Reputation-based Incentive Protocols in Crowdsourcing Applications
University of California, Los Angeles(加州大学洛杉矶分校)
众包网站(如Yahoo!答案,亚马逊机械土耳其人,等等。近年来出现了一种新的技术,允许来自世界各地的请求者发布任务,并从同样全球的工人中寻求帮助。然而,内在的激励问题存在于众包应用程序的工人和请求者是自私的,旨在战略上最大限度地提高自己的利益。在本文中,我们提出了一种新的基于重复博弈的博弈论模型,为工人提供激励,使他们努力工作。由于在社会福利中,工人追求自身利益时出现的非合作均衡与理想的帕累托有效结果之间总是存在差距,因此我们提出了一类新的基于社会规范的激励协议,该协议将声誉机制整合到目前在众包网站上实施的现有定价方案中,以改善在这种应用中出现的非合作均衡的性能。首先,我们将众包网站上的交流制定为一个双边市场,请求者和工作者匹配并反复玩赠送礼物的游戏。随后,我们研究了协议设计者的问题,找到一个最佳的和可持续的(均衡)协议,实现最高的社会福利的网站。我们证明了所提出的激励协议可以使网站运行接近帕累托效率。此外,我们还研究了另一种情况下,协议设计者的目的是最大限度地提高网站的收入和评估最佳协议的性能。
2011-08-10 cs.AI cs.GT cs.SI
Multi-Task Diffusion Incentive Design for Mobile Crowdsourcing in Social Networks
针对大规模众包中工人池不足的问题,提出基于社交网络多任务扩散的激励机制MT-DM-L,利用MT-RR集合近似效用,在保证个体理性、真实性和计算效率的同时实现近似最优。\n
2023-03-22 cs.GT cs.SI
Mathematical practice, crowdsourcing, and social machines
传统上,数学的最高水平被视为一种孤独的努力,为研究同行提供审查和接受的证明。数学现在正处于一个非凡的转折点,新技术从根本上扩展了个人的力量和极限。众包将不同的专家聚集在一起解决问题;符号计算处理庞大的例行计算;计算机检查证明太长太复杂,人类无法理解。数学实践是一个新兴的跨学科领域,它借鉴哲学和社会科学来理解数学是如何产生的。在线数学活动为数学实践的实证调查提供了新颖而丰富的数据来源-例如社区问答系统{ \it mathoverflow}包含大约40,000个数学对话,而{ \it polymath}协作提供了发现证明过程的记录。我们的初步研究已经证明了“软”方面的重要性,如类比和创造力,以及演绎和证明,在数学的产生,并给了我们新的方式来思考人和机器在创造新的数学知识的作用。我们将讨论对这些资源的进一步调查以及它可能揭示的内容。众包数学活动是“社会机器”的一个例子,这是伯纳斯-李提出的一种新范式,将人和计算机的组合视为一个解决问题的单一实体,也是主要国际研究工作的主题。我们概述了数学社会机器的未来研究议程,它是人、计算机和数学档案的结合,以创建和应用数学,有可能改变人们做数学的方式,并改变数学研究的范围、速度和影响。
2013-05-04 cs.DL cs.SI math.HO
Multi-team Formation System for Collaborative Crowdsourcing
The University of Electro-Communications(电气通信大学)
本文针对复杂协作众包的多团队组建需求,提出基于社交网络信息的启发式优化算法,通过仿真实验验证该算法性能优于爬山法,并明确了关键参数对效果的影响规律。
2025-11-14 cs.SI
Influence- and Interest-based Worker Recruitment in Crowdsourcing using Online Social Networks
针对移动众包中工人招募的冷启动和低参与率问题,提出基于在线社交网络的影响力和兴趣驱动的工人招募系统(IIWRS),采用遗传算法选影响者并动态替换拒绝任务的工人,经真实数据验证有效。
2025-01-19 cs.SI
A Trustworthy Recruitment Process for Spatial Mobile Crowdsourcing in Large-scale Social IoT
空间移动众包(SMCS)可以通过利用社交物联网(SIoT)的功能来执行空间任务。通常,在SMCS中,任务请求者旨在招募IoT设备的子集并委托它们前往任务位置。然而,由于物联网网络及其多样化设备(例如,多个品牌、不同的沟通渠道等),招募合适的设备/工人正在成为一项具有挑战性的任务。为此,在本文中,我们开发了一个招聘过程SMCS平台使用自动SIoT服务发现,以选择值得信赖的工人满足请求者的要求。该方法主要包括两个阶段:1)工作者过滤阶段,旨在使用应用于SIoT关系图的Louvain社区发现算法(CD)将工作者的搜索空间减少到潜在可信候选者的子集。接下来,2)选择过程阶段,其使用线性规划(ILP)来确定所选设备/工作器的最终集合。ILP最大限度地提高了工作人员的效率指标,包括技能/规格水平、招聘成本和招聘的IoT设备的可信度。选定的实验分析所提出的CD-ILP算法使用真实世界的数据集的性能,并显示其优越性,在提供一个有效的招聘策略相比,现有的随机算法。
