JP2017188004A - ソーシャルメディアにおける特定テーマの投稿の時系列変化を追跡的に分析するコンピューティング - Google Patents
ソーシャルメディアにおける特定テーマの投稿の時系列変化を追跡的に分析するコンピューティング Download PDFInfo
- Publication number
- JP2017188004A JP2017188004A JP2016077844A JP2016077844A JP2017188004A JP 2017188004 A JP2017188004 A JP 2017188004A JP 2016077844 A JP2016077844 A JP 2016077844A JP 2016077844 A JP2016077844 A JP 2016077844A JP 2017188004 A JP2017188004 A JP 2017188004A
- Authority
- JP
- Japan
- Prior art keywords
- period
- social media
- time series
- determined
- unit period
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Abstract
【課題】コンピューター自動処理によって、ソーシャルメディアにおける特定テーマの投稿の時系列の変化から有意義な情報を抽出して理解しやすい指標として出力する。【解決手段】ソーシャルメディアにおける投稿群から抽出した特定テーマに該当する投稿と投稿日時の情報を分析する。単位期間ごとに集計した投稿件数の時系列変化を所定アルゴリズムで統計処理する。投稿件数が急増した急増特異期間を判定するとともに急増規模値を計算する。急増特異期間が好評期間か悪評期間かを判定し、プラス評価値またはマイナス評価値を生成する。プラス評価値およびマイナス評価値を時系列に積算して累積評価値の時系列データを出力する。【選択図】図3
Description
この発明は、企業の信用やブランド価値に大きな影響を与えかねないインターネット上の風評を監視するなどの目的で利用されるコンピューティング技術に関し、とくに、ソーシャルメディアにおける特定テーマの投稿の時系列変化を追跡的に分析する方式のコンピューティング技術に関する。
現在、世界最大のソーシャルメディアFacebookは全世界で16億人が利用するサービスに発展している。またTwitterは3億人以上が利用するに至っており、これらのソーシャルメディアには日本国内でも2〜4千万人の利用者がいる。この他にも様々なソーシャルメディアが多数あり、ブログやYoutubeのコメント欄、カカクコム、@cosmeといったクチコミサイトに気軽に書き込みすることが一般的になってきた。これらの情報(クチコミ情報と記すことがある)は、オンライン上の記憶手段に無期限に記録され、明示的に公開制限を設定しないかぎり、恒常的に誰もが閲覧できる状況に蔵置されている。
周知のとおり、企業の広報担当部門やコンプライアンス担当部門やマーケティング担当部門などにおいて、注目するソーシャルメディアにおいて自社の事業に関係した特定テーマの投稿内容を監視することが広く行われている。こうした作業のことを本明細書ではクチコミ監視とかクチコミ分析と記すことがある。
たとえば、特開2010−231471号公報「インターネット上の掲示板分析システム」や特許第5168961号公報「最新評判情報通知プログラム、記憶媒体、装置及び方法」などに開示されているような、クチコミ監視分析の作業を支援あるいは自動化するための各種のコンピューティング技術が以前から数多く開発されて実用化されてきた。
また、企業などにおいてクチコミ監視分析を容易に実施できるようにした各種のクラウドサービスが提供されている。たとえば、著名なソーシャルメディアTwitterやFacebookにおいては、クチコミ情報をサービス利用者のプログラムから取得できるように、APIを用意している。
Twitter:https://dev.twitter.com/overview/documentation
Facebook:https://developers.facebook.com/docs/
Twitter:https://dev.twitter.com/overview/documentation
Facebook:https://developers.facebook.com/docs/
クチコミ監視分析の対象となるデータは膨大であり、ノイズと評価される解析には必要ないデータも混在している。このため、仮にAPIを経由してクチコミデータを取得しても、企業担当者が逐一確認・分析することは、大変な労力を要する作業である。そこで効率的な分析作業を可能にするために、APIを利用して取得したクチコミデータを分析・加工するサービスを提供している企業も多く生まれている。たとえば、以下の企業などがこうしたサービス事業を展開している。
ホットリンク社:https://www.hottolink.co.jp/service/kakaricho
