Dissecting the Meme Magic: Understanding Indicators of Virality in Image Memes
尽管图像模因扮演着越来越重要的角色,但我们还没有对可能使模因在社交媒体上传播的元素有一个坚实的理解。在本文中,我们研究了什么视觉元素区分图像模因是高度病毒性的社交媒体上的那些没有得到重新分享,在三个维度:组成,主题和目标受众。借鉴艺术理论、心理学、市场营销和神经科学的研究成果,我们开发了一个描述图像模因特征的码本,并用它来注释从4chan的Politically Incorrect Board(/pol/)中收集的100个图像模因。一方面,我们发现高病毒性模因更可能使用特写比例,包含人物,并包含积极或消极的情绪。另一方面,不呈现观众可以集中注意力的清晰主题或包含长文本的图像模因不太可能被用户重新共享。我们训练机器学习模型,以区分可能传播的图像模因和那些不太可能被重新分享的图像模因,在我们的数据集上获得了0.866的AUC。我们还表明,我们的模型识别的病毒性指标也可以帮助描述主流在线社交网络上发布的最具病毒性的模因,因为我们的分类器能够预测2016年至2018年间Twitter和Reddit上发布的20个最受欢迎的图像模因中的19个。总的来说,我们的分析揭示了哪些指标表征了在线病毒式和非病毒式视觉内容,并为开发更好的技术来创建或调整更有可能吸引观众注意力的内容奠定了基础。
2021-01-16 cs.CY cs.HC cs.SI
Virality Prediction and Community Structure in Social Networks
网络结构如何影响扩散?最近的研究表明,答案取决于传染的类型。与传染病(简单传染病)不同,复杂传染病受到社会强化和同质性的影响。因此,在高度聚集的社区内的传播得到加强,而在社区之间的传播受到阻碍。一个常见的假设是,模因和行为是复杂的传染。我们表明,虽然大多数模因确实表现得像复杂的传染病,但少数病毒模因会像疾病一样在许多社区传播。我们证明,未来流行的模因可以通过量化其早期传播模式的社区集中度来预测。一个迷因渗透的社区越多,它的病毒性就越强。我们提出了一种实用的方法,将社区结构的数据转化为关于哪些信息将广泛传播的预测知识。这种联系可能会导致计算社会科学,社交媒体分析和营销应用的重大进步。
2013-11-11 cs.CY cs.SI physics.data-an
Competition and Success in the Meme Pool: a Case Study on Quickmeme.com
社交媒体的出现提供了关于人们如何与信息和文化联系的数据和见解。虽然信息是由比特组成的,其基本的建筑砖块也相对较好地理解,但文化却不能这么说。基本的文化单位被定义为“模因”。模因在文学中被定义为特定的基本文化特征,它们一起漂浮在他们的环境中。就像身体携带的基因一样,模因也是由歌曲、建筑物或图片等文化表现形式携带的。模因的研究是在它们的竞争中,以不同的方式成功地从一代人的头脑传递到另一代人。在本文中,我们选择了一个经验的方法来研究模因。我们从一个著名的网站上下载了关于模因的数据,该网站托管了数百种不同的模因及其数千种实现。从这些数据中,我们经验性地描述了这些模因的行为。我们在数据集中统计描述了模因的出现,并描绘了它们的基本特征,以及那些使它们或多或少容易成功的特征。
2013-04-05 cs.SI physics.soc-ph
Sample NLPDE and NLODE Social-Media Modeling of Information Transmission for Infectious Diseases:Case Study Ebola
我们调查的信息传播,通过Twitter消息相关的埃博拉病毒在非洲西部的传播流行病为基础的动态模型。扩散扩散导致NLPDE模型和不动点分析产生系统的NLODE模型。当推文被映射为图中的连接节点并被视为时间序列马尔可夫链TSMC时,通过库尔茨定理,这些特定路径可以被识别为常微分方程系统的近似解,这些常微分方程系统在大N极限下保留了原始推文动力学的许多特征。对与Tweet和re-Tweet速率相关的模型的约束导致方程系统的不同版本。我们使用埃博拉Twitter模因的数据来研究修改后的四参数模型,并将得到的拟合应用于一组埃博拉模因的准确性度量。原则上,描述基于Twitter的模因传播的时间和空间演化方程可以帮助确定并告知决策者这类流行病的传播和遏制的性质。
