Exploiting Consistency Theory for Modeling Twitter Hashtag Adoption
Twitter是一个微博客服务，已经发展成为一个强大的通信平台，拥有数百万活跃用户，他们每天都会产生大量的微博。为了便于有效分类和方便搜索，用户采用主题标签、关键字或前面带有哈希（#）字符的短语。成功预测Twitter中以热门话题或标签形式出现的信息的传播和传播，可以帮助实时的识别新趋势，从而改善营销工作。社会理论，如一致性理论表明，人们更喜欢和谐或一致的思想。例如，在Twitter中，用户更有可能在最终死亡之前多次采用相同的趋势标签。在本文中，我们提出了一个低秩加权矩阵分解方法来建模趋势标签采用Twitter的一致性理论的基础上。特别是，我们首先将趋势标签采用建模的问题转化为优化问题，然后将一致性理论作为正则化项集成到其中，最后利用广泛使用的矩阵分解来解决优化问题。实证实验表明，我们的方法在预测用户未来是否会使用特定趋势标签方面优于其他基线。
2017-05-30 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
Discovering topics in text datasets by visualizing relevant words
Technische Universität Berlin（柏林工业大学）；Fraunhofer Heinrich Hertz Institute（弗劳恩霍夫海因里希·赫兹研究所）；Korea University（高丽大学）
在处理大量文档时，必须快速获得文本内容的概述。在本文中，我们将展示如何通过使用聚类算法来识别数据集中的主题，然后选择和可视化相关的单词，将一组文档与其他文本区分开来，以总结属于每个主题的文档的内容。我们展示了我们的方法，发现在纽约时报的文章片段集合的热门话题。
2017-07-18 cs.CL
What Twitter Data Tell Us about the Future?
SWPS University of Social Sciences and Humanities（SWPS社会科学与人文大学）；Cardinal Stefan Wyszyński University in Warsaw（华沙红衣主教斯特凡·维辛斯基大学）；University of Warsaw（华沙大学）
本研究通过分析Twitter未来学家超百万推文，利用SOTA模型构建NLP流水线，采用LDA和BERTopic识别主题，揭示了语言线索对用户预期思维的影响。
2023-07-20 cs.CL cs.CY cs.LG
Modeling the Infectiousness of Twitter Hashtags
这项研究应用动态和统计建模技术来量化Twitter上趋势标签的扩散和流行程度。使用反映纽约市和旧金山实际推文的时间序列数据，我们对动态进行了估计（即，感染率和恢复率）的数百个趋势标签，使用流行病建模框架结合贝叶斯马尔可夫链蒙特卡罗（MCMC）方法。这种方法策略是传统上用于模拟传染病传播的技术的延伸。我们证明，在某些模型中，主题标签可以按传染性分组，这可能提供了一种量化主题趋势的方法。
2016-02-29 cs.SI q-bio.PE stat.AP
Investigating Moral Foundations from Web Trending Topics
道德基础理论有助于理解不同文化之间的道德差异。在本文中，我们提出了一个模型来预测道德基础（MF）从社会媒体的热门话题。我们还研究了MF的差异是否会影响情绪特征。我们的研究结果是有希望的，并为未来的研究途径留下了空间。
2021-02-26 cs.SI
Twitter-COMMs: Detecting Climate, COVID, and Military Multimodal Misinformation
University of California Berkeley（加州大学伯克利分校）
检测上下文外的媒体，例如Twitter上的“错误标题”图像，是一个相关的问题，特别是在具有高度公共意义的领域。在这项工作中，我们的目标是为气候变化、COVID-19和军用车辆等主题制定针对此类错误信息的防御措施。我们首先提出了一个大规模的多模态数据集，其中包含与这些主题相关的超过884 k的推文。接下来，我们提出了一种检测方法，基于最先进的CLIP模型，利用自动生成的硬图像-文本不匹配。虽然这种方法在我们自动构建的断章取义的推文上效果很好，但我们的目标是验证它在代表现实世界的数据上的有用性。因此，我们在一组通过模仿野外错误信息而创建的人类生成的伪造品上测试它。我们实现了11%的检测改进，在一个高精度的制度在一个强大的基线。最后，我们分享了关于我们最佳模型设计的见解，并分析了这一新兴威胁的挑战。
