Co-Following on Twitter
我们提出了一个深入的研究共同关注Twitter的基础上观察到，两个Twitter用户的追随者有相似的朋友也是相似的，即使他们可能没有任何直接的链接或一个共同的追随者。我们展示了这种观察如何有助于（i）更好地理解Twitter上与语言无关的用户分类，（ii）为计算社会科学带来机会，以及（iii）通过识别交叉销售机会来改善在线营销。我们从一个机器学习问题开始，预测用户在Twitter朋友的两个备选选择中的偏好。我们发现，共同遵循的信息提供了强有力的信号，为不同的分类任务，这些信号持续存在，即使（i）最具歧视性的功能被删除，（ii）只有相对“稀疏”的用户少于152，但超过43 Twitter的朋友被认为是。超越单纯的分类性能优化，我们提出了我们的方法计算社会科学的应用。在这里，我们证实了一些刻板印象，比如乡村歌手肯尼·切斯尼（@kennychesney）在@GOP的追随者中更受欢迎，而Lady Gaga（@ladygaga）则得到了@TheDemocrats追随者的更多支持。在营销领域，我们提供证据表明，名人代言反映在共同遵循，我们展示了我们的方法可以用来揭示苹果和彪马之间的观众相似性，不太明显，耐克和可口可乐之间。关于用户的受欢迎程度，我们发现有一个更“平均”的追随者和有更多的追随者比直接竞争对手之间的统计显着的连接。有趣的是，\emph{larger}的观众似乎也与\emph{les…
2014-07-03 cs.SI physics.soc-ph
Simulating User-Level Twitter Activity with XGBoost and Probabilistic Hybrid Models
University of South Florida（南佛罗里达大学）
Volume-Audience-Match模拟器（VAM）被用来预测Twitter上与国际经济事务相关的未来活动。应用VAM进行时间序列预测，以预测：（1）总活动数，（2）活跃的老用户数，（3）从预测开始时间起24小时内的新活跃用户数。VAM然后使用这些卷预测来执行用户链接预测。用户-用户边被分配给24个未来时间步中的每个活动。VAM在时间序列和用户分配任务中的表现都大大优于一组基线模型
2022-02-18 cs.CY cs.LG cs.SI
What They Do in Shadows: Twitter Underground Follower Market
互联网用户和企业越来越多地使用在线社交网络（OSN）来推动受众流量并提高其受欢迎程度。为了提高社交存在感，OSN用户需要增加其在线个人资料的可见性和覆盖范围，例如Facebook喜欢，Twitter关注者，Instagram评论和Yelp评论。例如，Twitter追随者的增加不仅提高了用户的受众范围，而且还提高了感知的社会声誉和受欢迎程度。这导致了一个地下市场的范围，通过欺诈和妥协的帐户和各种勾结技术的网络提供追随者，喜欢，评论等。在本文中，我们景观的地下市场，提供Twitter的追随者，通过研究他们的基本组成部分-商人，客户和虚假的追随者。我们对商家提供的服务进行了详细的分析，以了解他们的运营结构和市场层次。Twitter的地下市场可以使用溢价货币计划或其他激励免费增值计划来运作。我们发现，免费增值市场是一个寡头垄断的结构，只有少数商家是市场的领导者。我们还表明，商家的知名度没有任何相关性的服务质量的商家提供给客户。我们的研究结果还揭示了市场客户的特征和质量以及所提供的虚假追随者。我们将合法用户和虚假关注者进行比较，并找出关键标识符来区分这些用户。在这些差异化特征的帮助下，我们构建了一个监督学习模型来预测可疑的跟随行为，准确率为89.2%。
2014-11-16 cs.SI
Is Anyone Out There? Unpacking Q&A Hashtags on Twitter
除了发布新闻和状态更新外，许多Twitter用户还发布寻求各种主观和客观信息的问题。这些问题通常带有“Q&A”标签，例如#lazyweb或#twoweb。我们对Twitter用户进行了调查，发现他们使用这些问答标签作为主题标志（这条推文需要一个答案！）并接触到他们的直接追随者之外的人（一个监视标签的有用的推特社区）。然而，我们对数千个带标签的问答交流的日志分析显示，几乎所有对带标签的问题的回复都来自用户的直接追随者网络，这与用户的信念相矛盾，即他们通过标记他们的问题推文来进入更大的社区。这一发现对设计下一代社交搜索系统具有重要意义，这些系统可以接触并吸引广泛的回答者。
2015-07-06 cs.CY cs.SI
Elites Tweet? Characterizing the Twitter Verified User Network
