Topic Diffusion and Emergence of Virality in Social Networks
我们提出了一个随机模型的主题进入一个社会网络建模的Watts-Strogatz图的扩散。我们的模型在这些主题之间展开了一场隐性竞争，因为它们争夺网络中用户的注意力。我们的模型的动态是基于从现实世界的OSN，如Twitter，用户要么采用一个外源的主题或复制主题从他们的邻居导致内源性传播的概念。当正确实例化时，该模型实现了一种病毒式的机制，其中一些主题从网络中获得了异常良好的响应，密切模仿了现实世界OSN的行为。我们的主要贡献是我们的描述，集群的近距离用户已经发言的主题合并，形成一个巨大的组成部分，使一个主题去病毒。这表明，在病毒式传播中发挥重要作用的不是弱关系，而是强关系。我们进一步验证我们的模型和我们的假设，其行为通过比较我们的模拟结果与测量研究的结果从Twitter上采取的真实数据。
2012-02-10 cs.SI physics.soc-ph
Topic-Based Influence Computation in Social Networks under Resource Constraints
随着社交网络的不断变化和发展，分析动态社交网络的方法在理解社会趋势方面变得越来越重要。然而，由于社交网络服务提供商施加的限制，可用于获取社交网络的整个内容的资源通常非常有限。因此，动态社交网络数据的分析需要在本地维护每个时间段的社交网络的近似副本。在本文中，我们研究的问题，动态网络和文本提取有限的探测能力，识别和维护有影响力的用户的社会网络的发展。我们提出了一种算法来探测的关系（所需的全球影响力计算）以及职位（所需的基于主题的影响力计算）的有限数量的用户在每个探测期间，根据用户的影响力趋势和活动。我们根据新探测的用户数据和本地维护的最后已知网络版本来推断当前网络。此外，我们建议使用链接预测方法，以进一步提高我们的网络推理的准确性。我们采用PageRank作为影响力计算的度量。我们说明了所提出的解决方案如何保持准确的PageRank分数计算全球影响力，和主题敏感的加权PageRank分数基于主题的影响力。后者依赖于一个基于主题的网络，该网络通过对帖子及其共享统计数据的语义分析确定权重来构建。我们评估我们的算法的有效性，通过比较它们与真实的影响力分数的完整和最新版本的网络，使用数据从微博服务Twitter。结果表明，我们的技术显着优于基线方法，并优于国家的最先进的技术从文献中。
2018-01-07 cs.SI physics.soc-ph
Distinguishing between Topical and Non-topical Information Diffusion Mechanisms in Social Media
最近的一些关于社交媒体中信息扩散的研究，无论是经验的还是理论的，都受到了来自流行病学的病毒传播模型的启发。这些研究模拟了模因的传播，即，在社交网络中，用户之间的信息片段与疾病在人类社会中传播的方式类似。重要的是，人们会期望一个模因在社交网络中传播，在对该模因主题感兴趣的人中传播。然而，在文献中较少探讨话题性对信息扩散的重要性。在这里，我们研究经验数据两种不同类型的模因（标签和URL）通过Twitter的在线社交网络传播。对于每个迷因，我们推断其主题，对于每个用户，我们推断她的主题兴趣。为了分析这些话题对模因传播的影响，我们引入了一个新的信息扩散理论框架。我们的分析确定了两种不同的机制，即主题和非主题，信息扩散。非主题的信息扩散类似于简单传染病中的疾病传播。与此相反，主题信息扩散发生在与信息主题一致的用户之间，具有复杂的传染特征。非主题模因在所有用户中广泛传播，最终相对流行。话题模因在与它们有话题兴趣的用户中传播得很窄，并且在多次曝光后更容易传播。我们的研究结果表明，模因的话题性和用户的兴趣是理解和预测信息扩散必不可少的。
2016-03-14 cs.CY cs.SI physics.soc-ph
Understanding User Topic Preferences across Multiple Social Networks
近年来，社交网络在功能和应用上呈现出多样性。人们开始同时使用多个在线社交网络来满足不同的需求。发现用户的潜在主题和社交网络偏好的能力对于跨社交网络的社区发现、推荐和个性化服务至关重要。不幸的是，目前大多数工作都集中在单一网络上，需要新的技术和模型来解决这个问题。提出了一种多社交网络上的用户偏好发现模型。首先定义了全局和局部主题概念，然后采用潜在语义主题发现方法获取全局和局部主题词分布，以及用户主题和社交网络偏好。在此之后，不同的社交网络的主题分布特征进行了检查，以及用户选择一个网络，而不是另一个创建一个职位的原因。其次，采用Gibbs抽样算法获得模型参数。在实验中，我们从Twitter、Instagram和Tumblr网站收集数据，构建多个社交网络的数据集。最后，将本文的研究与前人的研究进行了比较，定性和定量的评价结果都证明了本文的有效性。
2021-09-10 cs.SI
A Survey of Prediction Using Social Media
社交媒体包括用于创建、共享和交换用户生成内容的交互式应用程序和平台。在过去的十年里，社交媒体，特别是在线社交网络服务，带来了巨大的增长，它正在改变我们的组织和沟通方式。它以低成本汇集了不同群体的意见和感受。挖掘社交媒体的属性和内容使我们有机会发现社会结构特征，定性和定量分析行为模式，有时还能预测未来与人类相关的事件。本文首先讨论了当前社交媒体可以预测的领域，然后概述了可用的预测器和预测技术，最后讨论了挑战和可能的未来方向。
2012-03-07 cs.SI physics.soc-ph
Measuring social spam and the effect of bots on information diffusion in social media
机器人一直在在线平台生态系统中发挥着至关重要的作用，作为生成内容和向社交媒体人群传播信息的高效自动工具。在本章中，我们将讨论社交机器人在社交媒体内容传播动态中的作用。特别是，我们将首先调查机器人生成的内容的扩散动态之间的一些差异，而不是人类，在政治沟通的背景下，然后研究社交媒体垃圾邮件活动的扩散动态背后的机器人的特点。
