Analysis of Home Location Estimation with Iteration on Twitter Following Relationship
用户的家庭位置被许多社交媒体应用使用，例如社交媒体分析。然而，由于用户的家庭位置通常不对公众公开，因此许多研究人员一直在尝试开发更准确的家庭位置估计。使用表达用户之间的关系的社交网络来估计用户的家庭位置。基于网络的家庭位置估计方法采用迭代的方法，通过传播估计的位置来估计更多用户的家庭位置。在这项研究中，我们分析的功能，基于网络的家庭位置估计与迭代，而使用的社会网络的基础上，以下关系的Twitter。结果表明，在朋友的位置中选择最频繁的位置的函数具有最好的准确性。我们的分析还表明，88%的用户，谁是在社交网络的基础上，以下关系，有至少一个正确的家庭位置在一跳（朋友和朋友的朋友）。根据社会网络的这一特性，我们指出两次迭代就足够了。
2016-08-30 cs.SI
Echo Chambers in the Age of Algorithms: An Audit of Twitter's Friend Recommender System
本文通过自动化账号与观察性研究审计 Twitter 的 Who-To-Follow 推荐系统，发现其虽形成密集互惠网络，却比社会认可带来更低政治同质性和更少虚假选举内容暴露。
2024-04-09 cs.CY cs.SI
Database of Indian Social Media Influencers on Twitter
高度网络化的个人数据库在研究社交媒体上的叙事和影响力方面是不可或缺的。为了支持在印度的Twitter的研究，我们提出了一个系统分类的数据库的帐户的影响力在印度的Twitter上，确定和注释通过一个迭代的过程中的朋友，网络，和自我描述的个人资料信息，手动验证。我们基于一组种子账户的朋友网络建立了一组初始账户，这些种子账户是基于各个领域的真实世界声誉，然后多次滚雪球“朋友的朋友”，并根据组内连接的数量和总体追随者对个人进行排名。然后，我们将已识别的帐户手动分类为娱乐，体育，商业，政府，机构，新闻，在社交媒体之外具有独立地位的民间社会帐户，以及“数字第一”类别，指的是从在线活动中获得主要影响力的帐户。总的来说，我们在所有类别中注释了11580个独特的帐户。该数据库有助于研究与影响者在两极分化、错误信息、极端言论、政治话语等方面的作用有关的各种问题。
2022-05-05 cs.HC cs.SI
Two types of well followed users in the followership networks of Twitter
在Twitter博客圈中，关注者的数量可能是衡量用户受欢迎程度的最基本和最简洁的数量。然而，追随者的数量可以通过各种方式操纵;我们甚至可以购买追随者。因此，已经开发了基于例如用户的推文和转推文的Twitter用户的替代受欢迎程度度量。在目前的工作中，我们对这个基本问题采取纯粹的网络方法。首先，我们发现，两种相对不同类型的用户拥有大量的追随者存在，特别是对于日本，俄罗斯和韩国的用户中的七个语言组，我们研究。第一种类型的用户跟随少数其他用户。第二类型的用户关注的其他用户的数量与该用户接收的关注数量大致相同。然后，我们比较本地（即，以自我为中心的）追随者网络围绕具有许多追随者的两种类型的用户。我们表明，第二种类型，这是大概没有影响力的用户，尽管其大量的追随者，其特点是高链接互惠性，大量的朋友（即，用户关注的那些用户）、关注者的高链接互惠性、大聚类系数、关注者中第二类型用户的大比例以及小PageRank。我们基于网络的结果支持，单独使用的追随者数量是一个误导性的用户受欢迎程度的衡量标准。我们建议，朋友的数量，这是简单的测量，也有助于我们评估Twitter用户的受欢迎程度。
2014-01-15 cs.SI physics.soc-ph
Your most telling friends: Propagating latent ideological features on Twitter using neighborhood coherence
Sciences Po（巴黎政治学院）；reciTAL
网络中的多维标度允许通过在某些特征空间中嵌入节点来发现关于其结构的潜在信息。Twitter等社交网络中用户的意识形态缩放就是一个例子，但类似的设置可以包括其他网络甚至媒体平台或电子商务中的各种应用程序。关于社交网络中意识形态缩放方法的文献越来越多，将缩放过程限制在提供特征空间可解释性的节点上：在Twitter上，通常考虑议员及其追随者的子网络。这允许将推断的潜在特征解释为与意识形态相关的概念的指标，以检查议会成员的位置。虽然有效地推断有意义的功能，这通常是限制这些子网络，限制有趣的应用，如全国范围内的测量极化及其演变。我们提出了两种方法来传播这些子网络之外的意识形态特征：一种是基于同质性（链接的用户具有相似的意识形态），另一种是基于结构相似性（具有相似邻域的节点具有相似的意识形态）。在我们的方法中，我们利用邻里意识形态一致性的概念作为传播的参数。使用Twitter的数据，我们产生了一个意识形态的缩放为370K用户，并分析了两个家庭的传播方法的人口6.5万用户。我们发现，当一致性被认为是，一个用户的意识形态是更好地估计从那些具有相似的社区，比从他们的近邻。
2021-03-12 cs.AI cs.SI
Keep Your Friends Close, and Your Enemies Closer: Structural Properties of Negative Relationships on Twitter
本研究将自我网络模型引入带符号网络领域，提出基于情感分析的关系符号标注新方法，通过9个Twitter数据集探究带符号自我网络特性，发现Twitter负向关系占比远高于线下网络，职业用户的该占比更高。
