POLITECNICO DI MILANO

Transcript

1 POLITECNICO DI MILANO FACOLTÀ DI INGEGNERIA DELL INFORMAZIONE Corso di Laurea Specialistica in Ingegneria Informatica METODOLOGIA PER L AGGIORNAMENTO CONTINUO DI UNA RETE SEMANTICA ORIENTATA ALLA SENTIMENT ANALYSIS NEI SOCIAL MEDIA Relatore: Chiar.ma Prof.ssa Chiara FRANCALANCI Correlatore: Dott. Ing. Donato BARBAGALLO Tesi di Laurea di: Daniele GARBUGLI Matr Anno Accademico

2 Daniele Garbugli METODOLOGIA PER L AGGIORNAMENTO CONTINUO DI UNA RETE SEMANTICA ORIENTATA ALLA SENTIMENT ANALYSIS NEI SOCIAL MEDIA Tesi di laurea magistrale Milano, Marzo 2011 Relatore: Prof.ssa Chiara FRANCALANCI Correlatore: Dr. Donato BARBAGALLO i

3 Abstract Blogs, forums and social networks are by now a widespread reality in the Internet world. Tens of millions of users use these tools to express their opinions and feelings, producing huge volumes of non-structured textual data. These data represent a priceless source of value for anyone that would like to know the Web reputation for a brand of any type, from products to services, from cities to people. We need sophisticated applications of Natural Language Processing to be able to deduce useful information from the huge amount of raw data; one of them is Sentiment Analysis that recognizes positive or negative sentiment enclosed in a message written in natural language. Moreover, the identification of the sentiment polarity in a document has to be associated to the ability of understanding to which components and qualities of the subject we could assign the judgment expressed by the author. An effective analysis of Web reputation of a brand requires the tool of sentiment analysis to be able to understand users average judgment about the different features that describe the brand and that in the whole form an attractivity model. This thesis deals with the problem of outlining a methodology to define the attractivity model of a brand; we want the model to respect requirements of completeness and accuracy and to be always updated, consistent with its dynamism and the dynamism of the domain it belongs to. The identification of the brand's features requires both a deep knowledge of the domain by an expert and the automatic work performed by the tool which, starting from volume of speech, has to extract new brand's ii

4 Abstract features and suggest to the user their positioning in the model in order to enhance future analysis. These two tasks are peculiar also to another kind of analysis that is dealt with in this thesis, that is the topic trend detection; it consists of two steps: first of all the detection of words that have recently shown a burst, than the attempt at proposing to the user the interpretation of the argument which hides behind these words and the event that could have generate the burst. This research work aims also to define some tools that help the user to understand these kind of information. iii

5 Sommario Blog, forum e social network sono ormai da anni una realtà consolidata del mondo Internet. Decine di milioni di utenti utilizzano questi strumenti per esprimere le proprie opinioni e le proprie sensazioni, producendo imponenti volumi di dati testuali non strutturate. Questi dati rappresentano una fonte inestimabile di valore per chiunque voglia conoscere la reputazione online di un brand di qualunque natura, dai prodotti ai servizi, dalle città alle persone. Per riuscire a ricavare informazioni utili dall enorme mole di dati servono sofisticate applicazioni di Natural Language Processing: una su tette la Sentiment Analysis, che ha come obiettivo il riconoscimento della positività o negatività (sentiment) racchiusi in un messaggio scritto in linguaggio naturale. Il riconoscimento della polarità del sentiment in un documento deve inoltre essere accompagnato dalla capacità di comprendere a quale soggetto tale sentiment va attribuito. E ancora più interessante sarebbe riuscire a capire a quali componenti e qualità del soggetto si può attribuire il giudizio espresso dall autore. Un efficace analisi della Web reputation di un brand richiede che il tool di sentiment analysis riesca a comprendere il giudizio medio degli utenti sulle varie caratteristiche che descrivono il brand e che nel loro complesso formano il suo modello di attrattività. Scopo di questa tesi è di tracciare una metodologia per definire il modello di attrattività di un brand; si vuole che tale modello rispetti i requisiti di completezza e correttezza e che sia sempre aggiornato, in linea con la dinamicità sua e del dominio in cui si colloca. Il riconoscimento delle caratteristiche del brand richiede sia la conoscenza di dominio di un esperto, sia il lavoro automatico del tool che, iv