社交网络和发布平台，如Twitter，支持验证的概念。验证账户被认为值得全平台的公共利益，并由平台本身单独认证。这些平台一再声称，核查不等于认可。然而，大量先前的工作表明，拥有经过验证的状态象征着在平台受众眼中增强的可信度。因此，这样的地位在公众人物和有影响力的人中非常令人垂涎。因此，我们试图描述Twitter上经过验证的用户的网络，并将结果与整个Twitter网络的类似分析进行比较。我们提取了Twitter上经过验证的用户的整个网络（截至2018年7月），并获得了231，246个用户简档和79，213，811个连接。随后在网络分析中，我们发现验证用户的子图在某些方面反映了完整的Twitter用户图，例如具有短直径。然而，我们的研究结果与早期的研究结果在多个方面，如拥有一个幂律出度分布，轻微dissortativity和显着更高的互惠率，如文件中所阐明的。此外，我们试图衡量这个子图中的显着组件的存在，并检测到缺乏同质性的受欢迎程度，这再次与完整的Twitter图形成鲜明对比。最后，我们证明了平稳性的时间序列验证用户活动水平。据我们所知，这项工作代表了第一次定量描述Twitter上验证用户的尝试。
2019-03-12 cs.CY cs.SI
Do you really follow them? Automatic detection of credulous Twitter users
在线社交媒体代表了一个无处不在的信息来源，能够接触到大量的受众。可悲的是，最近的研究表明，在线社交机器人（自动化的，通常是恶意的帐户，填充社交网络并模仿真正的用户）能够以数量级放大（虚假）信息的传播。使用Twitter作为基准，在这项工作中，我们专注于我们定义的轻信用户，即，人工操作的账户，其追随者中机器人的比例很高。由于更容易受到社交机器人的有害活动的影响，轻信的用户可能会比其他用户受到更大的影响;更糟糕的是，尽管他们在不知不觉中，他们可能会成为误导性信息的传播者（例如，通过转发机器人）。我们设计和开发了一个监督分类器，自动识别轻信用户。最好的测试配置实现了93.27%的准确度和0.93的AUC-ROC，从而产生了积极和令人鼓舞的结果。
2019-09-09 cs.CY cs.SI
Inferring Political Alignments of Twitter Users: A case study on 2017 Turkish constitutional referendum
TOBB University of Economics and Technology（TOBB经济与技术大学）
Twitter在政治上的日益普及受到商业和学术兴趣的影响。为了充分利用这一平台的优点，接触具有理想政治倾向的目标受众至关重要。本文将推特用户政治倾向推断的研究扩展到2017年土耳其宪法公投的案例。在构建了一个有针对性的推文数据集后，我们探索了几种类型的潜在特征，以构建准确的基于机器学习的预测模型。在我们的实验中，三类支持向量机（SVM）分类器训练的语义特征达到最好的准确率为89.9%。此外，在全文特征上训练的SVM分类器比在主题标签上训练的SVM分类器表现更好，准确率分别为89.05%和85.9%。通过全文特征获得的相对较高的准确率分数可能指向语言使用的差异，这值得进一步研究。
2018-09-15 cs.LG cs.SI
DomainDemo: a dataset of domain-sharing activities among different demographic groups on Twitter
本文提出DomainDemo数据集，通过将Twitter上共享的域名与150万美国选民的人口特征关联，生成了量化网站地理覆盖和意识形态倾向等五个指标，为研究不同群体十年间的信息流动与公共话语趋势提供了可靠资源。
2025-07-16 cs.CY cs.SI
Audience capture, selective exposure, affective assimilation or ideological sorting? Polarisation of climate politics under low media-party parallelism
Faculty of Social Sciences, University of Helsinki（赫尔辛基大学社会科学学院）；Department of Computer Science, Aalto University（阿尔托大学计算机科学系）；Department of Communication, Stanford University（斯坦福大学传播学系）
本研究以芬兰Twitter用户2015-2023年的新闻互动数据，探究低媒体-政党平行性下气候政治极化的四种机制，发现受众捕获、部分选择性接触与中等程度情感同化的作用，为气候政治僵局的理解提供理论补充。
2026-08-17 cs.SI
Insights Into Incitement: A Computational Perspective on Dangerous Speech on Twitter in India
社交媒体平台上的危险言论可以被诬陷为公然煽动，或者以影射的方式表达。它还与参与者密切相关--它可以由公开的宗派社交媒体账户驱动，也可以通过有影响力的账户进行微妙的推动，从而允许采取复杂的手段来加强对边缘化群体的诽谤，这是全球南方媒体环境中日益严重的问题。我们确定了印度Twitter上有影响力的账户围绕三个关键事件发表的危险言论，研究了宽恕或积极促进暴力侵害弱势群体的语言和消息网络。我们通过分配危险放大信念分数来表征危险的语音用户，并表明危险的用户在Twitter上比其他用户更活跃，并且在网络中最有影响力，在更大的追随者以及验证帐户的数量方面。我们发现，危险的用户有一个更加两极分化的观众，这表明他们的观众更容易受到煽动。使用网络中心性措施和定性分析的组合，我们发现，最危险的帐户往往要么是在大众媒体相关的职业或结盟低级别，右倾的政治家，并作为“广播”在网络中，他们最好的位置，带头迅速传播危险的言论在整个平台。