2020-04-19 cs.SI cs.SY eess.SY
ZebraLancer: Decentralized Crowdsourcing of Human Knowledge atop Open Blockchain
我们设计并实现了第一个私有和匿名的去中心化众包系统ZebraLancer,并克服了去中心化众包的两个基本挑战,即,数据泄露和身份泄露首先,我们的外包然后证明方法解决了区块链透明度和数据机密性之间的紧张关系,以保证数据众包的基本效用/公平性要求,从而确保:(i)请求者不会支付超过数据应得的费用,根据她的任务通过区块链发布时宣布的政策;(ii)如果每个工人向区块链提交数据,他确实会根据政策获得报酬;(iii)上述属性不仅在没有中央仲裁器的情况下实现,而且不会将数据泄露给开放的区块链。其次,区块链的透明性允许人们通过参与历史来推断工作者和请求者的私人信息。简单地启用匿名似乎是尝试,但将允许恶意工作者多次提交以获得奖励。ZebraLancer还通过允许匿名请求/提交而不牺牲责任来克服这个问题。其背后的想法是一种微妙的可链接性:如果一个工作者对一个任务提交了两次,任何人都可以链接这些提交,否则他将保持匿名,不受任务的影响。为了实现这种微妙的可链接性,我们提出了一种新的密码学概念,即,通用前缀匿名身份验证。我们注意到新的匿名认证方案可能是独立的兴趣。最后,我们实现了一个常见的图像注释任务的协议,并将其部署在以太坊的测试网络中。实验结果表明,我们的协议在现有的现实世界的区块链上的适用性。
2020-05-07 cs.CR cs.DC cs.HC
Building Robust Crowdsourcing Systems with Reputation-aware Decision Support Techniques
众包是指从一大群无关的人那里征求贡献的安排。由于这一性质,众包者(或任务请求者)常常面临工作人员能力的不确定性,这反过来又影响所获得结果的质量和及时性。信任是人们用来促进人类社会互动的一种机制,在人类社会中,风险和不确定性是常见的。建立一个强大的众包系统的关键挑战是如何使信任意识的任务授权决策,有效地利用工人(或受托代理人)的能力,以实现高社会福利?本书介绍了应对这一挑战的研究。它超越了现有的信任管理研究框架,删除了一个广泛的假设隐含通过现有的研究:受托人代理可以处理无限数量的交互请求每离散的时间单位,而不会损害其性能的任务请求者(或信任代理)。基于拥塞博弈原理,将众包决策支持问题转化为多主体信任博弈问题,提出了两种信任感知交互决策方法:社会福利声誉感知决策优化方法(SWORD)和信任主体公平利用分布式请求接受方法(DRAFT)。SWORD是为集中式系统设计的,而DRAFT是为完全分布式系统设计的。理论分析表明,这两种方法产生的社会福利可以通过调整一个关键参数而更接近最优。有了这两种方法,众包系统的研究框架可以得到丰富,以处理更现实的情况下,工人有不同的和有限的能力。
2016-01-22 cs.CY cs.MA cs.SI
Crowdbreaks: Tracking Health Trends using Public Social Media Data and Crowdsourcing
Global Health Institute, School of Life Sciences, EPFL(洛桑联邦理工学院生命科学学院全球健康研究所);EPFL(洛桑联邦理工学院)
在过去的十年中,使用社交媒体数据跟踪健康趋势显示出了巨大的希望,这是由于社交媒体在世界各地的大规模采用,以及越来越强大的硬件和软件,使我们能够与这些新的大数据流合作。与此同时,也发现了许多具有挑战性的问题。首先,在线数据的变化速度与算法的更新速度之间往往存在不匹配,这意味着在过去数据上训练的算法的可重用性有限,因为它们的性能会随着时间的推移而下降。第二,大部分工作都集中在过去特定时期的特定问题上,尽管公共卫生机构需要灵活的工具来实时的评估多种不断变化的情况。第三,提供这种能力的大多数工具都是专有系统,算法或数据透明度很低,因此很少得到全球公共卫生和研究界的认可。在这里,我们介绍Crowdbreaks,这是一个开放平台,可以通过利用公共社交媒体内容的持续众包标签来跟踪健康趋势。该系统是内置的一种方式,自动化的典型工作流程,从数据汇集,过滤,标记和训练的机器学习分类器,因此可以大大加快在公共卫生领域的研究进程。这项工作介绍了该平台的技术方面,并探讨了其未来的用例。
2018-05-14 cs.CL cs.CY cs.SI
Crowdsourcing-Based Knowledge Graph Construction for Drug Side Effects Using Large Language Models with an Application on Semaglutide