6 Sommario partendo dai volumi di parlato, deve riconoscere nuove feature del brand e suggerire all utente la collocazione nel modello per migliorare le analisi successive. Questi due task sono propri anche di un altro tipo di analisi che è oggetto di studio in questa tesi, ovvero la topic trend detection; essa consiste di due fasi: prima il rilevamento di parole che recentemente hanno evidenziato un picco di occorrenze, poi il tentativo di suggerire all utente una chiave di lettura per comprendere l argomento che si cela dietro queste parole e l evento che ha scatenato il picco. Questo lavoro di tesi intende anche definire una serie di strumenti che facilitino questo tipo di comprensione all utente. v

7 Ringraziamenti Milano, Marzo 2011 Daniele Garbugli vi

8 Indice Abstract...ii Sommario... iv Ringraziamenti... vi Indice... vii Lista delle Figure... x Lista delle Tabelle... xiii Capitolo 1 Introduzione... 1 Capitolo 2 Stato dell arte La modellazione di dominio Il concetto di modello e di dominio La costruzione del modello L analisi di frequenza Tool di mercato La categorizzazione Definizione del problema Approcci risolutivi Capitolo 3 Il progetto La sentiment analysis Tool di mercato Il progetto: obiettivi, funzionalità e innovazione Analisi degli influencer Analisi dei trend Gestione delle crisi L interfaccia mashup L approccio alla data quality vii

9 Indice Capitolo 4 Studio di fattibilità per un progetto di sentiment analysis Analisi dei costi Analisi manuale del sentiment Analisi automatica del sentiment Analisi a confronto Conclusioni Capitolo 5 Metodologia di definizione e raffinamento del modello Vocabolario Terminologia dell analista Terminologia del progettista Metodologia di definizione del modello Definizione di categorie, sottocategorie e qualità Creazione di elenchi di tag per la rete semantica Importazione massiva di tag nella rete semantica La scelta di tag identificatori Analisi del rumore Crawling: ricerca di post tramite keywords Word Sense Disambiguation Categorizzazione di post Analisi di copertura Ricerca semiautomatica di nuovi tag Analisi ciclica Capitolo 6 Revisione del modello e analisi dei topic trend Le tipologie di parole da analizzare La selezione di tag candidati: l analisi di frequenza La metrica I parametri Clustering per tipologia di parola viii

10 Indice 6.3 Algoritmi di categorizzazione di tag Analisi a livello di post Analisi a livello di n-grammi Schema complessivo Analisi dei trend Clustering Mashup con servizi esterni Funzionalità per l utente Proposta di mockup dell interfaccia grafica Capitolo 7 Test e risultati Test sull analisi di frequenza: il caso del vulcano Il dataset Il test I risultati Conclusioni Test sulla categorizzazione di tag: il caso del vulcano Analisi a livello di post Analisi a livello di n-grammi Conclusioni Test congiunti per la topic trend detection Il dataset Il test I risultati Conclusioni Capitolo 8 Conclusioni e sviluppi futuri Bibliografia ix

11 Lista delle Figure Figura 2.1: Tag cloud dal sito in data 12 febbraio Figura 2.2: Passi dell algoritmo di hot topic detection proposto da Bai et al. [7] Figura 2.3: Curva di popolarità per le keyowrd Saddam Hussein. Saddam fu incarcerato il 5 Novembre 2006 e fu giustiziato il 30 Dicembre Le regioni evidenziate in rosso indicano un burst Figura 2.4: Interfaccia grafica del tool GTD Explorer Figura 3.1: Diverse forme di visualizzazione dei risultati dell analisi del sentiment del tool Sysomos Figura 3.2: Ricerca di UCG con filtro sul sentiment dei risultati su Liquida Figura 3.3: Metodologia di Blogmeter per l analisi del passaparola online Figura 3.4: Metodologia di Blogmeter per l analisi del passaparola online Figura 3.5: Screenshot dell interfaccia mashup di WISPO Figura 3.6: Architettura del modulo di clear ing e pruning di WISPO Figura 3.7: Architettura complessiva di WISPO Figura 4.1: Confronto fra le curve di cost della soluzione manuale e automatica per un progetto di sentiment analysis Figura 5.1: Relazione fra le entità gestite dall analista Figura 5.2: Workflow della metodologia di definizione del modello di attrattività Figura 5.3: Esempio di calcolo del rapporto segnale-rumore (SNR) Figura 5.4: Esempio di copertura di un modello x

