Followers or Phantoms? An Anatomy of Purchased Twitter Followers
在线社交媒体（OSM）被当代互联网用户广泛用于交流，社交和传播信息。这导致了创建一个独特的在线社会身份，这反过来又创造了在线社会声誉管理技术的需要。相当大比例的OSM用户使用各种方法来驱动和管理他们在OSM上的声誉。这导致了地下市场的兴起，这些市场买卖欺诈性账户、“赞”、“评论”（Facebook、Instagram）和“追随者”（Twitter），以人为地提高其社会声誉。在这项研究中，我们提出了一个解剖购买的追随者在Twitter上和他们的行为。我们详细说明了个人资料的特点，内容分享和购买追随者帐户的行为模式。以前的研究分析了购买追随者市场和客户。我们的研究是第一个分析购买追随者账户的解剖学研究。我们研究的一些关键见解表明，购买的追随者具有非常高的未追随熵率和与朋友的低社交参与度。此外，我们注意到，购买的追随者账户与随机Twitter用户相比，在互动和内容共享模式方面存在显着差异。我们还发现，地下市场不遵守他们的服务政策和保证，他们提供给客户。我们的研究强调了可疑追随行为的关键标识符。然后，我们建立了一个监督学习机制来预测可疑的追随者行为，准确率为88.2%。我们认为，了解购买的追随者的解剖和特征可以帮助在更大程度上检测可疑的追随者行为和欺诈账户。
2014-08-07 cs.SI
Identifying Influential Links for Event Propagation on Twitter: A Network of Networks Approach
在线社交网络中的事件传播模式为网络和物理系统上的信息传播建模和分析提供了新的见解。本文研究了关注者链接对Twitter事件传播的重要性。三个最近的事件传播轨迹收集与Twitter用户语言字段被用来识别嵌入在Twitter的追随者网络的网络（NoN）结构。我们首先制定Twitter上的事件传播作为一个迭代的状态方程，然后提出了一个有效的分数函数的追随者链接占通过链接删除事件传播的遏制。此外，我们发现，利用NoN模型可以成功地识别有影响力的追随者链接，使他们的删除导致显着减少Twitter追随者网络上的事件传播。实验结果表明，网络间的追随者链接，虽然只占总追随者链接的一小部分，是至关重要的Twitter上的事件传播。
2018-07-18 cs.SI
Who talks about what? Comparing the information treatment in traditional media with online discussions
我们使用大量数据集研究了传统媒体《纽约时报》杂志及其Twitter追随者之间的互动动态。它包括该杂志在COVID-19大流行的第一年发表的文章的元数据，以及@nytimes账户的大量粉丝在Twitter上发表的帖子，以及其他几种不同类型媒体的一组粉丝发表的帖子。一种媒体的独家关注者在Twitter上进行的讨论动态显示出对他们所关注的媒体的强烈依赖：@FoxNews的关注者彼此之间的相似性最高，与一般群体的利益有很大的差异。我们的研究结果还揭示了该杂志及其追随者对美国总统选举的关注程度的差异，并表明与“黑人生活问题”运动有关的主题始于Twitter，后来由该杂志解决。
2022-08-30 cs.SI physics.soc-ph
The Follower Count Fallacy: Detecting Twitter Users with Manipulated Follower Count
在线社交网络（OSN）越来越多地被用作有效沟通的平台，与其他用户互动，并通过点赞、关注者和分享的数量创造社交价值。这样的指标和众包评级给OSN用户一种社会声誉感，她试图保持和提升这种声誉，使其更具影响力。用户通过黑市网络服务人为地提高他们的社会声誉。在这项工作中，我们确定用户操纵他们的投影追随者计数使用无监督的局部邻域检测方法。我们确定一个邻居的用户的基础上一组强大的功能，反映用户的相似性，在预期的追随者计数。我们发现，使用我们的方法的追随者计数估计有84.2%的准确率与低出错率。此外，我们通过从Twitter的大量随机样本中找到其邻居来估计可疑用户的追随者数量。我们表明，我们的方法是高度宽容的综合操纵的追随者。利用预测的追随者数量与显示数量的偏差，我们还能够以98.62%的高精度检测客户
2018-02-10 cs.SI
What They Do in Shadows: Twitter Underground Follower Market
互联网用户和企业越来越多地使用在线社交网络（OSN）来推动受众流量并提高其受欢迎程度。为了提高社交存在感，OSN用户需要增加其在线个人资料的可见性和覆盖范围，例如Facebook喜欢，Twitter关注者，Instagram评论和Yelp评论。例如，Twitter追随者的增加不仅提高了用户的受众范围，而且还提高了感知的社会声誉和受欢迎程度。这导致了一个地下市场的范围，通过欺诈和妥协的帐户和各种勾结技术的网络提供追随者，喜欢，评论等。在本文中，我们景观的地下市场，提供Twitter的追随者，通过研究他们的基本组成部分-商人，客户和虚假的追随者。我们对商家提供的服务进行了详细的分析，以了解他们的运营结构和市场层次。Twitter的地下市场可以使用溢价货币计划或其他激励免费增值计划来运作。我们发现，免费增值市场是一个寡头垄断的结构，只有少数商家是市场的领导者。我们还表明，商家的知名度没有任何相关性的服务质量的商家提供给客户。我们的研究结果还揭示了市场客户的特征和质量以及所提供的虚假追随者。我们将合法用户和虚假关注者进行比较，并找出关键标识符来区分这些用户。在这些差异化特征的帮助下，我们构建了一个监督学习模型来预测可疑的跟随行为，准确率为89.2%。
2014-11-16 cs.SI
Will Sanders Supporters Jump Ship for Trump? Fine-grained Analysis of Twitter Followers
在本文中，我们研究了伯尼·桑德斯的支持者投票给唐纳德·特朗普而不是希拉里·克林顿的可能性。从三位候选人的Twitter追随者的独特时间序列数据集（我们在这里公开）构建，我们首先研究同时追随特朗普（但不是克林顿）的桑德斯追随者的比例，以及这种情况如何随着时间的推移而演变。然后我们训练一个卷积神经网络来对桑德斯追随者的性别进行分类，并研究男性是否比女性更有可能为特朗普跳船。我们的研究表明，在3月至5月期间，越来越多的桑德斯追随者追随特朗普（但不是克林顿）。追随克林顿而不是特朗普的桑德斯追随者比例实际上已经下降。同样重要的是，我们的研究表明，跳船行为会受到性别的影响，男性比女性更有可能转向特朗普。
2016-05-31 cs.SI
Catching Fire via "Likes": Inferring Topic Preferences of Trump Followers on Twitter