2021-11-06 cs.SI
Geolocated Social Media Posts are Happier: Understanding the Characteristics of Check-in Posts on Twitter
社交媒体上位置共享功能的日益普及使研究人员能够使用地理定位数据进行计算社会科学研究，为研究人类流动性，现实世界事件的影响等提供了机会。本文分析了什么是关键的区别与地理标签的职位，从那些没有。我们发现，共享位置的用户并不能代表整个社交媒体用户群，这会危及仅使用地理定位数据的研究的普遍性。我们考虑三个方面：情感-情感和情绪，内容-文本和非文本，以及受众参与。通过将130万条带有地理标记的推文的数据集与相同大小的随机数据集进行比较，我们发现Twitter上带有地理标记的帖子表现出明显更多的积极性，通常是关于婚礼或毕业典礼等欢乐和特殊事件，传达更多的集体主义而不是个人主义，并且包含更多的附加功能，如标签或图像中的对象，但同时产生的参与度大大降低。这些发现表明，有地理标记的帖子所传达的信息存在显着差异。我们的研究对未来利用地理定位社交媒体数据的研究具有重要意义。
2023-02-14 cs.SI
What sets Verified Users apart? Insights, Analysis and Prediction of Verified Users on Twitter
IIIT Hyderabad（印度国际信息技术学院海得拉巴分校）；IIIT Delhi（印度国际信息技术学院德里分校）；Microsoft India（微软印度）
社交网络和发布平台（如Twitter）支持秘密专有验证过程的概念，因为他们认为这些处理值得平台范围内的公共利益。根据之前的重要研究表明，拥有这样的地位象征着在平台受众眼中增强的可信度，经过验证的徽章显然是公众人物和品牌梦寐以求的。不太明显的是核查过程的内部运作以及核查所代表的内容。这种缺乏明确性的情况，加上Twitter在2017年将上述地位扩大到政治极端分子而受到的抨击，使Twitter公开承认需要重新考虑这一过程和地位所代表的内容。考虑到这一点，我们试图解开用户的个人资料可能产生或排除验证的方面。本文的目的是双重的：首先，我们测试，如果辨别的验证状态的句柄从配置文件元数据和内容功能是可行的。其次，我们揭示了对句柄的验证状态有最大影响的特征。我们收集了一个数据集，其中包括所有231，235名经过验证的英语用户（截至2018年7月）的个人资料元数据、175，930名未经验证的英语用户的对照样本以及他们在一年收集期内的所有4.94亿条推文。我们提出的模型能够可靠地识别验证状态（曲线下面积AUC > 99%）。我们发现，公共列表成员的数量，存在的中立情绪的推文和权威的语言风格是最相关的预测验证状态。据我们所知，这项工作代表了Twitter上识别和分类值得验证的用户的第一次尝试。
2019-03-12 cs.CY cs.LG cs.SI
A political cartography of news sharing: Capturing story, outlet and content level of news circulation on Twitter
本文提出一种兼顾消息来源与内容的新闻分享系统制图流水线，以克服政治倾向测量简化、仅分析媒体层面及预先划分党派新闻的局限。
2025-05-13 cs.SI
Cascades: A view from Audience
在过去的十年中，在线网络上的级联一直是一个热门的研究课题，有相当多的文献，如扩散机制，病毒式，级联预测和对等网络效应。然而，一个基本的问题得到了相对较少的关注：从用户的角度来看，社交媒体平台上的级联有多可取？虽然这个问题的各种版本都是从级联生产者的角度考虑的，但对这个问题的任何回答都必须考虑到级联对其受众的影响。在这项工作中，我们试图通过提供一个消费者的角度来填补这一空白。在线网络上的用户扮演着生产者和消费者的双重角色。首先，我们对Twitter用户与转发级联的互动进行了实证研究。我们测量了用户在他们的家庭时间轴中观察转发的频率，并观察到一种我们称之为“不受干扰的干扰”的现象：大小为k的级联的印象份额比大小为k的级联的频率衰减得慢。因此，即使是罕见的大型级联，级联的受众也可能相当大。我们还衡量观众参与与转推级联相比，非转推内容。我们的研究结果表明，级联往往竞争对手或超过有机内容的参与收到每印象。这一结果可能令人惊讶，因为消费者没有选择查看这些作者的推文。此外，尽管级联内容广泛流行，但人们会期望它最终到达可能对内容不感兴趣的部分受众。我们的研究结果的动机，我们建立了一个理论模型，重点是对观众的级联效应。我们对这个模型的研究结果突出了转推作为一个高质量的内容选择机制和网络用户在过滤不相关内容的作用之间的平衡。