2024-01-29 cs.SI
Geotagging One Hundred Million Twitter Accounts with Total Variation Minimization
地理注释的社交媒体对于现代信息检索来说是极其有价值的。然而，当研究人员只能访问公开可见的数据时，人们很快就会发现社交媒体用户很少发布位置信息。在这项工作中，我们提供了一种方法，可以地理定位绝大多数活跃的Twitter用户，独立于他们的位置共享偏好，只使用公开可见的Twitter数据。我们的方法推断一个未知用户的位置通过检查他们的朋友的位置。我们将地理标记问题框架为基于总变分目标的社交网络优化问题，并为其解决方案提供了一个可扩展的分布式算法。此外，我们还展示了如何对每个用户自我网络的地理分散度进行稳健估计，作为每用户准确性度量，这可以有效地消除外围错误。Leave-many-out评估表明，我们的方法能够以6.38 km的中位误差推断101，846，236个Twitter用户的位置，使我们能够对超过80%的公共推文进行地理标记。
2015-03-04 cs.SI physics.soc-ph
Follow Whom? Chinese Users Have Different Choice
新浪微博于2009年推出，是中国最受欢迎的微博服务。据报道，截至2012年第三季度末，新浪微博的注册用户已超过4亿。新浪微博和Twitter有很多共同点，然而，在以下偏好方面，新浪微博用户（其中大部分是中国人）与Twitter用户的行为不同。这项工作是基于一个数据集的新浪微博，其中包含8080万用户的个人资料和72亿关系和一个大数据集的Twitter。首先分析了新浪微博和Twitter的度和活跃度分布、度与活跃度的相关性、度与活跃度的分离度等基本特征。然后通过研究图的竞争混合、朋友相似度、跟随分布、边平衡比和排序相关性来研究图的跟随偏好，其中边平衡比是新提出的衡量图的平衡性的指标.研究发现，新浪微博具有较低的互惠率、较强的正向平衡关系和较强的歧视性。与亚洲传统文化相吻合的是，新浪微博用户的关注偏好更加集中和层次化：他们更倾向于关注更高或相同社会层次的人，而不太可能关注比自己低的人。相比之下，Twitter中的同类追随偏好较弱。Twitter用户的开放性和多层次关注，符合其全球性的特点和西方文明的盛行。通过显示传播级别、延迟和关键用户来研究消息转发行为。这种偏好的产生不仅有使用习惯的原因，也有人格、社会道德等深层原因，值得进一步研究。
2012-12-01 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
Examining Factors Associated with Twitter Account Suspension Following the 2020 U.S. Presidential Election
在线社交媒体使人们能够就许多社会政治问题进行大众化、透明化和民主化的讨论。由于这种开放性，这些平台经常遭受操纵和错误信息-导致负面影响。为了防止这种有害的活动，平台版主采取对策，以防止行为者违反他们的规则。然而，公开概述的政策和就业行动之间的相关性对普通人来说不太清楚。在这项工作中，我们研究了与2020年美国总统选举有关的违规行为和随后的节制在Twitter上的讨论，Twitter是一个受欢迎的微博网站。我们专注于量化合理的原因暂停，借鉴Twitter的规则和政策，通过识别暂停用户（案例），并比较他们的活动和属性与（尚未）非暂停（控制）用户。使用由2100万独立用户发出的2.4亿条与选举相关的推文的数据集，我们观察到，在所有考虑的方面-仇恨言论，攻击性，垃圾邮件和公民诚信-暂停用户违反Twitter规则的比率（统计学显著）高于控制用户。此外，通过Twitter的暂停机制的镜头，我们定性地检查有针对性的主题操纵。
2021-01-23 cs.SI
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
Discovering Social Circles in Ego Networks
人们的个人社交网络庞大而杂乱，目前还没有好的方法来自动组织它们。社交网站允许用户手动将他们的朋友分类到社交圈（例如Google+上的“圈子”，以及Facebook和Twitter上的“列表”），但是它们很难构建，并且必须在用户的网络增长时更新。在本文中，我们研究了自动识别用户的社交圈的新任务。我们把这个任务作为一个多成员节点聚类问题的用户的自我网络，她的朋友之间的连接网络。我们开发了一个模型，结合网络结构以及用户简档信息检测圆。对于每个圈子，我们了解其成员和圈子特定的用户简档相似性度量。对多个圆的节点成员关系建模允许我们检测重叠以及分层嵌套的圆。实验表明，我们的模型可以准确地识别来自Facebook、Google+和Twitter的各种数据集上的圆圈，我们获得了所有这些数据的手工标记的地面实况。
2013-01-10 cs.SI physics.soc-ph
When Follow is Just One Click Away: Understanding Twitter Follow Behavior in the 2016 U.S. Presidential Election
受两个自相矛盾的事实的启发，即关注一个额外候选人的边际成本接近于零，大多数Twitter用户选择只关注一个或两个候选人，我们研究了2016年美国总统大选中观察到的Twitter关注行为。具体而言，我们完成了以下任务：（1）分析Twitter上的总统选举的Twitter追随模式，（2）使用负二项回归来研究性别和职业对候选人追随人数的影响，以及（3）使用多项逻辑回归来研究性别，职业和名人对候选人选择的影响。
2017-01-31 cs.SI