2022-05-03 cs.CL cs.CV
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
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
Detection of Trending Topic Communities: Bridging Content Creators and Distributors
Twitter或Facebook上的热门话题的兴起导致了一组当前对该话题感兴趣的用户的暂时出现。考虑到这些用户之间的链接的临时性质，能够动态地识别与该热门话题相关的用户社区将允许信息的快速传播。事实上，社区内的个人用户可能会收到其他用户生成的内容推荐，或者社区作为一个整体可以收到与该热门话题相关的新内容的组推荐。在本文中，我们通过识别连贯的主题相关用户组来应对这一挑战，将生成内容的人（创建者）和传播这些内容的人联系起来，例如，通过转发/重新发布（分销商）。这是一个新的问题，在推荐系统的背景下，组到组的互动。对真实Twitter数据的分析将我们的建议与考虑转发活动的基线方法进行比较，并使用标准指标对其进行验证。结果表明，我们的方法可以有效地识别对某个主题感兴趣的社区，每个社区都包括内容创建者和内容分发者，从而促进用户的互动和新信息的传播。
2017-07-27 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
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
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
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
What is Trending on Wikipedia? Capturing Trends and Language Biases Across Wikipedia Editions
在这项工作中，我们提出了一个自动评估和比较维基百科读者的浏览行为，可以应用于任何语言版本的维基百科。例如，我们在2018年的最后四个月专注于英语，法语和俄语。所提出的方法包括三个步骤。首先，它提取在选定的时间段内最热门的文章。其次，它执行半监督主题提取，第三，它比较不同语言的主题。自动化处理的数据结合了维基百科的超链接图、页面浏览量统计和页面摘要。结果表明，人们对娱乐有着共同的兴趣和好奇心，如电影、音乐、体育，而与他们的语言无关。差异出现在与当地事件或文化特殊性有关的主题中。显示每种语言版本趋势页面集群的交互式可视化可在线访问https://wiki-insights.epfl.ch/wikitrends
2020-02-17 cs.CY 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
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
Artificial Intelligence for Emotion-Semantic Trending and People Emotion Detection During COVID-19 Social Isolation
Nanjing University of Science and Technology（南京理工大学）；Dalhousie University（达尔豪斯大学）
利用社交媒体平台，如Twitter，本文提供了一个有效的框架，情绪检测被隔离的人。早期发现情绪感受及其趋势有助于实施及时的干预策略。鉴于隔离期间对早期情绪变化迹象的医学诊断存在局限性，人工智能模型在发现早期迹象、症状和升级趋势方面提供了有效机制。本文提出的方法的新颖性是文本数据处理的多任务方法框架，其基于Plutchik/Ekman的情感检测和趋势检测方法被实现为用于有意义的情感检测和分析的流水线。我们提出了一个评估的框架和试点系统。结果证实了所提出的框架对COVID-19推文的主题趋势和情感检测的有效性。我们的研究结果显示，呆在家里的限制导致人们在Twitter上表达消极和积极的情感语义。与呆在家里有关的安全问题的语义趋势在28天内迅速下降，与朋友死亡和隔离生活有关的负面情绪在某些日子里增加。这些发现有可能通过监测被隔离者的情绪变化趋势来影响公共卫生政策决策。这里提出的框架有潜力，以协助在这种监测作为一个在线的情绪检测工具包。
2021-01-16 cs.AI cs.IR cs.SI
