Political polarisation in turbulent times: Tracking polarisation trends and partisan news link sharing on Finnish Twitter, 2015-2023
本研究基于2015-2023年芬兰X平台数据,按转发政党相关推文划分三类意识形态群体,用网络方法分析多议题极化趋势及议题间极化对齐程度,并考察新闻链接分享与群体、推文情感及传播度的关联。
2024-03-06 cs.SI
This Sample seems to be good enough! Assessing Coverage and Temporal Reliability of Twitter's Academic API
本文评估Twitter学术API的数据完整性与时间可靠性,发现其能基于多种搜索词生成几乎完整的数据样本,且v2端点优于v1.1,建议在研究时实时收集数据以遵守开发者协议。
2023-04-11 cs.SI
Mining Influentials and their Bot Activities on Twitter Campaigns
Twitter越来越多地用于政治、广告和营销活动,其主要目的是影响用户支持特定的事业、个人或团体。我们提出了一种新的挖掘和分析Twitter活动的方法,包括:(i)收集推文和检测与活动相关的主题;(ii)使用科学计量学方法挖掘重要的活动主题;(iii)使用主题标签和主题熵建模用户兴趣;(iv)使用自适应的PageRank得分识别有影响力的用户;以及(v)用于识别类机器人活动的各种度量和可视化技术。虽然这种方法可推广到多种竞选类型,但我们在2017年德国联邦选举中证明了其有效性。
2020-11-22 cs.SI
A study of trends in the effects of TV ratings and social media (Twitter) -- Case study 1
日本电视剧《A剧》是2016年10月至12月播出的电视剧。收视率低迷,但这部剧在2016年创下了很高的收视率。由于它是从中间流行,并推测有一部分与社交媒体有关的流行,我们认为现有的研究方法作为案例研究。在本文中,我们使用了一个数学模型的命中现象,从社会物理学的角度来研究社会媒体的观众评估的影响。我们得到了与视频研究的每分钟收视率相同的考虑。本文是IEEE BIGDATA 2018的修订论文(对电视收视率和社交媒体影响的考虑)。
2019-08-12 cs.SI
Trend Alert: How a Cross-Platform Organization Manipulated Twitter Trends in the Indian General Election
世界各地的政治组织不断创新他们对社交媒体技术的使用。在2019年印度大选中,组织者利用WhatsApp群组网络通过协调的大量帖子操纵Twitter趋势。我们加入了600个支持印度人民党(Bharatiya Janata Party)的WhatsApp群组,以调查这些活动。我们发现了75个标签操纵活动的证据,这些活动以动员信息的形式出现,并列出了预先编写的推文。基于这些证据,我们估计了这些活动的规模,描述了他们的组织,并确定他们是否成功地创造了受控的社交媒体叙事。我们的调查结果显示,在整个选举期间,竞选活动产生了数百个全国性的Twitter趋势。集中控制但自愿参与,这种技术和组织战略的混合配置显示了在线工具如何深刻地改变竞选政治。趋势警报使关于合法使用数字化工具进行政治参与的辩论复杂化,并可能为一个得到民众支持的政党提供参与性媒体操纵的蓝图。
2021-09-03 cs.HC cs.SI
A Comprehensive Analysis of Twitter Trending Topics
Sharif University of Technology(谢里夫理工大学)
在Twitter中,一个名字、短语或主题被提及的频率高于其他人,被称为“趋势主题”或简称为“趋势”。Twitter的趋势列表具有强大的能力,可以促进公共事件,如自然事件,政治丑闻,市场变化和其他类型的突发新闻。然而,很少有作品关注这些趋势主题的动态。在这篇文章中,我们深入研究了2018年Twitter的热门话题。为此,我们自动访问Twitter的趋势API,并将结果存储在一个新的数据集中的50个热门话题。我们根据六个标准提出并分析我们的数据集:词法分析,到达时间,趋势重现,趋势时间,推文计数和语言分析。根据我们的结果,进入前10名的主题中有77.6%的主题趋势少于10万条。超过50%的话题无法坚守阵地超过一个小时。英语和阿拉伯语分别占第一级主题的近40%和20%。
2020-08-28 cs.CL cs.IR cs.SI
Ephemeral Astroturfing Attacks: The Case of Fake Twitter Trends
我们发现了一个以前未知的,正在进行的astroturfing攻击社交媒体平台的流行机制:短暂的astroturfing攻击。在这种攻击中,一个选定的关键字或主题被人为地通过协调和不真实的活动来推广,使其看起来很受欢迎,而且,至关重要的是,这个活动作为攻击的一部分被删除。我们观察Twitter上的这种攻击趋势,发现这些攻击不仅成功,而且普遍存在。我们检测到超过108,000个账户推广的19,000多个独特的虚假趋势,其中不仅包括虚假账户,还包括受损账户,其中许多账户仍然活跃并继续参与攻击。由这些攻击引发的趋势至少占全球十大趋势的20%。短暂的天体草坪威胁到社交媒体平台上流行机制的完整性,并通过扩展平台的完整性。
2021-03-11 cs.CR cs.SI
Canary in Twitter Mine: Collecting Phishing Reports from Experts and Non-experts
本文提出CrowdCanary系统,利用Twitter收集专家与非专家举报的电子邮件和SMS钓鱼案例,并在三个月运行中验证其可提取URL、域名及非专家特有的攻击细节。