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
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
Approaches for Sentiment Analysis on Twitter: A State-of-Art study
National Institute of Technology, Surat（苏拉特国立理工学院）
微博是一个非常普遍的广播媒体之间的互联网兄弟这些天。人们分享他们对产品、新闻、机构等各种主题的看法和感受，每天都在微博网站上情感分析在预测系统、意见挖掘系统等中起着关键作用。微博平台之一的Twitter允许其用户的字符数限制为140个。这种限制促使用户非常简洁地表达自己的观点，并在twitter上发表大量的观点供分析。Twitter还提供了开发者友好的流API用于数据检索目的，允许分析师搜索来自不同用户的实时的tweet。在本文中，我们讨论了国家的艺术作品，集中在Twitter上，在线社交网络平台，情感分析。我们调查了各种词汇，机器学习和混合方法的情感分析在Twitter上。
2015-12-03 cs.CL cs.IR cs.SI
Characterising different communities of Twitter users: Migrants and natives
今天，许多用户正在积极使用Twitter来表达他们的意见和分享信息。由于数据的可用性，研究人员研究了这些用户的行为和社交网络。国际移徙研究也受益于这一改善移徙统计的社交媒体平台。虽然到目前为止，Twitter上已经研究了各种类型的社交网络，但以前从未研究过移民和本地人的社交网络。本文旨在通过研究Twitter上移民和本地人的特征和行为来填补这一空白。为此，我们对包括配置文件和推文在内的功能进行了一般评估，并对网络进行了广泛的网络分析。我们发现，移民的追随者多于朋友。尽管这两个群体的账户年龄相似，但他们也发了更多的推文。更有趣的是，非自愿性得分显示，用户更倾向于基于国籍而不是居住国进行联系，移民比本地人更是如此。此外，本地人和移民都倾向于与本地人联系。
2021-03-05 cs.SI
Finding Influentials in Twitter: A Temporal Influence Ranking Model
随着在线社交媒体的日益普及，识别这些社交网络中的有影响力的用户已经变得非常流行。现有的工作研究了用户属性，网络结构和用户交互时测量用户的影响力。与这些作品相比，我们专注于用户的行为特征。我们调查的时间动态的用户活动模式，以及这些模式如何影响用户交互。我们吸收这些特征到一个基于PageRank的时间影响力排名模型（TIR），以确定有影响力的用户。TIR中的转移概率由逻辑回归模型和随机游走预测，根据用户的时间活动模式有偏。实验结果表明，TIR模型在全局影响力排名和好友推荐方面比现有模型具有更好的性能和稳定性。
2022-03-23 cs.SI
Cross-Pollination of Information in Online Social Media: A Case Study on Popular Social Networks
由于在线社交媒体（OSM）的普及，互联网用户每天都在OSM服务上和OSM服务之间共享大量信息（包括个人信息）。例如，在博客文章中嵌入YouTube视频并提供在Facebook上共享链接的选项是很常见的。用户推荐、评论和转发他们从朋友那里收到的信息，有助于在OSM服务中传播信息。我们将这种从一个OSM服务到另一个OSM服务的信息扩散过程称为交叉轮询，并将参与交叉轮询的用户和网络中产生的内容所形成的网络称为\emph{Cross-Pollinated network}。关于单OSM服务内的信息扩散的研究已经做了很多，但是关于交叉扩散的研究还很少。在本文中，我们的目的是填补这一空白，研究如何从三个流行的OSM服务（YouTube，Flickr和Foursquare）的信息（视频，照片，位置）在Twitter上扩散，最流行的微博服务。我们的研究结果表明，交叉授粉网络遵循扩散OSM（Twitter在我们的研究）的时间和拓扑特征。此外，源OSM（YouTube，Flickr和Foursquare）上的信息受欢迎程度并不意味着它在Twitter上的受欢迎程度。我们的研究结果还表明，Cross-Polarity在流量生成和用户参与方面帮助Twitter，但只有一小部分视频和照片从Twitter获得了大量的浏览量。我们相信这是第一个明确描述不同OSM服务之间信息扩散特征的研究工作。
2013-01-29 cs.SI physics.soc-ph
Divergences in Following Patterns between Influential Twitter Users and Their Audiences across Dimensions of Identity
本文通过Twitter关注图谱构建自我中心与受众中心画像，量化身份维度显著性，发现网红在种族上更显著、在宗教和政治上更不显著，并提出识别桥接型网红以促进观点多样性。
2023-04-14 cs.SI
Using Friends as Sensors to Detect Global-Scale Contagious Outbreaks