在本文中，我们提出了一个框架来推断唐纳德·特朗普的追随者在Twitter上的主题偏好。我们首先使用潜在狄利克雷分配（LDA）来获得每个特朗普推文的主题的加权混合。然后，我们使用负二项回归模型的“喜欢”，与每个主题的权重作为解释变量。我们的研究表明，攻击奥巴马总统和前国务卿希拉里·克林顿等民主党人为特朗普赢得了最多的“喜欢”。“我们的推理框架可以推广到其他政治家的研究。
2016-03-09 cs.SI
Why Do You Spread This Message? Understanding Users Sentiment in Social Media Campaigns
Twitter越来越多地被用于传播有关竞选活动的信息。这些活动试图通过他们的推特账户获得追随者，影响追随者并通过他们传播信息。在本文中，我们探讨了追随者的情绪对运动的主题和他们的转发率的运动所产生的消息之间的关系。我们对多个社交媒体活动的追随者进行了分析，发现这种情绪和转发率之间存在统计学显著相关性。根据我们的分析，我们在不同社交媒体活动的追随者中进行了一项在线干预研究。我们的研究表明，基于他们对活动的情绪来定位追随者可以比其他一些基线方法提供更高的转发率。
2014-03-24 cs.SI physics.soc-ph
University Twitter Engagement: Using Twitter Followers to Rank Universities
我们对264所美国大学进行了研究和排名，这些大学来自美国大学体育协会（NCAA）第一分部的成员资格和《美国新闻》、《泰晤士报高等教育》、《世界大学学术排名》和《金钱杂志》上公布的全球名单。我们的大学Twitter参与度（UTE）排名是基于大学主页上引用的主要和附属次要Twitter帐户的朋友和扩展追随者网络。在排名之间的比较中，我们观察到一个显着的，正的排名相关性（τ=0.6018）之间的UTE和总声誉排名，这表明，UTE可以是一个可行的代理排名通常排除在传统名单的非典型机构。此外，我们显着降低了数据汇集所需的成本排名每个机构只使用基于Web的工件和公开访问的Twitter应用程序编程接口（API）。
2017-08-19 cs.DL cs.SI
Comparison of Indicators of Location Homophily Using Twitter Follow Graph
位置同质性是Twitter用户的一种倾向，他们的追随者往往在同一个或附近的地区。直觉上，虽然拥有更多追随者关系的用户可能会有负面的同质性指标，但值得参考实际的Twitter数据。此外，可能存在关于与同质性更直接相关的朋友和追随者的数量的某些函数。在这项研究中，朋友数量与追随者数量的比例被证明是一个更有效的同性恋的负面指标，并验证了10个不同国家的结果。
2021-10-26 cs.SI
Complex Network Analysis of North American Institutions of Higher Education on Twitter
北美高等教育机构（IHE）：大学，4年制和2年制学院以及贸易学校-在Twitter上大量存在和关注。IHE的Twitter账户平均有20 000名订阅者。他们中的许多人关注一个以上的IHE，从而有可能根据共同关注者的数量构建IHE网络。在本文中，我们探讨了Twitter上的1，435个IHE网络的结构。我们发现网络属性（各种中心性和聚集系数）与IHE的属性（例如入学、学费和宗教/种族/性别隶属）之间存在显着相关性。我们发现了与同性恋相关的网络的社区结构--类似的追随者跟随类似的大学。此外，我们分析了追随者的自我描述，并确定了12个重叠的主题，可以追溯到追随者的群体身份。
2020-10-02 cs.SI
Actively Learning to Attract Followers on Twitter
The Technion（以色列理工学院）
Twitter是一个流行的社交网络，为在线机器学习研究提供了巨大的机会。然而，以前的研究几乎完全集中在从被动收集的数据中学习。我们研究了通过规范的用户行为来学习获取追随者的问题，而不是许多机器人应用的大规模追随政策。我们正式的问题作为一个上下文的强盗问题，在其中我们认为转发内容是选择的行动和每个鸣叫（内容）是伴随着上下文。我们根据追随者的变化来设计奖励信号。我们对60个代理进行了长达一个月的实验，结果表明：（1）跨代理的经验聚合会对预测准确性产生不利影响;（2）Twitter社区对不同操作的反应是不稳定的。我们的研究结果表明，在线主动学习可以提供关于如何吸引追随者的更深入的见解，而不仅仅是被动收集数据的机器学习。
2015-04-16 cs.LG cs.SI stat.ML
Deciphering the 2016 U.S. Presidential Campaign in the Twitter Sphere: A Comparison of the Trumpists and Clintonists
在本文中，我们研究了2016年美国总统竞选中两位领先候选人唐纳德·特朗普和希拉里·克林顿的追随者人口统计数据。我们构建了一个独特的数据集US2016，其中包括2015年9月17日至2015年12月22日期间每个候选人的关注者数量。US2016还包括这些追随者的地理位置，他们自己的追随者数量，以及非常重要的每个追随者的个人资料图像。我们使用个人的追随者数量和个人资料图片来分析追随者人口统计的四个维度：社会地位，性别，种族和年龄。我们的研究表明，在社会影响力方面，特朗普主义者比克林顿主义者更加两极分化：他们往往要么影响力很大，要么影响力很小。我们还发现，与克林顿主义者相比，特朗普主义者更有可能要么很年轻，要么很老。我们的研究发现，在Twitter领域，克林顿的性别亲和力没有影响，但我们确实发现克林顿主义者的种族更加多样化。
2016-03-09 cs.SI
Evolution of Retweet Rates in Twitter User Careers: Analysis and Model
我们研究了Twitter用户在平台上的“职业生涯”中收到的转发数量的演变。我们发现，平均而言，用户收到的转推数量往往会随着时间的推移而增加。这在一定程度上是意料之中的，因为用户往往会逐渐积累粉丝。然而，通过关注者的数量进行归一化，可以发现相对的每个关注者的转发率往往是非单调的，在“高峰年龄”时最大化，之后它不会增加，甚至会下降。我们开发了一个简单的数学模型来描述这种现象背后的过程，该模型假设追随者的数量不断增加，随着时间的推移，每个人都会失去兴趣。我们发现，这个模型是足够的解释每个追随者的转发率的非单调性，没有任何假设的质量在不同的时间张贴的内容。
2021-04-05 cs.SI
Predicting Rising Follower Counts on Twitter Using Profile Information
当评估一个人在Twitter上受欢迎的原因时，有一件事被认为是主要的驱动力：许多推文。关于应该发布什么样的推文，人们存在争议，但除了推文之外就没什么了。特别令人感兴趣的是每个Twitter用户的个人资料页面提供的信息。其中一个特点是这些配置文件上的名字。对心理学和经济学的研究发现了名字与以下因素的相关性：一个人的学校成绩或在美国获得面试机会。因此，我们感兴趣的是这些配置文件信息对追随者数量的影响。我们通过分析大约600万Twitter用户的个人资料来解决这个问题。所有配置文件分为三组：在名称字段中有名字、英语单词或两者都没有的用户。假设是名称和单词影响用户的可重复性，并随后影响他/她的追随者数量。我们提出了一个分类器，标签用户将增加他们的追随者计数在一个月内，通过应用不同的模型，基于用户的组。用受试者操作曲线得分下的面积评估分类器，并获得高于0.800的得分。