2014-12-31 cs.CY cs.SI physics.soc-ph
TotalDefMeme: A Multi-Attribute Meme dataset on Total Defence in Singapore
Singapore University of Technology and Design(新加坡科技设计大学)
本文提出 TotalDefMeme,一个面向新加坡全面防卫政策的大规模多模态多属性模因数据集,用于捕捉公众情绪,并支持立场分类、模因聚类等下游任务及公共政策分析。
2023-05-29 cs.AI cs.CL cs.CV
Detecting Harmful Memes and Their Targets
Indraprastha Institute of Information Technology - Delhi(德里英迪拉普拉斯信息技术学院);Sofia University(索非亚大学);Wipro AI Labs(威普罗人工智能实验室);Qatar Computing Research Institute, HBKU(卡塔尔计算研究所(哈马德·本·哈利法大学))
在社交媒体的各种传播模式中,使用互联网模因已成为传达政治,心理和社会文化观点的有力手段。虽然模因本质上通常是幽默的,但最近几天已经见证了针对各种社会实体的有害模因的扩散。由于大多数有害模因都是高度讽刺和深奥的,没有适当的上下文,现成的多模态模型可能不足以理解其潜在的语义。在这项工作中,我们提出了两个新的问题配方:检测有害模因和这些有害模因的目标的社会实体。为此,我们提出了HarMeme,这是第一个基准数据集,包含3,544个与COVID-19相关的模因。每个模因都经过严格的两阶段注释过程。在第一阶段,我们将模因标记为非常有害、部分有害或无害;在第二阶段,我们进一步注释了每个有害模因指向的目标类型:个人、组织、社区或社会/公众/其他。使用10个单峰和多峰模型的评估结果突出了使用多峰信号进行这两项任务的重要性。我们进一步讨论了这些模型的局限性,我们认为,需要更多的研究来解决这些问题。
2021-09-24 cs.CL cs.LG cs.MM
Early Detection of Promoted Campaigns on Social Media
社交媒体每天都让数百万用户接触到信息活动-有些是从基层活动中有机地出现的,有些是通过广告或其他协调努力来维持的。这些运动有助于形成集体意见。虽然大多数信息运动是良性的,但有些可能被用于邪恶目的。因此,在一个模因变得非常流行的时候,能够发现它是否被人为地推广是很重要的。这个问题具有重要的社会影响,并带来许多技术挑战。作为第一步,在这里,我们专注于区分有机或通过广告推广的趋势模因。这种分类并不是微不足道的:广告引起的注意很容易被误认为是有机趋势。我们设计了一个机器学习框架来对Twitter上被标记为热门的模因进行分类。在热门之后,我们可以依靠大量的活动数据。早期检测,立即发生在趋势的时间,是一个更具挑战性的问题,由于活动数据的最小量,可在trending.Our监督学习框架利用数百个随时间变化的功能,以捕捉不断变化的网络和扩散模式,内容和情感信息,定时信号,和用户元数据之前。我们探索不同的方法来编码特征时间序列。使用数百万条包含趋势标签的推文,我们实现了75%的早期检测AUC分数,在趋势之后增加到95%以上。我们通过在趋势时间序列上引入随机时间移位来评估算法的鲁棒性。特征选择分析表明,内容线索提供一致的有用信号;用户特征对于早期检测来说信息更多,而网络和定时特征在更多数据可用时更有帮助。
2017-03-22 cs.SI
Cryptocurrency Bubble Detection: A New Stock Market Dataset, Financial Task & Hyperbolic Models
University of Texas at Dallas(德克萨斯大学达拉斯分校);Georgia Institute of Technology(佐治亚理工学院);University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Universitat Politècnica de València(瓦伦西亚理工大学)