最近的研究侧重于监测全球规模的在线数据，以更好地发现流行病、情绪模式、股票市场的波动、政治革命、票房收入、消费者行为和许多其他重要现象。然而，隐私方面的考虑和在线可用数据的庞大规模正在迅速使全球监测变得不可行，并且现有方法没有充分利用本地网络结构来识别用于监测的关键节点。在这里，我们开发了一个全球规模的，公开表达的社交网络中的信息传染性传播模型，并表明一个简单的方法不仅可以早期检测，而且可以提前预警传染性疫情。在这种方法中，我们随机选择网络中的一小部分节点，然后随机选择每个节点的一个“朋友”，包括在一个组中进行本地监控。使用来自整个Twitter领域的大部分六个月的数据，我们表明这个朋友群体在网络中更重要，它有助于我们比我们使用相同大小的随机选择的群体提前7天检测到使用新标签的病毒爆发。此外，由于网络结构本身，该方法实际上比预期的效果更好，因为高度中心化的参与者更加活跃，并且在他们向其他人传递的信息中表现出更大的多样性。这些结果表明，局部监测不仅效率更高，而且更有效，而且有可能对全球规模网络中的其他传染过程进行类似的监测。
2012-11-28 cs.SI physics.soc-ph
Temporal Identification of Latent Communities on Twitter
社交网络中的用户社区通常通过考虑用户之间的显式结构化社交联系来识别。虽然这样的社区可以揭示有关其成员的重要信息，如家庭或友谊关系和地理位置，但它们不一定能成功地将志同道合的用户聚集在一起。在本文中，我们感兴趣的是识别社区的用户，随着时间的推移，共享类似的主题兴趣，无论他们是否明确地连接到彼此的社交网络。更具体地说，我们解决了从Twitter中识别基于时间主题的社区的问题，即，对Twitter上当前出现的话题有类似时间倾向的用户社区。我们将每个主题建模为在推文中观察到的高度相关的语义概念的集合，并通过基于每个概念随时间推移的观察频率构建的基于时间序列的每个概念的表示进行聚类来识别它们。基于在一个给定的时间段内确定的新兴主题，我们利用多变量时间序列分析模型的贡献，每个用户对确定的主题，这使我们能够检测潜在的用户社区。通过对Twitter数据的实验，我们证明了i）我们的主题检测方法检测真实世界主题的有效性，ii）与社区发现的成熟方法相比，我们的方法的有效性。
2015-09-14 cs.SI
Ego Network Structure in Online Social Networks and its Impact on Information Diffusion
在过去的几年里，在线社交网络（OSNs）吸引了大量的研究人员的兴趣，由于他们在社会中的核心作用。通过对OSN的分析，人们研究了许多社会现象，例如人们之间的病毒式信息传播。目前尚不清楚的是OSN的微观结构属性（即用户的个人网络，也称为自我网络）与这种现象的出现之间的关系。更好地了解这种关系对于为未来互联网创建服务至关重要，例如根据用户的需求和特点制作高度个性化的广告。在本文中，我们通过分析大量Facebook和Twitter用户样本的自我网络来弥补这一差距。我们的研究结果表明，OSN的微观结构特性是有趣的相似，发现在社交网络形成离线。特别是，在线自我网络显示出与离线相同的结构，社交联系以大小和组成兼容的层次排列。通过对Twitter自我网络的分析，我们发现，关系强度和自我网络圈子对信息在网络中的传播有着直接的影响。具体来说，用户和她在Twitter上的朋友之间的直接联系频率（关系强度的代理）与用户从他们的朋友生成的推文中进行的转推频率之间存在高度相关性。我们分析了Twitter中每个自我网络层的相关性，发现了它们在信息传播中的作用。
2022-06-06 cs.SI
ArabGend: Gender Analysis and Inference on Arabic Twitter
Qatar Computing Research Institute, HBKU（卡塔尔计算研究所（哈马德·本·哈利法大学））
对Twitter的性别分析可以揭示男性和女性用户之间重要的社会文化差异。在过去，对于大多数广泛使用的语言的内容，已经做出了大量的努力来分析和自动推断性别，然而，据我们所知，对于阿拉伯语所做的工作非常有限。在本文中，我们进行了广泛的分析，男性和女性用户之间的阿拉伯语Twitter领域的差异。我们研究了用户参与度，感兴趣的主题以及职业性别差距的差异。除了性别分析之外，我们还提出了一种通过利用用户名、个人资料图片、推文和朋友网络来推断性别的方法。为了做到这一点，我们手动注释了与~ 92 K用户位置相关的~ 166 K Twitter帐户的性别和位置，我们计划在http://anonymous.com上公开这些帐户。我们提出的性别推断方法实现了82.1%的F1分数，这是47.3%，高于大多数基线。此外，我们还开发了一个演示，并将其公开。
2022-03-01 cs.CL cs.CY cs.SI
A Large-Scale Empirical Study of Geotagging Behavior on Twitter
社交媒体上的地理标记已成为了解人们流动性和社交活动的重要代理。使用地理标记来推断公众意见的研究依赖于对地理标记和非地理标记用户行为的几个关键假设。然而，这些假设尚未得到充分验证。缺乏对地理标记行为的了解阻碍了人们进一步利用它。本文基于从2000万用户收集的400多亿条推文，对Twitter上的地理标记行为进行了实证研究。有三个主要的发现可能会挑战这些共同的假设。首先，不同的用户群体具有不同的地理标记偏好。例如，只有不到3%的韩语用户使用地理标记，而超过40%的印度尼西亚语用户使用地理标记。其次，在配置文件中报告其位置的用户更有可能使用地理标记，这可能影响那些位置预测系统对非地理标记用户的可生成性。第三，用户的地理标记行为存在较强的同质性效应，即用户倾向于连接到具有相似地理标记偏好的朋友。
2019-08-28 cs.HC cs.SI
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
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
Rising tides or rising stars?: Dynamics of shared attention on Twitter during media events