12 Lista delle Figure Figura 6.1: Casistiche di caratterizzazione di una parola della Bag Of Word Figura 6.2: Relazione fra le tipologie di tag Figura 6.3: Finestre temporali per la metrica Frequency Burst Figura 6.4: Grafico dell andamento del fattore di crescita F al variare del fattore di regolarizzazione c e al crescere della frequenza P del tag nella finestra piccola Figura 6.5: Clustering deile parole della Bag Of Word Figura 6.6: Schema generale di funzionamento della categorizzazione basata su n-grammi Figura 6.7: Relazione della rete semantica sfruttate per ricavare il set di keyword che descrivono un tag Figura 6.8: Categorie allo stesso livello e insieme delle keyword che le descrivono Figura 6.9: Dal tag candidato alla relativa BOW con frequenze Figura 6.10: Struttura dell impianto definito da Chidamber e Kemerer Figura 6.11: Possibile conseguenza della non monotonicità della metrica Figura 6.12: Schema riassuntivo dell attività per l aggiornamento e il raffinamento del modello Figura 6.13: Esempio di schermata di Klout Figura 6.14: Proposta di mockup dell interfaccia grafica per il tool di topic trend detection di WISPO Figura 7.1: Distribuzione dei tweet del dataset dal 12 al 16 aprile Figura 7.2: Andamento del fattore di crescita del burst al crescere della frequenza del tag nella finestra piccola, fissato c=3 (fattore di regolarizzazione) e valore della metrica a 0, Figura 7.3: Distribuzione temporale della parola volcano nei post tra il 14 e il 16 aprile xi

13 Lista delle Figure Figura 7.4: Grafico dei risultati del test di categorizzazione con analisi a livello di post Figura 7.5: Grafici dei risultati dell analisi di frequenza basata su n- grammi, per n crescente e per le quattro metriche M1, M2, M3, M4. L ultima colonna rappresenta la categoria Services&Transport Figura 7.6: Rappresentazione più immediata dei risultati dei 16 grafici. Il nero indica la vittoria della categoria services&transport, il grigio denota non una vittoria ma quasi un pari merito con la categoria vincente e il bianco simboleggia la sconfitta della categoria corretta xii

14 Lista delle Tabelle Tabella 2.1: Alcuni siti Internet che utilizzano i tag per gestire i loro item Tabella 2.2: Alcuni siti Internet che utilizzano i tag per gestire i loro item Tabella 2.3: riassunto dei metodi per problemi di classificazione con machine learning semi-supervisionato Tabella 2.4: Riassunto dell indagine sui metodi di machine learning e classificazione non supervisionata o che utilizza altre sorgenti di conoscenza oltre all eventuale corpus già etichettato Tabella 3.1: Confronto fra le performance di alcuni tool di sentiment analysis Tabella 6.1: Applicazione dei viewpoint alle metriche Tabella 6.2: Resoconto delle proprietà di validazione sulla metrica M Tabella 7.1: Risultati dell analisi di frequenza sul caso di studio del vulcano Tabella 7.2: Risultati del test di categorizzazione con analisi a livello di post Tabella 7.3: Numero di keyword per ogni categoria di primo livello del modello Tabella 7.4: Numero di keyword per ogni categoria di primo livello del modello Tabella 7.5: Valutazione soggettiva sull utilità dei tre servizi per la comprensione dei topic trend xiii