信息在社交媒体上的快速传播影响着量化交易和投资。高度波动性资产(如加密货币和迷因股票)的投机交易日益流行,给金融领域带来了新的挑战。调查这种“泡沫”-市场突然异常行为的时期对于更好地理解投资者行为和市场动态至关重要。然而,高波动性加上大量混乱的社交媒体文本,特别是对于加密货币等尚未开发的资产,对现有方法构成了挑战。作为迈向加密货币NLP的第一步,我们提出并公开发布了CryptoBubbles,这是一种用于气泡检测的新型多跨度识别任务,以及一个来自9个交易所的400多个加密货币的数据集,超过五年,超过200万条推文。此外,我们基于加密货币的幂律动力学和社交媒体上的用户行为,开发了一组适合这种多跨度识别任务的序列到序列双曲模型。我们进一步测试了我们的模型在zero-shot设置下的有效性,在Reddit上测试了29个“meme stocks”,由于社交媒体的炒作,交易量增加。通过对Reddit和Twitter上的加密货币和米姆股票进行定量、定性和zero-shot分析,我们展示了CryptoBubbles和双曲线模型的实用性。
2022-05-11 cs.AI cs.CL cs.LG
Fight Fire with Fire: Hacktivists' Take on Social Media Misinformation
在这项研究中,我们采访了22位著名的黑客活动家,以了解他们对社交媒体上错误信息日益泛滥的看法。我们发现,他们中没有一个人欢迎为了政治(反)论证和宣传的传播而对拖钓和迷因的邪恶挪用。与最初的黑客精神一样,错误信息被视为对互联网民主愿景的威胁,因此,它必须面对尝试过的黑客活动主义者的方法,例如将“misinformers”和doxing或泄露有关其资金和招聘的数据。大多数黑客活动家还建议采取干预措施,以提高对错误信息的认识,以及有针对性的黑客活动。我们讨论了这些研究结果的影响,相对于紧急重铸的黑客行动主义,以捍卫建设性的和事实的社交媒体话语。
2023-02-15 cs.CY cs.SI
Who creates trends in online social media: The crowd or opinion leaders?
在线社交媒体的趋势总是反映了整个网络中大量个人的集体关注。例如,网络俚语可以在极短的时间内因社会模因和网络传播而无处不在。通过对中国微博的研究发现,网络流行语的使用在时间演变过程中经历了两个高峰,其中前者的使用率远低于后者。事实上,这一有趣的现象提供了一个体面的窗口,揭示了推动在线社交媒体大规模扩散趋势的基本因素。具体而言,通过对不同峰值所代表的传播效果进行深入比较,发现在传播初期,人群的关注度越高,传播效果越好;而在传播初期,意见领袖的主导参与度越高,传播效果越差。我们的研究结果在定量上挑战了传统的影响者假设。并讨论了这些新发现对营销实践和社交网络中影响力最大化的影响。
2014-09-05 cs.CY cs.SI physics.soc-ph
Social Network Datasets on Reddit Financial Discussion
针对社交媒体金融讨论对股市的影响问题,本文构建了包含Reddit多板块热门meme股相关帖子的新数据集,记录数据处理流程并验证了讨论内容与个股市场走势的相关性。
2024-10-07 cs.SI
The effects of network structure, competition and memory time on social spreading phenomena
在线社交媒体极大地影响了我们彼此沟通的方式。然而,很少有人知道什么是驱动动态信息流的在线社会系统的基本机制。在这里,我们介绍了一个生成模型的在线分享行为,分析上易于处理,它可以重现经验微博数据的几个特点,标签的使用,如(时间依赖)重尾分布模因流行。所提出的框架构成了一个空模型的社会传播现象,在纯实证研究或模拟为基础的模型相比,清楚地区分了两个不同的因素影响模因的流行:用户的记忆时间和社会网络的连接结构的作用。
2016-03-30 cs.SI nlin.AO physics.soc-ph
SMERC: Social media event response clustering using textual and temporal information