2023-06-06 cs.CR cs.SI
Towards Characterizing COVID-19 Awareness on Twitter
新型冠状病毒(COVID-19)大流行显著改变了我们的生活方式,我们通过社交距离和隔离等预防措施尽量减少传播。一个日益令人担忧的方面是,疾病呈指数级蔓延与采取预防措施方面的拖延之间存在差距。这一差距是由于缺乏对这一疾病及其预防措施的认识。如今,社交媒体平台(即,Twitter)经常被用来提高人们对重大事件的认识,包括COVID-19。在本文中,我们通过分析受影响最严重的国家的信息流,使用Twitter来描述公众对COVID-19的认识。为此,我们从受影响最严重的前二十个国家收集了超过46,000条趋势和6.22亿条推文,以研究1)COVID-19相关趋势的时间演变,2)这些趋势中的推文数量和重复主题,以及3)用户对预防措施的看法。我们的研究结果表明,大流行传播较低的国家产生了更多的趋势和推文,以加快信息流动,并有助于提高公众意识。我们还观察到,在这些国家,COVID-19相关趋势是在病例数量急剧增加之前产生的,这表明有先发制人的尝试通知用户潜在的威胁。最后,我们注意到,在传播较低的国家,用户对COVID-19预防措施持积极态度。我们的测量和分析表明,有效的社交媒体使用可以影响公众行为,这可以用来更好地对抗未来的流行病。
2020-05-21 cs.SI
Analyzing large scale political discussions on Twitter: the use case of the Greek wiretapping scandal (#ypoklopes)
针对2022年希腊窃听丑闻引发的Twitter公众讨论,该研究提出数据收集与讨论模式分析方法,揭示讨论演化、极化及媒体作用,方法可推广,还公开了数据集与结果资源。
2024-09-17 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
Who Makes Trends? Understanding Demographic Biases in Crowdsourced Recommendations
像Facebook和Twitter这样的社交媒体网站的用户依赖于众包内容推荐系统(例如,趋势主题)检索重要和有用的信息。选择推荐的内容间接地给那些推广(通过点赞或发帖)内容的初始用户一个机会,将他们的信息传播给更广泛的受众。因此,重要的是要了解那些使内容值得推荐的人的人口统计数据,并探索他们是否代表媒体网站的总人口。在这项工作中,使用从Twitter收集的大量数据,我们首次尝试量化和探索众包推荐中的人口统计学偏见。我们的分析集中在趋势主题的选择上,发现很大一部分趋势是由人群推动的,这些人群的人口统计数据与Twitter的总体人口统计数据显著不同。更令人担忧的是,我们发现某些人口群体在热门话题的推动者中系统性地代表不足。为了使Twitter趋势中的人口统计偏见更加透明,我们在twitter-app.mpi-sws.org/who-makes-trends上开发并部署了一项基于Web的服务“Who-Makes-Trends”。
2017-04-01 cs.SI physics.soc-ph
PyPoll: A python library automating mining of networks, discussions and polarization on Twitter
今天,在线社交网络在我们的社会中具有很高的影响力,因为越来越多的人使用它们来相互沟通,表达他们的意见,参与公共讨论等,特别是Twitter是人们主要用于政治讨论的最受欢迎的社交网络平台之一。这吸引了许多研究的兴趣,通过收集数据,分析通信模式和探索用户网络的结构来分析Twitter上的社会现象。虽然以前的工作有许多共同的数据汇集和分析方法,但这些方法主要是由研究人员以自定义的方式每次重新实现的。在本文中,我们将介绍PyPoll,一个开源Python库,它可以操作Twitter讨论的常见分析任务。使用PyPoll,用户可以执行Twitter图形挖掘,计算极化指数并生成交互式可视化,而无需第三方工具。我们相信PyPoll可以通过提供易于使用的方法来帮助研究人员自动化他们的任务。此外,我们展示了使用的图书馆提出两个用例; PyPoll可视化应用程序,一个在线应用程序的图形可视化和共享,和政治灯塔,一个门户网站,用于显示在Twitter上的各种政治主题的极化。
2023-03-11 cs.SI
Trends in the Diffusion of Misinformation on Social Media
我们测量了2015年1月至2018年7月期间Facebook和Twitter上错误信息的传播趋势。我们专注于来自570个网站的故事,这些网站被认定为虚假故事的制造者。到2016年底,Facebook和Twitter上与这些网站的互动稳步上升。随后,Facebook上的互动量大幅下降,而Twitter上的互动量继续上升,Facebook互动量与Twitter份额的比率下降了约60%。我们在其他新闻、商业或文化网站上没有看到类似的模式,这些网站的互动随着时间的推移相对稳定,在选举前后,这两个平台上的互动都遵循类似的趋势。
2018-09-16 cs.SI econ.GN q-fin.EC
What Trends in Chinese Social Media
近年来,全世界的在线社交网络增长迅猛。虽然Twitter和Facebook等一些网络已经有了很好的记录,但中国流行的微博社交网络新浪微博尚未被研究。在这项工作中,我们研究了新浪微博上的关键话题,并将它们与我们在Twitter上的观察进行了对比。我们发现,与Twitter等全球社交网络相比,中国分享的内容存在巨大差异。在中国,这些趋势几乎完全是由于媒体内容的转发,如笑话,图像和视频,而在Twitter上,这些趋势往往与当前的全球事件和新闻报道有关。
2011-07-18 cs.CY cs.SI physics.soc-ph