2017-08-27 cs.SI physics.soc-ph
The influence of repressive legislation on the structure of a social media network
社交媒体被广泛用于组织公民运动。2012年，加拿大魁北克省75%的大学生参加了反对学费上涨的大规模抗议活动，主要是通过社交媒体组织的。为了减少对公众的干扰，政府出台了专门的立法来阻止抗议组织。在这里，我们表明，立法改变了社交媒体用户的行为，但没有改变他们在Twitter上的社交网络的整体结构。因此，用户仍然能够利用其社交网络传播信息，以有效地组织示威活动。这一自然实验显示了社交媒体在政治动员方面的力量，以及大量个人在信息流动中的行为灵活性。
2013-04-10 cs.SI physics.soc-ph
Literature Survey on Interplay of Topics, Information Diffusion and Connections on Social Networks
研究人员试图对在线社交网络上的信息传播、话题趋势和生命周期进行建模。他们调查了内容，社会联系和社区，熟悉度和行为相似性在这方面的作用。当前的文章提出了一个调查的代表性模型，执行主题分析，捕捉信息扩散，并探讨在线社交网络的背景下的社会联系的属性。文章最后提出了一系列开放性问题和未来研究兴趣的可能方向。本文旨在为研究者识别当前的文献，并探讨改进艺术的可能性。
2017-06-03 cs.SI
A Socio-Informatic Approach to Automated Account Classification on Social Media
社交媒体上的自动账户变得越来越成问题。我们提出了一个关键特征，结合现有的方法来改进机器人检测的机器学习算法。我们成功地提高了分类性能，通过包括建议的功能。
2019-04-27 cs.SI physics.soc-ph
Topicality and Social Impact: Diverse Messages but Focused Messengers
对各种问题发表评论的用户是否比专注于一个领域的用户更有可能获得高影响力？一般的Twitter标签，如#lol，是否比新颖的标签，如#instantlyinlove更受欢迎？像这样的问题需要一种方法来检测隐藏在与个人或标签相关的消息背后的主题，以及这些主题之间的相似性。在这里，我们开发了这样一种方法，通过检测标签共现网络中的社区来识别相似标签的集群。然后，用户的兴趣的主题多样性量化的熵她的主题标签在不同的主题集群。类似的措施也适用于基于共现标签的主题标签。我们发现，早期采用者或共同出现的标签的高度主题多样性意味着未来标签的高度流行。相反，低多样性有助于个人积累社会影响力。简而言之，多样化的信息和重点突出的信使更有可能产生影响。
2014-02-21 cs.CY cs.SI physics.soc-ph
Mutual-Excitation of Cryptocurrency Market Returns and Social Media Topics
加密货币最近经历了新一轮的价格波动和兴趣;与加密货币相关的社交媒体社区内的活动显着增加。目前，对可能表明未来价格变动的因素的书面了解有限。本文旨在破译加密货币价格变化与社交媒体上的话题讨论之间的关系，以了解哪些话题预示着未来的价格走势。为了实现这一点，一个众所周知的动态主题建模方法被应用到社会媒体通信检索信息的时间发生的各种主题。然后应用Hawkes模型来寻找主题和加密货币价格之间的相互作用。结果显示，特定的主题往往先于某些类型的价格变动，例如，讨论“风险和投资与交易”表明价格下跌，讨论“实质性价格变动”表明波动性，以及技术社区讨论“基本加密货币价值”表明价格上涨。在这里获得的主题关系的知识可以内置到一个实时系统中，提供交易或警报信号。
2018-06-28 cs.SI
War of the Hashtags: Trending New Hashtags to Override Critical Topics in Social Media
标签在社交媒体上的主题分类中发挥着重要作用。某些代表特定主题的标签的使用突然爆发，引起了热门话题。热门话题可能非常有用，因为它可以引发对特定主题的讨论。但是，它也可以用来压制一个正在进行的关键问题。本文讨论了如何通过触发当前的热门话题来覆盖重大的经济危机。在过去的两个月里，研究了一项关于印度政治的案例研究。分析表明，通货膨胀问题是如何通过媒体行使新的宪法法律而受到攻击的。用于讨论这些主题的标签被仔细审查，我们注意到最近的主题急剧上升，而对上一个通货膨胀问题的讨论最终下降。可以采用平衡标签对社交媒体的影响。尽管如此，它也同样具有挑战性，因为一些代表小时主题需求的标签应该得到更多的重视，并且评估这些问题可能很难。
2020-04-23 cs.SI
Estimating Community Feedback Effect on Topic Choice in Social Media with Predictive Modeling
社交媒体用户发布各种主题的内容。社交媒体的一个定义性特征是其他用户可以以评论、回复和转发的形式对其内容提供反馈（称为社区反馈）。我们假设收到的反馈量会影响社交媒体用户发布的主题的选择。然而，这是具有挑战性的，以测试这一假设的用户异质性和外部混杂因素复杂的测量反馈效果。在这里，我们用一种预测方法来研究这个假设，这种方法基于作者决定继续他们以前文章的主题的可解释模型。通过优化预测准确率，我们探索了混杂因素，包括作者的主题偏好和未观察到的外部因素，如新闻和社会事件。这种方法使我们能够识别哪些用户容易受到社区反馈的影响。总体而言，我们发现Reddit和Twitter上分别有33%和14%的活跃用户受到社区反馈的影响。该模型表明，这种反馈改变主题继续的概率高达14%，这取决于用户和反馈量。
2021-03-08 cs.SI
