empresa de medição de audiência que rastreia os dados demográficos dos visitantes para milhões de sites. Amostra de websites, para esses sites obtivemos estatísticas para seguintes variáveis: Twitter Foram localizadas contas no Twitter a partir do conjunto original de sites. Para cada uma das contas selecionou-se uma amostra de 120 seguidores Para cada seguidor, selecionou-se até contas que eles seguem. Portanto, para cada conta original do Quantcast temos até 600k contas adicionais. Essas contas são chamadas de vizinhos. Cada variável representa a porcentagem estimada de visitantes com um determinada característica demográfica Para cada uma das contas originais, calculamos a fração de seus seguidores que são amigos com cada um dos seus vizinhos e armazenamos isso em um vetor de vizinhos. Um pressuposto deste trabalho é que os perfis demográficos de seguidores de um site no Twitter são correlacionados com os perfis demográficos de visitantes no próprio site.

6 Dados Exemplos: Assim, lifehacker é mais próximo de C em comparação a D

7 Análise Para cada site, emparelha-se as variáveis demográficas com seu vetor vizinho para se modelar a regressão O objetivo da regressão é prever o perfil demográfico dos seguidores de uma conta no Twitter com base nos amigos desses seguidores. Três modelos de regressão foram testados, sendo o multi-task elastic net o que obtém maior correlação com os dados demográficos originais.

8 Resultados da regressão Correlação média forte: 0.77 Variação da correlação de 0.55 até 0.89 Os resultados sugerem que o vetor vizinho de uma conta é altamente preditiva em relação aos dados demográficos de seus seguidores.

9 Resultados da regressão Contas com os 5 maiores coeficientes por classe de acordo com o modelo de regressão Muitos resultados que correspondem a estereótipos comuns

10 Classificação Validação adicional utilizando dados obtidos manualmente no nível usuário Foco em duas variáveis que são mais confiáveis de se obter individualmente: etnia e sexo. Sexo: o modelo de regressão supera a abordagem de classificação. Etnia: A regressão supera a classificação até metade dos dados utilizados para o treinamento, em seguida a abordagem de classificação domina.

11 Conclusão Informações sobre os seguidores no twitter fornecem uma forte fonte de informação para a realização de inferência sobre variáveis demográficas Maneira simples e eficaz para treinar um modelo de inferência de dados demográficos sem qualquer informação de perfis individuais Validamos esta abordagem tanto no agregado (por comparação com os dados Quantcast) e no nível individual (por comparação com os dados rotulados de sexo e etnia), encontrando alta precisão em ambos os casos