Mining and Analyzing Twitter trends: Frequency based ranking of descriptive Tweets
微博是当今时代流行新闻、事件和观点的主要来源之一。Twitter是其中之一，被广泛用于挖掘有关公众反应和事件更新的数据。本文旨在提出过滤推文的方法，以获得最准确的描述性推文，传达趋势的内容。它还可能根据相关性对推文进行排名。排名机制背后的原则将是用户使用的自然语言中的假定倾向。单词和相关主题标签的出现频率的映射被用于为从twitter获得的样本空间中的每个tweet创建关于特定趋势的加权分数。
2014-09-05 cs.SI
How Influencers and Multipliers Drive Polarization and Issue Alignment on Twitter/X
该研究基于2021-2023年德国Twitter热门话题数据，发现舆论场呈左右两极分化且政治议题高度对齐，由产出意识形态内容的意见领袖和放大传播的传播放大者共同驱动，为理解网络舆论机制与平台监管提供参考。
2025-05-20 cs.SI
Active Keyword Selection to Track Evolving Topics on Twitter
我们如何在大规模上研究不断发展的主题上的社会互动？在过去的十年中，来自经济学、政治学和公共卫生等不同领域的研究人员经常通过使用精心挑选的主题关键字查询Twitter的公共API端点来搜索或流式传输讨论。然而，尽管API具有可访问性，但仍然难以选择和更新关键字以收集与感兴趣的主题相关的高质量数据。在本文中，我们提出了一个主动学习方法，快速精炼查询关键字，以增加产生的主题相关性和数据集的大小。我们利用一个大型的开源COVID-19 Twitter数据集来说明我们的方法在跟踪围绕疫苗，口罩和锁定的关键子主题的推文中的适用性。我们的实验表明，我们的方法实现了平均主题相关的关键字召回比基线高2倍。我们开源了我们的代码以及用于关键字选择的Web界面，以使研究人员从Twitter收集的数据汇集更加系统化。
2022-09-22 cs.IR cs.SI
Predicting the Topical Stance of Media and Popular Twitter Users
发现媒体和有影响力的人对当前有争议的话题的立场对社会统计学家和政策制定者很重要。存在许多用于确定视点的监督解决方案，但是手动注释训练数据是昂贵的。在本文中，我们提出了一个级联的方法，使用无监督学习，以确定Twitter用户的立场，相对于一个极化的话题，利用他们的转推行为，然后，它使用监督学习基于用户标签的特点，一般的政治倾向的在线媒体和流行的Twitter用户，以及他们的立场相对于目标极化的话题。我们通过将其预测与Media Bias/Fact Check网站的黄金标签进行比较来评估该模型，准确率达到82.6%。
2020-05-21 cs.IR cs.SI
Topical Stance Detection for Twitter: A Two-Phase LSTM Model Using Attention
IBM Research（IBM研究院）；NSIT（Netaji Subhas Institute of Technology）；IIT（印度理工学院）
主题立场检测问题解决了检测文本内容相对于给定主题的立场：给定文本内容的情感是否对给定主题有利（积极），反对（消极）或无（中性）。使用注意力的概念，我们开发了一个两阶段的解决方案。在第一阶段，我们对主观性进行分类--一条给定的推文对于给定的主题是中立的还是主观的。在第二阶段，我们对主观推文的情感进行分类（忽略中性推文）-给定的主观推文是否对主题持赞成或反对的立场。我们为每个阶段提出了一个基于长短期记忆（LSTM）的深度神经网络，并在每个阶段嵌入注意力。在SemEval 2016立场检测Twitter任务数据集上，我们获得了68.84%的最佳情况宏F分数和60.2%的最佳情况准确率，优于现有的基于深度学习的解决方案。我们的框架T-PAN是主题立场检测文献中的第一个，它在两阶段架构中使用了深度学习。
2018-01-09 cs.CL cs.IR cs.SI
Topic Modelling and Event Identification from Twitter Textual Data
University of Ottawa（渥太华大学）；Institute for Big Data Analytics, Dalhousie University（达尔豪斯大学大数据分析研究所）；Institute of Computer Science, Polish Academy of Sciences（波兰科学院计算机科学研究所）；Peacegeeks（和平极客）；iHUB