用于事件检测的推文聚类是一种功能强大的现代方法,可以自动实时检测事件。在这项工作中,我们提出了一个新的鸣叫聚类方法,使用概率的方法,将时间信息。通过分析推文之间的时间间隔的分布,我们发现,对相关的推文之间的差距呈指数衰减,而不相关的推文之间的差距是近似均匀的。在此基础上,我们使用概率参数来估计一对推文相关的可能性,并建立一个改进的聚类方法。我们的方法社会媒体事件响应聚类(SMERC)创建集群的推文的基础上,他们的倾向是与一个单一的事件。我们评估我们的方法在三个层面上:通过传统的事件预测推文聚类,通过测量创建的集群质量的提高,并比较聚类精度和召回率与其他方法。通过应用SMERC在一些体育赛事期间收集的推文,我们证明,将时间信息导致国家的最先进的聚类性能。
2018-11-13 cs.IR cs.SI physics.data-an
Real-Time Classification of Twitter Trends
Dublin Institute of Technology(都柏林理工学院);UNED(西班牙国立远程教育大学)
社交媒体用户会产生社会趋势,因为他们分享共同的兴趣,这可能是由不同的原因引发的。在这项工作中,我们探讨触发器的类型,引发Twitter上的趋势,介绍了以下四种类型:“新闻”,“正在发生的事件”,“模因”和“纪念”。虽然以前的研究已经分析了长期的趋势主题,但我们研究了产生趋势的最早推文,目的是在早期对趋势进行分类。这将允许向最终用户提供经过筛选的趋势子集。我们分析和实验一组简单的语言独立的功能的基础上的社会传播的趋势,将它们归类到介绍的类型学。我们的方法提供了一种有效的方法来准确地对热门话题进行分类,而不需要外部数据,使新闻机构能够实时的【形】发现突发新闻,或者快速识别可能丰富营销决策的病毒模因等。对社交特征的分析还揭示了与每种类型的趋势相关的模式,例如关于正在进行的事件的推文较短,因为许多推文可能是从移动设备发送的,或者模因具有更多的转发来自少数潮流引领者。
2014-03-06 cs.CL cs.IR cs.SI
Tripartite Graph Clustering for Dynamic Sentiment Analysis on Social Media
The Chinese University of Hong Kong(香港中文大学)
社交媒体(例如Twitter)的日益普及允许用户轻松地彼此分享信息,并通过表达自己对各种主题的看法来影响他人。在这项工作中,我们提出了一个无监督的\emph{tri-clustering}框架,分析用户级和推文级的情感,通过共同聚类的三方图。该框架的一个引人注目的特点是,推文,用户和功能的情感聚类的质量可以通过联合聚类相互提高。我们进一步研究在线框架中用户级情感和潜在特征向量的演变,并设计一种高效的在线算法,用新到达的数据顺序更新推文、用户和特征的集群。在线框架不仅提供了更好的质量的动态用户级和推文级情感分析,但也提高了计算和存储效率。我们验证了2012年11月加州选票Twitter数据的有效性和效率的方法。
2014-06-12 cs.CL cs.IR cs.SI
TweetBoost: Influence of Social Media on NFT Valuation
NFT或不可替代令牌是一种证明数字资产是唯一的令牌。包括数字艺术、音乐、推文、模因在内的各种资产正在作为NFT出售。NFT相关内容已在Twitter等社交媒体网站上广泛分享。我们的目标是了解影响NFT资产估值的主要因素。为了实现这一目标,我们创建了一个连接Twitter和OpenSea(最大的NFT市场)的首个数据集,以捕获社交媒体配置文件和关联的NFT资产。我们的数据集包含17,155个独立用户发布的245,159条推文,直接链接了OpenSea上价值1900万美元的62,997个NFT资产。我们将数据集公开。我们分析了NFT的增长,描述了Twitter用户推广NFT资产的特征,并衡量了Twitter功能对NFT病毒式传播的影响。此外,我们通过试验多种机器学习和深度学习模型来预测资产价值,从而研究不同社交媒体和NFT平台功能的有效性。我们的研究结果表明,社交媒体功能比仅使用NFT平台功能的基线模型提高了6%的准确性。在社交媒体功能中,用户会员列表的数量,喜欢和转发的数量是重要的功能。
2022-04-01 cs.SI
Clustering of Social Media Messages for Humanitarian Aid Response during Crisis
