Catching Fire via "Likes": Inferring Topic Preferences of Trump Followers on Twitter
在本文中，我们提出了一个框架来推断唐纳德·特朗普的追随者在Twitter上的主题偏好。我们首先使用潜在狄利克雷分配（LDA）来获得每个特朗普推文的主题的加权混合。然后，我们使用负二项回归模型的“喜欢”，与每个主题的权重作为解释变量。我们的研究表明，攻击奥巴马总统和前国务卿希拉里·克林顿等民主党人为特朗普赢得了最多的“喜欢”。“我们的推理框架可以推广到其他政治家的研究。
2016-03-09 cs.SI
Comparison of Indicators of Location Homophily Using Twitter Follow Graph
位置同质性是Twitter用户的一种倾向，他们的追随者往往在同一个或附近的地区。直觉上，虽然拥有更多追随者关系的用户可能会有负面的同质性指标，但值得参考实际的Twitter数据。此外，可能存在关于与同质性更直接相关的朋友和追随者的数量的某些函数。在这项研究中，朋友数量与追随者数量的比例被证明是一个更有效的同性恋的负面指标，并验证了10个不同国家的结果。
2021-10-26 cs.SI
Complex Network Analysis of North American Institutions of Higher Education on Twitter
北美高等教育机构（IHE）：大学，4年制和2年制学院以及贸易学校-在Twitter上大量存在和关注。IHE的Twitter账户平均有20 000名订阅者。他们中的许多人关注一个以上的IHE，从而有可能根据共同关注者的数量构建IHE网络。在本文中，我们探讨了Twitter上的1，435个IHE网络的结构。我们发现网络属性（各种中心性和聚集系数）与IHE的属性（例如入学、学费和宗教/种族/性别隶属）之间存在显着相关性。我们发现了与同性恋相关的网络的社区结构--类似的追随者跟随类似的大学。此外，我们分析了追随者的自我描述，并确定了12个重叠的主题，可以追溯到追随者的群体身份。
2020-10-02 cs.SI
Deciphering the 2016 U.S. Presidential Campaign in the Twitter Sphere: A Comparison of the Trumpists and Clintonists
在本文中，我们研究了2016年美国总统竞选中两位领先候选人唐纳德·特朗普和希拉里·克林顿的追随者人口统计数据。我们构建了一个独特的数据集US2016，其中包括2015年9月17日至2015年12月22日期间每个候选人的关注者数量。US2016还包括这些追随者的地理位置，他们自己的追随者数量，以及非常重要的每个追随者的个人资料图像。我们使用个人的追随者数量和个人资料图片来分析追随者人口统计的四个维度：社会地位，性别，种族和年龄。我们的研究表明，在社会影响力方面，特朗普主义者比克林顿主义者更加两极分化：他们往往要么影响力很大，要么影响力很小。我们还发现，与克林顿主义者相比，特朗普主义者更有可能要么很年轻，要么很老。我们的研究发现，在Twitter领域，克林顿的性别亲和力没有影响，但我们确实发现克林顿主义者的种族更加多样化。
2016-03-09 cs.SI
Evolution of Retweet Rates in Twitter User Careers: Analysis and Model
我们研究了Twitter用户在平台上的“职业生涯”中收到的转发数量的演变。我们发现，平均而言，用户收到的转推数量往往会随着时间的推移而增加。这在一定程度上是意料之中的，因为用户往往会逐渐积累粉丝。然而，通过关注者的数量进行归一化，可以发现相对的每个关注者的转发率往往是非单调的，在“高峰年龄”时最大化，之后它不会增加，甚至会下降。我们开发了一个简单的数学模型来描述这种现象背后的过程，该模型假设追随者的数量不断增加，随着时间的推移，每个人都会失去兴趣。我们发现，这个模型是足够的解释每个追随者的转发率的非单调性，没有任何假设的质量在不同的时间张贴的内容。
2021-04-05 cs.SI
Predicting Popularity of Twitter Accounts through the Discovery of Link-Propagating Early Adopters