2017-05-09 cs.IR cs.SI
Predicting Popularity of Twitter Accounts through the Discovery of Link-Propagating Early Adopters
在本文中，我们提出了一种方法，排名最近创建的Twitter帐户，根据其预期的受欢迎程度。早期发现新的有潜力的账户对于趋势预测、病毒式营销、用户推荐等都很有用。然而，新账户很难评估，因为他们还没有建立自己的声誉，我们无法应用现有的基于链接或其他基于流行度的账户评估方法。我们的方法首先找到“早期采用者”，即，经常比其他人更早发现新的好信息源的用户。然后，我们的方法将被良好的早期采用者关注的新帐户视为有希望的，即使他们现在没有很多追随者。为了找到好的早期采用者，我们估计每个帐户的链路传播频率，即，该帐户的以下链接被其追随者复制了多少次。如果其关注者过去复制了其许多关注链接，则该帐户必须是早期采用者，他们比其关注者更早找到好的信息源。我们开发了一种方法来推断哪些链接是通过复制哪些链接创建的。我们的方法的一个优点是，我们的方法只使用仅通过爬行当前Twitter图中目标帐户的邻居即可轻松获得的信息。我们通过对Twitter数据的实验来评估我们的方法。我们从Twitter的旧快照中选择了当时的新帐户，通过我们的方法计算他们的排名，并将其与帐户当前拥有的追随者数量进行比较。结果表明，我们的方法比各种基线方法产生更好的排名，特别是对于只有少数追随者的新帐户。
2015-12-08 cs.SI
A Large-Scale Study of the Twitter Follower Network to Characterize the Spread of Prescription Drug Abuse Tweets
在这篇文章中，我们进行了一个大规模的Twitter追随者网络的研究，涉及约0.42万用户谁证明DA，以表征DA推文在网络中的传播。我们的观察揭示了一个非常大的巨型组件的存在，涉及99%的这些用户与密集的本地连接，促进了这种消息的传播。我们进一步确定了网络上的活跃级联，并观察到DA推文的级联通过几个紧密相连的用户群体的参与而在很长一段距离内传播。此外，我们的观察还揭示了一个集体现象，涉及一个大的活动边缘节点（与少量的追随者和追随者）以及一个小的连接良好的非边缘节点，共同努力，朝着这样的蔓延，从而可能复杂的过程中逮捕这样的级联。此外，我们发现，用户对某些药物的参与，如Vicodin，Percocet和OxyContin，这些药物在Twitter上被提及最多。另一方面，对于Lortab等提及较少的药物，随着对此类推文的接触增加，参与概率变高，从而表明在Twitter上参与的药物滥用者仍然容易采用新药物，从而进一步加剧了问题。
2021-02-17 cs.SI
Fame for sale: efficient detection of fake Twitter followers
IIT-CNR（意大利国家研究委员会信息科学与技术研究所）；Bell Labs, Alcatel-Lucent（阿尔卡特-朗讯贝尔实验室）
$\textit{Fake followers}$是那些专门创建的Twitter帐户，用于增加目标帐户的追随者数量。假粉丝对社交平台和其他平台都是危险的，因为他们可能会改变Twitter领域的流行度和影响力等概念-从而影响经济，政治和社会。在本文中，我们沿着不同的维度做出贡献。首先，我们回顾了一些最相关的现有功能和规则（由学术界和媒体提出）的异常Twitter帐户检测。其次，我们创建了一个经过验证的人类和虚假追随者账户的基线数据集。这种基线数据集向科学界公开提供。然后，我们利用基线数据集训练一组机器学习分类器建立在审查的规则和功能。我们的研究结果表明，媒体提出的大多数规则提供不满意的性能，揭示假追随者，而在过去的学术界提出的垃圾邮件检测功能提供了良好的效果。在最有前途的功能的基础上，我们在减少过拟合和收集计算功能所需的数据的成本方面修改了分类器。最终的结果是一个新的$\textit{Class A}$分类器，一般足以阻止过拟合，轻量级由于使用成本较低的功能，仍然能够正确分类超过95%的原始训练集的帐户。我们最终执行基于信息融合的灵敏度分析，以评估分类器所采用的每个特征的全局灵敏度。本文中报告的发现，除了得到彻底的实验方法的支持和有趣的本身，也为进一步研究虚假Twitter粉丝的新问题铺平了道路。
2015-11-10 cs.CR cs.LG cs.SI
How Polarized Have We Become? A Multimodal Classification of Trump Followers and Clinton Followers
几十年来，美国政治的两极分化一直被广泛记录和分析，这种现象在2016年总统大选期间变得更加明显，特朗普和克林顿描绘了两种截然不同的美国形象。受这种两极分化和2016年总统竞选期间Twitter的广泛使用的启发，在本文中，我们迈出了衡量社交媒体两极分化的第一步，我们试图通过分析个人的日常推文，个人资料图像和发布的图片来预测个人的Twitter追随行为。因此，我们将两极分化视为一个分类问题，并研究特朗普的追随者和克林顿的追随者在Twitter上可以在多大程度上区分开来，这反过来又可以作为一般两极分化的度量标准。我们将LSTM应用于处理推文特征，并使用VGG神经网络提取视觉特征。将这两组特性集成在一起可以提高整体性能。我们能够达到69%的准确率，这表明文献中记录的高度两极分化也开始在社交媒体中表现出来。
2017-11-02 cs.SI
Social Contagion: An Empirical Study of Information Spread on Digg and Twitter Follower Graphs
社交网络已成为信息传播、搜索、营销、专业知识和影响力发现的关键因素，并可能成为动员人民的重要工具。社交媒体使社交网络无处不在，也使研究人员能够获得大量数据进行实证分析。这些数据集为研究个人和群体行为的动态、网络的结构和信息流动的全球模式提供了丰富的证据来源。然而，在以前的大多数研究中，底层网络的结构并不直接可见，而是必须从个人之间的信息流中推断出来。因此，我们还不了解网络上的信息传播的动态或网络的结构如何影响它。我们通过分析两个流行的社会新闻网站的数据来解决这个问题。具体来说，我们提取活跃的Digg和Twitter用户的追随者图，并跟踪对新闻故事的兴趣如何通过图级联。我们比较和对比这两个网站上的信息级联的属性，并阐明他们告诉我们的动态网络上的信息流。
2013-08-12 cs.CY cs.SI physics.data-an
DECIFE: Detecting Collusive Users Involved in Blackmarket Following Services on Twitter