University of Pennsylvania(宾夕法尼亚大学);University of Michigan(密歇根大学);Georgetown University(乔治城大学);Stanford University(斯坦福大学);Vanderbilt University(范德堡大学);University of South Florida(南佛罗里达大学)
本文提出利用大语言模型从社交媒体提取药物副作用并构建知识图谱的系统框架,以Reddit上用于减重的司美格鲁肽数据为例进行分析,并通过与FAERS数据库对比验证,证明该方法可用于药物警戒。
2025-04-08 cs.AI cs.SI
Integrating Crowdsourcing and Active Learning for Classification of Work-Life Events from Tweets
University of Florida(佛罗里达大学);University of Minnesota, Twin Cities(明尼苏达大学双城分校)
社交媒体,尤其是Twitter,正越来越多地用于预测分析研究。在社交媒体研究中,自然语言处理(NLP)技术与基于专家的手动和定性分析结合使用。然而,社交媒体数据是非结构化的,必须经过复杂的操作才能用于研究。人工标注是多个专家评分员必须就每个项目达成共识的最耗费资源和时间的过程,但对于创建用于训练基于NLP的机器学习分类器的金标准数据集至关重要。为了减轻手动注释的负担,同时保持其可靠性,我们设计了一个与主动学习策略相结合的众包管道。我们通过一个案例研究证明了它的有效性,该案例研究从个人推文中识别失业事件。我们使用Amazon Mechanical Turk平台从互联网上招募注释员,并设计了一些质量控制措施来确保注释的准确性。我们评估了4种不同的主动学习策略(即,最小置信度、熵、投票熵和Kullback-Leibler散度)。主动学习策略旨在减少达到自动分类的期望性能所需的推文的数量。结果表明,众包是有用的,以创建高质量的注释和主动学习有助于减少所需的推文的数量,虽然有测试的策略之间没有实质性的差异。
2020-04-02 cs.CL cs.LG cs.SI
Automated Service Discovery for Social Internet-of-Things Systems
在本文中,我们建议设计一个自动化的服务发现过程,让移动众包任务请求者选择一个小的一组设备的大规模的物联网(IoT)网络来执行他们的任务。为此,我们将大规模物联网网络划分为几个虚拟社区,其成员共享强大的社交物联网关系。研究了两种社区发现算法,即Louvain算法和顺序统计局部方法(OSLOM)算法,并将其应用于真实世界的物联网数据集,以形成非重叠和重叠的物联网设备组。然后,执行基于自然语言处理(NLP)的方法来处理众包文本请求,并相应地找到能够有效完成任务的IoT设备的列表。这是通过匹配NLP输出来执行的,例如,应用程序的类型、位置、所需的可信度级别以及不同的检测到的社区。所提出的方法有效地帮助自动化和减少服务发现过程和招聘过程的移动众包应用程序。
2020-03-21 cs.SI cs.SY eess.SY
Crowdsourcing for Participatory Democracies: Efficient Elicitation of Social Choice Functions
我们提出的理论和实证结果表明,参与式民主的投票规则的有用性。我们首先给出算法,有效地得出ε-近似两个突出的投票规则:Borda规则和孔多塞赢家。这个结果绕过了之前的限制性下限,并且令人惊讶地强大:即使想法的数量与参与者的数量一样多,每个参与者也只需要进行对数数量的比较,这比之前需要的线性数量的比较有指数级的改进。我们在芬兰最近的越野交通法改革的实验中展示了这种方法,观察到实现固定ε近似所需的比较总数在想法数量上是线性的,并且常数并不大。最后,我们注意到一些其他的实验观察,支持使用投票规则的聚合。首先,我们观察到,评级,排名的常见替代品之一,在我们的数据中表现出偏见的影响。第二,我们发现,很少有主题缺乏孔多塞冠军,一个突出的负面结果投票。最后,我们显示的数据暗示了一个潜在的未来方向:使用部分排名,而不是成对比较,以进一步减少诱导时间。
2014-07-16 cs.CY cs.MA cs.SI
Low Complexity Recruitment for Collaborative Mobile Crowdsourcing Using Graph Neural Networks
Stevens Institute of Technology(史蒂文斯理工学院);Najran University(奈季兰大学)