在本文中，我们提出了一种方法，排名最近创建的Twitter帐户，根据其预期的受欢迎程度。早期发现新的有潜力的账户对于趋势预测、病毒式营销、用户推荐等都很有用。然而，新账户很难评估，因为他们还没有建立自己的声誉，我们无法应用现有的基于链接或其他基于流行度的账户评估方法。我们的方法首先找到“早期采用者”，即，经常比其他人更早发现新的好信息源的用户。然后，我们的方法将被良好的早期采用者关注的新帐户视为有希望的，即使他们现在没有很多追随者。为了找到好的早期采用者，我们估计每个帐户的链路传播频率，即，该帐户的以下链接被其追随者复制了多少次。如果其关注者过去复制了其许多关注链接，则该帐户必须是早期采用者，他们比其关注者更早找到好的信息源。我们开发了一种方法来推断哪些链接是通过复制哪些链接创建的。我们的方法的一个优点是，我们的方法只使用仅通过爬行当前Twitter图中目标帐户的邻居即可轻松获得的信息。我们通过对Twitter数据的实验来评估我们的方法。我们从Twitter的旧快照中选择了当时的新帐户，通过我们的方法计算他们的排名，并将其与帐户当前拥有的追随者数量进行比较。结果表明，我们的方法比各种基线方法产生更好的排名，特别是对于只有少数追随者的新帐户。
2015-12-08 cs.SI
A Large-Scale Study of the Twitter Follower Network to Characterize the Spread of Prescription Drug Abuse Tweets
在这篇文章中，我们进行了一个大规模的Twitter追随者网络的研究，涉及约0.42万用户谁证明DA，以表征DA推文在网络中的传播。我们的观察揭示了一个非常大的巨型组件的存在，涉及99%的这些用户与密集的本地连接，促进了这种消息的传播。我们进一步确定了网络上的活跃级联，并观察到DA推文的级联通过几个紧密相连的用户群体的参与而在很长一段距离内传播。此外，我们的观察还揭示了一个集体现象，涉及一个大的活动边缘节点（与少量的追随者和追随者）以及一个小的连接良好的非边缘节点，共同努力，朝着这样的蔓延，从而可能复杂的过程中逮捕这样的级联。此外，我们发现，用户对某些药物的参与，如Vicodin，Percocet和OxyContin，这些药物在Twitter上被提及最多。另一方面，对于Lortab等提及较少的药物，随着对此类推文的接触增加，参与概率变高，从而表明在Twitter上参与的药物滥用者仍然容易采用新药物，从而进一步加剧了问题。
2021-02-17 cs.SI
How Polarized Have We Become? A Multimodal Classification of Trump Followers and Clinton Followers
几十年来，美国政治的两极分化一直被广泛记录和分析，这种现象在2016年总统大选期间变得更加明显，特朗普和克林顿描绘了两种截然不同的美国形象。受这种两极分化和2016年总统竞选期间Twitter的广泛使用的启发，在本文中，我们迈出了衡量社交媒体两极分化的第一步，我们试图通过分析个人的日常推文，个人资料图像和发布的图片来预测个人的Twitter追随行为。因此，我们将两极分化视为一个分类问题，并研究特朗普的追随者和克林顿的追随者在Twitter上可以在多大程度上区分开来，这反过来又可以作为一般两极分化的度量标准。我们将LSTM应用于处理推文特征，并使用VGG神经网络提取视觉特征。将这两组特性集成在一起可以提高整体性能。我们能够达到69%的准确率，这表明文献中记录的高度两极分化也开始在社交媒体中表现出来。
2017-11-02 cs.SI
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
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
To Follow or Not to Follow: Analyzing the Growth Patterns of the Trumpists on Twitter
在本文中，我们分析了唐纳德·特朗普在Twitter上的追随者（以下简称特朗普主义者）的增长模式。我们首先建立了一个带有时间趋势的随机游走模型来研究公众辩论的增长趋势和影响。然后，我们分析了特朗普在Twitter上的活动和他的追随者的增长之间的关系。第三，我们分析了诸如呼吁穆斯林禁令和他的“schlonged”言论等有争议的事件的影响。
2016-03-27 cs.SI
Where are my followers? Understanding the Locality Effect in Twitter
Twitter是目前互联网上使用最多的应用程序之一，迄今已创建了超过2亿个帐户。与其他大规模系统一样，Twitter也可以利用用户之间存在的局部性效应来获得优势。在本文中，我们进行了第一次全面的研究，Twitter的本地化效应。为此，我们收集了大约100万Twitter用户及其1600万追随者的地理位置。我们的研究结果表明，语言和文化特征决定了不同国家的本地化水平。那些语言不同于英语的国家，如巴西，通常表现出很高的国内局部性，而那些英语是官方语言或共同官方语言的国家则受到外部局部性效应的影响。也就是说，他们的用户在美国的粉丝数量比在同一个国家的粉丝数量要多。这是由两个原因造成的：第一，美国是Twitter的主导国家，大约有一半的用户，第二，这些国家与美国有共同的语言和文化特征。