Twitter的流行助长了各种欺诈性用户活动的出现-其中一种活动是通过在短时间内获得大量追随者来人为地提高Twitter个人资料的社会声誉。许多用户希望获得追随者，以增加他们的个人资料的可见性和广泛的受众。这已经引起了一些黑市服务，以一种串通的方式通过网络提供人工关注者的同意和妥协的帐户，以获得巨大的关注。他们的活动很难被发现，因为黑市服务以这样一种方式塑造他们的行为，即这些服务的一部分用户将自己伪装成真正的用户。在本文中，我们提出了DECIFE，一个框架来检测参与生产“以下”活动，通过黑市服务的意图，以获得勾结的追随者作为回报的串通用户。我们首先构建了一个异构的用户推文主题网络，利用追随者/followee的关系和语言属性的用户。然后将异构网络分解为四个不同的子图，以捕获用户之间的语义关系。提出了一种基于注意力的子图聚合网络来学习和组合每个子图的节点表示。最后将组合表示传递到超球学习目标以检测合谋用户。在我们策划的数据集上进行了全面的实验，通过将DECIFE与其他最先进的方法进行比较来验证其有效性。据我们所知，这是第一次尝试检测参与Twitter黑市“跟踪服务”的串通用户。
2021-07-24 cs.SI
To Follow or Not to Follow: Analyzing the Growth Patterns of the Trumpists on Twitter
在本文中，我们分析了唐纳德·特朗普在Twitter上的追随者（以下简称特朗普主义者）的增长模式。我们首先建立了一个带有时间趋势的随机游走模型来研究公众辩论的增长趋势和影响。然后，我们分析了特朗普在Twitter上的活动和他的追随者的增长之间的关系。第三，我们分析了诸如呼吁穆斯林禁令和他的“schlonged”言论等有争议的事件的影响。
2016-03-27 cs.SI
A Comparative Analysis of Social Network Pages by Interests of Their Followers
Tyumen State University（秋明国立大学）
用户兴趣是一个认知问题，它应该独立于用户的语言、社会网络和兴趣内容本身而易于分类。为了证明这一点，我们分析了英语和俄语Twitter和Vkontakte社区页面的追随者的兴趣。首先，我们在专家分析的帮助下创建一个主要兴趣（MaIs）模型，然后使用机器学习算法（SVM，神经网络，朴素贝叶斯等）对一组页面进行分类。我们选择了英语和俄语社区的三个典型兴趣领域：足球，摇滚乐，素食主义。分类结果显示，俄语Vkontakte和俄语Twitter页面之间的相关性更大，而英语Twitter页面似乎提供了最高的分数。
2017-10-17 cs.CL cs.IR cs.SI
Celebrity Profiling on Short Urdu Text using Twitter Followers' Feed
COMSATS University Islamabad, Lahore Campus（卡拉奇校区的COMSATS大学）
本研究利用关注者推文文本，通过机器学习和深度学习模型对乌尔都语名人进行画像，在性别预测上取得最佳性能（cRank和准确率均为0.65）。
2025-10-10 cs.AI cs.CL cs.SI
An Analysis of the Twitter Discussion on the 2016 Austrian Presidential Elections
在本文中，我们提供了一个系统的分析Twitter上讨论2016年奥地利总统选举。特别是，我们提取和分析了一个数据集，包括343645与2016年奥地利总统选举有关的Twitter消息。我们的分析结合了网络科学、情感分析以及机器人检测的方法。除其他外，我们发现：（一）选举获胜者（亚历山大·范德贝伦）在推特上比他的对手更受欢迎和更有影响力，b）范德贝伦的推特粉丝大量参与了关于他的错误信息的传播，c）两名总统候选人的推特粉丝传播的情绪存在明显的两极分化，d）底层通信网络的入度和出度分布是重尾的，以及e）与最近的其他事件相比，例如2016年英国脱欧公投或2016年美国总统大选，只有极少数机器人参与了2016年奥地利总统大选的Twitter讨论。
2017-07-31 cs.SI
Mining Anonymity: Identifying Sensitive Accounts on Twitter
我们探讨了自动查找在Twitter上发布敏感内容的帐户的可行性。解决这个问题的一个自然方法是首先创建一个敏感关键字列表，然后识别在推文中使用这些关键字的Twitter帐户。但这种方法可能会忽略那些没有被主观选择的关键字所覆盖的敏感账户。在本文中，我们通过检查帐户拥有的匿名和可识别追随者的百分比来探索如何找到敏感帐户。这种方法的动机是早期的一项研究表明，敏感帐户通常有很大比例的匿名追随者和一小部分可识别的追随者。为此，我们首先考虑自动确定Twitter帐户是匿名还是可识别的问题。我们发现，简单的技术，如检查名称列表成员，性能不佳。我们设计了一个机器学习分类器，可以将帐户分类为匿名或可识别。然后，我们根据帐户拥有的匿名和可识别追随者的百分比将帐户归类为敏感帐户。我们将我们的方法应用于大约100，000个账户，拥有4.04亿活跃粉丝。这种方法发现了由于各种原因而敏感的账户。这些账户涵盖各种主题，包括那些通常不被认为是敏感的主题或那些与社会污名化主题有关的主题。为了验证我们的方法，我们将潜在狄利克雷分配（LDA）主题分析应用于检测到的敏感和非敏感账户中的推文。LDA表明，从该方法中获得的敏感和非敏感账户正在发布关于截然不同的主题的推文。我们的研究结果表明，客观地识别Twitter规模的敏感账户确实是可能的。
2017-02-01 cs.CR cs.SI
Detection and Analysis of 2016 US Presidential Election Related Rumors on Twitter
2016年美国总统大选见证了Twitter在这一年最重要的政治事件中的重要作用。候选人广泛利用这一社交媒体平台开展在线竞选活动。与此同时，社交媒体上充斥着谣言，这可能对选民的决定产生了巨大影响。在本文中，我们对两位总统候选人的追随者的谣言推文进行了深入分析：希拉里克林顿和唐纳德特朗普。为了克服将大量推文标记为训练数据的困难，我们通过将它们与经过验证的谣言文章进行匹配来检测谣言推文。我们分析了从两位候选人的追随者那里收集的800多万条推文。我们的研究结果提供了几个主要问题的答案，在这次选举中的谣言，包括：哪一方的追随者张贴最谣言，谁张贴这些谣言，他们张贴的谣言，以及他们何时张贴这些谣言。本文的研究有助于我们理解美国政治中的网络谣言行为。
2017-04-10 cs.SI
A community role approach to assess social capitalists visibility in the Twitter network
