Information Cartography

作者：Dafna Shahaf

会议：ACM 2015.

---

　   研究大背景：自动化地从很大数据集中提取结构化的知识变得越来越难。在本篇文章中，我们将探索我们在文献中（25，26，27）中创立的方法来自动提取信息的“地铁地图”（metro maps）。　

问题1: 什么是信息的地铁地图？ 这是一个隐喻，信息就像地铁一样用直线表示，每一条线代表着一个故事；多条线可以代表多个故事，也可以代表一个故事从不同的方面来叙述。而每一个停站点，代表着文档集群。

　　问题2: 一个好的信息地铁图有哪些标准？很难说，但是想象以下，在实体世界，怎样的地铁规划算好呢？  尽可能的以较少的线路覆盖尽可能多的地点 ---  多样性（多个线路尽可能多的包含最重要的主题）； 每一条线路都要尽可能有连贯性有意义（比如，地铁1号线主要是连接高铁站，机场，起着交通枢纽的作用；地铁2号线主要连接市区到市区，起着通勤日常起居作用）----  每一条上的信息要有故事的连贯性； 线路跟线路之间要有合理的换乘站   ------  故事与故事之间的关系和联系。

---

相关工作

　　虽然目前，在主题探测，摘要跟踪，时间文档挖掘等方向有大量的研究，但是自动构建地图目前为止是很新颖。我们与之前的研究不同之点在于：　　

　　1. 首先，我们的输出是结构化的 - 它不仅展示了信息的结构块，并且还展现了它们之间的联系。在摘要任务上（参考2，20，22），目标通常是通过列出一列表的句子来总结语料库。其他的方法（参考18，31，30）旨在发现新的事件。

　　  也有很多尝试不仅仅限于列表的信息检索上的努力，而是尝试展示更丰富的信息界面，包括不同概念层次上的故事线（参考1，2，28，29）；新闻分析的图形展示也很常见（参考10，14，17，19）;同时也有考虑路径层面上的线的相关性的方法（参考5，6），但是它们没有考虑到文档的顺序。已有多个总结和可视化的文献和工具（参考4）。不像我们的系统，参考12，16中，使用单一的概念作为分析的单元，也就是粒度太精细了不太适合专家用。参考8，13中的可视化工具粒度与我们类似，但是他们关注与引用和共同引用。

　　最后，引用地铁的隐喻也曾经被引用过（参考文献21），但是这个地图是手动的，而不是自动生成的。

---

找到一个好地图

　　我们先形式化好的地图的一些特征， 然后阐述它们的构造作为优化问题。然后我们提供一些方法来构造这些地图。然后解释如何将这个概念应用到其它领域。

-------------------

目标函数

目标函数不明确。但是我们可以给出我们的问题定义：给定一个文档集，我们想要计算出总结和组织文档的地图。在这个地图里：

　　　　　　1. 由多条线组成，每条线都有站的顺序，

　　　　　   2. 每一站都是文档的集合/集群，

　　　　　　3. 每一条线都有自己的“主人公”的故事，并且线与线来自不同的方面，

　　　　　　4. “换乘站”表示主题与主题之间的联系　

那么，要求我们可以知道：

　 要求一： 连贯性. 每一条故事要讲述一个故事/主题。为了方便描述，我们这里用一个文档表示一个站，评价是否连贯性通常来说，就是计算这两个文档的相似度/距离。因为每条链都有很多个连接点，那么我们评价这条链的连贯性，就是看最差的那个节点。（如图：上传不了。博客园服务器不是一般的垃圾，见链接吧：https://cacm.acm.org/magazines/2015/11/193323-information-cartography/fulltext） 如图2.我们可以发现，链条A中单词时而出现，时而消失然后再出现。而链条B中单词的持续性更长。由此，我们可以看出连贯性的定义。

　　 我们把问题转换成线性规划优化问题，目标是选择一小组单词集，然后根据这个单词集进行评分。为了确保每个每个过渡的强度，链条的分数就是最弱的链接的分数(见参考文献24)。一条单独的链条的分数可能依赖于domain。在参考(文献26)中，我们展现了如何仅根据文档内容，来计算得分。在参考(文献25)中，我们展现了如何利用文章间的连接。

要求二：覆盖性.  覆盖性也就是多样性的同义词。一个高覆盖率的地图可以涵盖很多重要的单词。　　

　　  问题转化为计算一个覆盖函数 ， 来计算每个文档覆盖所有元素的程度好坏。同样的思路，我们可以将它扩展为一系列覆盖函数，来计算一群文档覆盖元素的好坏。 为了鼓励多样性，这个函数应该是子模块化。想想一下，如果一个地图已经很好的覆盖了一些元素，这时候再增加一个同样很好地覆盖了元素的文档，此时结果并不会有多少提升。这很少的提升会促使我们去选择那些覆盖了新的主题的文档（类似边际效用递减原则)。 接下来，我们引入了每个元素的权重概念，表明每个元素的重要程度。这个重要程度会因人而异，所以我们在（文献26）一文中，讨论了从用户反馈来调整参数，这也就引入了“个性化覆盖”的概念。