2011-05-18 cs.SI physics.soc-ph
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
Urban scaling of football followership on Twitter
社会科学今天面临着一个重要的挑战，即利用在线社交网络产生的大量数据所提供的新的研究机会。由于其营销价值，体育俱乐部也有动力在社交媒体上创造和维持稳定的受众。在本文中，我们分析了追随者的知名足球俱乐部在Twitter上获得他们的家的位置。然后，我们测量城市规模是如何连接到追随者的数量使用城市规模理论。结果表明，俱乐部追随者的标度指数依赖于一个国家的收入。这些发现可用于了解全球足球观众的结构和潜在增长领域。
2018-12-11 cond-mat.dis-nn cs.SI physics.soc-ph
The Road to Popularity: The Dilution of Growing Audience on Twitter
在社交媒体平台上，如Twitter，用户通常有兴趣通过增加他们的追随者，也就是他们的观众来获得更多的影响力和知名度。有几项研究描述了Twitter用户的属性，基于他们的追随者网络的静态快照。其他研究分析了链接形成的一般过程。在这里，而不是调查这个过程本身的动态，我们研究的特点，观众和追随者链接的变化，作为用户的观众的规模增长的道路上用户的普及。首先，我们发现早期的追随者往往比后期的追随者更精英，即，他们更有可能拥有经过核实的专家账户。此外，早期的追随者比晚期的追随者更接近他们所追随的人。也就是说，他们更有可能与跟随的用户分享时区，语言和感兴趣的话题。在某种程度上，这些现象与Twitter本身的成长有关，早期的追随者往往是Twitter的早期采用者，而后期的追随者往往是Twitter的后期采用者。然而，我们将由追随者组成的受众增长的影响与Twitter用户群本身的增长隔离开来。最后，我们通过测量早期或晚期追随者成为转发者的概率，来衡量这些受众对追随者内容的参与度。
2016-03-14 cs.CY cs.SI physics.soc-ph
Predicting Rising Follower Counts on Twitter Using Profile Information
当评估一个人在Twitter上受欢迎的原因时，有一件事被认为是主要的驱动力：许多推文。关于应该发布什么样的推文，人们存在争议，但除了推文之外就没什么了。特别令人感兴趣的是每个Twitter用户的个人资料页面提供的信息。其中一个特点是这些配置文件上的名字。对心理学和经济学的研究发现了名字与以下因素的相关性：一个人的学校成绩或在美国获得面试机会。因此，我们感兴趣的是这些配置文件信息对追随者数量的影响。我们通过分析大约600万Twitter用户的个人资料来解决这个问题。所有配置文件分为三组：在名称字段中有名字、英语单词或两者都没有的用户。假设是名称和单词影响用户的可重复性，并随后影响他/她的追随者数量。我们提出了一个分类器，标签用户将增加他们的追随者计数在一个月内，通过应用不同的模型，基于用户的组。用受试者操作曲线得分下的面积评估分类器，并获得高于0.800的得分。
2017-05-09 cs.IR 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
Detection and Analysis of 2016 US Presidential Election Related Rumors on Twitter
2016年美国总统大选见证了Twitter在这一年最重要的政治事件中的重要作用。候选人广泛利用这一社交媒体平台开展在线竞选活动。与此同时，社交媒体上充斥着谣言，这可能对选民的决定产生了巨大影响。在本文中，我们对两位总统候选人的追随者的谣言推文进行了深入分析：希拉里克林顿和唐纳德特朗普。为了克服将大量推文标记为训练数据的困难，我们通过将它们与经过验证的谣言文章进行匹配来检测谣言推文。我们分析了从两位候选人的追随者那里收集的800多万条推文。我们的研究结果提供了几个主要问题的答案，在这次选举中的谣言，包括：哪一方的追随者张贴最谣言，谁张贴这些谣言，他们张贴的谣言，以及他们何时张贴这些谣言。本文的研究有助于我们理解美国政治中的网络谣言行为。
2017-04-10 cs.SI
Co-evolutionary dynamics in social networks: A case study of Twitter