Condition Sensing for Electricity Infrastructure in Disasters by Mining Public Topics from Social Media
及时和可靠地感知基础设施状况对于规划有效的基础设施重建的灾害管理至关重要。社会媒体作为一种近实时的信息源，在灾害中被广泛用于形成及时的态势感知。然而，使用社交媒体来感知电力基础设施状况尚未被探索。本研究旨在通过挖掘社会媒体中的公共话题来弥补研究空白。为了实现这一目的，我们提出了一种系统化和定制化的方法，其中（1）电力相关的社交媒体数据是由基于来自Transformers的双向编码器表示（BERT）开发的分类器提取的;以及（2）公共主题是用一元、二元和三元来建模的，以将社交媒体中基础设施条件的公式化表达结合起来。佛罗里达州的电力基础设施受到飓风厄玛的影响进行了研究，以说明和演示。结果表明，该方法能够感知电力基础设施状况的时间演变和地理差异。
2021-03-01 cs.SI
An Exploration of Geo-temporal Characteristics of Users' Reactions on Social Media During the Pandemic
在COVID-19疫情爆发期间，社交网络成为沟通、社交讨论及娱乐的卓越媒介。社交网络用户经常表达他们对冠状病毒大流行影响的看法。因此，社交网络是研究疫情期间用户讨论的话题、情绪和态度的可靠来源。在本文中，我们调查了人们对社交媒体平台上提出的话题的反应和态度。我们从Twitter和Instagram收集了两个大规模COVID-19数据集的数据，分别为期六个月和三个月。本文从情感分析、话题检测、情感和时空特征等方面分析了社交网络用户的反应。我们发现，社交媒体上的主要情绪反应是中性的，而社交网络用户讨论最多的话题是关于健康问题。该文件审查了吸引更多帖子和人们反应的国家，以及在提及最多的国家中讨论的健康相关主题的分布情况。我们揭示了国家主题的时间转移。我们的研究结果表明，来自上述国家的帖子比来自世界其他地区的帖子在全球范围内影响和吸引更多的反应。
2021-03-24 cs.SI
Time-aware topic identification in social media with pre-trained language models: A case study of electric vehicles
SK Innovation（SK创新）；Konkuk University（建国大学）；Korea Institute of Science and Technology（韩国科学技术研究院）
最近广泛竞争的商业环境使公司保持对社交媒体的关注，因为对客户语言的认可度越来越高（例如，需求、兴趣和抱怨）作为未来机会的来源。这种分析社交媒体数据的研究方法在学术界受到了广泛的关注，但由于大多数方法提供的是回顾性结果，因此其实用性有限。此外，越来越多的客户生成的内容和快速变化的主题，使时间感知的主题演变分析的必要性。最近，一些研究人员已经证明了预先训练的语义语言模型作为社交媒体输入功能的适用性，但在理解不断变化的主题方面存在局限性。在这项研究中，我们提出了一个时间感知的主题识别方法与预先训练的语言模型。该方法包括两个阶段：动态聚焦功能与语言模型跟踪随时间变化的主题和紧急评分功能，以检查未来有前途的主题。在这里，我们将所提出的方法应用于电动汽车的reddit数据，我们的研究结果强调了以时间感知的方式从大量社交媒体中捕获新兴客户主题的可行性。
2022-10-11 cs.CL cs.SI
An Intelligent System for Multi-topic Social Spam Detection in Microblogging
通信革命永远重塑了人们发送和接收信息的方式。社交媒体是这场革命的重要支柱，给我们生活的各个方面带来了深刻的变化。然而，这些平台的开放环境和普及为各种网络威胁打开了机会之窗，因此社交网络已成为垃圾邮件发送者和其他非法用户执行其恶意活动的肥沃场所。这些活动包括网络钓鱼热点和新潮话题，并在许多主题中发布广泛的内容。因此，必须不断引入新的技术和方法来检测和阻止这类用户。本文提出了一种新的和有效的方法来检测社会垃圾邮件。调查几个属性来衡量主题相关和主题无关的用户在Twitter上的行为进行。本研究的实验是在各种机器学习分类器上进行的。这些分类器的性能进行比较，并通过一些强大的评估措施来衡量其有效性。此外，所提出的方法是基准对国家的最先进的社会垃圾邮件和异常检测技术。这些实验报告所提出的方法和嵌入式模块的有效性和实用性。
2022-01-13 cs.SI
Using Linear Dynamical Topic Model for Inferring Temporal Social Correlation in Latent Space
丰富的在线用户数据导致了使用计算方法来理解社会关系动态的兴趣激增。利用用户的项目采用数据，我们开发了一种新的方法来计算用户之间的Granger因果关系（GC）。为了处理采用数据的高维性和稀疏性，我们建议在潜在空间而不是原始数据空间中建模用户之间的关系。我们设计了一个线性动态主题模型（LDTM），可以捕捉用户的项目采用行为在潜在（主题）空间的动态。使用LDTM学习的时间主题分布的时间序列，我们进行格兰杰因果关系检验来衡量用户对之间的社会相关关系。我们把LDTM和Granger因果关系检验的组合称为时间社会相关性。通过对书目数据进行广泛的实验，作者类似于用户，我们表明，作者的名字在他们的出版物上的排序在作者之间的研究主题的相互作用中起着统计上显着的作用。我们还提出了一个案例研究来说明作者对之间的相关关系。
2015-01-06 cs.SI
LA-CTR: A Limited Attention Collaborative Topic Regression for Social Media