协作移动众包(CMCS)允许实体,例如,地方当局或个人,从一群有联系的人中雇用一组工人,执行复杂的任务。在本文中,我们研究了两种不同的CMCS招聘策略,允许任务请求者形成社会联系和熟练工人的团队:i)基于平台的策略,平台利用自己的知识,工人形成一个团队和ii)基于领导者的策略,平台指定一个组长,招募自己合适的团队,考虑到自己的知识,其社会网络(SN)邻居。我们首先制定的招聘作为一个线性规划(ILP),最佳形式的团队根据四个模糊逻辑为基础的标准:专业知识水平,社会关系强度,招聘成本,和招聘人员的信心水平。为了应对NP难,我们设计了一种新的低复杂度的CMCS招聘方法依赖于图神经网络(GNNs),特别是图嵌入和聚类技术,缩小工人的搜索空间,然后,利用元启发式遗传算法选择合适的工人。应用于现实世界的数据集上的模拟结果说明了这两个建议的CMCS招聘方法的性能。结果表明,我们提出的低复杂度的基于GNN的招聘算法实现了接近的性能,具有显着的计算时间节省和大规模的移动众包平台上运行的能力的基线ILP。研究还表明,与基于领导者的策略相比,基于平台的策略招募到的团队技能更高,但SN关系更低,成本更高。
2021-06-01 cs.CY cs.LG cs.SI
Optimal Team Recruitment Strategies for Collaborative Mobile Crowdsourcing Systems
移动设备的广泛传播已经实现了称为移动众包(MCS)的新的创新范例,其中概念是允许实体,例如,个人或地方当局,雇用工人来帮助连接的人群,执行任务或服务。一些复杂的任务需要多个工作人员的协作,以确保其成功完成。在这种情况下,任务请求者需要雇用一组社会联系和协作的工人,同时具有足够的技能来完成任务。在本文中,我们开发了两种招聘策略的协作MCS框架中,虚拟团队形成根据四个不同的标准:专业知识水平,社会关系强度,招聘成本,和招聘人员的信心水平。第一个建议的战略是一个基于平台的方法,利用平台知识,形成团队。第二种是基于领导者的方法,使用团队成员对他们的社交网络(SN)邻居的知识来指定一个组领导者,该领导者招募合适的团队。这两种方法都建模为整数线性规划,从而在最佳的团队形成。实验结果表明,当改变成员的SN边缘度时,两种虚拟团队分组策略之间的性能折衷。与基于领导者的策略相比,基于平台的策略招募了一支技能更高的团队,但SN关系更低,成本更高。
2020-04-28 cs.CY cs.SI cs.SY
A Social Network of Russian "Kompromat"
自苏联时代以来,“Kompromat”(俄语中的“妥协材料”)一直被有效地用来骚扰俄罗斯的政治和商业精英。“RuCompromat”等网上众包项目使得有可能使用定量技术-即社会网络分析-对黑材料进行编目和分析。在本文中,我们构建了一个由1991年至2020年在俄罗斯受到黑材料影响的11,000名俄罗斯人和外国人组成的社交网络。该网络有一个很好的模块化结构,有62个密集的社区。其中一个社区包括美国知名官员、政治家和企业家(包括唐纳德·特朗普总统),似乎关注俄罗斯对2016年美国总统选举的有争议的干预。各种网络中心性指标确定了17个最核心的黑材料人物,其中总统弗拉基米尔·普京稳坐榜首。我们进一步揭示了四种类型的社区主导的企业家,政治家,银行家和执法官员(“siloviks”),后者从前三个脱节。
2020-09-18 cs.SI physics.soc-ph
Human Atlas: A Tool for Mapping Social Networks
大多数社会网络分析集中在在线社交网络。虽然这些网络对我们生活的重要方面进行了编码,但它们未能捕捉到许多现实世界的联系。事实上,这些联系大多是公开的,社区成员都知道。绘制它们是一项非常适合众包的任务:它很容易分解为许多简单而独立的子任务。由于社交网络的本质--存在高度连接的节点和紧密结合的群体--如果我们允许用户映射他们的直接联系和他们之间的联系,我们将需要很少的参与者来映射社区内的大多数联系。为此,我们建立了人类地图集,一个基于网络的社交网络地图工具。为了测试它,我们部分映射了麻省理工学院媒体实验室的社交网络。我们进行了用户研究,并邀请社区成员使用该工具。在4.6个工时内,22名参与者绘制了实验室内的984个连接,展示了该工具的潜力。
2016-02-11 cs.SI physics.soc-ph
InfoRest: Restricting Privacy Leakage to Online Social Network App
近年来,在线社交网络(OSN)作为社交交互服务在全球互联网用户中变得非常流行。OSN促进了第三方应用程序(TPA),为用户提供了许多额外的功能。在提供扩展服务的同时,TPA访问用户数据,这将引起对用户隐私的严重关注。这是由于OSN缺乏用户数据保护机制,并且目前的OSN平台都没有为用户私人数据提供令人满意的保护机制。在本文中,我们提出了一个访问控制框架称为InfoRest限制用户数据到TPA在OSN中,考虑用户的隐私偏好和属性泛化。此外,我们提出了一个基于关系的访问控制(ReBAC)策略模型,并使用谓词演算来表示访问条件。所提出的策略模型的可用性和正确性证明与使用答案集编程开发的逻辑模型的帮助。