复杂网络通常表现出协同进化动力学，这意味着网络拓扑结构和节点或链路的状态是耦合的，在重叠的时间尺度上相互影响。我们专注于在线社交网络的共同进化动态，特别是在Twitter上。通过实时监控成千上万的Twitter用户的活动，并跟踪他们的追随者和推/转推，我们提出了一种方法来推断新的转推驱动的追随者关系。这种关系的形成比在没有任何转推的情况下外源性地创造新的追随者更有可能。我们确定了最重要的因素（互惠性和一个潜在的新追随者收到的转发数量），并提出了一个简单的概率模型，这种效果。我们还讨论了社会网络的拓扑结构和功能的影响，这种共同进化的动力学。
2014-02-01 cs.SI physics.soc-ph
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
Fame for sale: efficient detection of fake Twitter followers
IIT-CNR（意大利国家研究委员会信息科学与技术研究所）；Bell Labs, Alcatel-Lucent（阿尔卡特-朗讯贝尔实验室）
$\textit{Fake followers}$是那些专门创建的Twitter帐户，用于增加目标帐户的追随者数量。假粉丝对社交平台和其他平台都是危险的，因为他们可能会改变Twitter领域的流行度和影响力等概念-从而影响经济，政治和社会。在本文中，我们沿着不同的维度做出贡献。首先，我们回顾了一些最相关的现有功能和规则（由学术界和媒体提出）的异常Twitter帐户检测。其次，我们创建了一个经过验证的人类和虚假追随者账户的基线数据集。这种基线数据集向科学界公开提供。然后，我们利用基线数据集训练一组机器学习分类器建立在审查的规则和功能。我们的研究结果表明，媒体提出的大多数规则提供不满意的性能，揭示假追随者，而在过去的学术界提出的垃圾邮件检测功能提供了良好的效果。在最有前途的功能的基础上，我们在减少过拟合和收集计算功能所需的数据的成本方面修改了分类器。最终的结果是一个新的$\textit{Class A}$分类器，一般足以阻止过拟合，轻量级由于使用成本较低的功能，仍然能够正确分类超过95%的原始训练集的帐户。我们最终执行基于信息融合的灵敏度分析，以评估分类器所采用的每个特征的全局灵敏度。本文中报告的发现，除了得到彻底的实验方法的支持和有趣的本身，也为进一步研究虚假Twitter粉丝的新问题铺平了道路。
2015-11-10 cs.CR cs.LG 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
Who talks about what? Comparing the information treatment in traditional media with online discussions
我们使用大量数据集研究了传统媒体《纽约时报》杂志及其Twitter追随者之间的互动动态。它包括该杂志在COVID-19大流行的第一年发表的文章的元数据，以及@nytimes账户的大量粉丝在Twitter上发表的帖子，以及其他几种不同类型媒体的一组粉丝发表的帖子。一种媒体的独家关注者在Twitter上进行的讨论动态显示出对他们所关注的媒体的强烈依赖：@FoxNews的关注者彼此之间的相似性最高，与一般群体的利益有很大的差异。我们的研究结果还揭示了该杂志及其追随者对美国总统选举的关注程度的差异，并表明与“黑人生活问题”运动有关的主题始于Twitter，后来由该杂志解决。
2022-08-30 cs.SI physics.soc-ph
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
The role of bot squads in the political propaganda on Twitter
社交媒体如今是信息传播和新闻检查的特权渠道。出乎意料的是，对于大多数用户来说，自动账户，也被称为社交机器人，对新闻传播的贡献越来越大。以Twitter为基准，我们考虑了一个月观察期间针对特定主题（即从北非到意大利的移民流量）交换的流量。我们只测量tweets的重要流量，通过实现一个基于熵的空模型，该模型对用户的活动和tweets的病毒式传播进行了折扣。结果表明，社交机器人在重要内容的交换中发挥着核心作用。事实上，不仅最强大的中心在其追随者中拥有比预期更高的机器人数量，而且其中一组可以被分配到相同的政治倾向，共享一组共同的机器人作为追随者。这种自动化账户的转发活动放大了中心信息在平台上的存在。
2019-05-29 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
Attention Inequality in Social Media