互联网上社交媒体内容的巨大增长激发了文本分析的发展，以了解和解决现实生活中的问题。利用统计主题建模可以帮助研究人员和从业人员更好地理解文本内容，并为进一步分析提供有用的信息。当我们处理大量动态文本时，统计主题建模变得尤为重要，例如，Facebook或Twitter数据集。在这项研究中，我们总结了四个数据集的Twitter消息在肯尼亚具有挑战性的社会事件的消息内容。我们使用潜在狄利克雷分配（LDA）主题模型来分析内容。我们的研究使用了两个评价指标，归一化互信息（NMI）和主题一致性分析，以选择最好的LDA模型。实验结果表明，该工具可以有效地提取讨论主题并进行归纳，以便于进一步的人工分析
2016-08-08 cs.CL cs.SI
Cultural Convergence: Insights into the behavior of misinformation networks on Twitter
Graphika, Inc.（格拉菲卡公司）
如何随着时间的推移研究网络中思想和社区的诞生和演变？我们使用多模式管道，包括网络映射，主题建模，桥接中心性和分歧，以分析围绕COVID-19大流行的Twitter数据。我们使用网络映射来检测围绕COVID-19创建内容的帐户，然后使用潜在狄利克雷分配来提取主题，并桥接中心性来识别主题和非主题桥梁，然后检查每个主题和桥梁随时间的分布，并应用主题分布的詹森-香农发散来显示主题叙述中正在收敛的社区。
2020-07-07 cs.CL cs.SI physics.soc-ph
Tweet Insights: A Visualization Platform to Extract Temporal Insights from Twitter
Cardiff University（卡迪夫大学）；Snap Inc.（Snap公司）；AMPLYFI（AMPLYFI公司）
本文提出Tweet Insights可视化平台，利用词嵌入和微调模型处理Twitter五年时间序列数据，支持语义变化的时间分析，并发布在线演示、代码及数据。
2023-08-04 cs.CL cs.SI
Investigating Dissemination of Scientific Information on Twitter: A Study of Topic Networks in Opioid Publications
评估科学研究价值的一种方法是衡量它在社交媒体上受到的关注。虽然以前的研究主要集中在社交媒体上科学研究的“提及次数”，但目前的研究应用“主题网络”来衡量公众对Twitter上科学研究的关注。主题网络是学术出版物中共同出现的作者关键字网络和提到这些学术出版物的推文中共同出现的主题标签网络。这项研究调查了阿片类学术出版物中的哪些主题在Twitter上受到了公众的关注。此外，它还调查了所有账户（机器人和非机器人账户）发布的出版物生成的主题网络是否与非机器人账户生成的主题网络不同。我们的分析基于2011年至2019年的一组阿片类药物学术出版物以及与之相关的推文。我们使用共现网络分析来生成主题网络。结果表明，Twitter用户大多使用通用术语来讨论阿片类药物出版物，如“阿片类药物”，“疼痛”，“成瘾”，“治疗”，“镇痛剂”，“滥用”，“过量”和“疾病”。“结果证实，主题网络提供了一种合法的方法来可视化与健康相关的学术出版物的公开讨论，以及Twitter用户如何与科学界不同地讨论与健康相关的科学研究。基于所有帐户和非机器人帐户的推文的主题网络之间存在大量重叠。这个结果表明，可能没有必要排除生成主题网络的机器人帐户，因为它们对结果的影响可以忽略不计。
2021-09-02 cs.DL cs.IR cs.SI
Identifying Topical Twitter Communities via User List Aggregation
社交媒体分析领域的一个特殊挑战是如何在更大的社交互动网络中找到社区。在这里，社区可以是一组微博用户，他们发布关于连贯主题的内容，或者与特定事件或新闻故事相关联。Twitter提供了将用户整理到列表中的能力，对应于有意义的主题或主题。在这里，我们描述了一种众包的方法，许多不同的Twitter用户的列表建设的努力，以确定主题社区。这种方法涉及使用集成社区查找来产生稳定的用户列表分组，并通过扩展来产生单个Twitter用户。我们研究这种方法的背景下，围绕检测社区在Twitter上有关2012年伦敦奥运会的案例研究。
2012-06-29 cs.SI physics.soc-ph