概率模型可以从用户在社交媒体网站上的项目采用历史中学习用户的偏好，并且反过来，基于学习到的偏好向用户推荐新项目。然而，目前的模型忽略了心理因素在塑造在线社交行为中发挥重要作用。其中一个因素是注意力，它是一种整合感知和认知特征的机制，用于选择用户将有意识地处理并可能最终采用的项目。最近的研究表明，人们的注意力是有限的，这限制了他们的在线互动，并且他们将有限的注意力不均匀地分配给其他人。我们提出了一个合作的主题回归模型，采用有限的，非均匀划分的注意力。我们表明，该模型能够学习更准确的用户偏好比最先进的模型，不考虑人类的认知因素。具体来说，我们分析了社会新闻聚合器上的新闻项目投票，并表明我们的模型比其他模型更能预测投票。我们的研究表明，心理社会动机的模型能够更好地描述和预测观察到的行为比模型，只考虑潜在的社会结构和内容。
2013-11-05 cs.IR cs.SI physics.soc-ph
Discovering Emerging Topics in Social Streams via Link Anomaly Detection
Institute of Industrial Science（产业技术研究所）；The University of Tokyo（东京大学）
由于社交网络的快速增长，对新兴主题的检测现在重新受到关注。传统的基于词频的方法在这种情况下可能不合适，因为交换的信息不仅是文本，而且是图像、URL和视频。我们专注于这些网络的社会方面。也就是说，用户之间的链接是通过回复、提及和转发有意或无意地动态生成的。我们提出了一个概率模型的社交网络用户的提及行为，并建议检测一个新的主题的出现，通过该模型测量的异常。我们提出的提及异常分数与最近提出的基于顺序贴现归一化极大似然（SDNML）的变点检测技术相结合，或与Kleinberg的突发模型。聚集数百名用户的异常分数，我们表明，我们可以检测到新兴的主题，仅基于社交网络帖子中的回复/提及关系。我们展示了我们的技术在一些真实的数据集，我们从Twitter收集。实验结果表明，所提出的基于提及异常的方法可以检测新的主题至少早于传统的基于词频的方法，有时更早，当关键字是不明确的。
2011-10-13 cs.LG cs.SI physics.soc-ph
Klout Topics for Modeling Interests and Expertise of Users Across Social Networks
Lithium Technologies | Klout
本文提出了Klout主题，一个轻量级的本体来描述社会化媒体用户的兴趣和专业知识的主题。Klout Topics旨在：具有可读性和消费者友好性;深度覆盖多个知识领域;通过知识库实体促进数据可扩展性。我们讨论了为什么这个本体是非常适合的文本标记和兴趣建模应用程序，以及它如何比较可用的替代品。我们展示了它对常见社交媒体兴趣集的覆盖率，以及如何使用它来模拟Klout.com上超过7.8亿社交媒体用户的兴趣的例子。最后，我们打开本体供外部使用。
2017-10-26 cs.AI cs.IR cs.SI
Discovering Hidden Topical Hubs and Authorities in Online Social Networks
在在线社交网络中发现有影响力的用户是一个重要的问题，具有许多可能有用的应用。特别是，HITS和其他链接分析方法经常用于识别网络图和在线社交网络中的中心和权威用户。然而，这些作品在分析中没有考虑链接的主题方面。一个简单的方法来克服这一限制是首先应用主题模型来学习用户的主题，然后再应用HITS算法。在本文中，我们提出了一种新的主题模型称为枢纽和权威主题（HAT）模型结合这两个过程，以共同学习枢纽，权威和主题的兴趣。我们评估HAT对现有的几个国家的最先进的方法在两个方面：（i）建模的主题，和（ii）链接推荐。我们在Twitter和Instagram的两个真实世界的数据集上进行实验。我们的实验结果表明，HAT是国家的最先进的主题模型在学习主题，它优于国家的最先进的链接推荐任务。
2018-02-20 cs.IR cs.SI
The Potential of Social Media Analytics for Improving Social Media Communication of Emergency Agencies
越来越多的人在危机时期使用社交媒体寻求信息或协调救济活动。因此，应急机构也越来越多地使用社交媒体，以接触更多处于危机局势中的人。然而，应急机构也可以利用社交媒体上的大量可用数据来了解公众对它们的看法，并改善它们的沟通。在这项研究中，我们研究了Twitter的通信关于德国紧急机构“Johanniter Unfall-Hilfe”进行频率，情绪，社交网络和内容分析。结果显示，一个右翼政治集团在政治上利用了与该机构有关的事件。此外，一些人利用社交媒体表达批评。可以得出结论，在应急管理专业人员的日常工作中使用社交媒体分析有助于改善他们的社交媒体沟通策略。
2020-04-18 cs.SI
Identifying Social Satisfaction from Social Media
我们证明了迫切需要确定社会状况和不稳定因素，通过获取公众的社会满意度在这项研究中。然而，受受试者招募和数据处理的大量人工成本的限制，常规的自报方法无法实时的实施或应用于大规模调查。针对这一问题，提出了一种基于用户社交媒体记录的用户社会满意度预测方法，特别是对经济类满意度的预测。根据人口分布，我们从广东省各城市招募了2，018名广东籍活跃参与者。参与者的行为和语言特征都是从社交媒体的在线记录中提取的，即，新浪微博利用回归模型对新浪微博用户的社会满意度进行预测。并参考广东省2012年的经济指标，计算这些指标与社会满意度预测值之间的相关性。研究结果表明：社会媒体特征能够显著表达社会满意度;地方经济满意度与多项地方经济指标显著正相关，支持社会媒体特征预测社会满意度的可靠性。
2014-07-14 cs.CY cs.SI physics.soc-ph
Document Topic Alignment Metrics for Evaluating Topic Models of Short-Text Public Health Communications on Social Media