Monitoring Depression Trend on Twitter during the COVID-19 Pandemic
COVID-19疫情严重影响了人们的日常生活,并在全球范围内造成了巨大的经济损失。然而,它对人们的心理健康状况的影响并没有得到足够的重视。为了研究这个主题,我们选择社交媒体作为我们的主要数据资源,并创建了迄今为止最大的英语Twitter抑郁症数据集,其中包含2,575名不同的抑郁症用户及其过去的推文。为了研究抑郁症对人们Twitter语言的影响,我们在数据集上训练了三个基于transformer的抑郁症分类模型,通过逐渐增加的训练规模来评估它们的性能,并比较模型的“tweet chunk”级别和用户级别的性能。此外,受心理学研究的启发,我们创建了一个融合分类器,将深度学习模型分数与心理文本特征和用户的人口统计信息相结合,并研究这些特征与抑郁信号的关系。最后,我们展示了我们的模型在COVID-19大流行期间的两个应用,以证明我们的模型能够监测群体水平和人群水平的抑郁趋势。我们希望这项研究能够提高研究人员和公众对COVID-19对人们心理健康影响的认识。
2020-07-02 cs.IR cs.SI
Modelling of trends in Twitter using retweet graph dynamics
在本文中,我们在Twitter上的用户行为模型,以捕捉出现的热门话题。为此,我们首先广泛分析了几个不同事件的推文数据集。特别是,对于这些数据集,我们构建和研究的转推图。我们发现,一个热门话题的转推图有一个相对密集的最大连通分量(LCC)。接下来,基于从数据集分析中获得的见解,我们设计了一个数学模型,该模型通过三个主要参数来描述转推图的演变。然后,我们量化,分析和模拟,模型参数的影响的基本特征的转推图,如边缘的密度和LCC的大小和密度。最后,我们将模型付诸实践,估计其参数,并将模型的结果行为与我们的数据集进行比较。
2015-01-31 cs.SI physics.soc-ph
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
Crawling political communities in Twitter and extracting political affiliations
从理论上讲,大数据方法在研究在线社区方面的一个主要优势是,它应该可以从广泛定义的人群中收集具有代表性的随机样本。但在实践中,数据汇集过程并没有正规化,即使是对推特和脸书等著名的社交媒体平台也是如此。因此,在诸如“多少数据才足够?以及在线社交网络中被研究的更广泛人群的样本有多具代表性。在本文中,我提出了一个集中的来回爬行方法和一个有效的种子选择方法,从Twitter收集网络级数据。所提出的爬行方法可以提取社区结构,而不需要一个完整的网络图的Twitter网络和验证其大小使用“参考分数”。它还通过跟踪数据中包含的已知节点的百分比来解决Twitter中的采样大小问题。因此,解决了Twitter数据汇集过程中的大多数主要问题,并进一步将平台的数据汇集方法形式化。一旦社区被爬行,网络图是干净和完整的;然后就可以使用社区作为特征来训练机器学习分类器,以预测更大规模的用户的政治倾向。作为一个案例,我使用所提出的方法将Twitter上的法国政治社区与全球Twitter社区分开,并在连续的范围内了解用户的政治派别。
2021-02-01 cs.SI
Effects of Algorithmic Trend Promotion: Evidence from Coordinated Campaigns in Twitter's Trending Topics
本文利用印度和土耳其的 Twitter 数据,量化标签登上热门话题页对新增推文数量的因果效应,发现该算法推广能带来统计显著但适度的回报,并主要帮助低影响力用户和新用户突破自身网络传播内容。
2023-04-08 cs.CY cs.HC cs.SI
Capitol (Pat)riots: A comparative study of Twitter and Parler
2021年1月6日,一群右翼保守派暴徒冲进美国国会山,打断了国会认证2020年总统选举结果的会议。活动开始后,社交媒体上立即出现了与骚乱有关的帖子。一个突出的社交媒体平台是支持社交媒体平台Parler的言论自由;它被声称是策划和谈论骚乱的平台。我们的报告对比了Parler和Twitter在骚乱期间的趋势内容。我们根据趋势标签收集了两个平台的数据,并根据正在谈论的话题,平台上活跃的人以及两个平台上生成的内容的有机性进行了比较。虽然Twitter上的内容趋势对这一事件有强烈的不满,并呼吁对骚乱者和煽动者采取行动,但Parler的内容有强烈的保守主义色彩,呼应了类似于攻击暴徒的选民欺诈思想。我们还发现,与Twitter相比,Parler对流量的操纵程度不成比例地高。
2021-01-18 cs.CY cs.SI
Scaling laws in geo-located Twitter data
我们观察并报告了人口密度和Twitter使用之间的系统关系。推文数量、用户数量和单位面积人口之间存在幂律关系,指数大于1,在一定的空间尺度上相互一致。这意味着人口密度可以准确预测Twitter活动。此外,这一趋势还可用于确定偏离趋势的“异常”区域。对带有地理标签和地点标签的推文的分析表明,带有地理标签的推文在用户类型和内容方面是不同的。我们的研究结果对Twitter数据的空间分析和理解Twitter用户群中的人口统计学偏见具有重要意义。
2017-11-27 cs.CY cs.HC cs.SI
Seeing through the smoke : a world-wide comparative study of e-cigarette flavors, brands and markets using data from Reddit and Twitter