在Twitter的背景下，社会资本家是特定的用户，他们试图通过任何方式增加他们的追随者数量和互动。这些用户对服务来说是不健康的，因为他们要么是垃圾邮件发送者，要么是真正的用户，他们的影响力和可见度都是不好的。因此，研究他们的行为并了解他们在Twitter中的地位具有重要意义。还需要分析这些方法如何有效地影响用户可见性。基于最近提出的方法，允许识别社会资本家，我们解决这两点，通过研究他们是如何组织的，以及他们的链接如何在Twitter的追随者，追随者网络传播。为此，我们考虑他们在网络中的位置。它的社区结构。我们使用社区角色的概念，它描述了它在网络中的位置取决于它在社区级别的连通性。然而，最初定义的拓扑措施来表征这些角色只考虑某些方面的社区相关的连接，并依赖于一组经验固定的阈值。我们首先显示这些措施的局限性，然后扩展和推广它们。此外，我们使用一个无监督的方法来识别的角色，以提供更多的灵活性相对于所研究的系统。然后，我们将我们的方法应用于社会资本家的情况下，并显示他们是高度可见的Twitter上，由于他们持有的特定角色。
2015-06-15 cs.SI physics.soc-ph
Identifying the Community Roles of Social Capitalists in the Twitter Network
在Twitter的背景下，社会资本家是特定的用户，他们试图通过任何方式增加他们的追随者数量和互动。这些用户对Twitter网络来说并不健康，因为他们缺乏影响力和可见度的概念。事实上，最近已经观察到，他们是真实和活跃的用户，可以帮助恶意用户，如垃圾邮件发送者获得影响力。因此，研究他们的行为和了解他们在Twitter上的位置是非常重要的。最近的工作提供了一个有效的方法来检测社会资本家使用两个简单的拓扑措施。基于这种检测方法，我们研究社会资本家是如何分布在Twitter的朋友到追随者网络。我们特别感兴趣的是分析它们是如何组织的，以及它们的链接如何在网络中传播。提出这些问题可以了解社会资本主义方法是否增加了服务的实际可见性。为了这个目的，我们研究社会资本家在Twitter上的地位。网络的社区结构。我们的工作基础上的概念，社区角色的节点，它描述了它在网络中的位置取决于它的连接在社区一级。最初定义的拓扑措施来描述这些角色只考虑社区相关的连接的某些方面，并依赖于一组经验固定的阈值。我们首先展示了这些措施的局限性，然后通过考虑社区相关连接的新方面来扩展和推广它们。此外，我们使用一个无监督的方法来区分角色，以提供更多的灵活性相对于所研究的系统。然后，我们将我们的方法应用到社会资本家的情况下，并表明他们是高度可见的Twitter上，由于他们所占据的特定角色。
2014-06-25 cs.SI physics.soc-ph
Misleading Repurposing on Twitter
我们提出了第一个深入和大规模的误导性再利用研究，其中恶意用户通过更改个人资料属性等方式更改其社交媒体帐户的身份，以便在保留追随者的同时将帐户用于新目的。我们提出了一个行为的定义和一种方法，使用监督学习从互联网档案馆的Twitter流抓斗挖掘的数据，以标志重新用途的帐户。我们发现超过10万个账户可能被重新利用。我们还对重新利用的账户进行了描述，发现它们更有可能在一段时间的不活动和删除旧推文后被重新利用。我们还提供证据表明，对手的目标帐户高追随者计数，以重新利用，有些人使他们有高追随者计数参与后续计划。我们提出的结果对社交媒体平台的安全性和完整性，对如何考虑历史数据的数据科学研究，以及对整个社会如何欺骗用户关于观点的流行程度都有影响。
2022-09-20 cs.CY cs.SI
Fast generation of simple directed social network graphs with reciprocal edges and high clustering
在线社交网络已经成为日常交流或分享信息和新闻的有用工具。最流行的网络之一是Twitter，用户通过直接的追随者关系相互连接。研究人员研究了Twitter的追随者图，并描述了他们的各种拓扑特征。收集Twitter数据，特别是抓取用户的追随者，是一个繁琐而耗时的过程，由于其敏感性，包含个人用户信息，需要仔细对待数据。因此，我们的目标是快速生成合成有向社会网络图的相互边缘和高聚类。我们提出的方法是基于以前开发的模型，但依赖于较少的超参数，并具有显着较低的运行时间。实验结果表明，该方法不仅能很好地复制爬行后的有向Twitter图，而且能有效地提高网络的性能.几个拓扑特征和流行病传播过程的应用，但它也是高度可扩展的，允许快速创建表现出与真实世界网络相似属性的更大的图。
2022-08-22 cs.SI
The role of bot squads in the political propaganda on Twitter
社交媒体如今是信息传播和新闻检查的特权渠道。出乎意料的是，对于大多数用户来说，自动账户，也被称为社交机器人，对新闻传播的贡献越来越大。以Twitter为基准，我们考虑了一个月观察期间针对特定主题（即从北非到意大利的移民流量）交换的流量。我们只测量tweets的重要流量，通过实现一个基于熵的空模型，该模型对用户的活动和tweets的病毒式传播进行了折扣。结果表明，社交机器人在重要内容的交换中发挥着核心作用。事实上，不仅最强大的中心在其追随者中拥有比预期更高的机器人数量，而且其中一组可以被分配到相同的政治倾向，共享一组共同的机器人作为追随者。这种自动化账户的转发活动放大了中心信息在平台上的存在。
2019-05-29 cs.SI
Information Diffusion Power of Political Party Twitter Accounts During Japan's 2017 Election
在现代竞选活动中，政党利用社交媒体宣传其政策和候选人，并与选民沟通。在2017年日本最新一次大选，即第48届众议院大选中，社交媒体，尤其是推特被积极使用。在本文中，我们对选举期间转发政党推文的社交图和用户进行了详细的分析。我们的目标是获得关于每一方的扩散能力的准确信息，而不仅仅是追随者的数量。结果表明，关注一个政党账户的用户的用户也倾向于关注该账户。这意味着它不会增加多样性，因为相互关注的用户往往分享相似的价值观。我们还发现，特定政党的追随者经常转发这些推文。然而，由于关注政党账户的用户并不多样化，政党只向少数政治脱离用户提供信息。
2018-09-25 cs.SI
Attention Inequality in Social Media
社交媒体可以被视为一个社会系统，其中货币是注意力。人们发布内容并与他人互动以吸引注意力并获得新的追随者。在本文中，我们研究了一个流行的社交媒体网站Twitter的大样本用户的注意力分布。通过对这些数据的实证分析，我们得出结论，注意力分布非常不均匀：前20%的Twitter用户拥有超过96%的所有追随者，93%的转发和93%的提及。我们研究了导致注意力不平等的机制，发现它是由注意力扩散的“富-富”和“穷-穷”动态过程造成的。也就是说，关注度“丰富”的用户，因为他们经常被提及和转发，更有可能获得新的追随者，而关注度“贫乏”的用户则可能失去追随者。我们开发了一个量化注意力扩散和网络动态的现象学模型，并解决它来研究在社交媒体的动态环境中，注意力不平等如何随着时间的推移而增长。
2016-01-26 cs.SI
Investigating Coordinated 'Social' Targeting of High-Profile Twitter Accounts