政治辩论等“媒体事件”产生了共同关注的条件，因为许多用户同时通过广播和社交媒体的双重屏幕进行观看和参与。在共享注意力的条件下，用户行为的集体模式与其他活动的“突发”（如突发新闻事件）不同吗？使用来自大约20万政治活跃Twitter用户的数据，我们比较了他们在2012年美国总统大选期间八个主要事件中的行为特征，以研究（1）与“典型”时间相比，“媒体事件”对社交媒体使用模式的影响，以及（2）媒体事件期间的变化是否可归因于整个人群的行为变化或精英用户行为变化的人为因素。我们的研究结果表明，虽然这一人群在媒体活动期间变得更加活跃，但这种额外的活动反映了对少数用户，标签和推文的集中关注。我们的工作是第一个研究区分模式的大规模社会行为的条件下的不确定性和共享的注意力，提出了新的方法，从社会媒体挖掘信息，以支持集体意义重大事件后。
2013-07-10 cs.SI physics.soc-ph
Revisiting Information Diffusion Beyond Explicit Social Ties: A Study of Implicit-Link Diffusion on Twitter
University of Tsukuba（筑波大学）；Saitama University（埼玉大学）
研究探讨了Twitter上隐式链接对信息扩散的影响，发现远离信息源的用户更倾向于通过隐式链接扩散信息，尽管隐式链接贡献较小，但对跨不同社区的传播有重要作用。
2026-01-08 cs.SI
Tweet Moodifier: Towards giving emotional awareness to Twitter users
在线社交网络中的情绪传染在过去几年中引起了极大的兴趣。以前的研究主要集中在寻找同性恋氛围中情感传染的证据。然而，这些研究忽略了用户对他们在网上分享和消费的情感的意识。在本文中，我们提出了一个实验，Twitter用户，旨在帮助他们更好地了解他们在这个社交网络上体验的情绪。我们介绍了Tweet Moodifier（T-Moodifier），这是一个Google Chrome扩展程序，使Twitter用户能够过滤并明确（通过彩色视觉标记）他们的新闻提要中的情感内容。我们比较了55名参与者和5089名公众朋友的行为变化。“比较期从安装T-Moodifier前的两周到安装后的一周。结果表明，使用T-Moodifier可能有助于Twitter用户提高他们的情感意识：能够获得有关其帖子的情感统计数据的T-Moodifier用户产生了显着更高比例的中性内容。这种行为变化表明，人们可以在使用实时机制时表现出不同的行为，从而增加他们的情感反射。此外，在体验后，那些完成前后调查的人可以更自信地断言他们在Twitter上分享和感知的主要情绪。这表明T-Moodifier的潜力，有效地使用户反映他们的新闻提要。
2019-12-06 cs.HC cs.SI
Friend Recommendation based on Hashtags Analysis
社交网络包括出于个人或职业目的而不断寻找新关系的数百万用户。社交网站基于关系特征和内容信息推荐好友。每天分享的信息中有很大一部分是通过标签传播的。现有的基于内容的推荐系统在推荐新朋友时都没有使用主题标签的语义。目前，主题标签被认为是字符串，而不考虑它们的含义。社交网站将共享完全相同的标签的人聚集在一起，并且在语义上从不接近。我们认为标签包含了一些人的兴趣。在本文中，我们提出了一个框架，展示了推荐系统如何从标签中受益，以丰富用户的个人资料。该框架由三个主要部分组成：（1）基于共享主题标签构建用户档案，（2）计算档案之间语义相似度的匹配方法，（3）使用聚类技术对语义相近的用户进行分组。该框架已在斯坦福大学大型网络数据集集合的Twitter数据集上进行了测试，该数据集由81306个配置文件组成。
2020-03-07 cs.IR cs.SI
The Failed Migration of Academic Twitter: A Case Study of Precocious Adopters
The Pennsylvania State University（宾夕法尼亚州立大学）
研究2022年Twitter所有权变更后，早期采用者向Mastodon的迁移行为，发现尽管内部连接紧密，但去中心化设计和竞争导致参与度下降，多数用户返回Twitter。
2026-06-23 cs.SI
Friends as Sensors: High-Sensitivity Monitoring of Misinformation and Platform Dynamics via the Friendship Paradox
University of Graz（格拉茨大学）；University of Bristol（布里斯托大学）；University of Potsdam（波茨坦大学）；University of Konstanz（康斯坦茨大学）
该研究利用友谊悖论，通过对比2024年美国大选期间Twitter/X上随机用户与传感器的推文数据，实现对错误信息和平台动态的高灵敏度监测，可及早检测新闻并追踪平台可见内容。
2026-10-14 cs.CY cs.SI
Credulous Users and Fake News: a Real Case Study on the Propagation in Twitter