データセクション社:http://www.datasection.co.jp/service/insight-intelligence.html
ホットリンク社:https://www.hottolink.co.jp/service/kakaricho
データセクション社:http://www.datasection.co.jp/service/insight-intelligence.html
これらのサービスにより、企業の担当者は、効率的にクチコミデータを取得し、必要な部分を抽出することが可能になった。クチコミデータには、良い評判を拡散する傾向と悪い評判を拡散する傾向の2面性が存在する。たとえば、新製品の評判が良好な場合には、「(新製品)が欲しい」「(新製品)買った」「(新製品)いいね」といった好意的な形容表現とともに、(新製品)が語られるクチコミが増加する。一方で、評判が好ましくない場合には、「(新製品)いらない」「(新製品)買わない」「(新製品)だめだ」といった批判的な形容表現とともに、(新製品)が語られるクチコミが増加する。
あるトピックに関係したクチコミが好評なのか悪評なのかによって、当然、企業にとっての影響は正反対になり、対処方法も大きく異る。このため、上記のサービスにおいても、特定キーワードを含むクチコミの内容を分析して好評クチコミ量と悪評クチコミ量を提示する機能を用意している。また、ヤフージャパン社では、リアルタイムにそれぞれの割合を提示するサービスも提供している。
http://www.itmedia.co.jp/news/articles/1411/12/news089.html
http://www.itmedia.co.jp/news/articles/1411/12/news089.html
クチコミデータの文章を単語レベルに分解(形態素解析)し、各品詞を抽出。その後それぞれの単語をあらかじめ用意した判定辞書と比較して、その結果から文章全体ポジネガの評価値を決定する方策が知られているところ、この手法だけでは的確な判定が難しいこともよく知られており、そのため、文章全体の文脈を配慮した判定方式が開発され、下記のウェブページなどに記載されているように、さらなる改善を加える試みも多くなされている。
http://www.asahi-net.or.jp/~wd2y-kkb/h.htm
http://naokiwatanabe.blogspot.jp/2015/02/judge-positive-vs-negative-of-text.html
http://www.metadata.co.jp/NEGAPOSIapi.html
http://www.asahi-net.or.jp/~wd2y-kkb/h.htm
http://naokiwatanabe.blogspot.jp/2015/02/judge-positive-vs-negative-of-text.html
http://www.metadata.co.jp/NEGAPOSIapi.html
===発明の目的===
ここまで説明したように、ソーシャルメディアにおける投稿群から特定テーマに該当する投稿を抽出するとともに、それらを好評投稿と悪評投稿に分類するコンピューティング技術は広く知られており、多くの企業においてこうしたコンピューティングを活用してクチコミ監視が行われている。
ここまで説明したように、ソーシャルメディアにおける投稿群から特定テーマに該当する投稿を抽出するとともに、それらを好評投稿と悪評投稿に分類するコンピューティング技術は広く知られており、多くの企業においてこうしたコンピューティングを活用してクチコミ監視が行われている。
この出願の発明者は、なんらかのトピックに関連した好評投稿と悪評投稿の件数や比率を知ることは企業における風評リスク管理として有意義な施策であると考えるところ、ソーシャルメディアにおける特定テーマに該当する投稿の時系列の変化にはさらに有意義な情報が含まれていると確信し、そうした有意義な情報をコンピューター自動処理によって理解しやすい指標として出力しようと考え、この発明を創作した。
===発明の概要===
この発明の核心とするところは、つぎの事項(1)〜(5)により特定されるコンピューティングの方法である。
(1)分析対象となる入力情報は、ソーシャルメディアにおける投稿群から抽出した特定テーマに該当する投稿と投稿日時の情報であること
(2)分析システムは、前記入力情報に基づいて、単位期間ごとに集計した投稿件数の時系列変化を所定アルゴリズムで統計処理し、各単位期間が投稿件数の急増した急増特異期間であるか否かを判定するとともに、ある単位期間Aが急増特異期間であると判定した場合、その急増の度合いを表す急増規模値Bを計算すること
(3)分析システムは、急増特異期間であると判定された単位期間Aに投稿された前記入力情報中の投稿群の内容に基づいて、単位期間Aが好評投稿が勝る好評期間なのか悪評投稿が勝る悪評期間なのかを判定し、好評期間であると判定した場合は急増規模値Bに対応したプラス評価値を算出し、悪評期間であると判定した場合は急増規模値Bに対応したマイナス評価値を算出すること