College of Computing and Informatics（计算与信息学院）；The University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）；Department of Public Health and Health Administration（公共卫生与健康管理系）
针对社交媒体短文本主题模型缺乏分配感知评估的问题，提出文档-主题对齐度量（DoTA），在公共卫生数据集上验证其与传统度量的互补性及与人类评估的一致性。
2026-09-15 cs.CL cs.SI
SocioXplorer: An Interactive Tool for Topic and Network Analysis in Social Data
SocioXplorer 是一个交互式工具，用于分析 Twitter 和 YouTube 社交数据中的主题与网络，扩展了 TwiXplorer，支持实时数据、YouTube 分析和批量处理，并以 Apache 2 许可证发布。
2025-06-23 cs.SI
Social Media, Topic Modeling and Sentiment Analysis in Municipal Decision Support
Faculty of Economics（经济学院）
本文提出一个面向市政决策的社交媒体处理框架，通过情感极性判定、主题识别与模糊数聚合，更丰富地刻画市民意见多样性，并在捷克俄斯特拉发推文数据上验证其应用价值。
2023-08-08 cs.CL cs.SI
Analysis and Forecasting of Trending Topics in Online Media Streams
在网络上提供的大量信息中，社交媒体流捕捉了人们当前关注的内容以及他们对某些主题的感受。对这种趋势主题的感知在多媒体系统中起着至关重要的作用，例如用于视频概念检测系统的趋势感知推荐和自动词汇选择。正确利用热门话题需要更好地了解它们在不同社交媒体流中的各种特征。为此，我们提出了三个主要的在线和社交媒体流，Twitter，谷歌和维基百科的第一个全面的研究，涵盖了整个一年的观察期内的数千个热门话题。我们的研究结果表明，根据一个人的要求，一个不一定要转向Twitter的信息有关的时事和一些媒体流强烈强调特定类别的内容。作为我们的第二个关键贡献，我们进一步提出了一种新的方法来预测趋势主题的生存周期，在他们出现的那一刻，具有挑战性的任务。我们完全自动化的方法是基于最近邻预测技术，利用我们的假设，语义相似的主题表现出类似的行为。我们在维基百科页面浏览量统计数据的大规模数据集上证明，与基线方法相比，所提出的方法的预测约为9- 48 k视图，更接近实际的浏览统计数据，并且在长达14天的时间段内实现了45-19%的平均百分比误差。
2014-06-14 cs.MM cs.SI physics.soc-ph
Learning Stance Embeddings from Signed Social Graphs
University of Oxford（牛津大学）；Meta；Twitter Cortex（推特Cortex部门）
社会网络分析中的一个关键挑战是理解图中人们对大量主题的立场或立场。尽管过去的工作已经使用签名图对社交网络中的（不）一致进行了建模，但是这些方法没有对跨一系列相关主题的一致模式进行建模。例如，在一个主题上的分歧可能会使相关主题的分歧（或协议）更有可能。我们提出了立场嵌入模型（SEM），它联合学习嵌入为每个用户和主题在签名的社交图与不同的边缘类型为每个主题。通过联合学习用户和主题嵌入，SEM能够执行冷启动主题立场检测，预测用户对我们尚未观察到他们参与的主题的立场。我们使用我们开源的两个大规模Twitter签名图数据集来证明SEM的有效性。一个数据集，TwitterSG，标签（不）协议使用用户之间的参与通过推文来获得主题信息，签名的边缘。另一个是BirdwatchSG，利用社区对错误信息和误导性内容的报告。在TwitterSG和BirdwatchSG上，SEM显示相对于强基线分别减少了39%和26%的错误。
2022-12-15 cs.AI cs.SI
Co-opted marginality, a new type of anti-immigrant discourse on social media? Classifying social media messages about immigrants with BERT
本文分析了新加坡11个社交媒体社区平台评论区六个月来关于移民的公共话语。
2022-02-22 cs.CY cs.SI
Leveraging Social Foci for Information Seeking in Social Media
社交媒体的兴起为人们提供了一个很好的机会，可以接触到他们的社会关系，以满足他们的信息需求。然而，通用的社交媒体平台并没有明确地被设计为帮助用户寻找信息。在本文中，我们提出了一个新的框架，以确定能够满足他的信息需求的用户的社会联系。社交媒体用户的信息需求是主观的和个人的，我们调查他的社会背景的效用，以确定人们能够满足it.We提出的问题，用户在Twitter上发布的信息寻求活动的实例在社交媒体。我们推断软社区成员的请求者和他的社会关系，通过整合网络和内容信息。从社会焦点理论中提取概念，我们确定了与提问者共享社区的回答者。以下问题我们的实验表明，该框架是有效的识别社交媒体问题的回答者。
2015-02-23 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
Detecting "Smart" Spammers On Social Network: A Topic Model Approach
Tongji University（同济大学）；University of Southern California（南加利福尼亚大学）