Wright State University(莱特州立大学);Dataminr Inc.(Dataminr公司)
社交媒体已迅速发展成为人们在危机事件中沟通和表达需求的重要工具。之前在分析社交媒体数据以进行危机管理方面的工作主要集中在自动识别可操作的(或信息性的)危机相关消息。在这项工作中,我们展示了深度学习和自然语言处理的最新进展,在对信息量进行分类的任务中优于先前的方法,并鼓励该领域将其用于研究甚至部署。我们还将这些方法扩展到信息量的两个子任务,并发现深度学习方法在这里也是有效的。
2020-07-23 cs.CL cs.SI
Multimodal Pipeline for Collection of Misinformation Data from Telegram
本文介绍了AI-COVID-19的成果,我们的项目旨在更好地了解社交媒体平台上关于COVID-19的错误信息流。本文报告的研究的具体重点是从Telegram团体收集数据,这些团体积极宣传与COVID相关的错误信息。到目前为止,我们收集的语料库包含大约2800万个单词,来自近100万条消息。鉴于社交媒体中的错误信息流的很大一部分是通过图像和视频等多模式手段传播的,我们还开发了一种机制,通过为视频生成自动转录和将图像自动分类为meme,帖子截图和其他类型的图像来利用这些渠道。图像分类流水线的准确率约为87%。
2022-04-27 cs.SI
Determining Impact of Social Media Badges through Joint Clustering of Temporal Traces and User Features
徽章是激励用户在在线网站上执行某些操作的常见方法,有时甚至是唯一的方法。然而,由于影响用户时间动态的许多竞争因素,难以确定徽章是否具有(或将具有)预期效果。在本文中,我们介绍了两种互补的方法来确定徽章对用户的影响。在第一种方法中,我们对用户的时间轨迹(用点过程表示)进行聚类,并应用协变量(用户特征)来正则化结果。在第二种方法中,我们首先用一个新的统计框架对用户的时间轨迹进行分类,然后用协变量的半监督聚类来细化分类结果。从一个流行的Q&A平台的合成数据集和两个徽章上的实验的评价获得的结果证实,它是可能的验证,表征,并在一定程度上预测受徽章影响的用户。
2017-10-04 cs.SI
Bridging Nations: Quantifying the Role of Multilinguals in Communication on Social Media
University of Michigan(密歇根大学);University of Southern California(南加州大学)
本研究在欧洲Twitter网络上应用因果推断技术,量化了多语用户在跨语言信息交换中的结构性角色和交流影响力,发现多语者在传播单语者难以获取的信息方面具有关键作用。
2023-04-07 cs.CL cs.SI
Improved Density-Based Spatio--Textual Clustering on Social Media
Dankook University(檀国大学)
当输入数据类型在文本描述方面是异构的时,DBSCAN可能是不够的。当我们旨在发现与社交媒体上的特定兴趣点(POI)相关的地理标记记录的集群时,仅检查一种类型的输入数据(例如,与POI相关的推文)可能由于噪声区域而绘制不完整的聚类图。为了克服这个问题,我们引入DBSTexC,一个新定义的基于密度的聚类算法,使用空间文本信息。我们首先将POI相关和POI不相关的推文分别描述为包含和不包含POI名称或其语义连贯变体的文本。通过利用POI相关和POI不相关推文的比例,所提出的算法在$\mathcal{F}_1$分数及其变体方面表现出比DBSCAN情况高得多的聚类性能。虽然DBSTexC在文本同质输入下的性能与DBSCAN完全相同,但它在文本异构输入下的性能远远优于DBSCAN。此外,为了进一步提高聚类质量,充分捕捉地理分布的推文,我们提出了模糊DBSTexC(F-DBSTexC),DBSTexC的扩展,它将模糊聚类的概念到DBSTexC。然后,我们通过密集的实验证明了F-DBSTexC的鲁棒性。我们的算法的计算复杂性也分析和数值显示。
2018-06-14 cs.AI cs.IR cs.LG