最近的研究证实了一个日益增长的趋势，特别是在年轻人中，使用在线社交媒体作为最喜欢的信息平台，而不是传统的大众媒体。事实上，它们可以很容易地以高速到达广泛的受众;但正是因为如此，它们才是通过所谓的假新闻影响公众舆论的首选媒介。此外，人们普遍认为，假新闻的主要载体是自动与人类用户交互的恶意软件机器人（机器人）。在以前的工作中，我们已经考虑了标记人类用户在在线社交网络的轻信用户的问题。具体来说，我们已经考虑轻信那些与社交好友总数相比，机器人好友数量相对较高的用户。我们认为这组用户值得关注，因为他们可能更容易受到恶意活动的影响，并且他们可能通过分享可疑内容来传播虚假信息。在这项工作中，从假新闻的数据集开始，我们调查的行为和轻信的用户在假新闻传播的参与程度。该研究旨在：（i）通过考虑轻信用户传播的内容来打击假新闻;（ii）突出轻信用户与假新闻传播之间的关系;（iii）通过专注于分析更容易受到机器人恶意活动影响的特定账户来检测假新闻。我们的第一个结果表明，轻信的用户强烈参与了假新闻的传播。这一发现需要一些工具，通过对轻信的用户行为执行数据流，使我们能够执行有针对性的事实核查。
2020-05-07 cs.IR cs.SI
Tabloids in the Era of Social Media? Understanding the Production and Consumption of Clickbaits in Twitter
随着新闻消费主要通过Twitter等社交媒体网站的日益转变，大多数传统和新时代的媒体公司都在通过Twitter来推广他们的新闻故事。在这些媒体中争夺用户注意力的竞争导致许多媒体公司使用吸引人的耸人听闻的推文形式来吸引更多用户-这一过程被称为点击诱饵。在这项工作中，使用从Twitter收集的广泛的数据集，我们分析了点击诱饵和非点击诱饵推文的社会共享模式，以确定这种推文的有机范围。我们还试图研究Twitter用户中积极参与点击诱饵和非点击诱饵推文的部分。比较点击诱饵的出现与新闻小报化的兴起，我们提出了几个重要的见解，新闻消费者以及媒体机构在Twitter上推广新闻故事。
2017-09-09 cs.SI
Application of Liquid Rank Reputation System for Twitter Trend Analysis on Bitcoin
Novosibirsk State University（新西伯利亚国立大学）
本文提出结合流动民主和用户声誉的 Liquid Rank Reputation System，用于分析 Twitter 比特币趋势及情感对比特币价格与交易量的影响，并探讨了模型实现与未来挑战。
2024-06-25 cs.AI cs.SI
Twitter and Facebook posts about COVID-19 are less likely to spread false and low-credibility content compared to other health topics
2020年2月2日，世界卫生组织宣布COVID-19社交媒体为“信息流行病”，特别注意错误信息-通常被理解为虚假声明。为了了解信息流行病的范围和规模，我们分析了2020年3月8日至5月1日期间来自Twitter和Facebook的5亿多条关于COVID-19和其他健康主题的帖子。根据之前的工作，我们假设URL源可信度是虚假内容的代理，但我们也测试了这个假设。与预期相反，我们发现有关COVID-19的消息更有可能包含与更可信来源的链接。此外，平均而言，与不可信来源的链接相比，链接到政府来源和中等可信度新闻的信息被分享的频率更高。这些结果表明，与其他健康话题相比，关于COVID-19的更模糊形式的错误信息可能更有可能通过可靠来源传播。此外，认为可信度是虚假内容的充分代表的假设可能高估了网上虚假内容的普遍性：链接到最不可信来源的帖子中，只有不到25%包含虚假内容。我们的研究结果强调了区分明确的谎言和更模糊形式的错误信息的重要性，因为在科学不确定性的环境中寻找意义。
2021-03-26 cs.SI physics.soc-ph
What Twitter Profile and Posted Images Reveal About Depression and Anxiety
之前的研究发现，社交媒体图片的选择与用户的情绪、人口统计数据和个性特征之间存在密切联系。在这项研究中，我们研究的个人资料和张贴的图像的属性与抑郁和焦虑的Twitter用户。我们使用了28，749名Facebook用户的样本来构建调查报告的抑郁和焦虑的语言预测模型，并在Twitter上对887名接受焦虑和抑郁调查的用户进行了验证。然后，我们将其应用于另一组4，132名Twitter用户，以估算基于语言的抑郁和焦虑标签，并提取发布和个人资料图片的可解释特征，以揭示与用户抑郁和焦虑的关联，控制人口统计数据。对于抑郁症，我们发现个人资料图片抑制了积极情绪，而不是显示更多的消极情绪，这可能是因为社交媒体的自我展示偏见。他们也倾向于显示用户的单一面孔（而不是在朋友群中显示她），标志着对自我的关注增加，这是抑郁症的象征。发布的图像以灰度和各种图像特征的低美学凝聚力为主。焦虑用户的个人资料图像同样标记为灰度和低美学凝聚力，但不如抑郁用户。最后，我们证明了图像特征可用于预测抑郁和焦虑，并且包括人口统计学联合建模的多任务学习可提高预测性能。总的来说，我们发现，标记抑郁和焦虑的图像属性提供了一个丰富的镜头，这些条件在很大程度上与心理学文献一致，并且Twitter上的图像可以推断用户的心理健康状况。
2019-04-04 cs.HC cs.SI
Reputation Transfer in the Twitter Diaspora
本研究针对社交媒体用户跨平台迁移现象，基于X/Twitter大规模数据集分析用户离开规模与迁移去向，验证数字声誉可迁移性，发现高粉丝量用户更易迁移，且其X/Twitter声誉仅与Threads声誉高度相关。
2024-05-20 cs.HC 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
Should we agree to disagree about Twitter's bot problem?