社交网络中的垃圾邮件检测是一个具有挑战性的问题。严格的反垃圾邮件规则导致了“聪明”垃圾邮件发送者的出现。它们类似于难以识别的合法用户。在本文中，我们提出了一种新的垃圾邮件分类方法的基础上潜在狄利克雷分配（LDA），一个主题模型。我们的方法提取本地和全球的主题分布模式，捕捉垃圾邮件的本质信息。在一个基准数据集和一个自我收集的数据集上进行测试，我们提出的方法在平均F1分数方面优于其他最先进的方法。
2016-06-09 cs.CL cs.SI
Mining Half a Billion Topical Experts Across Multiple Social Networks
挖掘社交媒体上的话题专家是一个因其广泛应用而受到广泛关注的问题。在这里，我们提出了第一项研究，该研究结合了来自四个主要社交网络的数据- Twitter，Facebook，Google+和LinkedIn，以及维基百科图表和互联网网页文本和元数据，以排名全球用户群体中的主题专家。我们对来自各种数据源（如消息文本、用户列表、网页、社交图表和维基百科）的37个特征进行了深入分析。这项大规模研究包括90天滑动窗口内的120多亿条消息和580亿条社交图边。比较表明，来自Twitter列表，维基百科，互联网网页和Twitter追随者的功能是特别好的专业指标。我们使用这些特征在包含近90，000个标签的大型地面真实数据集上训练专业知识排名模型。该模型应用于一个生产系统，该系统每天对9,000多个主题领域的6.5亿多名专家进行排名。我们提供的结果和例子，我们的专家排名系统的有效性，以及经验验证。最后，我们通过开放的REST API提供主题专业知识数据，以供更广泛的使用。
2016-08-31 cs.IR cs.SI
Twitter-Network Topic Model: A Full Bayesian Treatment for Social Network and Text Modeling
ANU（澳大利亚国立大学）；NICTA（澳大利亚国家信息通信技术研究院）
Twitter的数据非常嘈杂--每条推文都很短，没有结构，语言也不正式，这对当前的主题建模来说是一个挑战。另一方面，推文伴随着额外的信息，如作者，标签和用户追随者网络。利用这些额外的信息，我们提出了Twitter网络（TN）的主题模型，共同建模的文本和社会网络在一个完整的贝叶斯非参数的方式。TN主题模型采用分层泊松-狄利克雷过程（PDP）的文本建模和高斯过程随机函数模型的社会网络建模。我们表明，TN主题模型显着优于现有的几个非参数模型，由于其灵活性。此外，TN主题模型能够实现额外的信息推理，例如作者的兴趣，主题标签分析，以及导致进一步的应用，例如作者推荐，自动主题标签和主题标签建议。注意，我们的一般推理框架可以很容易地应用到其他主题模型嵌入PDP节点。
2016-09-22 cs.CL cs.IR cs.SI
Joint Topic-Semantic-aware Social Recommendation for Online Voting
在线投票是社交网络中的一个新兴功能，用户可以在其中表达他们对各种问题的态度，展示他们独特的兴趣。在线投票对推荐提出了新的挑战，因为投票的传播严重依赖于社交网络的结构以及投票的内容。在本文中，我们研究如何综合利用这两个因素时，进行投票推荐。首先，由于现有的文本挖掘方法，如主题模型和语义模型不能很好地处理内容的投票，这是典型的短和模糊的，我们提出了一种新的主题增强字嵌入（TEWE）方法来学习单词和文档表示，共同考虑他们的主题和语义。在此基础上，提出了一种基于联合主题语义感知的社会矩阵分解（JTS-MF）投票推荐模型。JTS-MF模型通过结合用户和投票的TEWE表示和社交网络的结构信息来计算用户和投票之间的相似度，并在矩阵分解过程中保持这种主题-语义-社会相似度。为了评估TEWE表示和JTS-MF模型的性能，我们在真实的在线投票数据集上进行了大量的实验。结果证明了我们的方法对几个国家的最先进的基线的有效性。
2017-12-03 cs.IR cs.SI stat.ML
Topic-aware Most Influential Community Search in Social Networks
本文提出主题感知最具影响力社区搜索问题TAMICS，通过在线算法和基于索引的启发式算法在不确信有向图中高效发现与查询主题高度相关且影响力最大的内聚社区，实验证明其效果和效率优于现有方法。
2025-04-09 cs.SI
Inspecting Interactions: Online News Media Synergies in Social Media
社交媒体的日益普及从根本上改变了新闻内容的传播方式，包括新层面的互动尝试。到目前为止，传统的新闻媒体，如报纸，电视和广播已经适应了他们的活动，通过利用社交媒体，博客，网站等在线新闻媒体。本文提供了一些洞察到全球流行的新闻媒体的社交媒体存在。尽管事实上，这些大型新闻媒体通过社会媒体环境传播内容在很大程度上，很少有人知道的新闻项目的生产者，供应商和消费者在社会媒体的新闻媒体社区，为了更好地了解这些互动，这项工作的目的是分析新闻项目在两个大型社会媒体，Twitter和Facebook。为此，我们收集了48家新闻媒体在Twitter和Facebook上发布的所有帖子，使用152 K tweets和80 K Facebook帖子的数据集进行描述性和预测性分析。我们探索了一组在社交媒体中自己创建内容的新闻媒体，那些将新闻发布到其他新闻媒体的媒体，以及那些从其他新闻媒体消费新闻内容和/或共享副本的媒体。我们提出了一个预测模型，以增加新闻媒体的普及读者的基础上的帖子数量，追随者数量和互动的数量在新闻媒体社区内进行。研究结果表明，新闻媒体应分散自身的内容，首先在社交媒体上发布，以成为受欢迎的新闻媒体，并获得更多的新闻读者对其新闻项目的吸引力。
2018-09-16 cs.SI
Does presence of social media plugins in a journal website result in higher social media attention of its research publications