2016年美国总统大选后，人们越来越关注社交媒体平台上出于政治动机操纵大众用户行为的问题。由于大量的政治讨论发生在这些平台上，识别恶意活动和协调运动对于确保强大的民主环境至关重要。Twitter已成为政治家和其他公众人物的重要沟通渠道，使他们能够与支持者保持直接关系。然而，该平台一直是大规模恶意活动的沃土。随着2020年美国总统大选的临近，我们开发了一些工具来监控一些最著名的Twitter用户的关注者动态，包括美国总统候选人。我们调查了许多奇怪的现象，例如追随者计数图表上的戏剧性尖峰和锯齿波形;“循环”的用户帐户队列，即，重新关注高调帐户无数次;和其他'复活'的帐户，最近重新参与Twitter后，多年的非活动。因此，通过在这些背景下的各种分析，我们揭示了多个协调的“社会”目标活动，旨在通过使用社会自动化网络（机器人）来影响社会关键事件的结果，通常通过“妥协”账户来优化他们的社会资本，这些账户-不为外界所知-被劫持。
2020-08-06 cs.SI
Is Anyone Out There? Unpacking Q&A Hashtags on Twitter
除了发布新闻和状态更新外，许多Twitter用户还发布寻求各种主观和客观信息的问题。这些问题通常带有“Q&A”标签，例如#lazyweb或#twoweb。我们对Twitter用户进行了调查，发现他们使用这些问答标签作为主题标志（这条推文需要一个答案！）并接触到他们的直接追随者之外的人（一个监视标签的有用的推特社区）。然而，我们对数千个带标签的问答交流的日志分析显示，几乎所有对带标签的问题的回复都来自用户的直接追随者网络，这与用户的信念相矛盾，即他们通过标记他们的问题推文来进入更大的社区。这一发现对设计下一代社交搜索系统具有重要意义，这些系统可以接触并吸引广泛的回答者。
2015-07-06 cs.CY cs.SI
Community detection and role identification in directed networks: understanding the Twitter network of the care.data debate
随着社交媒体作为辩论和讨论公共事务的重要渠道的兴起，推特等在线社交网络已成为公共信息和决策者参与的重要平台。为了通过Twitter进行有效沟通，政策制定者需要了解影响力和兴趣如何在其用户网络中传播。在这一章中，我们使用图论方法来分析围绕NHS英格兰的有争议的care.data计划的Twitter辩论。方向性是Twitter社交图的一个重要特征--信息从追随者流向追随者--但在社会网络分析中经常被忽略;我们的方法基于网络上动态过程的行为，可以自然地应用于有向网络。我们发现了强大的用户社区，并表明这些社区反映了信息如何通过Twitter网络流动。我们还可以根据用户在引导网络信息流中的不同角色对他们进行分类。我们的方法和结果将是有用的政策制定者谁想要有效地使用Twitter作为一种沟通媒介。
2015-08-13 cs.SI physics.soc-ph
Efficiency of Human Activity on Information Spreading on Twitter
了解对个人行为的集体反应是在社交媒体上有效传播信息的关键。在这项工作中，我们定义的Twitter上的效率，作为新兴的传播过程和用户所采用的活动之间的比率。我们通过对人类互动中出现的结构和动态模式的定量分析来表征这一属性，并表明它在几个Twitter对话中具有普遍性。我们发现，一些有影响力的用户通过发送的每条消息有效地引起了显着的集体反应，而大多数用户必须付出更大的努力才能达到类似的效果。接下来，我们提出了一个模型，再现发生在Twitter上的转发级联来解释用户效率的紧急分布。该模型表明，会话的动态模式强烈地受到底层网络的拓扑结构的制约。我们的结论是，一小部分非常有效的用户的外观的结果从追随者网络的异质性和独立的个人用户行为。
2014-11-03 cs.SI physics.soc-ph
Spatio-Temporal Analysis of Topic Popularity in Twitter
我们提出了第一个全面的表征的想法在Twitter上的传播，研究超过4000个主题，包括流行和不太流行的主题。在一个包含大约1000万用户的数据集上，我们对这些用户在2009年6月至2009年8月期间发布的所有推文（大约2亿条推文）进行了全面的抓取，我们进行了严格的时间和空间分析，调查了用户讨论每个主题所形成的子图的时间演化特性。我们专注于两个不同的概念的空间：网络拓扑结构形成的追随者，以下的链接在Twitter上，和用户的地理空间位置。我们调查了发起人对主题流行度的影响，发现拥有大量追随者的用户对流行度有很强的影响。我们推断，当讨论主题的用户开始合并并形成一个巨大的组成部分，覆盖网络的很大一部分时，主题就会变得流行。我们的地理空间分析表明，非常受欢迎的主题是那些积极跨越区域边界的主题。
2011-11-15 cs.CY cs.SI
Supporting the Curation of Twitter User Lists
Twitter在2009年底推出了列表，作为一种将推文整理成有意义主题的手段。列表很快被媒体公司采用，作为围绕新闻故事组织内容的一种手段。因此，这些列表的管理很重要，它们应该包含关键的信息守门人，并对故事提出平衡的观点。确定成员加入一个新出现的专题的名单是一个微妙的过程。从网络分析的角度来看，有一些意见的Twitter网络，可以探索，例如追随者，转推提到等，我们提出了一个整合这些意见的过程，以推荐权威的评论员，包括在列表中。这一过程是在人工策划的巴林骚乱和2012年美国大选爱荷华州党团会议的名单上进行评估的。
2011-10-06 cs.CY cs.SI physics.soc-ph
Aggregate Characterization of User Behavior in Twitter and Analysis of the Retweet Graph
以前对Twitter用户行为的大多数分析都集中在个人信息级联和社交粉丝图上。相反，我们研究聚合用户行为和转推图，重点是定量描述。我们发现，寿命鸣叫分布是一个II型离散威布尔源于幂律风险函数，鸣叫率分布，虽然渐近幂律，表现出对数正态截止在有限的样本间隔，和鸣叫间隔分布是幂律指数截止。转推图是小世界和无标度的，就像社交图一样，但不那么分散，并且具有更强的聚类。这些差异与它更好地捕捉用户之间的真实社会关系和信任是一致的。除了理解和建模人类的通信模式和社交网络，应用替代，分散的微博系统，无论是预测现实世界的表现和检测垃圾邮件进行了讨论。
2014-02-11 cs.SI physics.soc-ph
Twitter and Polls: Analyzing and estimating political orientation of Twitter users in India General #Elections2014