电子烟作为香烟的替代品越来越受欢迎,促使我们使用Reddit和Twitter上的帖子来研究品牌,口味和在线市场活动的趋势。这项全球性研究的主要动机是强调法律法规对不同国家不同口味和品牌的vapes的使用和可用性的差异。数据来自澳大利亚、加拿大、欧洲和英国的电子烟社区。广泛的数据清理和严格的文本挖掘操作为不同的国家提供了不同的结果。从Reddit和Twitter获得了不同的结果,因为它们为用户提供了不同的氛围。
2020-02-04 cs.SI
Real-time Detection of Content Polluters in Partially Observable Twitter Networks
内容污染者或出于政治或广告目的劫持对话的机器人是事件预测、选举预测以及在社交媒体数据中区分真实新闻和假新闻的已知问题。识别这种类型的机器人特别具有挑战性,最先进的方法利用大量网络数据作为机器学习模型的特征。这样的数据集通常在流式传输社交媒体数据以用于实时的【形】事件预测的典型应用中不容易获得。在这项工作中,我们开发了一种方法来检测实时的【形】流媒体数据集中的内容污染者。将我们的方法应用于澳大利亚的内乱事件预测问题,我们从个人推文中识别内容污染者,而无需从个人账户收集社交网络或历史数据。我们在数据集中识别了这些机器人的一些特殊特征,并提出了识别这些账户的指标。然后,我们围绕这种类型的机器人检测提出了一些研究问题,包括:Twitter在检测内容污染者方面的表现如何,以及最先进的方法在检测我们数据集中的机器人方面的表现如何。
2018-04-17 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
Opinion Manipulation on Farsi Twitter
对于伊朗人和伊朗侨民来说,波斯语推特圈提供了国家媒体的重要替代品和政治话语的出口。但这个未被充分研究的在线空间已经成为一个舆论操纵的战场,不同的行为者使用不真实的账户来推进他们的目标并塑造在线叙事。通过研究伊朗社会分裂的趋势讨论,我们探讨了舆论操纵的动态如何在不同的问题领域有所不同。我们的分析表明,不真实的账户操纵舆论在分裂的政治讨论中比非分裂或非政治讨论更普遍。我们展示了Twitter的网络结构如何帮助加强不真实的帐户集群在分裂的政治讨论中传播的内容。分析伊朗Twitter圈在线讨论的内容和结构,这项工作有助于越来越多的文献探索在线舆论操纵的动态,同时提高我们对数字时代信息如何控制的理解。
2023-03-09 cs.SI
Large Engagement Networks for Classifying Coordinated Campaigns and Organic Twitter Trends
University at Buffalo(布法罗大学);University of Edinburgh(爱丁堡大学)
本文构建大规模参与网络数据集LEN,用于区分协调运动与有机推特趋势,并验证现有GNN方法在该任务上表现平庸,为图分类提供新挑战。
2025-03-28 cs.LG cs.SI
Mining Tourism Experience on Twitter: A case study
随着数字数据和社交网络平台的增加,社交媒体科学在推动与产品/服务功能和客户服务运营相关的公司决策方面的影响变得越来越重要。特别是,像Twitter这样的平台,人们可以分享几乎所有的经验,可以极大地影响公司以及地方或旅游网站的声誉和产品。文本挖掘工具的研究和文献中提出的,以获得价值和执行趋势的主题和情感分析在Twitter上。由于数据是这些模型的燃料,“正确”的模型,即与领域相关的模型,会影响模型的准确性。在本文中,我们描述了一个管道的\textit{DataOps / MLOps}的操作进行了旅游相关的Twitter数据集,以了解旅游动机和兴趣。所获得的知识可以利用,由旅游/酒店业,以开发数据驱动的战略服务,并由旅行者可以消费有关旅游目的地的相关信息。
2022-06-30 cs.SI
Dynamics of Trends and Attention in Chinese Social Media
近年来,全世界的在线社交网络增长迅猛。它促进了用户以不间断的速度产生大量的实时内容,所有这些内容都相互竞争以吸引足够的关注并成为流行趋势。虽然Twitter等西方在线社交网络得到了很好的研究,但中国流行的微博网络新浪微博的曝光率相对较低。在本文中,我们详细分析了新浪微博中的趋势和趋势引领者的时间方面,并将其与Twitter中的早期观察进行了对比。我们发现,与Twitter等全球社交网络相比,在中国分享的内容存在巨大差异。在中国,这些趋势几乎完全是由于媒体内容的转发,如笑话,图像和视频,而不像Twitter,这些趋势往往与当前的全球事件和新闻故事有关。我们将详细分析趋势的形成、持续和衰退,并研究新浪微博中的关键趋势。我们的一个主要发现是,转发在新浪微博中更为常见,并对创造趋势做出了很大贡献。当我们仔细观察时,我们观察到新浪微博的大多数趋势都是由于一小部分欺诈账户的持续转发。这些虚假账户的设立是为了人为地夸大某些帖子,使它们迅速进入新浪微博的趋势列表,这些帖子反过来又被显示为用户最受欢迎的话题。
2013-12-02 cs.CY cs.SI physics.soc-ph
Investigating Rumor Propagation with TwitterTrails
社交媒体已成为现代新闻报道的一部分,被记者用来传播信息和寻找消息来源,或被个人用作新闻来源。在Twitter等社交媒体网站上寻求突出和认可有时会掩盖准确性,并导致虚假信息的传播。作为一种研究和应对这种趋势的方法,我们引入{ \sc TwitterTrails},这是一种基于Web的交互式工具({ \tt twittertrails.com}),允许用户调查谣言的起源和传播特征,以及Twitter上的反驳(如果有的话)。突发活动的可视化、传播时间轴、转推和共同转推网络帮助其用户追踪故事的传播。在几分钟内,{ \sc TwitterTrails}将收集相关推文,并根据受众自动回答有关谣言的几个重要问题:谣言的起源、爆发特征、传播者和主要参与者。此外,它还将计算和报告谣言的可见性水平,作为众包力量的一个例子,受众对谣言的怀疑与谣言的可信度相关。我们将{ \sc TwitterTrails}视为个人使用的宝贵工具,但我们特别为调查最新和突发新闻的业余和专业记者提供。此外,其不断扩大的调查谣言收集可以用来回答有关Twitter上错误信息的数量和成功的问题。