Public discourse and sentiment during the COVID-19 pandemic: using Latent Dirichlet Allocation for topic modeling on Twitter
University of Toronto（多伦多大学）；University of Pittsburgh（匹兹堡大学）；Chinese Academy of Sciences（中国科学院）；University of Chinese Academy of Sciences（中国科学院大学）
该研究旨在了解Twitter用户对COVID-19的话语和心理反应。我们使用机器学习技术分析了从2020年1月23日至3月7日收集的约190万条与冠状病毒相关的推文（用英语撰写）。报告共列出11个重要主题，并将其分为10个主题，包括“确诊病例的最新情况”、“与COVID-19相关的死亡”、“中国以外（全球）的病例”、“韩国COVID-19疫情”、“纽约疫情的早期迹象”、“钻石公主号邮轮”、“经济影响”、”预防措施”、“当局”和“供应链”。“结果并没有显示治疗和症状相关的信息是Twitter上的流行话题。情感分析显示，对冠状病毒未知性质的恐惧在所有话题中占主导地位。最后，本文还讨论了本研究的意义和局限性。
2020-07-08 cs.CL cs.CY cs.SI
Dynamic topic modeling of the COVID-19 Twitter narrative among U.S. governors and cabinet executives
联邦和州一级的决策组合塑造了美国对COVID-19的应对。在本文中，我们通过将动态主题模型应用于美国州长和总统内阁成员的COVID-19相关推文，分析了围绕这一决策的Twitter叙事。我们使用网络霍克斯二项式主题模型来跟踪围绕风险，测试和治疗的子主题。我们还构建了政府官员之间的影响力网络，使用格兰杰因果关系从网络霍克斯过程推断。
2020-04-19 cs.SI physics.soc-ph
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
Using machine learning and information visualisation for discovering latent topics in Twitter news
我们提出了一种方法来发现潜在的主题和可视化的大型集合的推文，易于识别和解释的主题，并在2014年至2019年期间，从哥伦比亚大众媒体巨头的推文使用。潜在主题分析以两种方式进行：训练潜在Dirichlet分配模型，并结合FastText无监督模型将推文表示为向量，并实施K-means聚类将推文分组为主题。使用分类任务，我们发现人们根据不同的新闻主题做出不同的反应。分类任务包括以下内容：给定对新闻推文的回复，我们训练一个监督算法来预测新闻推文的主题。此外，我们还展示了哥伦比亚和平条约如何对哥伦比亚社会产生了深远的影响，因为这是大多数人参与表达意见的主题。
2019-10-21 cs.IR cs.SI
2020 U.S. presidential election in swing states: Gender differences in Twitter conversations
University of South Carolina（南卡罗来纳大学）
在竞选期间，公众通常使用社交媒体来表达他们对不同问题的意见。在各种社交媒体渠道中，Twitter为研究人员和政治家提供了一个有效的平台，以探讨有关经济和外交政策等广泛主题的民意。目前的文献主要集中在分析推文的内容，没有考虑用户的性别。这项研究收集和分析了大量的推文，并使用计算，人类编码和统计分析来识别2020年美国总统大选期间发布的30多万条推文中的主题，并比较女性和男性用户讨论主题的平均权重。我们的调查结果基于广泛的主题，如税收、气候变化和COVID-19疫情。在话题中，超过70%的话题在女性和男性用户之间存在显著差异。
2022-07-14 cs.CL cs.SI
Covid-19 Discourse on Twitter: How the Topics, Sentiments, Subjectivity, and Figurative Frames Changed Over Time
University College Dublin（都柏林大学学院）