社交媒体平台现在已经成为研究文章更广泛传播的重要媒介;作者，读者和出版商创造了关于文章的不同类型的社交媒体活动。一些研究甚至表明，获得更多社交媒体关注的文章可能会获得更高的知名度和引用。这些因素正在说服期刊出版商将社交媒体插件集成到他们的网页中，以促进文章在社交媒体平台上的分享和传播。许多过去的研究分析了几个因素（如期刊影响因子，开放获取，合作等）。这可能会影响社交媒体对学术文章的关注。然而，目前还没有研究分析期刊中社交媒体插件的存在是否会导致期刊上发表的文章在社交媒体上的关注度更高。本文旨在通过分析来自100种不同期刊的99，749篇文章的足够大的样本来弥合这一知识差距。结果显示，与不提供此类插件的期刊相比，在其网页中集成了社交媒体插件的期刊的文章在社交媒体上的提及和分享率显着更高。访问期刊网页的作者和读者似乎是围绕这些期刊上发表的文章的社交媒体活动的主要贡献者。研究结果表明，出版社应积极提供社交媒体插件集成在他们的期刊网页，以增加他们的文章的社交媒体知名度（altmetric影响）。
2020-07-12 cs.DL cs.SI
TrendSim: Simulating Trending Topics in Social Media Under Poisoning Attacks with LLM-based Multi-agent System
Renmin University of China（中国人民大学）；Microsoft Research Asia（微软亚洲研究院）；Hefei University of Technology（合肥工业大学）
本文提出TrendSim，一个基于LLM的多智能体系统，模拟社交媒体热门话题在投毒攻击下的演化，以研究攻击机制并制定防御策略，通过实验验证其有效性并探讨四个关键问题。
2024-12-14 cs.AI cs.SI
LA-LDA: A Limited Attention Topic Model for Social Recommendation
USC Information Sciences Institute（南加州大学信息科学研究所）；University of Maryland（马里兰大学）
社交媒体用户的注意力有限，这限制了他们可以处理的来自朋友的传入消息的数量。此外，他们比其他人更关注某些朋友的意见和建议。在本文中，我们提出了LA-LDA，一个潜在的主题模型，其中包括有限的，非均匀分布的注意力在扩散过程中的意见和信息在社会网络上传播。我们表明，我们提出的模型是能够学习更准确的用户模型，从用户的社交网络和项目采用行为比模型，不考虑有限的注意力。我们分析了社会新闻聚合器Digg上的新闻项目投票，并表明我们提出的模型能够更好地预测投票。我们的研究表明，心理社会动机的模型比只考虑主题的模型有更好的描述和预测观察到的行为的能力。
2013-01-26 cs.IR cs.LG cs.SI
Topic Shifts as a Proxy for Assessing Politicization in Social Media
本文提出以非政治话题向政治话题的转移度量社交媒体政治化，并结合政治关键词种子与 PU Learning 分析 2022 年巴西大选期间多平台评论。
2024-06-13 cs.SI
The utilization of social networking as promotion media (Case study: Handicraft business in Palembang)
如今，社交媒体（Twitter，Facebook等），不仅仅是作为传播媒介，也是为了宣传。社交网络媒体为公司和组织提供了许多商业利益。研究目的为探讨巨港市手工业利用社群网路媒体作为促销媒介的模式。本研究采用质性与量性研究设计，探讨巨港市的手工业如何利用社群媒介网络作为促销媒介。研究结果显示，35%的手工艺企业已经利用社交媒体作为宣传媒体。使用的社交媒体是博客开发15%，Facebook 46%，Twitter等39%。他们使用社交媒体的原因包括：1）成本最低，2）易于识别，3）全球分销区域。社交媒体强调更好地与客户直接互动。通过与客户的直接沟通，使营销方式更加个性化。
2013-12-12 cs.CY cs.SI
Geolocating social media posts for emergency mapping
演示将说明支持自然灾害后快速制图活动的网络地理信息系统界面的功能，目的是从社交媒体向制图操作员提供更多信息。该演示展示了E2mC H2020欧洲项目的第一批成果，该项目的目标是从可用的社交媒体源中提取精确定位的信息，提供准确的地理定位功能，并从Twitter中搜索的帖子开始，将社交媒体探索扩展到Flickr，YouTube和Instagram。
2018-01-21 cs.SI
How Growing Toxicity Manifests: A Topic Trajectory Analysis of U.S. Immigration Discourse on Social Media
本研究针对社交媒体上美国移民讨论毒性加剧的问题，结合指令嵌入、递归HDBSCAN与轨迹分析，发现毒性升降用户的主题转向存在显著差异，为研究社会议题动态对话提供可复现方法。
2025-07-29 cs.SI
A Large-scale Study of Social Media Sources in News Articles
在这项研究中，我们密切关注美国新闻媒体使用社交媒体内容作为来源或参考。具体来说，我们研究了153家美国媒体在2013-2017年5年内发表的约6万篇新闻文章，并分析了社交媒体内容与其他来源的比较。我们设计了一个社交媒体源提取算法，并调查了不同新闻主题中社交媒体源使用的程度和性质。我们的研究结果显示，新闻中社交媒体内容的使用在五年内几乎翻了一番。不可靠的媒体机构对社交媒体的依赖超过了主流媒体。主流和不可靠的网站都更喜欢Twitter而不是Facebook作为信息来源。
2018-10-31 cs.DL cs.SI
Detecting Antagonistic and Allied Communities on Social Media