2017-03-26 cs.SI
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
Discovery and classification of Twitter bots
本文基于希腊语 Twitter 用户 36 个月的密集爬取数据，通过检测并发内容注入事件发现并分类了 1,850 个受同一软件控制的机器人账户，揭示了 botnet 的行为模式、演化过程及其与用户社区和热门话题的互动差异。
2020-10-29 cs.SI
TexTrolls: Identifying Russian Trolls on Twitter from a Textual Perspective
Universitat Politècnica de València（瓦伦西亚理工大学）；CNRS（法国国家科学研究中心）；Université Paris 13（巴黎第十三大学）
在线新出现的可疑用户，通常被称为巨魔，是仇恨，虚假和欺骗性在线信息的主要来源之一。一些议程正在利用这些有害的用户来传播煽动性的推文，结果，观众被欺骗了。检测此类账户的挑战在于，它们隐藏了自己的身份，这使得它们在社交媒体中伪装起来，增加了仅使用其社交网络信息识别它们的难度。因此，在本文中，我们提出了一种基于文本的方法来检测在线巨魔，例如在美国2016年总统选举期间发现的巨魔。我们的方法主要是基于文本特征，利用主题信息，和分析功能，以确定帐户从他们的写作推文的方式。我们推导出的主题信息，在一个无监督的方式，我们表明，将它们与文本特征，增强了所提出的模型的性能。此外，我们发现，建议的剖析功能执行最好的比较文本功能。
2019-10-03 cs.CL cs.LG cs.SI
Clusters of science and health related Twitter users become more isolated during the COVID-19 pandemic
COVID-19代表了迄今为止最严重的全球危机，其公众对话可以被实时的研究。为此，我们使用了2020年1月13日至6月7日期间超过2600万英语Twitter用户发布的超过3.5亿条推文和转发的数据集。我们描述了转推网络，以确定自发聚集的用户和他们的互动随着时间的推移与流行病的出现演变。我们确定了几个稳定的集群（超级社区），并能够将它们与主要涉及科学和健康主题的国际团体，国家精英和政治参与者联系起来。与科学和健康相关的超级社区在大流行早期受到了不成比例的关注，并在当时领导了讨论。然而，随着这一流行病的蔓延，注意力转向国家精英和政治行为体，同时采取了针对具体国家的遏制措施，辩论也日益政治化。科学超级社区仍然存在于讨论中，但在网络中的影响力越来越小，变得更加孤立。总体而言，新兴网络社区的特点是自我放大和两极分化加剧。这使得来自国际卫生组织或科学权威的信息更难通过Twitter长时间直接接触到广大受众。这些结果可能会对信息传播产生影响，随着世界范围内流行病等长期事件的发展。
2021-09-13 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
Gender differences in online communication: A case study of Soccer
本研究通过分析950万条足球相关推文，发现女性参与度低且情感表达更强烈，网络同质性存在语言差异，但同质性不影响情感表达，揭示了在线交流中的性别差距。
2024-03-17 cs.SI
Multitask Learning for Blackmarket Tweet Detection
IIIT-Delhi（德里印度理工学院）
在线社交媒体平台使世界比以往任何时候都更加紧密地联系在一起，从而使每个人都可以更容易地向各种各样的受众传播他们的内容。Twitter就是这样一个受欢迎的平台，人们在这里发布推文，将他们的信息传播给每个人。Twitter允许用户转推其他用户的推文，以便将其广播到他们的网络。一条特定的推文得到的转发次数越多，它传播的速度就越快。这就鼓励人们通过使用某些黑市服务来获得对他们内容的无机评价，从而人为地增加他们的推文的覆盖范围。在本文中，我们试图检测已张贴在这些黑市服务，以获得人为提高转推这样的推文。我们使用一个多任务学习框架来利用分类和基于回归的任务之间的软参数共享。这使我们能够有效地检测已发布到这些黑市服务的推文，在将推文分类为黑市或真实推文时，F1得分为0.89。
2019-07-09 cs.CL cs.IR cs.SI
Who is bragging more online? A large scale analysis of bragging in social media
University of Sheffield（谢菲尔德大学）；Bloomberg（彭博）；LT3, IDLab, Universiteit Gent（根特大学）
本文采用计算社会语言学方法对Twitter上的吹嘘行为进行首次大规模分析，发现吹嘘流行度随时间下降，且更年轻、受教育程度更高、更受欢迎的用户更爱吹嘘，并揭示了与用户特征相关的吹嘘主题。
2024-03-25 cs.CL cs.SI