我们在社交媒体上谈论当前流行病危机时使用的词汇，可以让我们了解我们是如何对这一流行病进行概念化的，以及我们是如何对其发展作出反应的。本文提供了一个广泛的探索性分析，以了解Twitter上关于新冠肺炎的话语是如何随着时间的推移而变化的，重点是这场大流行的第一波。基于广泛的推文语料库（产生于2020年3月20日至7月1日之间），我们首先使用主题建模展示了与疫情发展相关的主题如何随时间变化。其次，我们展示了在推文中使用的语言的情感极性如何从第一次锁定期间相对积极的效价变化到与重新开放相对应的更消极的效价。第三，我们展示了推文的平均主观性是如何线性增加的，第四，当真正的骚乱和打斗进入话语时，WAR的流行和常用的比喻框架是如何变化的。
2021-03-16 cs.CL cs.SI
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
Topical differences between Chinese language Twitter and Sina Weibo
Northeastern University（东北大学）；Center for Data Science（数据科学中心）；New York University（纽约大学）
新浪微博是中国最受欢迎的微博平台，目前有超过$500M$用户使用，被认为是中国社交生活的代理。在这项研究中，我们对比了新浪微博和中文Twitter上的讨论，以观察中国文化的两种不同分支：中国境内使用新浪微博的人受到政府的限制，而境外的人可以完全匿名地自由发言。首先，我们提出了一个简单的ad-hoc算法来识别Tweets和微博的主题。与以往的微消息主题检测不同，本文的算法考虑的是内容相同但标签不同的主题。我们的算法也可以检测主题的推文和微博没有任何\#标签。使用一个大型的微博和中文推文语料库，涵盖从1月$1$到12月$31$，$2012$，我们获得了一个主题列表，使用聚类的标签，然后我们可以使用它们来比较两个平台。令人惊讶的是，我们发现在最受欢迎的$100$主题中没有共同的条目。此外，只有$9.2\%$的推文与新浪微博平台上的热门$1000$话题相对应，相反，只有$4.4\%$的微博被发现讨论最热门的Twitter话题。我们的研究结果显示，两个平台上的社会关注度存在显着差异，新浪微博上最受欢迎的话题与娱乐有关，而大多数推文与新浪微博中几乎不存在的文化或政治内容相对应。
2015-12-22 cs.CL cs.SI physics.soc-ph
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
What are People Talking about in #BlackLivesMatter and #StopAsianHate? Exploring and Categorizing Twitter Topics Emerging in Online Social Movements through the Latent Dirichlet Allocation Model
Duke Kunshan University（杜克-昆山大学）；Data Science Research Center（数据科学研究中心）；Social Science Division Duke Kunshan University（社会科学系杜克-昆山大学）
本研究采用潜在狄利克雷分配模型和开放式编码的混合方法，分析超过一百万条BLM和SAH推文，发现社会正义、社会运动和情感情绪是共同话题，但各有独特子话题，为社交媒体社会运动主题分析做出贡献。
2022-09-19 cs.CL cs.CY cs.IR
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
Timeline Generation: Tracking individuals on Twitter
在本文中，我们提出了一个无监督的框架来重建一个人的生活史，创建一个按时间顺序排列的列表{ \it个人重要事件}（PIE）的个人的基础上，他们发布的推文。通过分析个人tweet集合，我们发现适合包含在个人时间轴中的应该是谈论个人（而不是公共）和特定时间（而不是一般时间）主题的tweet。为了进一步提取这些类型的主题，我们引入了一个非参数的多层次狄利克雷过程模型来识别四种类型的推文：个人时间特定的（PersonTS），个人时间一般（PersonTG），公共时间特定的（PublicTS）和公共时间一般（PublicTG）的主题，这反过来，用于进一步的个人事件提取和时间轴生成。据我们所知，这是第一个专注于从twitter数据中为个人生成时间轴的工作。为了进行评估，我们基于Twitter和Wikipedia构建了一个新的黄金标准时间表，其中包含来自20个{ \it普通Twitter用户}和20个{ \it名人}的PIE相关事件。真实Twitter数据上的实验定量地证明了我们的方法的有效性。
2014-02-07 cs.IR 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