(4)分析システムは、急増特異期間であると判定された単位期間Aを特定する期間データと、急増規模値Bに対応した前記プラス評価値またはマイナス評価値を対応づけして出力すること
(5)分析システムは、前記入力情報を各単位期間ごとに処理するプロセスで算出されたプラス評価値およびマイナス評価値を時系列に積算して累積評価値の時系列データを出力すること
この発明の核心とするところは、つぎの事項(1)〜(5)により特定されるコンピューティングの方法である。
(1)分析対象となる入力情報は、ソーシャルメディアにおける投稿群から抽出した特定テーマに該当する投稿と投稿日時の情報であること
(2)分析システムは、前記入力情報に基づいて、単位期間ごとに集計した投稿件数の時系列変化を所定アルゴリズムで統計処理し、各単位期間が投稿件数の急増した急増特異期間であるか否かを判定するとともに、ある単位期間Aが急増特異期間であると判定した場合、その急増の度合いを表す急増規模値Bを計算すること
(3)分析システムは、急増特異期間であると判定された単位期間Aに投稿された前記入力情報中の投稿群の内容に基づいて、単位期間Aが好評投稿が勝る好評期間なのか悪評投稿が勝る悪評期間なのかを判定し、好評期間であると判定した場合は急増規模値Bに対応したプラス評価値を算出し、悪評期間であると判定した場合は急増規模値Bに対応したマイナス評価値を算出すること
(4)分析システムは、急増特異期間であると判定された単位期間Aを特定する期間データと、急増規模値Bに対応した前記プラス評価値またはマイナス評価値を対応づけして出力すること
(5)分析システムは、前記入力情報を各単位期間ごとに処理するプロセスで算出されたプラス評価値およびマイナス評価値を時系列に積算して累積評価値の時系列データを出力すること
===発明の効果===
この発明によれば、利用者(企業の広報担当部門やコンプライアンス担当部門やマーケティング担当部門など)は、ソーシャルメディアにおける特定テーマの投稿数が急増したこと、その急増期間の日時、その急増の規模、その急増期間が好評期間なのか悪評期間なのかを知ることができる。
この発明によれば、利用者(企業の広報担当部門やコンプライアンス担当部門やマーケティング担当部門など)は、ソーシャルメディアにおける特定テーマの投稿数が急増したこと、その急増期間の日時、その急増の規模、その急増期間が好評期間なのか悪評期間なのかを知ることができる。
たとえば特定テーマを企業名に設定し、これらの情報と自社の企業活動の内容などを時系列につき合わせて分析することで、どんな企業活動がどの程度良かったのか良くなかったのかといった評価を簡単かつ的確に行うことができる。また、特定テーマをテレビコマーシャルで放映した商品ブランドに設定した場合、放映したテレビコマーシャルごとのネット上の反響がどの程度のものであったのか、その内容が好意的に受けとられたのか否かを把握することができる。
また前記の累積評価値の時系列データは、好評期間のプラス評価値および悪評期間のマイナス評価値を分析開始時から逐次積算したデータである。この累積評価値の時系列データからは、たとえば、あるときの失敗によるマイナス評価がその後の1回目の対策で3割がた回復したものの、2回目の対策の効果はごく僅かであり、さらなる対策を考える必要があるといった理解を導き出すことができ、風評リスク管理によって企業活動の適正化するのに大いに役立てることができる。
また前記の累積評価値の時系列データを同業他社や競合ブランドと比較することで、自社の業界内での評判位置を把握することができる。評判を数値化することにより、様々な施策の効果の定量評価やこれから実施する施策の目標設定が可能になる。
===発明実施の態様===
この発明を実施する具体的な態様として、典型的には、出願人のようなコンサルティング業務を営むものが分析事業者となり、顧客企業からの依頼を受け、ソーシャルメディアにおける特定テーマの投稿の時系列変化を追跡的に分析するコンピューティングを実施し、分析対象・分析内容・分析結果を顧客企業に対してレポートするという業態を想定している。
この発明を実施する具体的な態様として、典型的には、出願人のようなコンサルティング業務を営むものが分析事業者となり、顧客企業からの依頼を受け、ソーシャルメディアにおける特定テーマの投稿の時系列変化を追跡的に分析するコンピューティングを実施し、分析対象・分析内容・分析結果を顧客企業に対してレポートするという業態を想定している。
分析事業者の分析システム(一般的なパソコンでよい)にこの発明に係るコンピューティングを実施するためのアプリケーションプログラムが実装されており、以下に説明する分析対象となる入力情報を分析システムに与えて分析処理を実行することで以下に説明する情報が出力される。もちろんこうした業態に限定されるものではなく、分析したい事象を抱えている企業自身において、この発明に係るアプリケーションプログラムを実装したパソコンを用いて分析処理を実施してもよい。
===分析対象となる入力情報===
