Enriching GNNs with Text Contextual Representations for Detecting Disinformation Campaigns on Social Media
Universidade de São Paulo（圣保罗大学）；Institut Polytechnique de Paris（巴黎综合理工学院）
本文将Transformer文本上下文表示融入GNN进行假新闻检测，Macro F1相对提升最高达33.8%，并公开代码。
2024-11-23 cs.AI cs.CL cs.LG
Disinformation and Social Bot Operations in the Run Up to the 2017 French Presidential Election
研究人员、记者和联邦调查人员最近的报告得出了一个一致的结论：社交媒体被系统地利用来操纵和改变公众舆论。一些虚假信息活动是通过机器人来协调的，这些机器人是由计算机脚本控制的社交媒体账户，试图将自己伪装成合法的人类用户。在这项研究中，我们描述了2017年法国总统大选前发生的一次这样的行动。我们收集了2017年4月27日至5月7日（选举日）期间近1700万条帖子的大规模Twitter数据集。然后，我们开始研究MacronLeaks的虚假信息活动：通过利用机器学习和认知行为建模技术的混合，我们将人类与机器人分开，然后研究两组独立进行的活动，以及它们的相互作用。我们提供了机器人和与他们互动的用户的特征，并反对那些没有互动的用户。虚假信息采纳者的优先利益指出了这场运动很少成功的原因：与MacronLeaks接触的用户大多是对另类右翼话题和替代新闻媒体感兴趣的外国人，而不是具有不同政治观点的法国用户。总之，异常的账户使用模式表明，可能存在一个可重复使用的政治虚假信息机器人黑市。
2017-07-01 cs.HC cs.SI physics.soc-ph
A Simulated Cyberattack on Twitter: Assessing Partisan Vulnerability to Spear Phishing and Disinformation ahead of the 2018 U.S. Midterm Elections
国家支持的“不良行为者”越来越多地将社交媒体平台武器化，以便在选举期间发动网络攻击和虚假信息活动。社交媒体公司，由于其快速增长和规模，努力防止其平台的武器化。这项研究在2018年美国中期选举之前在Twitter上进行了自动鱼叉式网络钓鱼和虚假信息活动。一个假新闻机器人帐户-@DCNewsReport-被创建并编程为自动向138名Twitter用户发送带有“突发新闻”链接的定制推文，然后被Twitter限制。总体而言，五分之一的用户点击了该链接，这可能导致下载勒索软件或窃取私人信息。然而，这个实验中的链接是非恶意的，并将用户重定向到Google表单调查。在预测用户点击Twitter上链接的可能性时，右翼和左翼党派之间，或者网络用户和移动用户之间没有统计学上的显著差异。调查结果表明，在Twitter上表达政治意愿的美国人，无论他们的政党偏好或他们用来访问该平台的设备如何，都有可能在社交媒体上被鱼叉式网络钓鱼。
2020-10-28 cs.SI
The Alt-Right and Global Information Warfare
University of Arizona（亚利桑那大学）；Portland State University（波特兰州立大学）；Center for a Stateless Society（无国家社会中心）
另类右翼是一个新法西斯主义白人至上主义运动，参与暴力极端主义，并显示出参与广泛的虚假宣传活动的迹象。利用社交媒体数据采掘，这项研究对这种有针对性的虚假信息活动及其传播方式有了更深入的了解。它还增加了关于美国极右翼内部内源性和外源性影响的现有文献，以及推动虚假信息运动的激励因素，如地缘政治战略。这项研究是作为一个初步的分析，以表明未来的方法和后续的研究，这将有助于开发一个综合的方法来理解现代法西斯运动的战略和协会。
2019-05-07 cs.CL cs.SI
Toward interoperable representation and sharing of disinformation incidents in cyber threat intelligence
本文提出开源虚假信息威胁情报框架，结合DISARM建模、STIX2映射及DISINFOX交换架构，实现虚假信息事件的可互操作共享，并验证于100多个真实事件。
2025-02-28 cs.CR cs.ET cs.SI
Automatic Detection of Influential Actors in Disinformation Networks
MIT Lincoln Laboratory（麻省理工学院林肯实验室）；Fox School of Business, Temple University（天普大学福克斯商学院）；Yau Mathematical Sciences Center, Tsinghua University（清华大学丘成桐数学科学中心）；Department of Statistics, Harvard University（哈佛大学统计系）