2014-11-13 cs.SI
Is That Twitter Hashtag Worth Reading
Twitter、Facebook、Wiki和Linkedin等在线社交媒体对我们日常生活中消费信息的方式产生了巨大影响。现在,我们从社交媒体上获得适当的内容以避免信息爆炸变得越来越重要。在Twitter的情况下,流行的信息可以使用标签来跟踪。研究包含主题标签的推文的特征对于许多任务变得重要,例如突发新闻检测、个性化消息推荐、朋友推荐和情感分析等。在本文中,我们分析了Twitter数据的基础上趋势标签,这是现在广泛使用的。我们使用基于事件的标签来了解用户对这些事件的想法,并决定其他用户是否会对这些事件感兴趣。我们使用了主题建模,它揭示了文档(在这种情况下是tweets)的隐藏主题结构,以及情感分析来探索和总结文档的内容。提出了一种基于twitter主题标签和相关情感的事件兴趣度发现技术。这项技术可以帮助twitter的追随者阅读,相关和有趣的标签。
2015-08-14 cs.SI
Large Arabic Twitter Dataset on COVID-19
Center of Innovation and Development in Artificial Intelligence(人工智能创新与发展中心);Umm Al-Qura University(乌姆·库拉大学)
2019冠状病毒病(COVID-19)于2019年12月下旬在中国出现,目前正在全球迅速蔓延。在撰写本文时,全球确诊病例数已超过250万,死亡人数超过18万。许多国家都实施了严格的社交距离政策,以遏制病毒的传播。这改变了数千万人的日常生活,并促使人们将他们的讨论转移到网上,例如,通过Twitter等社交网站在这项工作中,我们描述了自2020年1月1日以来收集的第一个关于COVID-19的阿拉伯语推文数据集。该数据集将有助于研究人员和决策者研究与这一流行病有关的各种社会问题。还可以分析与行为改变、信息共享、错误信息和谣言传播相关的许多其他任务。
2020-04-22 cs.CL cs.SI
Multidimensional Outlier Detection in Temporal Interaction Networks: An Application to Political Communication on Twitter
在社交网络Twitter中,用户可以通过转发相互交流并传播信息。这些数以百万计的互动可能会导致媒体事件,其影响力超越Twitter框架。在本文中,我们将深入探讨相互作用,以更好地了解某些趋势的出现。首先,我们将Twitter上的交互视为三元组$(s,a,t)$,这意味着称为传播者的用户$s$在时间$t$转发了称为作者的用户$a$的推文。我们将这组交互建模为具有三个维度的数据立方体:传播者、作者和时间。然后,我们提供了一种方法,建立不同的上下文,其中上下文是一组特征的情况下,一个事件。最后,这些背景使我们能够根据几个维度和各种视角找到相关的意外行为:与其通常行为相比不正常的给定时间内的用户,与所有其他关系相比不正常的两个用户之间的关系,\textit{etc.}我们将我们的方法应用于与2017年法国总统大选相关的一组转发,并表明人们可以建立有趣的见解关于Twitter上的政治组织
2019-06-06 cs.SI
Analyzing Trendy Twitter Hashtags in the 2022 French Election
Rensselaer Polytechnic Institute(伦斯勒理工学院)
本文提出将Twitter话题标签语义网络转化为最大生成树并构造用户级向量特征,用于预测用户情绪响应率,实验显示多数情绪R²超过0.5。
2024-02-29 cs.LG cs.SI
Towards Detecting Inauthentic Coordination in Twitter Likes Data
本文提出一种脚本化算法收集Twitter点赞数据,基于30天丹麦政治推文数据识别完全相关用户集群,以检测协调非真实行为。
2023-05-12 cs.CY cs.SI stat.AP
Twits, Toxic Tweets, and Tribal Tendencies: Trends in Politically Polarized Posts on Twitter
该研究基于Twitter/X的大规模用户数据,结合自研高性能毒性检测器与话题分析方法,发现用户接触的观点/话题多样性及互动账号的毒性水平,对其自身发布有毒内容的影响比党派属性更显著。
2024-10-30 cs.CY cs.SI
When is it Biased? Assessing the Representativeness of Twitter's Streaming API
Twitter吸引了科学界的兴趣,不仅因为它庞大的用户群和内容,还因为它在分享数据方面的开放性。Twitter通过“Streaming API”共享其推文的免费1%样本,该服务根据研究人员设置的一组参数返回推文样本。最近,有研究指出,通过Streaming API返回的数据存在偏见,这引起了人们对研究场景中使用的数据服务完整性的担忧。虽然这些结果很重要,但在以前的工作中提出的方法依赖于限制性和昂贵的Firehose来找到流式API数据中的偏差。在这项工作中,我们解决的问题,找到样本偏差,而不需要“黄金标准”的Firehose数据。也就是说,我们专注于在Streaming API数据中找到标签趋势与Twitter上真实活动趋势显著不同的时间段。我们提出了一个解决方案,重点是使用一个开放的数据源,以找到流API的偏见。最后,我们评估的数据源在稀疏数据的情况下,并为用户发出相同的查询从不同地区的效用。
2014-01-30 cs.SI physics.soc-ph
Exploring Controversy in Twitter