2019-05-15 cs.SI
Excess reciprocity distorts reputation in online social networks
点对点(P2P)经济依赖于在分布式网络系统中建立信任,其中用户的可靠性通过将评级汇总为声誉分数的数字同行评审过程进行评估。在这里,我们提出了网络效应的证据,偏见的数字声誉,揭示了P2P网络显示出极高的互惠水平。事实上,这些比与零假设兼容的那些高得多,零假设保留了所有节点对之间的经验观察到的一致性水平,并且相当接近与网络声誉景观结构兼容的最高水平。这表明,支持数字声誉的众包过程可能会因用户试图通过交换评级来相互提升声誉或报复而严重扭曲。我们发现,最不活跃的用户主要负责这种互惠引起的偏见,这一事实可以被利用,以获得更可靠的声誉估计。我们的研究结果在不同的P2P平台上都是稳健的,包括使用评级对用户制作的内容进行投票和对用户配置文件进行投票的情况。
2017-05-02 cs.SI physics.soc-ph
Data Analysis in Social Networks for Agribusiness -- A Systematic Mapping Study
公司对市场变化作出反应的能力与获取信息和产生知识有关。大数据技术、众包和在线社交网络(OSN)被用于知识生成。这些技术在农业综合企业中占有重要地位。本研究旨在探讨社会网络分析如何促进农业企业的发展,为未来的应用和评估提供基础。我们采用混合系统映射进行调查。二百二十三个工程,提出解决方案,农业综合企业被发现和分类。结果显示,最常用的技术,OSN,并显示在这一领域的研究数量增加。所获得的信息表明,社会媒体监测如何能够补充农业系统管理和监管方面的传统决策方法。然而,农业综合企业仍然缺乏更多的研究,使用数据分析工具的社交网络。基于我们的研究结果,我们讨论了一些挑战和研究方向。
2022-08-25 cs.SI
Influence-aware Task Assignment in Spatial Crowdsourcing (Technical Report)
随着智能手机的广泛普及,旨在为移动工作者分配空间任务的空间众包(SC)越来越受到学术界和工业界的关注。其中一个主要问题是如何最好地分配任务给工人。给定一个工作者和一个任务,工作者会根据自己对任务的亲和力选择接受任务,并且工作者可以传播任务的信息以吸引更多的工作者来执行任务,这些因素可以被测量为工作者-任务影响。由于工作者对任务的亲和力不同,任务发布者可能会要求执行任务的工作者传播任务的信息,以吸引更多的工作者来执行任务,因此在进行分配时,分析工作者-任务影响是很重要的。我们提出并解决了一个新的影响感知的任务分配问题,在SC中,任务分配给工人的方式,实现高的工人任务的影响。特别是,我们的目标是最大限度地增加分配的任务和工人任务的影响。为了解决这个问题,我们首先通过识别工人的历史任务执行模式来确定工人对任务的亲和力。其次,发展了一种历史接受方法来衡量工人执行任务的意愿,即,当工人被告知时,他们访问任务位置的概率。接下来,我们提出了一种基于随机反向可达的传播优化算法,该算法利用反向可达集来计算工作人员被告知社交网络中的任务的概率。基于以上三个因素对工作者-任务影响的影响,本文提出了三种影响感知的任务分配算法,其目标是最大化分配的任务数和工作者-任务影响。在两个真实数据集上进行的大量实验为我们的解决方案的有效性提供了详细的见解。
2022-03-27 cs.SI
Privacy Leakage through Innocent Content Sharing in Online Social Networks
在线社交网络和全球化互联网接入的日益普及和无处不在影响了人们分享内容的方式。用户在这些平台上自愿披露的信息可以用于各种目的,从建立广告的消费者模型到推断个人的、可能具有侵犯性的信息。在这项工作中,我们使用Twitter,Instagram和Foursquare数据来传达这样一个想法,即用户共享的内容,特别是在跨平台聚合时,可能会泄露比最初预期更多的信息。我们进行了两个案例研究:首先,我们通过模仿在一组用户中查找匿名帖子的用户身份的场景来执行用户去匿名化。对真实社会网络配置文件样本的实证评估表明,跨平台聚合在用户识别方面带来了显着的性能增益。在第二个任务中,我们证明了可以根据共享的Twitter和Instagram内容推断用户的物理位置访问。我们提出了一个信息性评分函数,估计的相关性和新颖性的共享信息的推理任务。这一措施是验证使用主动学习框架,选择最翔实的内容在每个给定的时间点。基于一个大规模的数据样本,我们表明,通过这样做,我们可以获得更好的推理性能。在某些情况下,这种性能甚至超过了使用用户的完整时间轴。
2016-07-10 cs.CY cs.SI
Enhancing Worker Recruitment in Collaborative Mobile Crowdsourcing: A Graph Neural Network Trust Evaluation Approach