15 Capitolo 1 Introduzione Il Web2.0 è una tecnologia abilitante per molte applicazioni che prima non erano possibili; applicazioni che se da un lato offrono nuove opportunità, dall altro lanciano nuove sfide da affrontare. Uno degli elementi caratterizzanti il Web2.0 è la miriade di informazioni che gli utenti di Internet spontaneamente condividono in blog, forum, siti di review e social network: sono i cosiddetti User Generated Contents (UGC). Si tratta spesso di esperienze, sensazioni e opinioni personali in merito ad un particolare soggetto; queste nel loro complesso, oltre a rappresentare un ampio campione statistico di giudizi sul soggetto, sono anche le stesse informazioni che andranno a influenzare gli altri naviganti, secondo le dinamiche tipiche del passaparola. Per questi motivi molte aziende ed enti stanno decidendo sempre più spesso di affidarsi ad applicazioni di sentiment analysis per monitorare la reputazione online di cui gode il loro brand, in alternativa ai tradizionali sondaggi dispendiosi in termini di tempi e costi. Conoscere il giudizio della gente su un brand è il primo passo per raggiungere la consapevolezza degli ambiti in cui esso è forte e su quali invece necessita di miglioramenti; è il punto di partenza per un adeguata politica di marketing, inteso nel senso più ampio del termine, spaziando dal marketing di prodotto, allo sviluppo del settore turistico, fino alla promozione dell immagine della persona. La social media intelligence offre gli strumenti per leggere le informazioni strutturate e non strutturate che Internet mette a disposizione, al fine di 1

16 Capitolo 1. Introduzione analizzare un brand in tutte le sue sfaccettature, confrontarlo con i competitor e adottare appropriate operazioni di marketing. Il passo preliminare all analisi è la definizione del modello di attrattività del brand, ovvero un astrazione dal dominio a cui il brand appartiene per estrarre le caratteristiche su cui si desidera conoscere il sentiment. Primo obiettivo di questo lavoro di tesi è delineare una metodologia per costruire il modello del brand e tenerlo aggiornato nel tempo in un ottica di apprendimento continuo sul dominio; parallelamente al modello va anche tenuta aggiornata la conoscenza di base utilizzata dal tool di sentiment analysis (nella fattispecie una rete semantica) per comprendere i testi in linguaggio naturale che racchiudono il sentiment. L intenzione è quella di garantire un giusto bilanciamento fra lavoro automatico del tool e contributo manuale dell uomo, ovvero un compromesso fra rapidità e correttezza dell analisi. Saranno trattati nel dettaglio due aspetti chiave della metodologia. Prima l analisi di frequenza, attraverso cui riconoscere direttamente dai volumi di parlato nuove feature che potrebbero essere unite al modello. Poi dei metodi di categorizzazione, che permettano di suggerire all utente la miglior collocazione delle feature nel modello. Il riconoscimento di nuove feature rilevanti avviene tramite un analisi dei topic trend, ovvero gli argomenti di discussione più in voga del momento nella blogsfera. Questo tipo di analisi, nota come topic trend detection, rappresenta il secondo ambito di studio di questa tesi, anche se in realtà condivide parte delle metodologie delineate per la definizione e aggiornamento del modello. Allo stato attuale, la letteratura e i tool di mercato che si occupano di questo tema non danno molto risalto alla comprensione dei trend, limitandosi a segnalarne l esistenza sotto forma di parole più ricorrenti nell ultimo periodo (picchi). In questa tesi si cercherà proprio di suggerire una serie di strumenti da integrare nell interfaccia grafica del tool, che aiutino l utente a comprendere quale argomento effettivamente si nasconde dietro al picco di una parola e qual è l evento che ha alimentato la discussione sul Web. La capacità di cogliere in tempo reale questi trend è molto importante per l utilizzatore del tool, perché permette di rilevare rapidamente eventuali crisi (ovvero polarità negativa sul sentiment) e prendere le migliori decisioni per risolverle prima che la situazione si aggravi. Tra l altro, per gli stessi motivi per cui Internet rappresenta un ottimo strumento per recepire le 2