在社交媒体上讨论的话题中,有些话题引发的争论比其他话题更激烈。例如,经验表明,重大政治事件,如美国医疗保健法的投票,将比其他事件,如流行音乐乐队的音乐会,引发更多的对立双方之间的辩论。探索Twitter上的讨论主题并了解哪些是有争议的,对于各种目的都非常有用,例如记者了解什么问题分裂了公众,或者社会科学家了解争议如何在社交互动中表现出来。我们提出的系统处理平台上讨论的每日趋势主题,并为每个主题分配一个争议分数,该分数是根据Twitter用户之间的交互计算的,并且这些交互的可视化提供了关于主题争议的直观视觉提示。该系统还允许用户探索与每个主题相关联的消息(推文),并且通过不同的标准(例如,通过争议分数、时间或相关关键词)。
2015-12-17 cs.SI
Mining Trends of COVID-19 Vaccine Beliefs on Twitter with Lexical Embeddings
Maharaja Surajmal Institute of Technology, GGSIPU(马哈拉贾苏拉杰马尔技术学院,GGSIPU);Indraprastha Institute of Information Technology Delhi(德里英德拉普拉斯塔信息技术学院);All India Institute of Medical Sciences(全印度医学科学学院)
社交媒体在全球传播新闻方面发挥着关键作用,并成为人们就各种主题发表意见的平台。全球各地的COVID-19疫苗接种活动伴随着各种各样的观点,这些观点往往受到情绪的影响,这些情绪会随着病例的增加、疫苗的批准以及在线讨论的多种因素而变化。本研究的目的是分析不同的情绪类别的时间演变:犹豫,愤怒,悲伤,预期,信仰和满意度的影响因素:疫苗推出,错误信息,健康影响和不公平的词汇类别创建属于五个国家的推文与重要的疫苗推出计划,即印度,美国,巴西,英国和澳大利亚。我们提取了近180万条与COVID-19疫苗接种相关的Twitter帖子的语料库。我们使用选定种子词的余弦距离,扩大了每个类别的词汇量,并跟踪了2020年6月至2021年4月期间其强度的纵向变化。我们使用社区发现算法来发现正相关网络中的模块。我们的研究结果表明,在所有国家中,对疫苗表示犹豫的推文中提到的健康相关影响最多。我们的研究结果表明,犹豫的模式在不同的地理位置是不同的,可以帮助我们学习有针对性的干预措施。我们还观察到,在疫苗批准前后,犹豫和满意等类别的线性趋势发生了显著变化。在冲积图中,愤怒和悲伤等负面情绪的重要性最高。它们与2021年4月印度观察到第二波COVID-19病例时的所有影响因素形成了一个重要模块。情绪和影响因素之间的关系被发现是可变的国家。
2021-07-20 cs.CL cs.SI
Politics and Propaganda on Social Media: How Twitter and Meta Moderate State-Linked Information Operations
研究探讨了Twitter和Meta如何应对国家关联的信息操作,发现民主等良好治理指标显著影响其国家关注度,揭示了地缘政治与国内体制特征间的相互作用。
2024-01-04 cs.SI
Tracking Social Media Discourse About the COVID-19 Pandemic: Development of a Public Coronavirus Twitter Data Set
在撰写本文时,新型冠状病毒(COVID-19)大流行爆发已对全球许多国家的公民、资源和经济造成巨大压力。社交距离措施、旅行禁令、自我约束和企业关闭正在改变世界各地社会的结构。随着人们被迫离开公共场所,关于这些现象的许多讨论现在都发生在网上,例如,在Twitter等社交媒体平台上。在本文中,我们描述了自2020年1月22日以来我们一直在持续收集的多语言冠状病毒(COVID-19)Twitter数据集。我们正在向研究社区提供我们的数据集(https://github.com/echen102/COVID-19-TweetIDs)。我们希望,我们的贡献将使在线对话动态的研究,在全球范围内的流行病爆发的前所未有的规模和影响的背景下。这个数据集还可以帮助追踪科学冠状病毒的错误信息和未经证实的谣言,或者使人们能够理解恐惧和恐慌--毫无疑问还有更多。最终,这一数据集可能有助于实现知情的解决方案,并制定有针对性的政策干预措施,以应对这场全球危机。
2020-06-02 cs.SI q-bio.PE
Why do Tweeters regret sharing? Impacts of Twitter users' perception of sharing risk, perceived problems on Twitter, and the motivation of use on their behavior of regret sharing
这项研究提出了一个二级数据分析的调查数据收集的一部分,美国趋势面板系列由皮尤研究中心。进行逻辑回归,以确定共享的感知风险,感知Twitter上的问题,以及使用Twitter的动机对参与者后悔在Twitter上共享的可能性的影响。逻辑回归模型具有统计学显著性,\c{hi} 2(15)= 102.5,p <0.001。该模型正确分类了78.5%的病例。Twitter用户是否后悔在Twitter上分享取决于使用Twitter的不同动机。我们观察到,“表达我的观点的一种方式”在模型中具有统计学意义,表明Twitter用户后悔分享的几率是娱乐的2.1倍。潜在的敌意和可见性的感知风险与后悔分享的可能性增加呈负相关。相比之下,Twitter上关于错误信息的感知问题与后悔分享的可能性呈负相关。
2023-03-13 cs.HC cs.SI
GeoCovaxTweets: COVID-19 Vaccines and Vaccination-specific Global Geotagged Twitter Conversations