Polarized User and Topic Tracking in Twitter
微博平台和OSN中对话的数字痕迹提供了关于用户意见的高分辨率信息。这些信息源可以用来理解和监控集体行为.在这项工作中，我们专注于极化类，即，那些要求用户只站在一个立场上的话题。所提出的方法提供了一个迭代的用户和关键字分类：首先，极化用户被识别，然后极化的关键字被发现，通过监视先前分类的用户的活动。因此，这种方法允许随着时间的推移跟踪用户和主题。我们报告了在政治选举时间框架内对两个Twitter数据集进行的几个实验。我们衡量用户的黄金用户集的用户分类精度，并分析正在进行的政治讨论的相关性提取的关键字。
2016-10-27 cs.SI
Analyzing Self-Driving Cars on Twitter
COMSATS Institute of Information Technology（COMSATS信息技术研究所）；International Islamic University（国际伊斯兰大学）
本文研究了用户对一个有争议的产品，即自动驾驶汽车的看法。为了找到人们对这项新技术的看法，我们使用了一个带注释的Twitter数据集，并使用一种称为主题建模的无监督概率模型提取了积极和消极推文中的主题。我们后来使用主题，以及语言学家和Twitter的特定功能来分类推文的情绪。关于意见，我们的分析结果表明，人们对未来技术感到乐观和兴奋，但同时他们认为它危险且不可靠。对于分类任务，我们发现Twitter的特定功能，如主题标签以及语言特征，如在分类推文的情感的顶级属性中的缩略词。
2018-04-05 cs.CL cs.LG cs.SI
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
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
Event detection in Colombian security Twitter news using fine-grained latent topic analysis
Universidad Nacional de Colombia（哥伦比亚国立大学）
文化和社会动态是重要的概念，必须加以理解，以便掌握社区关心的问题。为此，新闻是一个很好的社区信息来源，特别是近年来，大众媒体巨头使用社交网络与受众沟通和互动。在这项工作中，我们使用的方法来发现潜在的主题，从哥伦比亚的Twitter新闻帐户，以确定该国最突出的事件。我们特别关注与安全、暴力和犯罪有关的推文，因为哥伦比亚社会周围存在暴力环境。我们使用的潜在主题发现方法通过使用FastText构建推文的向量表示，并通过K-means聚类算法发现推文的聚类。通过测量潜在狄利克雷分配（LDA）模型的一系列主题的$C_V$相干性来找到聚类的数量。最后，我们使用均匀流形近似和投影（UMAP）降维可视化的推文向量。一旦确定了与安全、暴力和犯罪相关的聚类，我们将在每个聚类中应用相同的方法来执行细粒度分析，其中将新闻中提到的特定事件分组在一起。我们的方法能够发现特定于事件的新闻集，这是对人们如何参与不同类型新闻的Twitter线程进行广泛分析的基准，重点是安全，暴力和犯罪相关的推文。
2019-11-19 cs.CL cs.SI
Leveraging Natural Language Processing to Mine Issues on Twitter During the COVID-19 Pandemic
Wright State University（莱特州立大学）
最近全球爆发的冠状病毒病（COVID-19）已蔓延至全球各个角落。国际旅行禁令、恐慌性购买和自我隔离的需要是这个新时代带来的许多其他社会挑战之一。Twitter平台已被用于各种公共卫生研究，以确定当地和全球范围内对事件的公众意见。为了了解公众对大流行病的关注和反应，需要一个能够利用机器学习技术过滤掉不相关的推文并识别Twitter等社交媒体平台上讨论的重要话题的系统。在这项研究中，我们构建了一个系统来识别2020年1月1日至2020年4月30日期间与COVID-19大流行相关的推文，并探索了主题建模，以识别我们数据集中在此期间讨论最多的主题和主题。此外，我们还分析了与此次大流行期间发生的事件相关的主题的时间变化。我们发现八个主题足以识别我们语料库中的主题。这些主题描绘了一个时间趋势。主要议题随时间而变化，并与COVID-19疫情相关事件一致。
2020-11-03 cs.IR cs.LG cs.SI
Pinterest Board Recommendation for Twitter Users