School of Computer and Control Engineering, Yantai University(烟台大学计算机与控制工程学院);Georgia State University(佐治亚州立大学)
针对协作式移动众包中的工人招募问题,提出基于图卷积神经网络的信任强化评估框架TREF,结合禁忌搜索算法与边缘计算实现分布式招募,在五个真实数据集上验证了其优于基线方法的性能。
2024-03-22 cs.AI cs.HC cs.LG
Micromobility in Smart Cities: A Closer Look at Shared Dockless E-Scooters via Big Social Data
微型交通正在塑造城市地区的第一英里和最后一英里出行。最近,共享的无码头电动滑板车(电动滑板车)已经成为大城市短途通勤者的日常驾驶替代品,原因是价格实惠,易于通过应用程序访问,以及零排放。与此同时,电动滑板车在城市管理方面也面临挑战,如交通规则、公共安全、停车规则和责任问题。在本文中,我们收集并调查了2018年10月至2020年3月期间由270万用户生成的580万条带有踏板车标签的推文和144,197张图像,以通过众包数据分析更仔细地了解共享电动踏板车。我们从时空的角度分析了电动滑板车的使用情况,探索了不同的商业角色(即,乘客、零工和共乘公司),检查操作模式(例如,伤害类型和停车行为),并进行情感分析。据我们所知,这篇论文是第一篇利用大社会数据对共享电动滑板车进行大规模系统研究的论文。
2020-10-28 cs.CY cs.SI
Beautiful and damned. Combined effect of content quality and social ties on user engagement
Nokia Bell Labs(诺基亚贝尔实验室);University of Turin(都灵大学);Flickr
用户参与在线社区是由社交网络结构与沿其链接流动的群体生成内容的交织驱动的。很少对这些方面进行联合和大规模的探讨。通过观察用户如何在Flickr上生成和访问各种美丽的图片,我们研究了质量的生产如何影响在线社交系统的动态。我们开发了一个深度学习的计算机视觉模型,根据图像的美学价值对其进行评分,并通过众包验证其输出。通过将其应用于超过150亿张Flickr照片,我们首次研究了图像美如何在大规模社会系统中分布。美丽的图像在网络中均匀分布,尽管只有一小部分核心人群因它们而获得社会认可。为了研究质量暴露对用户参与度的影响,我们设置了匹配实验,旨在从观察数据中检测因果关系。接触美丽是双刃剑:跟随那些制作高质量内容的人增加了一个人上传更好照片的可能性;然而,用户和用户邻居之间的质量过度不平衡导致参与度下降。我们的分析具有实际意义,提高链接推荐系统。
2017-11-01 cs.AI cs.CV cs.MM
NPS-AntiClone: Identity Cloning Detection based on Non-Privacy-Sensitive User Profile Data
社会感测是一种允许从人类和设备众包数据的范例。该感测到的数据(例如,社交网络帖子)可以被托管在社交传感器云(即,社交网络)中并且作为社交传感器云服务(SocSen服务)被递送。这些服务可以通过其提供者的社交网络账户来识别。攻击者通过克隆SocSen服务提供商的用户简档来欺骗社交传感器云用户,从而入侵社交传感器云。我们提出了一种新的无监督SocSen服务提供商身份克隆检测方法,NPS-AntiClone,以防止这种身份欺骗造成的不利后果。该方法利用从社交网络收集的非隐私敏感的用户简档数据来执行克隆身份检测。它由三个主要部分组成:1)多视图帐户表示模型,2)嵌入学习模型和3)预测模型。多视图账户表示模型为给定身份形成三个不同的视图,即发布视图、网络视图和简档属性视图。嵌入学习模型使用加权广义典型相关分析从生成的多视图表示中学习单个嵌入。最后,NPS-AntiClone计算两个账户嵌入之间的余弦相似度,以预测这两个账户是否包含克隆账户及其受害者。我们使用真实世界的数据集评估了我们提出的方法。结果表明,NPS-AntiClone显著优于现有的最先进的身份克隆检测技术和机器学习方法。
2021-09-30 cs.CY cs.SI
Online Networks of Support in Distressed Environments: Solidarity and Mobilization during the Russian Invasion of Ukraine
本研究分析俄乌冲突期间四大社交媒体及支持网站的6800万条帖子,探究在线支持网络的模式与互联性,揭示众包、众筹平台的动员作用,凸显社交媒体草根动员助力困境中在线支持的价值。
2023-10-04 cs.SI
Privacy-Aware Crowd Labelling for Machine Learning Tasks
Henley Business School, University of Reading(雷丁大学亨利商学院);University of Thessaly(色萨利大学)