17 Capitolo 1. Introduzione crisi, esso costituisce anche un canale privilegiato per la loro gestione, in quanto permette di comunicare con molti utenti in poco tempo [52]. La tesi è strutturata come segue. Il capitolo 2 presenta una rassegna dello stato dell arte relativamente a tre argomenti ampiamente sviluppati nei capitoli successivi, che sono la modellazione di dominio, l analisi di frequenza e il problema della categorizzazione di parole. Sul primo argomento si è constatata una carenza di letteratura a riguardo. Sul problema dell analisi di frequenza è emersa l attitudine comune di focalizzare la ricerca di topic trend partendo dalla frequenza con cui occorrono le singole parole. Sul tema della categorizzazione si è notata una tendenza a passare da metodi supervisionati che richiedono training, a metodi non supervisionati completamente automatizzati, anche se questa totale automatizzazione non è praticamente mai raggiunta in quanto è sempre richiesto almeno un minimo intervento umano. Il capitolo 3 racconta il progetto di sentiment analysis in cui si colloca questo lavoro di tesi. Dopo una descrizione del problema della sentimenta analysis e dei tool di mercato più diffusi che la implementano, si passa alla descrizione del progetto in sé, focalizzando l attenzione sui suoi aspetti innovativi e sulle funzionalità che mira ad implementare. Il capitolo 4 offre alcuni spunti per affrontare il problema dello studio di fattibilità che deve precedere un progetto di sentiment analysis per un cliente. Si pone l accento sulle principali variabili che occorre tenere in considerazione, dando particolare rilievo alla prospettiva dei costi, e sulle possibili alternative che si prospettano sulla base dei risultati ottenuti dallo studio. Il capitolo 5 va finalmente nel dettaglio della metodologia per la definizione e aggiornamento del modello di attrattività del brand. La descrizione è preceduta da una breve introduzione sul linguaggio che viene utilizzato nel corso del restante lavoro. Il capitolo 6 entra ancora più nel dettaglio su una parte della metodologia definita. Si parte con l analisi di frequenza, ovvero la ricerca di keyword rilevanti e che per questo si candidano per l analisi successiva. Tale analisi è la categorizzazione delle parole; per questo task sono proposte due possibili soluzioni implementative: la prima si basa su una variante di una metrica tradizionale, mentre per la seconda una nuova metrica viene formulata e validata in modo formale. L ultimo paragrafo 3

18 Capitolo 1. Introduzione affronta il tema della topic trend detection che mette insieme le soluzioni sviluppate nei due paragrafi precedenti con altre funzionalità, il tutto finalizzato al task di rendere intelligibili i picchi trovati sulle parole; il paragrafo si conclude con una proposta di mockup dell interfaccia grafica del tool di topic trend detection. Nel capitolo 7 si descrivono i test svolti sulle varie metriche e gli algoritmi definiti nel corso dei vari capitoli, ovvero sull analisi di frequenza, sulla categorizzazione e sulla topic trend detection. Infine il capitolo 8 riassume tutto il lavoro svolto e trae le dovute conclusioni, accompagnate da suggerimenti per sviluppi futuri rispetto a questo lavoro di tesi.. 4

19 Capitolo 2 Stato dell arte In questo capitolo si discuterà lo stato dell arte relativamente alle principali tematiche affrontate nel corso della tesi, in modo da avere sempre un termine di paragone tra metodologie, metriche e algoritmi proposti e quelli già sviluppati negli ultimi decenni. Molte di queste tematiche richiederebbero una trattazione molto ampia, ma non essendo la completezza scopo di questa tesi, ci si limiterà ad affrontare con più attenzione solo quegli aspetti che si legano maggiormente alle scelte intraprese nel corso del lavoro di tesi. 1.1 La modellazione di dominio La maggior parte degli studi sulla sentiment analysis si sono concentrati sul core di questo problema, ovvero la stima del sentiment di un documento scritto in linguaggio naturale. In meno hanno rivolto la loro attenzione anche alla questione del modello costruito attorno all oggetto (brand) di cui si vuole studiare la reputazione sul Web. Per capire bene la questione del modello, occorre prima comprendere bene la terminologia che sarà adottata, per poi affrontare un indagine su come la questione è stata affrontata in letteratura Il concetto di modello e di dominio 5