Pinterest上的Pinboard是一种吸引在线社交媒体用户的新兴媒体，用户可以在其上发布特定主题的在线图像。不管它的重要性，很少有以前的工作，特别是促进信息发现的基础上插接板。本文提出了一种新的pinboard推荐系统的Twitter用户。为了将两个社交媒体平台的内容相关联，我们建议使用MultiLabel分类将Twitter用户followees映射到pinboard主题和视觉多样化，以推荐用户感兴趣的主题。在一个包含2000个用户的数据集上进行的初步实验验证了我们提出的系统。
2015-09-01 cs.MM cs.SI
Analyzing users' sentiment towards popular consumer industries and brands on Twitter
Lithium Technologies | Klout
社交媒体是一个统一的平台，让用户表达他们对从日常生活到消费品牌和产品的看法等主题的想法。这些用户在塑造其他消费者的意见方面发挥着巨大的影响力，并影响品牌认知，品牌忠诚度和品牌宣传。在本文中，我们分析了1900万Twitter用户对62个热门行业的意见，包括12,898个企业和消费者品牌，以及相关的主题，通过情感分析的3.3亿推文在一个月的时间跨度。我们发现用户往往对制造业最为积极，而对服务业最为消极。此外，他们在与品牌互动时往往比在Twitter上更积极或消极。我们还发现，一个行业内对品牌的看法差异很大，我们使用两个行业作为用例来证明这一点。此外，我们发现，不同行业的主题情绪之间没有很强的相关性，表明主题情绪高度依赖于他们所提到的行业的背景。我们展示了这种分析的价值，以评估品牌对社交媒体的影响。我们希望这项初步研究将证明对研究人员和公司都有价值，有助于了解用户对行业，品牌和相关主题的看法，并鼓励在这一领域进行更多的研究。
2017-09-21 cs.CL cs.IR cs.SI
A dynamical measure of algorithmically infused visibility
针对算法注入社会中的社交媒体可见性问题，提出结合主题排名停留时间与所达排名、并由区分水平参数调节权重的动态测度，实验表明其可有效解释主题累计浏览量变异。
2024-12-06 cs.CY cs.SI stat.AP
Automated Analysis of Topic-Actor Networks on Twitter: New approach to the analysis of socio-semantic networks
社交媒体数据为自动分析大量文本文档提供了越来越多的机会。到目前为止，已经开发了自动化工具来解释辩论参与者之间的社交网络，或者分析这些辩论的内容。较少注意映射共同发生的演员（参与者）和主题（内容）在网上辩论，形成社会语义网络。我们提出了一个新的，自动化的方法，使用一个整体矩阵的方法共同解决的主题和演员。我们通过分析2012年6月里约+20会议上的大量英语Twitter消息（72，077条推文）以及2015-2017年与家禽养殖有关的荷兰语Twitter消息（2，139条推文）的较小数据集来展示新方法的优势。我们讨论了我们的方法的理论，方法和实质性的影响，也为其他社交媒体数据的分析。
2017-11-22 cs.CY cs.DL 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
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
MIDMod-OSN: A Microscopic-level Information Diffusion Model for Online Social Networks
由于在线社交网络继续被普遍用于向公众传播信息，了解支配信息扩散的现象对于许多与安保和安全相关的应用至关重要，例如在危机和自然灾害期间最大限度地传播信息和遏制错误信息。在这项研究中，我们假设的功能，有助于在网上社交网络的信息扩散的显着影响所研究的事件类型。我们将Twitter事件分类为信息或趋势，然后探索与信息传播相关的节点到节点的影响力动态。我们建立了一个基于贝叶斯逻辑回归的学习和预测模型和随机森林的特征选择。真实世界数据集的实验结果表明，该模型优于最先进的扩散预测模型，在信息事件中达到93%的准确率，在趋势事件中达到86%。我们观察到，信息和趋势事件的模型显着不同，无论是在扩散过程中，并在用户的功能，管理扩散。我们的研究结果表明，追随者在扩散过程中起着重要的作用，它是可能的，而不必计算反应的数量，使用用户的扩散和OSN行为预测的趋势字符的消息。
2020-03-04 cs.SI physics.soc-ph