分析対象となる入力情報は、ソーシャルメディアにおける投稿群から抽出した特定テーマに該当する投稿と投稿日時の情報である。あるソーシャルメディアに投稿された膨大な量の投稿群の中から、適切に設定したキーワード検索式を用いて検索を実行し、ある企業の事業活動に関連する特定テーマに該当する投稿を抽出する。各投稿には投稿日時を表すタイムスタンプが付いている。
分析対象となる入力情報は、ソーシャルメディアにおける投稿群から抽出した特定テーマに該当する投稿と投稿日時の情報である。あるソーシャルメディアに投稿された膨大な量の投稿群の中から、適切に設定したキーワード検索式を用いて検索を実行し、ある企業の事業活動に関連する特定テーマに該当する投稿を抽出する。各投稿には投稿日時を表すタイムスタンプが付いている。
先に詳しく説明したように、ソーシャルメディアの投稿群から特定テーマの投稿を抽出することは一般的に広く行われていることであり、検索条件に合致した投稿の部分集合を入手する方法も周知である。この発明に係る分析システムの記憶装置には、周知の方法により入手した「ソーシャルメディアにおける投稿群から抽出した特定テーマに該当する多数の投稿(タイムスタンプ付き)」が格納されている。
===投稿件数の時系列変化から急増特異期間を判定する===
分析システムは、分析対象となる入力情報である「特定テーマの投稿」を処理し、まず単位期間ごとに投稿件数を集計し、投稿件数の時系列変化のデータを作成する。この実施例においては、単位期間を「1日」とする。つまり「特定テーマの投稿」の日ごとの件数のデータを作成する。
分析システムは、分析対象となる入力情報である「特定テーマの投稿」を処理し、まず単位期間ごとに投稿件数を集計し、投稿件数の時系列変化のデータを作成する。この実施例においては、単位期間を「1日」とする。つまり「特定テーマの投稿」の日ごとの件数のデータを作成する。
図1(A)は日付別の投稿件数の約1年分の具体例を折れ線グラフで示している。図1(B)は、日付別投稿件数(A)を後述するアルゴリズムで処理して得られた投稿件数の増加率に相当するデータを折れ線グラフで示したものである。ここに示した投稿件数増加率に相当するデータ(B)のことを便宜的に急増規模値と称することがある。
なお急増規模値(B)は、日付別投稿件数(A)の増加率を件数の絶対数に依存しないように標準化した値である。つまり、1日の投稿件数が1万件規模になるデータを分析する場合であっても、1日の投稿件数が数百件規模のデータを分析する場合であっても、投稿件数の急増の度合いを同じ尺度で表すように標準化した値が急増規模値である。このような標準化は統計学において周知慣用の手法であるので詳述しない。
図1(A)に示すように、投稿件数は日ごとに変化しているが、その時系列の変化を統計的に観察すれば、投稿件数の変化が少ない定常的な期間と、投稿件数が急増したと認められる急増特異期間とを区別して認識することができる。このような急増特異期間を弁別するための統計的処理手法(アルゴリズム)はさまざま知られており、この発明を実施するにあたっては特別な新規アルゴリズムを開発する必要はなく、周知の一般的なアルゴリズムを採用すればよい。
図1に示した日付別投稿件数(A)についての急増規模値のグラフ(B)に点線で付加したしきい値は、急増特異期間(実施例では急増特異日とする)を判定するためのしきい値である。たとえば、図1のある日付Xがその投稿件数とその前後の件数トレンドと比較して急増特異日であるか否かを判定する1つの手法として、日付Xとその前後3日を含む1週間分のデータを除外した他のデータ(件数または急増規模値)の平均値および標準偏差に基づいてしきい値を決定し、日付Xのデータ(件数または急増規模値)が当該しきい値を越えている場合に、日付Xを急増特異日であると判定する。
以上のようにして急増特異日を判定する。図1のグラフに示した約1年分のデータのうち、2月1日からの10日分のデータを図2(A)の表に示し、6月21日からの10日分のデータを図2(B)の表に示している。ここでは、急増特異日と判断するしきい値を標準偏差の3.0倍とした場合を例示する。
図2(A)の表においては、2月4日と6日と7日が急増特異日と判定され、それぞれの日付別投稿件数と、それぞれの急増規模値が(3.0)(12.7)(3.6)であることが記されている。
図2(B)の表においては、10月27日と28日が急増特異日と判定され、それぞれの日付別投稿件数と、それぞれの急増規模値が(18.0)(4.3)であることが記されている。
図2(A)の表においては、2月4日と6日と7日が急増特異日と判定され、それぞれの日付別投稿件数と、それぞれの急増規模値が(3.0)(12.7)(3.6)であることが記されている。
図2(B)の表においては、10月27日と28日が急増特異日と判定され、それぞれの日付別投稿件数と、それぞれの急増規模値が(18.0)(4.3)であることが記されている。
===好評期間か悪評期間かの判定===
分析システムは、ある単位期間Aを急増特異期間であると判定したならば(その急増規模値はBであるとする)、単位期間Aの全投稿の内容に基づいて、単位期間Aが好評投稿が勝る好評期間なのか悪評投稿が勝る悪評期間なのかを判定し、好評期間であると判定した場合は急増規模値Bに対応したプラス評価値を算出し、悪評期間であると判定した場合は急増規模値Bに対応したマイナス評価値を算出する処理を実行する。