社交媒体可以被视为一个社会系统，其中货币是注意力。人们发布内容并与他人互动以吸引注意力并获得新的追随者。在本文中，我们研究了一个流行的社交媒体网站Twitter的大样本用户的注意力分布。通过对这些数据的实证分析，我们得出结论，注意力分布非常不均匀：前20%的Twitter用户拥有超过96%的所有追随者，93%的转发和93%的提及。我们研究了导致注意力不平等的机制，发现它是由注意力扩散的“富-富”和“穷-穷”动态过程造成的。也就是说，关注度“丰富”的用户，因为他们经常被提及和转发，更有可能获得新的追随者，而关注度“贫乏”的用户则可能失去追随者。我们开发了一个量化注意力扩散和网络动态的现象学模型，并解决它来研究在社交媒体的动态环境中，注意力不平等如何随着时间的推移而增长。
2016-01-26 cs.SI
Why Do You Spread This Message? Understanding Users Sentiment in Social Media Campaigns
Twitter越来越多地被用于传播有关竞选活动的信息。这些活动试图通过他们的推特账户获得追随者，影响追随者并通过他们传播信息。在本文中，我们探讨了追随者的情绪对运动的主题和他们的转发率的运动所产生的消息之间的关系。我们对多个社交媒体活动的追随者进行了分析，发现这种情绪和转发率之间存在统计学显著相关性。根据我们的分析，我们在不同社交媒体活动的追随者中进行了一项在线干预研究。我们的研究表明，基于他们对活动的情绪来定位追随者可以比其他一些基线方法提供更高的转发率。
2014-03-24 cs.SI physics.soc-ph
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
Mining Anonymity: Identifying Sensitive Accounts on Twitter
我们探讨了自动查找在Twitter上发布敏感内容的帐户的可行性。解决这个问题的一个自然方法是首先创建一个敏感关键字列表，然后识别在推文中使用这些关键字的Twitter帐户。但这种方法可能会忽略那些没有被主观选择的关键字所覆盖的敏感账户。在本文中，我们通过检查帐户拥有的匿名和可识别追随者的百分比来探索如何找到敏感帐户。这种方法的动机是早期的一项研究表明，敏感帐户通常有很大比例的匿名追随者和一小部分可识别的追随者。为此，我们首先考虑自动确定Twitter帐户是匿名还是可识别的问题。我们发现，简单的技术，如检查名称列表成员，性能不佳。我们设计了一个机器学习分类器，可以将帐户分类为匿名或可识别。然后，我们根据帐户拥有的匿名和可识别追随者的百分比将帐户归类为敏感帐户。我们将我们的方法应用于大约100，000个账户，拥有4.04亿活跃粉丝。这种方法发现了由于各种原因而敏感的账户。这些账户涵盖各种主题，包括那些通常不被认为是敏感的主题或那些与社会污名化主题有关的主题。为了验证我们的方法，我们将潜在狄利克雷分配（LDA）主题分析应用于检测到的敏感和非敏感账户中的推文。LDA表明，从该方法中获得的敏感和非敏感账户正在发布关于截然不同的主题的推文。我们的研究结果表明，客观地识别Twitter规模的敏感账户确实是可能的。
2017-02-01 cs.CR cs.SI
A Comparative Analysis of Social Network Pages by Interests of Their Followers
Tyumen State University（秋明国立大学）
用户兴趣是一个认知问题，它应该独立于用户的语言、社会网络和兴趣内容本身而易于分类。为了证明这一点，我们分析了英语和俄语Twitter和Vkontakte社区页面的追随者的兴趣。首先，我们在专家分析的帮助下创建一个主要兴趣（MaIs）模型，然后使用机器学习算法（SVM，神经网络，朴素贝叶斯等）对一组页面进行分类。我们选择了英语和俄语社区的三个典型兴趣领域：足球，摇滚乐，素食主义。分类结果显示，俄语Vkontakte和俄语Twitter页面之间的相关性更大，而英语Twitter页面似乎提供了最高的分数。
2017-10-17 cs.CL cs.IR cs.SI
Celebrity Profiling on Short Urdu Text using Twitter Followers' Feed
COMSATS University Islamabad, Lahore Campus（卡拉奇校区的COMSATS大学）
本研究利用关注者推文文本，通过机器学习和深度学习模型对乌尔都语名人进行画像，在性别预测上取得最佳性能（cRank和准确率均为0.65）。
2025-10-10 cs.AI cs.CL cs.SI