机器人被简单地定义为由自动化控制的账户，可以被用作在线操纵的武器，并对平台的健康构成威胁。研究人员已经研究了在线平台来检测，估计和描述机器人帐户。在埃隆·马斯克（Elon Musk）收购Twitter之后，人们对机器人的流行感到担忧。Twitter最近估计，5%的可变现每日活跃用户是机器人账户，这引发了人们对他们方法的质疑。这一估计是基于特定的活跃用户数量，并依赖于Twitter的机器人账户标准。在这项工作中，我们要强调的是，为了做出正确的估计和比较不同的方法，需要回答关键的问题。我们讨论了对机器人可能行为的假设，检测方法和检查的人群如何影响Twitter上机器人百分比的估计。最后，我们强调平台有责任保持警惕，透明和公正地处理可能影响其用户的威胁。
2022-11-05 cs.CY cs.SI
Political Context of the European Vaccine Debate on Twitter
本文基于覆盖17个欧洲国家的多语言纵向Twitter数据，分析用户政治取向与疫苗犹豫内容认可之间的关系，发现右翼、威权及反欧盟立场关联更强，而政客整体影响并不突出。
2024-03-02 cs.SI physics.soc-ph
User Taglines: Alternative Presentations of Expertise and Interest in Social Media
Web应用程序越来越多地显示来自社交媒体的推荐用户以及一些描述，试图显示相关性-为什么他们被显示。例如，Twitter搜索一个主题关键字，会在“关注谁”的一侧显示专家推特用户。Google+和Facebook也建议用户关注或添加到朋友圈。流行的互联网报纸-赫芬顿邮报显示Twitter的影响者/专家在一篇权威的相关推文的一边。现有技术将用户简档bios显示为Twitter专家的摘要，但它存在用户界面（UI）设计所施加的长度约束、缺少bios以及有时有趣的配置文件bios的问题。或者，应用程序可以使用人工生成的用户摘要，但它不会扩展。因此，我们研究的问题，自动生成信息的专业知识摘要或标语的Twitter专家在UI设计所施加的空间限制。我们提出了三种方法的专业知识摘要生成-占领模式的基础上，链接三角测量和用户分类的基础上，使用知识增强的计算方法。我们还提出了最终的摘要选择方法，为用户生成的摘要有多个候选人。我们评估所提出的方法，通过用户研究，使用一些实验。我们的研究结果显示，在最好的情况下，92.8%的良好总结与大多数人一致，在最坏的情况下，70%与大多数人一致。我们的方法也超过了最先进的水平，高达88%。这项研究在专家分析，用户演示和应用程序设计领域的参与用户体验的影响。
2012-12-09 cs.SI
Exploring Platform Migration Patterns between Twitter and Mastodon: A User Behavior Study
本研究收集了Twitter所有权变更后10周内超万名迁移至Mastodon的用户数据，通过开发算法提取迁移模式、分析平台架构对用户行为的影响，并探究了促使用户留在Mastodon的行为因素。
2024-04-22 cs.CY cs.SI
Overcoming data scarcity of Twitter: using tweets as bootstrap with application to autism-related topic content analysis
尽管最近的工作已经证明了使用Twitter消息进行特定内容的数据采掘和分析的潜力，但这种分析的深度本质上受到140个字符的Twitter限制所带来的数据稀缺的限制。在本文中，我们描述了一种新的方法，有针对性的知识探索，使用推文内容分析作为一个初步的步骤。此步骤用于从直接相关但更丰富的内容源引导更复杂的数据汇集。特别是，我们证明，有价值的信息可以通过以下网址包括在推文收集。我们自动提取内容，从相应的网页，并把每个网页作为一个文件链接到原来的推文显示一个时间主题模型的基础上的分层狄利克雷过程可以用来跟踪一个复杂的主题结构的Twitter社区的演变。使用与自闭症相关的推文，我们证明了我们的方法能够捕获比用户选择的主题标签更有意义的信息交换图片。
2015-07-10 cs.SI
TwHIN: Embedding the Twitter Heterogeneous Information Network for Personalized Recommendation
诸如Twitter之类的社交网络形成异构信息网络（HIN），其中节点表示域实体（例如，用户、内容、广告商等）而边表示许多实体交互之一（例如，用户重新共享内容或“跟随”另一个）。来自多个关系类型的交互可以对关于未被单个关系完全捕获的社交网络实体的有价值的信息进行编码;例如，用户对要关注的账户的偏好可以取决于用户内容参与交互和他们关注的其他用户两者。在这项工作中，我们研究了Twitter HIN（TwHIN）中实体的知识图嵌入;我们表明，这些预先训练的表示对各种下游推荐和分类任务产生了显着的离线和在线改进：个性化广告排名，帐户跟踪推荐，攻击性内容检测和搜索排名。我们讨论了部署行业规模HIN嵌入的设计选择和实际挑战，包括压缩它们以减少端到端模型延迟和处理版本间的参数漂移。
2022-09-05 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