今年（2014年）5月，第15届人民院的任期即将结束，并将举行543个议会席位的选举。这些选举花费了50亿美元，这使我们在花费方面仅次于美国总统选举。根据IAMAI（印度互联网和移动协会）的一份报告，互联网用户和在线社交媒体（OSM）用户数量的增加可能会影响3-4%的城市人口投票。从2013年9月到2014年5月，与选举有关的推文数量接近1821万条。我们分析了完整的数据集，发现Twitter上的活动在重要事件期间达到峰值。从我们的数据中可以明显看出，政治家的政治行为影响了他们的追随者数量。我们工作的另一个目的是找到一种有效的方法来分类Twitter上用户的政治倾向。我们使用了四种不同的技术：两种基于推文的内容，一种基于基于用户的特征，另一种基于转推和用户提及网络上的社区发现算法。我们发现社区发现算法效果最好。我们建立了一个门户网站来显示对过去24小时推文的分析。据我们所知，这是第一次对2014年印度大选的选举数据进行分析并对用户进行分类的学术研究。
2014-06-19 cs.SI physics.soc-ph
The Bursty Dynamics of the Twitter Information Network
在在线社交媒体系统中，用户不仅发布、消费和重新共享内容，而且还在底层社交网络中创建新的连接并破坏现有的连接。虽然这两种类型的动力学在过去都被单独研究过，但对两者之间的联系知之甚少。用户信息发布和搜索行为如何与底层社会网络结构的演变相互作用？在这里，我们研究网络结构对用户发布和共享内容的反应方式。我们研究了Twitter信息网络的完整动态，用户在创建和破坏连接的同时发布和转发信息。我们发现，网络结构的动力学特征可以是稳定的变化率，突然爆发中断。以级联的后再共享形式的信息扩散常常会造成新连接的突然爆发，这显著改变了用户的本地网络结构。这些突发事件改变了用户的追随者网络，使其在结构上更具凝聚力，在追随者兴趣方面也更加同质化。我们还探讨了信息内容对网络动态的影响，并发现新主题和现实世界事件的出现会导致边缘创建和删除的显着变化。最后，我们开发了一个模型，该模型量化了网络的动态和这些突发事件的发生，作为通过网络传播的信息的函数。该模型可以成功地预测哪些信息扩散事件将导致网络动态的突发。
2014-03-11 cs.SI physics.soc-ph stat.ML
Friendship Paradox Redux: Your Friends Are More Interesting Than You
菲尔德的友谊悖论指出：“平均而言，你的朋友比你有更多的朋友。“这种矛盾的出现是因为非常受欢迎的人，尽管很少见，但在平均超过朋友时，他们的人数过多。使用Twitter的消防水管的样本，我们确认，友谊悖论持有超过98%的Twitter用户。由于Twitter上关注者图的定向性，我们能够进一步证实友谊悖论的更详细形式：你关注的每个人或关注你的人都比你有更多的朋友和关注者。这可能是由我们展示的Twitter活动，朋友数量和追随者数量之间的相关性引起的。此外，我们发现了两个新的悖论：病毒性悖论，即“平均而言，你的朋友比你收到更多的病毒性内容”，以及活动悖论，即“平均而言，你的朋友比你更活跃。“后一个悖论在规范在线通信方面很重要。这可能导致用户难以保持最佳的传入信息速率，因为跟随额外的用户会导致传入推文的数量超线性地增加。虽然用户可以通过增加他们自己的活动来补偿增加的信息流，但是当用户接收到比他们能够或愿意处理的更多的信息时，用户变得信息过载。我们比较了过载和欠载用户发送和接收的级联的平均大小。我们表明，超载的用户发布和接收较大的级联，他们是穷人的小级联检测器。
2013-04-11 cs.CY cs.SI nlin.AO
When Celebrities Speak: A Nationwide Twitter Experiment Promoting Vaccination in Indonesia
名人代言往往是为了影响公众舆论。我们要问的是，名人代言本身是否有一种超越他们的言论被许多人看到这一事实的影响，以及他们的言论是否真的会在网上导致人们改变他们的信仰。为此，我们在印度尼西亚进行了一项全国性的Twitter实验，有46位知名人士和组织，共有780万粉丝，他们同意让我们随机从他们的账户中发布或转发促进免疫接种的内容。我们的设计利用了Twitter上沿着转发链传递的信息的结构来解析到达与认可效应。背书事项：用户可以识别为由名人发起的推文比由相同用户看到但没有名人认可的类似推文更有可能被用户喜欢或转发。相比之下，在推文中明确引用消息来源实际上会减少传播。通过随机选择哪些名人在什么时候发推文，我们发现了暗示性的证据，表明对该运动的整体接触可能会影响人们对疫苗接种的信念和对一个人的网络寻求免疫接种行为的了解。总的来说，研究结果表明名人代言的重要作用。
2019-02-15 cs.SI physics.soc-ph
@I to @Me: An Anatomy of Username Changing Behavior on Twitter
在线社交网络（OSN）上的用户的身份由她的简档、内容和网络属性定义。OSN允许用户随时间改变他们的在线属性，以反映他们现实生活中的变化。用户内容和网络属性的时间变化在文献中已经得到了很好的研究，但很少有研究探讨了在线用户的配置文件属性的时间变化。这项工作使第一次尝试研究改变一个独特的配置文件属性的用户-用户名和流行的OSN，允许用户多次更改用户名- Twitter。我们在宏观层面上收集、监测和分析了870万Twitter用户，在微观层面上收集了1万用户，以了解用户名更改行为。我们发现，大约10%的受监控Twitter用户选择更改用户名，可能的原因包括空间增益，追随者增益和用户名推广。很少有用户会切换回他们过去的用户名，但是他们更喜欢切换回最近丢弃的用户名。更改用户名的用户比不更改用户名的用户更活跃，更受欢迎。用户的入度、活跃度和创建年份与用户名更改频率之间的相关性较弱。我们相信，用户过去的用户名以及从过去推断出的相关好处，可以帮助Twitter向用户建议一组合适的用户名。过去的用户名也可以在其他应用程序中提供帮助，例如搜索和链接用户的多个OSN帐户以及将多个Twitter配置文件与单个用户关联。
2014-05-26 cs.SI physics.soc-ph
Analyzing Behavioral Changes of Twitter Users After Exposure to Misinformation
近年来，社交媒体平台被用来传播错误信息。广泛的网上错误信息已被证明会影响用户的信仰，并与两极分化等社会影响有关。在这项工作中，我们专注于错误信息对特定用户行为的影响，旨在了解一般Twitter用户在暴露于错误信息后是否改变了他们的行为。我们比较了暴露用户的行为前后，以确定他们发布推文的频率或他们推文的情绪是否发生了任何重大变化。我们的研究结果表明，用户总体上在这些指标中的一些指标上表现出统计上显著的行为变化。通过语言距离分析，我们发现暴露的用户已经不同于基线用户之前的曝光。我们还研究了两个特定的用户组，多次暴露和极端变化组，这是潜在的高度影响的特点。最后，我们研究了用户暴露于错误信息推文后的行为变化是否因其关注者数量或推文作者的关注者数量而异，并发现他们的行为变化都是相似的。
2021-11-01 cs.CY cs.SI
Can A User Anticipate What Her Followers Want?