Social Contagion: An Empirical Study of Information Spread on Digg and Twitter Follower Graphs
社交网络已成为信息传播、搜索、营销、专业知识和影响力发现的关键因素，并可能成为动员人民的重要工具。社交媒体使社交网络无处不在，也使研究人员能够获得大量数据进行实证分析。这些数据集为研究个人和群体行为的动态、网络的结构和信息流动的全球模式提供了丰富的证据来源。然而，在以前的大多数研究中，底层网络的结构并不直接可见，而是必须从个人之间的信息流中推断出来。因此，我们还不了解网络上的信息传播的动态或网络的结构如何影响它。我们通过分析两个流行的社会新闻网站的数据来解决这个问题。具体来说，我们提取活跃的Digg和Twitter用户的追随者图，并跟踪对新闻故事的兴趣如何通过图级联。我们比较和对比这两个网站上的信息级联的属性，并阐明他们告诉我们的动态网络上的信息流。
2013-08-12 cs.CY cs.SI physics.data-an
Misleading Repurposing on Twitter
我们提出了第一个深入和大规模的误导性再利用研究，其中恶意用户通过更改个人资料属性等方式更改其社交媒体帐户的身份，以便在保留追随者的同时将帐户用于新目的。我们提出了一个行为的定义和一种方法，使用监督学习从互联网档案馆的Twitter流抓斗挖掘的数据，以标志重新用途的帐户。我们发现超过10万个账户可能被重新利用。我们还对重新利用的账户进行了描述，发现它们更有可能在一段时间的不活动和删除旧推文后被重新利用。我们还提供证据表明，对手的目标帐户高追随者计数，以重新利用，有些人使他们有高追随者计数参与后续计划。我们提出的结果对社交媒体平台的安全性和完整性，对如何考虑历史数据的数据科学研究，以及对整个社会如何欺骗用户关于观点的流行程度都有影响。
2022-09-20 cs.CY 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
What Propels Celebrity Follower Counts? Language Use or Social Connectivity
粉丝数量是衡量名人受欢迎程度的一个因素。这反映了他们的权力、声望和整体社会影响力。在本文中，我们调查是否社会连接或语言选择更相关的未来追随者计数的名人。我们收集了471位印度名人的推文、转发和提及数据，这些名人都拥有经过验证的Twitter账户。我们建立了两个新颖的网络来近似名人的社会连接。我们研究了这两个网络的各种结构特性，并观察它们与未来追随者数量的相关性。同时，我们分析了推文的语言结构（LIWC特征，语法和情感特征以及风格和可读性特征），并观察了这些特征与名人未来追随者数量的相关性。作为最后一步，我们使用这些特征将名人分类到未来粉丝数量的特定桶中（高，中或低）。我们观察到，单独的网络特征实现了0.52的准确度，而单独的语言特征实现了0.69的准确度，大大优于网络特征。网络和语言特征相结合产生0.76的准确度。我们还讨论了一些最终的见解，我们从进一步的数据分析中获得的名人与较大的追随者计数后推文，有（i）更多的话从朋友和家人LIWC类别，（ii）更多的积极情绪负载的话，（iii）有更好的语言结构和（iv）更可读。
2018-11-20 cs.SI
Unsupervised detection of coordinated fake-follower campaigns on social media
本文提出一种无监督检测方法，通过识别社交媒体账户粉丝中的异常关注模式来发现协同虚假粉丝活动，并在Twitter数据上验证了其有效性和计算效率。
2023-10-31 cs.CY cs.SI
Spatio-Temporal Analysis of Topic Popularity in Twitter
我们提出了第一个全面的表征的想法在Twitter上的传播，研究超过4000个主题，包括流行和不太流行的主题。在一个包含大约1000万用户的数据集上，我们对这些用户在2009年6月至2009年8月期间发布的所有推文（大约2亿条推文）进行了全面的抓取，我们进行了严格的时间和空间分析，调查了用户讨论每个主题所形成的子图的时间演化特性。我们专注于两个不同的概念的空间：网络拓扑结构形成的追随者，以下的链接在Twitter上，和用户的地理空间位置。我们调查了发起人对主题流行度的影响，发现拥有大量追随者的用户对流行度有很强的影响。我们推断，当讨论主题的用户开始合并并形成一个巨大的组成部分，覆盖网络的很大一部分时，主题就会变得流行。我们的地理空间分析表明，非常受欢迎的主题是那些积极跨越区域边界的主题。
2011-11-15 cs.CY 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