To Tweet or Not to Tweet: Covertly Manipulating a Twitter Debate on Vaccines Using Malware-Induced Misperceptions
巨魔和社交机器人已被证明是操纵公众舆论和在Twitter用户中播种不和的强大策略。这项工作需要大量的内容制作和帐户协调，以逃避Twitter对恶意平台使用的检测。在本文中，我们探索了一种隐蔽的社交媒体干扰的替代策略，通过诱导对经过验证的用户的真实，非拖钓内容的误解。这种策略使用了一种恶意软件，在真正的内容以一种隐蔽的中间人方式呈现给目标用户之前，秘密地操纵目标词、标签和Twitter指标。对恶意软件的早期测试发现，它能够实现与巨魔和社交机器人类似的目标，即沉默或煽动社交媒体用户在社交媒体上的两极分化辩论中表达自己的观点。在此之后，我们在受控环境中进行了实验测试（N=315），恶意软件在Twitter上关于疫苗导致自闭症风险的辩论中秘密操纵了感知。实证结果表明，诱导误解是一种有效的策略，沉默的Twitter用户时，辩论两极分化的问题，如疫苗。我们利用这些发现提出了一种解决方案，以对抗恶意软件引起的误解的影响，这种误解也可以用于对抗Twitter上的巨魔和社交机器人。
2020-03-26 cs.CR cs.SI
BotSpot: Deep Learning Classification of Bot Accounts within Twitter
Twitter的开放特性允许程序通过Twitter API自动生成和控制Twitter帐户。这些被称为机器人的帐户可以自动执行诸如推文，重新推文，关注，取消关注或直接向其他帐户发送消息等操作，就像真人一样。他们还可以执行恶意任务，如传播假新闻，垃圾邮件，恶意软件和其他网络犯罪。在本文中，我们介绍了一种新的机器人检测方法，使用深度学习，多层感知器神经网络和机器人账户的九个特征。开发了一个网络爬虫，可以自动从公共Twitter帐户收集数据，并构建测试和训练数据集，其中包含860个人类和机器人帐户的样本。经过初始训练后，多层感知器神经网络的总体准确率达到92%，证明了所提出的方法的性能。
2021-09-08 cs.AI cs.CR cs.SI
Tracking Dengue Epidemics using Twitter Content Classification and Topic Modelling
长期以来，检测和预防巴西和其他热带地区登革热和寨卡等蚊媒疾病的爆发一直是受影响地区政府的首要任务。流媒体社交媒体内容，如Twitter，越来越多地用于健康预警应用，如流感检测。然而，之前的工作并没有解决Twitter内容在多次疫情爆发中发生剧烈季节性变化的复杂性。为了解决这一差距，本文对比了两种互补的方法来检测与登革热疫情检测相关的Twitter内容，即使用主题建模的监督分类和无监督聚类。每种方法都有优点和缺点。我们的分类器基于约1，000个实例的小训练集实现了约80%的预测准确率，但需要手动注释使得难以跟踪流行病性质的季节性变化，例如某些地理位置出现的新型病毒。相比之下，基于LDA的主题建模扩展良好，从更大的样本中生成有凝聚力和分离良好的集群。虽然随着流行病的变化，聚类可以很容易地重新生成，但是这种方法很难将相关的推文清楚地分离到定义明确的聚类中。
2016-05-03 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
A Method for Estimating Individual Socioeconomic Status of Twitter Users
针对数字轨迹数据中个体社会经济地位衡量指标不足的问题，本研究借鉴政治学方法，通过对应分析基于用户关注的品牌账号估计大量Twitter用户的SES，经多源验证有效，为在线平台不平等研究提供新路径。
2023-02-13 cs.CY 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
Measuring #GamerGate: A Tale of Hate, Sexism, and Bullying
Aristotle University of Thessaloniki（塞萨洛尼基亚里士多德大学）；Telefonica Research（西班牙电信研究院）；University College London（伦敦大学学院）
在过去的几年里，网络攻击和虐待行为以许多不同的形式发生在各种平台上。在极端情况下，这些事件演变成仇恨、歧视和欺凌，甚至具体化为现实世界中对个人或团体的威胁和攻击。在本文中，我们研究了Gamergate争议。它始于2014年8月的在线游戏世界，迅速蔓延到各种社交网络平台，最终导致许多网络欺凌和网络攻击事件。我们专注于Twitter，提出了一个测量研究的数据集的34万个独特的用户和160万条推文，研究这些用户的属性，他们发布的内容，以及他们如何不同于随机的Twitter用户。我们发现，参与这场“Twitter战争”的用户往往有更多的朋友和追随者，通常更参与和发布的推文与负面情绪，较少的喜悦，更多的仇恨比随机用户。我们还对Twitter暂停机制如何处理此类滥用行为进行了初步测量。虽然我们专注于Gamergate，但我们收集和分析与攻击性和欺凌活动相关的推文的方法是独立的。
2017-02-24 cs.AI cs.CY cs.SI