分析システムは、ある単位期間Aを急増特異期間であると判定したならば(その急増規模値はBであるとする)、単位期間Aの全投稿の内容に基づいて、単位期間Aが好評投稿が勝る好評期間なのか悪評投稿が勝る悪評期間なのかを判定し、好評期間であると判定した場合は急増規模値Bに対応したプラス評価値を算出し、悪評期間であると判定した場合は急増規模値Bに対応したマイナス評価値を算出する処理を実行する。
上記の判定は、たとえば、単位期間Aの個々の投稿が好評投稿なのか悪評投稿なのかを判定する処理と、単位期間Aの全投稿おける好評投稿と悪評投稿の比率を所定の判定基準に照らすことで、単位期間Aが好評期間か悪評期間かを判定する処理の2段階で行われる。
図2(A)の表においては、2月4日と6日と7日の急増特異日はすべて好評期間と判定され、それぞれの急増規模値(3.0)(12.7)(3.6)がいずれもプラス評価値として計上されることが記されている。
図2(B)の表においては、10月27日と28日の急増特異日はいずれも悪評期間と判定され、それぞれの急増規模値(18.0)(4.3)がいずれもマイナス評価値として計上されることが記されている。
図2(B)の表においては、10月27日と28日の急増特異日はいずれも悪評期間と判定され、それぞれの急増規模値(18.0)(4.3)がいずれもマイナス評価値として計上されることが記されている。
図3(A)は、図1の1年分のデータから抽出された1年分のプラス評価値およびマイナス評価値の時系列データを示している。
図3(B)は、1年分のプラス評価値およびマイナス評価値の時系列データ(A)を時系列に積算した累積評価値の時系列データを示している。
分析システムは、図1〜図3に示した入力情報およびその分析データを理解しやすい適宜な表現形式で出力する。
図3(B)は、1年分のプラス評価値およびマイナス評価値の時系列データ(A)を時系列に積算した累積評価値の時系列データを示している。
分析システムは、図1〜図3に示した入力情報およびその分析データを理解しやすい適宜な表現形式で出力する。
なお、先に詳しく説明したように、個々の投稿文の内容に基づいて好評投稿か悪評投稿かを判定する各種のアルゴリズムが周知であるところ、この発明を実施するにあたっては適宜なアルゴリズムを採用すればよい。
また、単位期間Aの全投稿おける好評投稿と悪評投稿の比率に基づいて、単位期間Aが好評期間なのか悪評期間なのかを判定する処理には、つぎのような工夫を要する。周知のように、サイバー空間にはさまざまな種類のソーシャルメディアが存在しており、各種ソーシャルメディアのアクティブユーザーの特性もさまざまである。あるソーシャルメディアPは悪評投稿が集まる傾向が強く、別のソーシャルメディアQには好評投稿も集まりやすい傾向がある、といった具合である。
この発明の実施例においては、入力情報がソーシャルメディアPから抽出したデータである場合、単位期間の全投稿に対して好評投稿が15パーセントを超えたらこの期間を好評期間と判定し、入力情報がソーシャルメディアQから抽出したデータである場合、単位期間の全投稿に対して好評投稿が35パーセントを超えたらこの期間を好評期間と判定するというように、ソーシャルメディアごとに適切な判定基準を設定してテーブル化しておき、入力情報の入手先に応じて判定基準を変えるようにしている。
以上のようにして、複数の異なるソーシャルメディアのそれぞれついて同じ特定テーマの投稿を分析対象として本発明を実施することにより、ソーシャルメディアごとに急増特異期間の発生する態様の異同を知ることができ、好評期間・悪評期間の評価値の異同も簡単に把握することができる。これらの分析結果を各ソーシャルメディアのユーザー属性などと照らし合わせることで有意義なマーケティング情報を得ることができる。
なお、この発明においては、分析対象となる入力情報に関し、分析したい期間を指定して上述した分析処理を実施できることは勿論である。分析システムの記憶装置に蔵置されている入力情報を分析するに当たって、分析担当者は、分析システムのユーザーインタフェースにより分析起点となる日時を入力し、そこから分析を開始するように指示することができる。なんらかの出来事が生じた日時を念頭におき、その後の評判を分析してみる場合などに、分析起点の指定機能を利用することができる。
また、上述した実施例においては「単位期間」を1日としていたが、「単位期間」は自由に設定して変更できるようにシステム構成されている。たとえば「単位期間」を1時間として分析すれば、時々刻々と変化する社会情勢のテレビ報道に対応してある企業の評判がどのように変化するのかを精密な時間分解能で分析することができる。また、たとえば季節的な変化とある企業の評判の関係を分析しようとするならば、「単位期間」を1ヶ月にすることも良いであろう。
また望ましい実施例として、急増特異期間を判定するための上述したしきい値を決定するアルゴリズムについて、あらかじめ標準方式を定めてあるとともに、その標準方式のパラメータを可変調整できるようにシステム構成してあり、しきい値を高めに変更したり低めに変更したりできるようになっている。