Twitter Users' Behavioral Response to Toxic Replies
在线有毒攻击，如骚扰，拖钓和仇恨言论，与离线暴力的增加和对受害者的负面心理影响有关。在本文中，我们研究了毒性对用户的在线行为的影响。我们收集了79.8k Twitter对话的样本。然后，通过一项为期九周的纵向研究，我们跟踪并比较了作者的行为反应，谁是毒性受害者，与那些谁不是。我们发现，中毒受害者表现出以下行为反应的组合：回避，报复，对策和谈判。我们进行了统计测试，以了解有毒回复对用户行为的贡献的重要性，同时考虑混杂因素，如对话的结构和用户帐户的可见性，可识别性和活动水平。有趣的是，我们发现，与其他随机作者相比，受害者更有可能参与对话，以有毒的方式回复，并取消关注毒性煽动者。即使毒性是针对其他参与者的，根作者也更有可能参与对话并以有毒的方式回复。然而，已验证帐户的受害者不太可能参与对话或通过发布有毒评论进行回应。此外，在含有较大比例的有毒嵌套回复和针对其他用户的有毒回复的对话中，回复更有可能被删除。我们的研究结果可以帮助进一步研究开发更有效的检测和干预方法，以减少社交媒体上的毒性负面影响。
2022-10-24 cs.CY cs.SI
White, Man, and Highly Followed: Gender and Race Inequalities in Twitter
社交媒体被认为是一个民主的空间，人们在其中相互联系和互动，而不管他们的性别，种族或任何其他人口统计因素。尽管许多人努力探索社交媒体中的人口因素，但仍不清楚社交媒体是否会延续线下世界的旧不平等。在本文中，我们试图识别性别和种族的Twitter用户位于美国使用先进的图像处理算法从脸++。然后，我们调查不同的人口群体（即男性/女性，亚洲人/黑人/白人）如何与其他人联系。我们量化了一个群体在多大程度上关注和相互互动，以及这些联系和互动在多大程度上反映了Twitter中的不平等。我们的分析表明，被识别为白人和男性的用户往往在Twitter上获得更高的位置，在追随者数量和用户列表中的次数方面。我们希望我们的努力能够促进在线空间人口统计信息新理论的发展。
2017-06-26 cs.SI
Analyzing Behavioral Changes of Twitter Users After Exposure to Misinformation
近年来，社交媒体平台被用来传播错误信息。广泛的网上错误信息已被证明会影响用户的信仰，并与两极分化等社会影响有关。在这项工作中，我们专注于错误信息对特定用户行为的影响，旨在了解一般Twitter用户在暴露于错误信息后是否改变了他们的行为。我们比较了暴露用户的行为前后，以确定他们发布推文的频率或他们推文的情绪是否发生了任何重大变化。我们的研究结果表明，用户总体上在这些指标中的一些指标上表现出统计上显著的行为变化。通过语言距离分析，我们发现暴露的用户已经不同于基线用户之前的曝光。我们还研究了两个特定的用户组，多次暴露和极端变化组，这是潜在的高度影响的特点。最后，我们研究了用户暴露于错误信息推文后的行为变化是否因其关注者数量或推文作者的关注者数量而异，并发现他们的行为变化都是相似的。
2021-11-01 cs.CY 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
A community role approach to assess social capitalists visibility 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。这些用户对服务来说是不健康的，因为他们要么是垃圾邮件发送者，要么是真正的用户，他们的影响力和可见度都是不好的。因此，研究他们的行为并了解他们在Twitter中的地位具有重要意义。还需要分析这些方法如何有效地影响用户可见性。基于最近提出的方法，允许识别社会资本家，我们解决这两点，通过研究他们是如何组织的，以及他们的链接如何在Twitter的追随者，追随者网络传播。为此，我们考虑他们在网络中的位置。它的社区结构。我们使用社区角色的概念，它描述了它在网络中的位置取决于它在社区级别的连通性。然而，最初定义的拓扑措施来表征这些角色只考虑某些方面的社区相关的连接，并依赖于一组经验固定的阈值。我们首先显示这些措施的局限性，然后扩展和推广它们。此外，我们使用一个无监督的方法来识别的角色，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于社会资本家的情况下，并显示他们是高度可见的Twitter上，由于他们持有的特定角色。
2015-06-15 cs.SI physics.soc-ph
Can A User Anticipate What Her Followers Want?