要求三：联结性. 不同的故事有着不同的结构，有些故事是简单的线性，而有些故事就复杂得多。为了捕捉故事的结构，我们仅仅计算出最少线路，来覆盖尽可能多的站。直观来看，我们的目标是，计算出尽可能长的线。
-------------------

　　总结以上我们讨论的来看，现在给出地铁图的标准目的：

　　　  必须满足：O1  高覆盖性

　　　　　　　　  O2  结构高质量

　　　　受到的约束： C1 最小的线连贯性

　　　　　　　　　　 C2 最小聚类质量

　　　　　　　　　　 C3 最大地图大小

算法的标准描述和优化，请看"nformation cartography : Creating zoomable, large-scale maps of information"

---

算法：

　　   step1：根据查询计算出一个文档集合

　　　step2：把文章分类成时间窗口，然后通过在word coocurrence graph上使用“COMMUNITY DETECTION算法”来为每个时间窗计算出好的聚类(约束2)(详见文献3)。 这些聚类就被视作站。

　　   step3：一旦我们有了集群，我们就可以计算连贯的线(约束1)。

　      step4：编码了所有的连贯性的线后，我们确定故事的结构，优化联结性(目标2)，然后尽可能的选择更长的线。

　　   step5：根据用户，选择合适的地图大小（目标1和约束3）。

　　　　算法一览图如下：

　　　　

　　

　　　　　　

-----------------------

复杂性和运行时间

　   给定一个查询和一系列文档，我们首先运行一个线性时间的算法 - 把文档集合D编译成一系列的单词出现图（翻译不准确，目前我不懂这个词）。 图的大小并不取决于集合D的大小，而取决于单词总量W（参考文献2 和 3）。 而我们最大的瓶颈是覆盖这个福州，因为复杂度是W数量的高次数多项式。一个平行的实施和简单的评估可以实现近似的情况下大大的加速。在实际执行时，我们系统运行1万个文档可以在不到1分钟的时间内完成。

-----------------------

参数

　  约束的C1-C3都需要手动调整，并且另一个参数也需要调整，那就是m，也就是用户的“历史窗口”大小/原先的线上用户能够记住的文章数量

---

应用　

　　主要有四个应用领域：新闻、科学、法律文件、书籍

--------------

新闻　　　

　一、使用方法

　　我们使用上面的算法来计算有关新闻事件的新闻，然后集合多个数据集，包含了十万个帖子。系统演示请见：http://metromaps.stanford.edu/

　二、评估

　　不好评估，一般使用外包

--------------

科学研究

　　目的是为了帮助新进入该领域的人最快的掌握研究动向（新的研究生之类，例如我）

一、方法

　　我们的数据集包括了超过3w5k个ACM会议和杂志的paper。与新闻不同的是，论文不能交叉。此时，我们稍微调整了下算法，把换乘站改成了引用。

　二、评估

--------------

剩下两个应用与我的研究无关，因此略去。

---

使用地图

---

结论

下一篇：

　　　　connecting the dots between news articles". Shahaf.D. SIGKDD. 2010

参考：https://cacm.acm.org/magazines/2015/11/193323-information-cartography/fulltext

文献1："Unfield analysis of streaming news". Ahmed.A. WWW.2011

文献2： "Termporal summaries of new topics". Allan. J . ACM SIGIR. 2001

文献4："VIsualizing what we know". Borner.K. MIT. 2010

文献5："Creation of a highly detailed, dynamic, global model and map of science." Boyack.W.W AIST.2014

文献6："Mapping of science by combined co-citation and word analysis." Braam.R.R AIST.1999

文献8："Detecting and visualizing emerging trends and transient patterns in scientific literature." Chen.C AIST.2006

文献10："Fast discovery of connection subgraphs" Faloutsos. SIGKDD. 2004

文献12："Exploring the computing literature with visualization and stepping stones and pathways." Fox.E.A. ACM.2006

文献13：

文献14："Discovering diverse and salient threds in document collections". Gillenwater. 2012

文献16："Connecting the dots between PubMed abstracts." Hossain. 2012.

文献17："The web of topics: discovering the topology of topic evolution in a corpus". Jo. 2011

文献19："Event threading within news topics". Nallapati.R. ACM.2004

文献18： "Bursty and hierarchical structure in steams". Kleinberg. J. DMKD.2003

文献20："A survey of text summarization techiques". Nenkova.A.  2012

文献21："Getting to more abstract places using the metro map metaphor". Nesbitt. IEEE.2004.

文献22："Summarizing online news topics". Radev.D. ACM 2005

文献24: "connecting the dots between news articles". Shahaf.D. SIGKDD. 2010   （ 24）

文献25:  "metro maps of science". SIGKDD.2012 Shahaf. D     （25）

文献26: "Trains of thought: Generating information maps." WWW. 2012. Shahaf.D   （26）

文献27: "Information cartography : Creating zoomable, large-scale maps of information" . SIGKDD. 2013. Shahaf.D   （27）

文献28："TimeMines: Constructing timelines with statistical models of word usage". Swan.R SIGKDD. 2000

文献29："Evolutionary timeline summarization: A balanced optimization framework via iterative substitution" Yan.R SIGIR. 2011.

文献30:  "Improving text categorization methods for event tracking." Yang.Y. SIGIR. 2000

文献31："Learning approaches for detecting and tracking news event." Yang.Y IEEE. 1999