Claims (5)
- つぎの事項(1)〜(5)により特定されるコンピューティングの方法。
(1)分析対象となる入力情報は、ソーシャルメディアにおける投稿群から抽出した特定テーマに該当する投稿と投稿日時の情報であること
(2)分析システムは、前記入力情報に基づいて、単位期間ごとに集計した投稿件数の時系列変化を所定アルゴリズムで統計処理し、各単位期間が投稿件数の急増した急増特異期間であるか否かを判定するとともに、ある単位期間Aが急増特異期間であると判定した場合、その急増の度合いを表す急増規模値Bを計算すること
(3)分析システムは、急増特異期間であると判定された単位期間Aに投稿された前記入力情報中の投稿群の内容に基づいて、単位期間Aが好評投稿が勝る好評期間なのか悪評投稿が勝る悪評期間なのかを判定し、好評期間であると判定した場合は急増規模値Bに対応したプラス評価値を算出し、悪評期間であると判定した場合は急増規模値Bに対応したマイナス評価値を算出すること
(4)分析システムは、急増特異期間であると判定された単位期間Aを特定する期間データと、急増規模値Bに対応した前記プラス評価値またはマイナス評価値を対応づけして出力すること
(5)分析システムは、前記入力情報を各単位期間ごとに処理するプロセスで算出されたプラス評価値およびマイナス評価値を時系列に積算して累積評価値の時系列データを出力すること - つぎの事項(6)により特定される請求項1に記載の方法。
(6)分析システムは、所定の指示入力に応じて、前記単位期間の時間幅を設定変更すること - つぎの事項(7)により特定される請求項1または2に記載の方法。
(7)分析システムは、所定の指示入力に応じて、前記入力情報について分析を開始する時間軸上の起点を設定すること - つぎの事項(8)により特定される請求項1〜3のいずれかに記載の方法。
(8)分析システムは、ソーシャルメディアの識別子と判定基準を対応づけしたテーブルを有し、ある入力情報について分析を実施する際、その入力情報を取得したソーシャルメディアに対応する判定基準を前記テーブルから読み出し、好評期間か悪評期間かを判定する処理において当該判定基準を用いること - 請求項1〜4のいずれかに記載のコンピューティングの方法を実施するためのコンピュータープログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016077844A JP2017188004A (ja) | 2016-04-08 | 2016-04-08 | ソーシャルメディアにおける特定テーマの投稿の時系列変化を追跡的に分析するコンピューティング |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016077844A JP2017188004A (ja) | 2016-04-08 | 2016-04-08 | ソーシャルメディアにおける特定テーマの投稿の時系列変化を追跡的に分析するコンピューティング |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2017188004A true JP2017188004A (ja) | 2017-10-12 |
Family
ID=60046452
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016077844A Pending JP2017188004A (ja) | 2016-04-08 | 2016-04-08 | ソーシャルメディアにおける特定テーマの投稿の時系列変化を追跡的に分析するコンピューティング |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2017188004A (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019065836A1 (ja) | 2017-09-28 | 2019-04-04 | 東レ株式会社 | スパンボンド不織布 |
JP2020057194A (ja) * | 2018-10-02 | 2020-04-09 | テクマトリックス株式会社 | 文書検索サーバ、文書検索システム及び文書検索方法 |
JP2021096856A (ja) * | 2019-12-16 | 2021-06-24 | 株式会社カカオ | カレンダーサービスを提供する方法及びその装置 |
-
2016
- 2016-04-08 JP JP2016077844A patent/JP2017188004A/ja active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019065836A1 (ja) | 2017-09-28 | 2019-04-04 | 東レ株式会社 | スパンボンド不織布 |
JP2020057194A (ja) * | 2018-10-02 | 2020-04-09 | テクマトリックス株式会社 | 文書検索サーバ、文書検索システム及び文書検索方法 |