社交媒体平台在危机和流行病爆发期间提供可采取行动的信息。COVID-19大流行在全球范围内造成了一场慢性公共卫生危机,专家认为疫苗是实现病毒群体免疫的最终预防措施。一部分人可能会转向社交媒体平台反对疫苗和接种,阻碍政府根除病毒的努力。本文介绍了COVID-19疫苗和疫苗接种特定的全球地理标记推文数据集GeoCovaxTweets,其中包含超过180万条推文,具有位置信息和更长的时间覆盖范围,来自233个国家和地区,于2020年1月至2022年11月期间。本文讨论了数据集的策展方法以及如何在本地重新创建数据集,然后通过多个tweets分布来探索数据集,并简要讨论了其潜在的用例。我们预计,该数据集将帮助危机计算领域的研究人员通过有关趋势、观点转变、错误信息和反疫苗接种运动的众多空间和时间维度,探索COVID-19疫苗和疫苗接种Twitter话语的对话动态。
2023-01-18 cs.SI
Topic and Sentiment Analysis on OSNs: a Case Study of Advertising Strategies on Twitter
社交媒体已经大大改变了品牌和企业的广告方式:在线社交网络为品牌提供了比传统媒体更多功能和动态的广告渠道(例如,电视和广播)。此类媒体的参与程度通常根据内容采用率来衡量(例如,喜欢和转发)和情绪,围绕一个给定的主题。然而,情感分析和主题识别都是不平凡的任务。在本文中,使用从Twitter收集的数据作为案例研究,我们分析了如何在10天的时间内推广内容的参与度和情绪。我们发现,促进推文导致更高的积极情绪比促进的趋势,虽然促进的趋势回报的响应量。我们观察到,品牌和推广内容的参与度在活动的第一天最高,之后大幅下降。然而,我们表明,这些见解取决于使用强大的机器学习和自然语言处理技术来收集重点,相关的数据集,并准确地衡量情绪,而不是依赖于简单的关键字或基于频率的指标有时用于社交媒体研究。
2013-12-23 cs.SI physics.soc-ph
Mining Public Opinion about Economic Issues: Twitter and the U.S. Presidential Election
University of South Carolina(南卡罗来纳大学);Auburn University at Montgomery(奥本大学蒙哥马利分校)
民意调查一直是选举中民意和政客之间的桥梁。然而,开展调查以揭示人们对经济问题的反馈是有限的,昂贵的,耗时的。近年来,Twitter等社交媒体使人们能够分享他们对选举的看法。社交媒体为收集大量社交媒体数据提供了平台。本文提出了一种计算民意挖掘方法,探讨在选举期间的社会媒体上的经济问题的讨论。目前的相关研究都是单独使用文本挖掘方法进行选举分析和选举预测,本研究结合了情感分析和主题建模两种文本挖掘方法。所提出的方法已经有效地部署在数百万条推文上,以分析2012年美国总统大选期间人们的经济问题。
2018-02-06 cs.CL cs.IR cs.SI
Social Media Monitoring of the Campaigns for the 2013 German Bundestag Elections on Facebook and Twitter
随着越来越多的人使用社交媒体来传达他们对选举的看法和看法,研究人员越来越多地从社交媒体平台收集和分析数据。我们的研究重点是与2013年德国议会选举相关的社交媒体传播[翻译:Bundestagswahl 2013]。我们使用来自Facebook和Twitter的数据构建了几个社交媒体数据集。首先,我们确定了最相关的候选人(n= 2,346),并检查他们是否拥有社交媒体帐户。Facebook数据于2013年11月收集,涵盖2009年1月至2013年10月。在Facebook上,我们发现了1,408个Facebook墙,其中包含大约469,000个帖子。Twitter的数据是在2013年6月至12月期间收集的,以政府宪法结束。在Twitter上,我们确定了1,009名候选人和76名其他代理人,例如记者。我们估计,仅在7月27日至9月27日期间,相关推文的数量就超过800万条。在本文档中,我们总结了过去的研究文献,讨论了研究与我们的数据集的可能性,解释了数据汇集程序,并提供了数据的描述和社会媒体数据的归档和传播的问题的讨论。
2014-04-01 cs.CY cs.SI
Exploiting Social Networks. Technological Trends (Habilitation Thesis)
本论文主要研究了两个方面:1.利用来自社交网络(Twitter、Facebook、Flickr等)的数据- 为文本和图像处理(分类、检索、可信度、多样化等)创建资源; 2.使用新技术创建应用程序:增强现实(电子学习、游戏、智能博物馆、美食等),虚拟现实(电子学习和游戏),使用Amazon Alexa进行语音处理(电子学习、娱乐、物联网等)。这项工作在CLEF(问答、图像CLEF、生命CLEF等)等评估活动中得到了良好的效果,SemEval(文本中的情绪和情感,厌食症等)。
2020-04-30 cs.SI
UK General Election 2017: a Twitter Analysis
这项工作是由爱丁堡大学社会与政治科学学院和信息学院神经政治学研究实验室的研究人员完成的。在这份报告中,我们分析了2017年英国大选投票前一个月的社交媒体帖子。我们发现,亲工党的情绪主导了GE 2017的Twitter对话,并且考虑到威斯敏斯特选举的英国范围内的性质,苏格兰民族党(SNP)的存在也不成比例。在Twitter辩论中,实质性问题远不如支持和反对领导人和政党的帖子那么突出,也不那么持久。然而,英国脱欧问题为GE 2017对话提供了一致的背景,并且在上个月很少退出前三名最受欢迎的标签。英国脱欧一直是GE 2017竞选活动的议题,甚至让NHS黯然失色。我们发现,GE 2017 Twitter辩论中的对话受到外部事件和广播媒体自上而下引入的标签的严重影响,这些标签通常与特定节目和媒体化的政治辩论有关。像这样的标签对从Twitter收集的数据的形状有显著的影响,并且可能会扭曲数据收集窗口较短的研究,但通常是短暂的,对Twitter对话的长期影响很小。如果目前的民意调查是可信的,那么杰里米·科尔宾不太可能像第一次选举时预期的那样糟糕。传统媒体对公众舆论的这一变化反应缓慢,而这一趋势在社交媒体上和整个5月都可以看到。