在线社交媒体的广泛使用凸显了隐私在数字空间中的重要性。随着越来越多的科学家分析这些平台上创建的数据,隐私问题已经扩展到学术界的数据使用。虽然文本分析在学术文献中是一个有大量应用的有据可查的主题,但确保用户生成内容的隐私一直被忽视。大多数情感分析方法需要情感标签,这可以通过众包获得,其中非专家个体对科学任务做出贡献。文本本身必须暴露给第三方才能被标记。为了减少在线用户信息的暴露,我们提出了一种基于众包的隐私保护文本标记方法,用于不同的应用程序。我们转换不同隐私级别的文本,并分析转换的有效性与标签的相关性和一致性。我们的研究结果表明,隐私可以实施标签,保留传统标签的注释多样性和主观性。
2022-02-03 cs.CR cs.HC cs.LG
Fighting the COVID-19 Infodemic in Social Media: A Holistic Perspective and a Call to Arms
随着COVID-19大流行的爆发,人们转向社交媒体阅读和分享及时的信息,包括统计数据、警告、建议和鼓舞人心的故事。不幸的是,除了所有这些有用的信息,还有一种新的医疗和政治错误信息和虚假信息的混合,这导致了第一次全球信息流行病。虽然打击这种信息流行病通常被认为是真实的,但问题要广泛得多,因为恶意内容不仅包括假新闻,谣言和阴谋论,还包括宣传假治疗,恐慌,种族主义,仇外心理和对当局的不信任等。这是一个复杂的问题,需要采取综合方法,将记者、事实核查人员、政策制定者、政府实体、社交媒体平台和整个社会的观点结合起来。考虑到这些,我们定义了一个注释模式和详细的注释说明,反映了这些观点。我们使用这个模式执行了初始注释,我们的初始实验证明了与基线相比有相当大的改进。现在,我们向研究界和其他人发出号召,通过支持我们的众包注释工作来加入战斗。
2021-04-09 cs.CL cs.IR cs.LG
A Novel Location Free Link Prediction in Multiplex Social Networks
近几十年来,社交网络的出现使得互联网服务提供商(例如,Facebook、Twitter和Uber)取得巨大的商业成功。链接预测被认为是构建社交网络拓扑结构并保持其不断发展的常见做法。传统上,链接预测方法依赖于用户的位置信息,其不时地遭受信息泄漏。为了解决这个问题,智能设备公司(例如,苹果公司)不断收紧其隐私政策,阻止互联网服务提供商获取位置信息。因此,在保证预测精度的前提下,设计与位置无关的链接预测方法具有重要意义。针对复杂社交网络,提出了一种新的无位置链接预测方法。在真实数据集上的实验表明,我们的位置无关的链接预测方法的精度提高了10%。
2022-12-13 cs.PF cs.SI
Efficient Crowd Exploration of Large Networks: The Case of Causal Attribution
准确有效地众包复杂的、开放式的任务可能很困难,因为众包参与者倾向于喜欢简短、重复的“微任务”。我们研究了大型网络的众包,其中人群通过微任务提供网络拓扑。群体可以探索许多类型的社会和信息网络,但我们专注于因果归因网络,这是一个重要的网络,表明因果关系。我们在Amazon Mechanical Turk(AMT)上进行实验,测试工作人员如何提出和验证个体因果关系,并介绍了一种独立人群工作人员探索大型网络的方法。该方法的核心是迭代路径细化,是一种通过微任务进行有效探索的理论原则机制。我们评估的方法,使用合成网络,并将其应用于AMT提取一个大规模的因果归因网络,然后调查这个网络的结构,以及活动模式和效率的工人谁构建了这个网络。工人互动揭示了因果感知的重要特征,它们产生的网络数据可以提高我们对因果关系和因果推理的理解。
2018-10-07 cs.CY cs.HC cs.SI
Revisited Experimental Comparison of Node-Link and Matrix Representations
可视化网络数据适用于生物学、工程学和社会科学等领域。我们报告的研究结果比较的有效性的两个主要技术显示网络数据:节点链接图和邻接矩阵。具体来说,大量在线参与者的评估显示了两种可视化之间的统计学显着差异。我们的工作以几种方式增加了现有的研究。首先,我们探索了广泛的网络任务,其中许多以前没有被评估。其次,我们的研究使用了一个大型数据集,这是许多现实生活中的网络的典型数据,以前的研究没有探索过。第三,我们利用众包来评估许多参与者的许多任务。
2017-08-31 cs.HC cs.SI
Collaborative Topic Regression with Social Matrix Factorization for Recommendation Systems