20 Capitolo 2. Stato dell arte Con modello del brand si intende una descrizione sufficientemente formale del brand, comprendente l insieme delle caratteristiche che si vogliono monitorare; si potrebbe parlare di modello di attrattività, visto che, dalla prospettiva dei clienti, tali caratteristiche rappresentano i temi su cui essi saranno soliti esprimere dei giudizi in quanto li ritengono importanti; per un motivo analogo si parla spesso anche di modello di successo, mettendo l accento sul fatto che le caratteristiche analizzate sono quelle che determinano il successo del brand [44], proprio nella misura in cui il fatto che se ne discuta implica la loro importanza. Un brand si colloca sempre in un ben determinato dominio, per cui trovare un modello del brand significa anche costruire una rappresentazione del dominio in cui esso si colloca. Per dominio qui si intende una parte del mondo reale costituita da elementi che presentano una qualche correlazione; solitamente infatti si parla di dominio di qualcosa che è proprio l elemento che tiene unito il tutto. Ad esempio nel dominio della città rientrano aspetti come i trasporti, l arte, l accommodation e l intrattenimento. Tutti questi aspetti vengono inseriti nel modello che descrive il dominio; tuttavia la loro selezione non è univoca, ma dipende dalle particolari esigenze dell applicazione che sfrutterà tale modello, per questo si parla spesso anche di dominio applicativo. Ad ogni dominio corrisponde un certo vocabolario, e più il dominio è ristretto, più il linguaggio che lo caratterizza sarà specifico; ad esempio nel dominio della salute rientrano tutti i termini tecnici della medicina, mentre per tornare all esempio del dominio delle città, nel suo vocabolario confluiranno per esempio l elenco dei musei, delle strade e dei ristoranti La costruzione del modello Alcuni studi, pur non parlando esplicitamente di modello, provano comunque a determinare gli elementi che caratterizzano un particolare dominio applicativo e lo fanno tramite sistemi di feature extraction, metodologie bottom-up per fare mining sui documenti in cui sono espressi giudizi sul brand al fine di dedurre le caratteristiche principali oggetto di discussione. Uno di questi studi è quello di Balahur [9] che prende come input una query dell utente il quale dichiara il nome del brand di cui vuole conoscere la Web reputation. Il sistema, sfruttando la conoscenza raccolta dalle reti semantiche WordNet e ConceptNet, scopre in modo 6

21 Capitolo 2. Stato dell arte automatico una serie di feature tipiche del brand specificato dall utente; queste andranno ad aggiungersi ad altre che sarebbero productindependent. Un approccio diverso è seguito da Spangler [52] che tenta di dedurre dai volumi di parlato le caratteristiche più importanti del brand, senza ricorrere a nessuna conoscenza a priori. Il tutto si svolge in due fasi: nella prima si realizzano vari tipi di clustering (che Spangler chiama tassonomie) dei documenti secondo diversi criteri quali vicinanza semantica, correlazione temporale e tipologia di sentiment espresso; a seconda dei casi le categorie possono essere stabilite a priori dall analista oppure possono essere dedotte direttamente dai documenti. Nella seconda fase l analista deve comprendere che cosa effettivamente contengono le categorie delle varie tassonomie per poi cercare correlazioni tra categorie di tassonomie diverse; il tutto si realizza con il supporto di algoritmi automatici di text summarization e metriche di similitudine tra documenti. Il risultato finale è un insieme di categorie ben distinte appartenenti a diverse tassonomie e che descrivono il brand di interesse. Quello che si può notare dallo studio effettuato è che la logica dominante che guida l identificazione delle variabili del modello di attrattività è di tipo bottom-up, in quanto la loro selezione è sostanzialmente automatica e parte direttamente dall analisi dei documenti. Ciò su cui in letteratura si è sostanzialmente concordi è che un sistema di sentiment analysis è fortemente dipendente sia dal dominio che dal linguaggio utilizzato [32]. Tuttavia ci sono stati sforzi per cercar di costruire classificatori di sentiment che siano facilmente adattabili a nuovi domini, ovvero senza grandi sforzi per rifare il training [3,5,53,54] 1.2 L analisi di frequenza Una delle prerogative del Web2.0 è che i contenuti a cui gli utenti accedono sono da loro stessi generati, per questo si parla di User Generated Content (UGC), da Baeza-Yates ritenuti il trend prevalente sul Web [6]. Nella maggior parte dei casi questi contenuti sono testi (blog, forum, social network, enciclopedie collaborative, etc.) e anche quando si tratta di foto o video, questi sono spesso corredati da descrizioni testuali, 7