Max Planck Institute for Software Systems（马克斯·普朗克软件系统研究所）
每当社交媒体用户决定分享一个故事时，她通常很高兴收到喜欢，评论，分享，或者更普遍的是，来自她的追随者的反馈。因此，她可能会感到被迫使用她收到的反馈来（重新）估计她的追随者的偏好，并决定接下来分享哪些故事以获得更多（积极）反馈。在什么条件下，她能成功？在这项工作中，我们首先从理论的角度来研究这个问题，然后提供一套实用的算法来识别和描述社交媒体中的这种行为。更具体地说，我们解决上述问题的顺序决策和效用最大化的观点。对于各种各样的效用函数，我们首先表明，要成功，用户需要积极权衡剥削-分享故事，导致更多的（积极的）反馈-和探索-分享故事，以了解她的追随者的偏好。然而，如果用户除了利用她接收的反馈之外还利用她的追随者提供给其他用户的反馈，则探索是不必要的。然后，我们开发了一个效用估计框架的观察数据，它依赖于统计假设检验，以确定用户是否利用她从她的每个追随者收到的反馈来决定下一步要发布什么。合成数据上的实验说明了我们的理论研究结果，并表明我们的估计框架能够准确地恢复用户的潜在效用函数。在从Twitter和Reddit收集的几个真实数据集上进行的实验表明，在我们的数据集中，高达82%（43%）的Twitter（Reddit）用户确实使用他们收到的反馈来决定下一步发布什么。
2019-09-19 cs.LG cs.SI stat.ML
Leveraging Users' Social Network Embeddings for Fake News Detection on Twitter
社交网络（SN）对许多人来说是越来越重要的新闻来源。用户建立的在线连接允许信息比传统新闻媒体更容易传播（例如，报纸、电视）。然而，它们也使假新闻的传播比传统媒体更容易，特别是通过用户的社交网络连接。在本文中，我们专注于调查是否SN的用户连接结构可以帮助Twitter上的假新闻检测。特别是，我们建议嵌入用户的基础上，他们的追随者或朋友网络的Twitter平台上，以确定用户形成的组。事实上，通过在Twitter用户的社交网络连接的图上应用无监督图嵌入方法，我们观察到参与假新闻的用户比只参与事实新闻的用户更紧密地聚集在一起。因此，我们假设嵌入式用户的网络可以帮助有效地检测假新闻。通过使用公开可用的Twitter数据集进行广泛的实验，我们的结果表明，在SN上应用图嵌入方法，使用用户连接作为网络信息，确实可以比大多数基于语言的方法更有效地对假新闻进行分类。具体地说，我们观察到比仅使用文本信息有显著的改进（即，TF.IDF或BERT语言模型），以及部署了高级文本特征（即，姿态检测）和复杂网络特征（例如，用户网络、出版商交叉引用）。我们的结论是，Twitter用户的友谊和追随者网络信息可以显着优于基于语言的方法，以及现有的最先进的假新闻检测模型，使用更复杂的网络结构，在分类Twitter上的假新闻。
2022-11-19 cs.IR cs.SI
Walking Through Twitter: Sampling a Language-Based Follow Network of Influential Twitter Accounts
Twitter通过公开访问、免费的标准API不断加强对其数据的访问。这尤其适用于网络。有鉴于此，我们成功地修改了网络采样方法，使其能够与Twitter标准API有效地配合使用，以便检索基于语言的Twitter关注网络中最核心和最有影响力的帐户：德国Twittersphere。我们提供的证据表明，该方法能够近似一组前1%至10%的有影响力的帐户在德国的Twitter领域的活动，追随者数量，覆盖面和范围。此外，我们展示了这些数据的有用性，提出的第一个概述的主题社区内的德国Twitter和他们的网络结构。所提出的数据采掘方法开辟了进一步的查询途径，如收集和比较的语言为基础的Twittersphere以外的德国，它的进一步发展，围绕某些主题或帐户的兴趣，并将其应用到其他在线社交网络和平台，如议程设置和意见领袖的概念。
2020-12-04 cs.SI
Interactional and Informational Attention on Twitter
Twitter可以被认为是一个去中心化的社交信息处理平台，其用户不断接收其关注者的信息源，然后他们可以将这些信息发送给他们的关注者。这种权力下放在活动和注意力方面并不缺乏等级和异质性。特别是，我们评估的注意分配在集体和个人的水平，这表明存在的注意力的限制和焦点效应。我们观察到，大多数用户通常集中他们的注意力在一个有限的核心同行和主题，并讨论interceptibility和信息注意过程之间的关系-所有这些，我们建议，可能是有用的细化影响力模型，使考虑不同的注意力可能性取决于用户，他们的活动水平和同行的位置。
2019-07-18 cs.CY cs.SI physics.data-an
Who Watches (and Shares) What on YouTube? And When? Using Twitter to Understand YouTube Viewership
我们将以用户为中心的Twitter数据与以视频为中心的YouTube数据相结合，以分析谁在YouTube上观看和分享了什么。结合两个数据集，87k Twitter用户，560万YouTube视频和1500万视频共享事件，可以进行丰富的分析，超出了单独使用两个数据集中的任何一个所能获得的分析。对于Twitter，我们生成与活动、兴趣和人口统计相关的用户特征。对于YouTube，我们获得了主题，流行度和极化的视频特征。这两个功能集通过在Twitter上共享YouTube URL的事件进行组合。这种组合以用户、视频和共享事件为中心的方式完成。对于以用户为中心的分析，我们展示了Twitter用户功能如何与YouTube功能和共享相关功能相关联。作为两个例子，我们发现城市用户比农村用户更快地分享，对于一些“影响力”的概念，Twitter上有影响力的用户分享视频的浏览量更高。对于以视频为中心的分析，我们发现初始Twitter份额和最终的浏览量之间存在超线性关系，显示了Twitter的相关行为。在用户影响力方面，我们发现第一周分享视频的用户的粉丝总数并不影响视频的最终受欢迎程度。然而，聚合的用户转发率可以更好地预测YouTube视频的受欢迎程度。对于以共享为中心的分析，我们揭示了在一定的时间尺度内视频创建和共享之间的时间相关行为的存在，显示了连贯响应的时间开始，以及集体响应极不可能的时间限制。我…
2016-02-22 cs.SI physics.soc-ph
What Propels Celebrity Follower Counts? Language Use or Social Connectivity
粉丝数量是衡量名人受欢迎程度的一个因素。这反映了他们的权力、声望和整体社会影响力。在本文中，我们调查是否社会连接或语言选择更相关的未来追随者计数的名人。我们收集了471位印度名人的推文、转发和提及数据，这些名人都拥有经过验证的Twitter账户。我们建立了两个新颖的网络来近似名人的社会连接。我们研究了这两个网络的各种结构特性，并观察它们与未来追随者数量的相关性。同时，我们分析了推文的语言结构（LIWC特征，语法和情感特征以及风格和可读性特征），并观察了这些特征与名人未来追随者数量的相关性。作为最后一步，我们使用这些特征将名人分类到未来粉丝数量的特定桶中（高，中或低）。我们观察到，单独的网络特征实现了0.52的准确度，而单独的语言特征实现了0.69的准确度，大大优于网络特征。网络和语言特征相结合产生0.76的准确度。我们还讨论了一些最终的见解，我们从进一步的数据分析中获得的名人与较大的追随者计数后推文，有（i）更多的话从朋友和家人LIWC类别，（ii）更多的积极情绪负载的话，（iii）有更好的语言结构和（iv）更可读。
2018-11-20 cs.SI
A Graph Approach to Simulate Twitter Activities with Hawkes Processes
近年来，由于互联网的普及，社交媒体的快速增长已经见证。这一趋势带来了越来越多的兴趣，模拟社交媒体，可以提供有价值的见解，学术研究人员和企业。在本文中，我们提出了一个逐步的方法，使用霍克斯过程，一个自激活的随机过程，模拟Twitter的活动，并展示了如何利用这个模型来评估极其罕见的网络危机的机会。本研究的另一个目的是介绍一种新的策略，实现Hawkes过程的图结构。总的来说，我们打算将目前的霍克斯过程扩展到更广泛的场景，特别是通过结合实际的用户状态和用户之间的追随者互动来创建更逼真的Twitter活动模拟。
2021-08-06 cs.SI stat.AP