社交网络网站,如Facebook,YouTube,Lastfm等,已经成为用户相互联系和分享内容或观点的流行平台。这些数据为我们研究用户的社交圈对决策过程的影响提供了丰富的信息。在本文中,我们感兴趣的是研究社会网络信息的有效性,以预测用户的评分项目。提出了一种新的分层贝叶斯模型,它结合了社交网络的主题建模和概率矩阵分解。我们的模型的一个主要优点是自动推断有用的潜在主题和社会信息,以及它们的重要性,协同过滤的训练数据。在两个大规模数据集上的实验结果表明,该算法比现有的推荐方法更有效。我们的研究结果揭示了有趣的见解,即社交圈对人们关于信息有用性的决定有更大的影响(例如,对美味的书签偏好)而不是个人品味(例如,在Lastfm上的音乐偏好)。我们还研究和讨论了潜在的信息泄漏的解决方案,在许多推荐系统,利用社会信息。
2012-06-18 cs.IR cs.SI
A Cross-Platform Collection of Social Network Profiles
互联网设备和服务的激增导致我们日常生活中数字和模拟方面的平衡发生变化。面对这一发展,人们越来越需要研究隐私危害、独特用户去匿名化的可能性以及我们许多人维护的各种社交媒体配置文件之间的信息泄漏。为了能够对这种对抗效应进行结构化研究,本文提出了一个跨平台社交网络人物角色的专用数据集(即,同一个人在多个平台上有账户)。该语料库由850名用户组成,他们主要生成英语内容。每个用户对象都包含同一个人在三个不同的社交网络中的在线足迹:Twitter,Instagram和Foursquare。总的来说,它包含超过250万条推文,34万次签到和42k Instagram帖子。我们描述了数据集的收集方法、数据集的特征以及如何获取数据集。最后,我们讨论了一个常见的用例,跨平台用户识别。
2016-07-12 cs.IR cs.SI
Some Like it Hoax: Automated Fake News Detection in Social Networks
Università Cattolica(圣心天主教大学);École Polytechnique Fédérale de Lausanne(洛桑联邦理工学院);UC Santa Cruz(加州大学圣克鲁斯分校);University of California, Santa Cruz(加州大学圣克鲁斯分校)
近年来,互联网上信息的可靠性已成为现代社会的一个重要问题。社交网站(SNS)通过允许用户自由分享内容,彻底改变了信息传播的方式。因此,SNS也越来越多地被用作传播错误信息和恶作剧的媒介。传播信息的数量和传播速度之快,使得实际上不可能及时评估可靠性,这突出表明需要有自动骗局检测系统。作为对这一目标的贡献,我们表明,Facebook的帖子可以被归类为恶作剧或非恶作剧的基础上,用户谁“喜欢”他们的高准确性。我们提出了两种分类技术,一种是基于逻辑回归,另一种是基于布尔众包算法的新适应。在由15,500个Facebook帖子和909,236个用户组成的数据集上,即使训练集包含不到1%的帖子,我们也获得了超过99%的分类准确率。我们进一步表明,我们的技术是强大的:他们的工作,即使我们限制我们的注意力都喜欢恶作剧和非恶作剧职位的用户。这些结果表明,映射信息的扩散模式可以是自动恶作剧检测系统的一个有用的组成部分。
2017-04-25 cs.HC cs.LG cs.SI
Automating dynamic consent decisions for the processing of social media data in health research
University of Cambridge(剑桥大学);University of St Andrews(圣安德鲁斯大学)
社交媒体已经成为一个丰富的数据来源,特别是在健康研究方面。然而,这些数据的使用提出了重大的伦理问题,即需要被研究者的知情同意。同意机制,即使获得了同意,通常也是宽泛和不灵活的,或者给参与者带来很大负担。机器学习算法在促进“中间地带”方法方面显示出很大的前景:使用训练模型来预测和自动化粒度同意决策。然而,这种技术引起了无数的后续伦理和技术考虑。在本文中,我们提出了一个探索性的用户研究(n = 67),我们发现,我们可以预测与健康相关的社交媒体数据的适当流量与合理的准确性,同时尽量减少不必要的数据泄漏。然后,我们试图解构这项研究的结果,确定和讨论了一些现实世界的影响,如果这样的技术付诸实践。
2019-10-11 cs.CY cs.HC cs.LG
All liaisons are dangerous when all your friends are known to us
在线社交网络(OSN)被全世界数百万用户使用。从学术上讲,对OSN进行的人口统计学研究的有用性几乎没有疑问,因此,从小的标记样本中标记未知用户的方法非常有用。然而,从公众的角度来看,这可能是一个严重的隐私问题。因此,这两个主题在本文中解决:首先,一个新的算法来执行用户分析在社交网络中描述,其性能的报告和讨论。其次,实验-进行的信息通常被认为是敏感的-揭示,仅仅公布一个人的联系人的隐私是有风险的,因此,措施,以尽量减少由于社交图数据采掘的隐私泄露概述。
2010-12-29 cs.CY cs.DM cs.SI