JP2021096856A (ja) * | 2019-12-16 | 2021-06-24 | 株式会社カカオ | カレンダーサービスを提供する方法及びその装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Buntain et al. | Automatically identifying fake news in popular twitter threads | |
McCorriston et al. | Organizations are users too: Characterizing and detecting the presence of organizations on twitter | |
Alvanaki et al. | See what's enBlogue: real-time emergent topic identification in social media | |
Crane et al. | Robust dynamic classes revealed by measuring the response function of a social system | |
US11709875B2 (en) | Prioritizing survey text responses | |
US9183293B2 (en) | Systems and methods for scalable topic detection in social media | |
US11755841B2 (en) | Method for updating a knowledge base of a sentiment analysis system | |
US10002187B2 (en) | Method and system for performing topic creation for social data | |
Hussain et al. | Detecting spam review through spammer’s behavior analysis | |
US9996529B2 (en) | Method and system for generating dynamic themes for social data | |
CN105359181A (zh) | 基于在线内容评估品牌的价值 | |
WO2013179340A1 (ja) | 情報分析システム及び情報分析方法 | |
Rhyn et al. | A machine learning approach for classifying textual data in crowdsourcing | |
Chumwatana et al. | Using social media listening technique for monitoring people's mentions from social media: A case study of Thai airline industry | |
Al-Qurishi et al. | User profiling for big social media data using standing ovation model | |
WO2019218452A1 (zh) | 热词分析方法、计算机可读存储介质、终端设备及装置 | |
JP2017188004A (ja) | ソーシャルメディアにおける特定テーマの投稿の時系列変化を追跡的に分析するコンピューティング | |
Jeong et al. | Does sentiment help requirement engineering: Exploring sentiments in user comments to discover informative comments | |
Nirmala et al. | Twitter data analysis for unemployment crisis | |
Wang et al. | Textual sentiment of Chinese microblog toward the stock market | |
JP2015130136A (ja) | 情報処理システム、情報処理装置、その制御方法、及び制御プログラム | |
Islam et al. | Filtering political sentiment in social media from textual information | |
US20170213258A1 (en) | Multidimensional synopsis generation | |
JP6494687B2 (ja) | 評価装置、評価方法、および評価プログラム | |
Liu et al. | Stratify Mobile App Reviews: E-LDA Model Based on Hot" Entity" Discovery |