2017-06-07 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
COVID-19 Vaccine and Social Media: Exploring Emotions and Discussions on Twitter
University of South Carolina(南卡罗来纳大学);City University of New York(纽约市立大学)
了解公众对COVID-19疫苗的反应是控制COVID-19疫情的关键成功因素。为了了解公众的反应,有必要探讨民意。传统的调查费用昂贵,耗时,涉及的健康问题有限,获得的数据规模较小。Twitter可以提供一个很好的机会来了解公众对COVID-19疫苗的看法。目前的研究提出了一种使用计算和人类编码方法来收集和分析大量推文的方法,以提供关于COVID-19疫苗的更广泛的视角。本研究使用机器学习基于规则的方法来识别推文的情感,发现主要主题,探索时间趋势,并使用统计测试来比较负面和非负面推文的主题,并揭示具有负面和非负面情感的推文的热门主题。我们的研究结果显示,2020年11月至2021年2月期间,有关COVID-19疫苗的负面情绪呈下降趋势。我们发现Twitter用户在2020年11月至2021年2月期间讨论了从疫苗接种地点到2020年美国大选的广泛话题。研究结果表明,有一个显着的差异之间的推文有负面和非负面情绪的权重的大多数主题。我们的研究结果还表明,负面和非负面的推文有不同的主题优先级和重点。这项研究表明,Twitter数据可用于探索有关COVID-19疫苗的公众意见。
2021-09-29 cs.CL cs.SI
Unsupervised machine learning to analyse city logistics through Twitter
Centre for Robotics - MINES ParisTech PSL(巴黎高等矿业学院PSL机器人中心);IFSTTAR(法国交通发展规划与网络研究院)
城市物流的特点是多个利益相关者,往往有不同的看法,这样一个复杂的系统。从公共政策的角度来看,确定利益攸关方、问题和趋势是一项艰巨的挑战,传统的观察系统只能部分解决这一问题。如今,社交媒体是公众表达的最大渠道之一,经常用于传达与城市物流相关的意见和内容。这项研究的想法是,分析社交媒体内容可以帮助了解城市物流的公众看法。本文提供了一种从Twitter收集内容并实施机器学习技术(无监督学习和自然语言处理)的方法,以执行内容和情感分析。所提出的方法适用于超过110 000推文包含城市物流关键词。结果允许建立概念的兴趣地图和情感分析,以确定城市物流条目是积极的,消极的或中性的。
2019-06-18 cs.CY cs.LG cs.SI
Fake News Identification on Twitter with Hybrid CNN and RNN Models
C3Ri Research Institute(C3Ri研究所);Sheffield Hallam University(谢菲尔德哈勒姆大学)
与假新闻传播相关的问题继续以惊人的规模增长。这一趋势引起了政界、学术界和工业界的极大兴趣。我们提出了一个框架,使用混合卷积神经网络和长短期递归神经网络模型来检测和分类来自Twitter帖子的假新闻消息。使用这种深度学习方法的拟议工作达到了82%的准确率。我们的方法直观地识别与假新闻故事相关的相关特征,而无需事先了解该领域。
2018-06-29 cs.CL cs.SI
Political Discussion and Leanings on Twitter: the 2016 Italian Constitutional Referendum
最近获得了大量高分辨率的在线人类活动数据集,从而能够以前所未有的准确度研究和描述人类互动的机制。为此,已经做出了许多努力来理解人们在形成他们对某个主题的观点时如何共享和检索信息。具体而言,基于其在线活动检测一个人的政治倾向可以支持对给定人群的意见趋势的预测。在这里,我们通过结合复杂网络理论和机器学习技术来解决这个具有挑战性的任务。特别是,从收集的600多万条推文开始,我们描述了2016年12月举行的意大利宪法公投在线政治辩论的结构和动态。我们分析了不同政治社区之间的讨论模式,并描述了其中的联系网络。此外,我们建立了一个程序来推断意大利Twitter用户的政治倾向,这使我们能够准确地重建由官方民意调查(皮尔逊的r=0.88)给出的整体民意趋势,以及预测具有良好的准确性的公投的最终结果。我们的研究提供了一个大规模的检查,意大利在线政治讨论,通过情绪分析,从而为未来的研究在线政治辩论建模的基线。
2018-05-18 cs.SI physics.soc-ph
Artificial Inflation: The True Story of Trends in Sina Weibo
近年来,全世界的在线社交网络增长迅猛。这使得用户以不间断的速度产生大量的实时内容,所有这些内容都相互竞争以吸引足够的关注并成为趋势。虽然西方的在线社交网络如Twitter已经得到了很好的研究,但中国流行的微博网络新浪微博的特点还没有得到研究。在本文中,我们详细分析了新浪微博的趋势和趋势的时间方面,限制它与早期的观察Twitter上。首先,我们来看看趋势的形成、持续和衰退,并研究新浪微博中的关键主题。我们的一个主要发现是,转发在新浪微博中更为常见,并对创造趋势做出了很大贡献。当我们仔细观察时,我们观察到新浪微博中很大一部分趋势是由于少量欺诈账户的持续转发。这些虚假账户的设置是为了人为地夸大某些帖子,使它们迅速进入新浪微博的趋势列表,这些帖子反过来又显示为用户最受欢迎的话题。
2012-02-01 cs.CY cs.SI physics.soc-ph