多年来，社交媒体上的社区发现引起了相当大的关注。然而，现有的方法没有揭示社区之间的关系。由于各种因素，社区可以形成联盟或进行对抗，例如，共同或冲突的目标和价值观。揭示这种关系可以提供更好的见解，以了解社区和社交媒体的结构。根据社会科学的研究结果，来自不同社区的成员对彼此的态度在很大程度上取决于他们的社区成员身份。因此，我们假设，在社交媒体中的用户之间表达的社区间的态度有可能反映他们的社区间的关系。因此，我们首先在社交媒体的背景下验证这一假设。然后，受假设的启发，我们开发了一个框架，通过联合建模用户的态度和社会互动来检测社区及其关系。我们使用三个真实世界的社交媒体数据集来展示我们框架的有效性。
2018-07-10 cs.SI
Detecting Topic and Sentiment Dynamics Due to COVID-19 Pandemic Using Social Media
新型冠状病毒病（COVID-19）的爆发极大地影响了全球人们的日常生活。紧急措施和政策（例如，封锁、社交距离），以对抗这种高度传染性的疾病。然而，由于长期严格的社会隔离规定，人们的心理健康也面临风险。因此，在各种事件和主题中监测人们的心理健康对于政策制定者做出适当的决定是非常必要的。另一方面，社交媒体已被广泛用作人们发表和分享个人意见和感受的渠道。大规模的社交媒体帖子（例如，tweets）提供了一个理想的数据来源，以推断在这一大流行期间人们的心理健康状况。在这项工作中，我们提出了一个新的框架来分析由于COVID-19从大量的社交媒体帖子的主题和情绪动态。基于两周内收集的1300万条与COVID-19相关的推文，我们发现在研究期间，积极情绪的比例高于消极情绪。当放大到主题层面的分析时，我们发现COVID-19的不同方面一直在被讨论，并显示出类似的情绪极性。一些主题，如“保持安全的家”是主导与积极的情绪。其他人，如"人民死亡”，一贯表现出消极情绪。总的来说，该框架显示了深刻的研究结果的基础上分析的主题级的情绪动态。
2020-07-05 cs.CY cs.IR cs.SI
Topic, Sentiment and Impact Analysis: COVID19 Information Seeking on Social Media
Queensland University of Technology（昆士兰科技大学）
当人们注意到一些不寻常的事情时，他们会在社交媒体上讨论。他们通过文字表达留下情感的痕迹。跨时间和空间系统地收集、分析和解释社交媒体数据，可以深入了解当地疫情、心理健康和社会问题。这种及时的见解有助于制定战略和资源，并作出适当和有效的反应。这项研究分析了与COVID 19相关的澳大利亚球体的大型时空推文数据集。该方法包括数量分析、动态主题建模、情感检测和语义品牌评分，以深入了解COVID 19大流行爆发以及澳大利亚不同州和城市随着时间的推移的公众讨论。所获得的见解与独立观察到的现象，如政府报告的实例进行比较。
2020-08-28 cs.IR cs.LG cs.SI
Quasi-experimental Designs for Assessing Response on Social Media to Policy Changes
烟草制品的监管正在迅速发展。在当局评估如何有效保护人口健康时，了解公众对变化的反应非常重要。社交媒体系统被广泛认为有助于收集有关人类偏好和感知的数据。然而，在政策迅速变化的背景下，鉴于时间段短、地点具体、使用社交媒体的人群不具代表性等挑战，如何使用社交媒体数据是一个悬而未决的问题。在本文中，我们应用了之前在社交媒体等观察数据中使用的准实验设计，以控制社交媒体上的时间和位置混杂因素，然后使用Twitter和Reddit帖子的内容分析来说明对烟草香料禁令的反应内容以及对电子烟征税的影响。结论提炼的潜在作用，社会媒体在快速变化的监管环境中，在补充传统的基于代理人的代表性调查所学到的。
2020-03-30 cs.SI
A Tutorial on Event Detection using Social Media Data Analysis: Applications, Challenges, and Open Problems
本文综述利用社交媒体数据分析进行事件检测的应用价值，系统梳理社交媒体流监测中的关键挑战与基本权衡，并提出开放问题和未来研究方向。
2025-06-07 cs.SI
Social Media Analytics in Disaster Response: A Comprehensive Review
本文综述社交媒体分析在灾害管理中的作用、方法、案例、伦理隐私问题及未来方向，为研究者和从业者提供系统性参考。
2025-06-07 cs.SI
SMI-5: Five Dimensions of Social Media Interaction for Platform (De)Centralization
本文将Web去中心化理念扩展至社交媒体，提出SMI-5框架从五个维度描述社交平台的（去）中心化，并通过案例研究证明用户互动因SMI层切片而异，强调需超越物理网络层面以更全面的视角理解平台（去）中心化。
2024-04-23 cs.SI
Quantifying Controversy in Social Media
哪些话题在社交媒体上引发了最激烈的争论？确定这些主题不仅从社会的角度来看是有趣的，而且还允许过滤和汇总社交媒体内容以传播新闻报道。本文从社会化媒体的内容和网络结构两个方面对争议检测进行了系统的方法论研究。与以前的工作不同，我们不是在一个单一的手工挑选的主题和使用特定领域的知识研究争议，而是采取一种通用的方法来研究任何领域的主题。我们量化争议的方法是基于一个基于图的三阶段管道，包括（i）构建一个关于主题的对话图;（ii）划分对话图以识别争议的潜在方面;以及（iii）从图的特征中测量争议的数量。我们进行了广泛的比较的争议措施，不同的图形建设的方法，和数据源。我们在Twitter上使用有争议和无争议的话题，以及其他外部数据集。我们发现，我们新的基于随机漫步的措施优于现有的捕捉直观的概念的争议，并表明内容功能在这项任务中的帮助要小得多。
2017-09-20 cs.SI