Max Planck Institute for Software Systems（马克斯·普朗克软件系统研究所）
每当社交媒体用户决定分享一个故事时，她通常很高兴收到喜欢，评论，分享，或者更普遍的是，来自她的追随者的反馈。因此，她可能会感到被迫使用她收到的反馈来（重新）估计她的追随者的偏好，并决定接下来分享哪些故事以获得更多（积极）反馈。在什么条件下，她能成功？在这项工作中，我们首先从理论的角度来研究这个问题，然后提供一套实用的算法来识别和描述社交媒体中的这种行为。更具体地说，我们解决上述问题的顺序决策和效用最大化的观点。对于各种各样的效用函数，我们首先表明，要成功，用户需要积极权衡剥削-分享故事，导致更多的（积极的）反馈-和探索-分享故事，以了解她的追随者的偏好。然而，如果用户除了利用她接收的反馈之外还利用她的追随者提供给其他用户的反馈，则探索是不必要的。然后，我们开发了一个效用估计框架的观察数据，它依赖于统计假设检验，以确定用户是否利用她从她的每个追随者收到的反馈来决定下一步要发布什么。合成数据上的实验说明了我们的理论研究结果，并表明我们的估计框架能够准确地恢复用户的潜在效用函数。在从Twitter和Reddit收集的几个真实数据集上进行的实验表明，在我们的数据集中，高达82%（43%）的Twitter（Reddit）用户确实使用他们收到的反馈来决定下一步发布什么。
2019-09-19 cs.LG cs.SI stat.ML
Followers Are Not Enough: A Question-Oriented Approach to Community Detection in Online Social Networks
在线社交网络中的社区发现通常基于对用户之间的显式连接（诸如Facebook上的“朋友”和Twitter上的“追随者”）的分析。但在线用户通常有数百甚至数千个这样的连接，其中许多连接并不对应于真正的友谊，或者更一般地说，与用户互动的帐户。我们认为，在线社交网络中的社区发现应该是面向问题的，并依赖于网络简单结构之外的额外信息。“社区”的概念非常普遍，不同的问题，如“我们与谁互动？“和“我们与谁有共同利益？“可以发现不同的社会群体。在本文中，我们专注于三种类型的社区结构社区：基于活动，基于主题，基于互动。我们使用三种不同的结构网络权重来分析Twitter数据集，以突出这三种社区类型，然后推断与这些权重相关的社区。我们表明，在三种加权情况下得到的社区是非常不同的，从社区只考虑未加权的结构网络。我们的研究结果证实，提出一个精确的问题是在线社交网络中社区发现不可避免的第一步，不同的问题可以导致对所研究网络的不同见解。
2014-08-19 cs.SI physics.soc-ph
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
Beyond Sentiment: Examining the Role of Moral Foundations in User Engagement with News on Twitter
该研究结合情感分析、MFT、NLP与回归建模，分析美国新闻媒体 Twitter 内容，揭示惊讶、信任和伤害等道德情感特征对用户参与的关键影响。
2025-02-17 cs.SI
TweetIT- Analyzing Topics for Twitter Users to garner Maximum Attention
Twitter是一种微博客服务，是当今最流行的短信交流平台。用户使用Twitter发布他们的内容，表达对信息新闻的关注或对日常对话的看法。当这一表达出现时，不仅对话者，而且全世界的用户分销网络都能体验到。取决于以喜欢的形式的推文的影响，考虑到时间范围的窗口，对于用户来说，转发和追随者的百分比增加，我们计算针对所选择的用户简档的每个推文的注意因子。该因子用于从每个用户简档中选择前1000条推文以形成文档。然后将主题建模应用于该文档，以确定推文背后的用户意图。在主题被建模之后，在包含建模的主题的BBC新闻数据集和被评估的用户文档之间确定相似性。最后，我们确定用户的热门词汇，这将使我们能够找到最近引起关注并发布的主题。该实验使用了来自大约500个Twitter个人资料的110多万条推文，涉及政治，娱乐，体育等以及数百篇BBC新闻文章。结果表明，我们的分析是足够有效的，使我们能够找到的主题，这将作为一个建议，为用户在未来获得更高的人气评级。
2017-11-27 cs.SI
Public Spheres in Twitter- and Blogosphere. Evidence from the US
政治需要一个讨论的场所，而哈贝马斯将其定位于公共领域。最初，大众媒体的作用是促进这些辩论。然而，在自由市场竞争和受众流动的巨大压力下，大众媒体更喜欢情节新闻而不是主题新闻。另一方面，社交媒体被誉为一个新的论坛，是境况不佳的公共领域的转世，以进一步审议政治问题。但是，社交媒体中政党的追随者是否认可主题或情节内容？为了回答这个问题，我看了共和党和民主党Twitter账户最近发布的3,200条推文。通过采用潜在的Dirichlet分配，我提取这些推文和链接的网站的流行主题。广义线性模型被用来描述之间的关系的episodicity，主题和背书计数的职位分析。我发现民主党和共和党追随者的行为形成了鲜明的对比。总的来说，似乎对主题信息有轻微的偏好。有趣的是，距离选举的距离增加了信息被认可的几率。
2014-08-27 cs.SI physics.soc-ph stat.AP
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
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
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
Follow Nudges without Budges: A Field Experiment on Misinformation Followers Didn't Change Follow Networks
本研究通过实地实验探讨数字广告是否能促使虚假信息追随者转向准确信息源，发现基于说服性信息的广告效果显著，但整体成本效益不高。
2025-12-15 cs.SI