22 Capitolo 2. Stato dell arte magari espresse semplicemente come elenchi di keyword descrittive comunemente dette tag. Un tag è una parola o un insieme di poche parole che un utente assegna ad un item per descriverlo ed identificarne il contenuto, ovvero il soggetto dell item, le persone coinvolte, il tipo di item e le tematiche connesse. Una definizione esaustiva di tag data da Sen et al [49] ne mette in luce tutti gli aspetti e le funzioni essenziali: descrivere un item; permettere l organizzazione di item, ovvero la loro classificazione; su questa scia è nato il concetto di folksonomia, ovvero la categorizzazione di informazioni generata dagli utenti tramite tag scelti liberamente; facilitare la ricerca di contenuti non necessariamente testuali; consentire un esperienza di social navigation [8], ossia scoprire nuove informazioni grazie al contributo di altri utenti della community. Si evince dunque l aspetto fortemente collaborativo che caratterizza l attività di tagging [28], tipico degli strumenti del Web 2.0. Il tagging si applica a praticamente qualunque tipologia di item. Alcuni siti che fanno un ampio uso di questo strumento e i relativi item sono riportati in tabella 2.1 La pratica del tagging è oramai così diffusa da produrre una quantità enorme di metadati attraverso cui svolgere operazioni di categorizzazione e ricerca; ad esempio Dubinko [20] svolge analisi su un set di 86,8 milioni di tag raccolti su Flickr in 472 giorni. Per questo motivo si è sviluppato un ramo di ricerca focalizzato sull analisi di tag per comprendere quali sono i temi dominanti discussi dagli utenti. La maggior rilevanza di un argomento in un determinato periodo si esprime in termini di burst, ovvero di un aumento della frequenza con cui esso si ripresenta nel volume di parlato; e scendendo ad un livello di analisi più basso, questo a suo volta si traduce in termini di burst delle parole che tipicamente sono utilizzate per parlare di quell argomento. Per questo è possibile mettere sullo stesso piano l analisi dei tag che descrivono gli item e l analisi delle parole che costituiscono un testo; in entrambi i casi c è un item che riguarda un certo argomento e c è un insieme di parole (tag) associate all item e caratterizzanti l argomento. 8

23 Capitolo 2. Stato dell arte Servizio Web Descrizione Flikr Delicious Gmail sito per lo storage e la condivisione di foto ciascuna descritta da una serie di tag direttamente scelti dall utente servizio di social bookmarking dove cioè ad essere taggati sono i siti Internet Web mail che consente all utente di associare un tag (detto label) alle sulla base di regole predeterminate Item taggati Foto Siti Web Technorati motore di ricerca dedicato al mondo dei blog Blog Last.fm Foursquare CiteULike social music Website che consente agli utenti di taggare artisti, album e pezzi social network che consente la geolocalizzazione, ovvero il tagging sui luoghi servizio Web per la condivisione, organizzazione e ricerca di articoli scientifici taggati dai rispettivi autori Artisti, album, brani musicali Mappe Articoli scientifici Tabella 2.1: Alcuni siti Internet che utilizzano i tag per gestire i loro item. Il problema di rilevare i cosiddetti hot topics (o hot events) viene quindi affrontato come ricerca dei burst sulle parole utilizzate in relazione a quell argomento, poco importa che si tratti di tag associati ad item o direttamente delle parole che costituiscono un documento. Uno degli approcci orientati al term burst maggiormente citato in letteratura è quello proposto da Kleinberg [31] che si ispira ai modelli markoviani. Il suo metodo di ricerca di argomenti dominanti in intervalli di tempo limitati parte proprio dalla ricerca di burst sulle parole che costituiscono i documenti. La sequenza di arrivo dei documenti (text stream) viene espressa in termini probabilistici come una distribuzione esponenziale; il modello del flusso di documenti è realizzato con un automa ad infiniti stati che corrispondono ciascuno ad un diverso rate di emissione e l inizio di un burst è dunque rappresentato da una transizione da uno stato più basso ad uno più alto. Si associa un costo alla transizione in modo da scoraggiare burst troppo brevi; per cui il problema della ricerca dei burst diventa un problema di ottimizzazione in 9