数字通信和社交媒体的武器化，以巨大的规模，速度和范围开展虚假信息活动，为识别和打击敌对影响行动（IO）提出了新的挑战。本文提出了一个端到端的框架，以自动检测虚假信息的叙述，网络和有影响力的演员。该框架集成了自然语言处理、机器学习、图形分析和一种新颖的网络因果推理方法，以量化单个参与者在传播IO叙事中的影响。我们展示了其在真实世界的敌对IO活动中的能力，这些活动包括在2017年法国总统选举期间收集的Twitter数据集，以及Twitter在广泛的IO活动（2007年5月至2020年2月）中披露的已知IO帐户，超过50，000个帐户，17个国家和不同的帐户类型，包括巨魔和机器人。我们的系统以96%的准确率，79%的召回率和96%的PR曲线下面积检测IO帐户，绘制出突出的网络社区，并发现高影响力帐户，这些帐户根据活动计数和网络中心性逃脱了传统影响力统计的镜头。结果得到了来自美国国会报告，调查性新闻和Twitter提供的IO数据集的已知IO帐户的独立来源的证实。
2021-01-07 cs.LG cs.SI stat.AP
Using the SP!CE Framework to Code Influence Campaign Activity on Social Media: Case Study on the 2022 Brazilian Presidential Election
本文以 2022 年巴西总统选举第二轮为案例，展示如何用 SP!CE 框架编码社交媒体影响活动，并发布帖子编码与截图。
2023-12-06 cs.SI physics.soc-ph
Resistance of communities against disinformation
虚假信息的传播被认为是对社会的巨大威胁，最近受到了前所未有的关注。在本文中，我们提出了一个基于代理的模型来模拟人口中的阴谋传播。该模型能够比较不同网络结构对共谋者活动的抵抗力。结果表明，网络结构的连通性和共谋者的中心性是防止共谋蔓延的关键。
2020-03-29 cs.SI
A Unified Graph-Based Approach to Disinformation Detection using Contextual and Semantic Relations
最近的事件表明，通过社交网络传播的虚假信息可能产生可怕的政治、经济和社会后果。检测虚假信息必须不可避免地依赖于网络的结构，用户的特殊性和事件发生的模式。我们提出了一个图数据结构，我们表示为一个元图，它结合了底层用户的关系事件信息，以及语义和主题建模。我们详细介绍了使用覆盖2016年美国大选的Twitter数据构建的示例元图，然后将使用众所周知的图神经网络算法的级联级虚假信息检测与应用于元图节点的相同算法进行比较。比较结果表明，在所有考虑的算法中，与基本级联分类相比，使用元图时的准确性提高了3%-4%，并且在考虑主题建模和情感分析时进一步提高了1%。我们在另外两个数据集上进行了相同的实验，HealthRelease和HealthStory，FakeHealth数据集存储库的一部分，结果一致。最后，我们讨论了我们的方法的进一步优势，例如使用外部数据源增强图结构的能力，多个元图可以组合的容易程度，以及我们的方法与其他基于图的虚假信息检测框架的比较。
2021-09-24 cs.SI
Determining Individual Origin Similarity (DInOS): Binary Classification of Authors Using Stylometric Features
作者相似性和检测是以自动化方式检测国家主导的虚假信息活动的第一步。当前的检测技术需要分析师或主题专家来手工策划账户。文体特征在识别未知文档的作者身份方面有着丰富的历史，但很少有探索将作者彼此进行比较。我们选择了一些风格特征用于作者相似性度量，并在传统的机器学习和深度学习模型中显示了它们在策划的作者分类任务上>0.96 F-1的性能。这些特征应该有助于扩大作者相似性研究的领域，并加快检测和减轻大规模社交媒体虚假信息活动的过程。
2019-12-08 cs.SI
Characterizing networks of propaganda on Twitter: a case study
社交媒体用户每天都接触到宣传和虚假信息活动，这再次激发了调查社交媒体上不同（错误）信息内容的本地和全球传播模式的必要性。回音室和影响者通常被认为对在线社交网络用户的两极分化以及宣传和虚假信息活动的成功负有责任。本文采用数据驱动的方法来调查Twitter上的社区和宣传网络的结构，以评估这些指责的正确性。特别是，这项工作旨在通过结合三种不同分类方法获得的信息来表征从Twitter数据集中提取的宣传网络，分别侧重于（i）使用推文内容来推断用户围绕特定主题的“极化”，（ii）识别在不同宣传和虚假信息项目的传播中发挥积极作用的用户，以及（iii）分析社会联系以识别拓扑簇和在网络中扮演“中心”角色的用户。这项工作确定了高度党派社区结构沿政治联盟，此外，中心性指标被证明是非常翔实的检测最活跃的用户在网络中，并区分用户扮演不同的角色，最后，极化和聚类结构的转推图提供了有用的见解用户曝光，互动和参与不同的宣传项目的相关属性。
2020-09-23 cs.SI
Swinging in the States: Does disinformation on Twitter mirror the US presidential election system?
十多年来，学者们一直在研究社交媒体上与社会事件相关的虚假信息流，例如，选举在本文中，我们分析了与美国2020年大选前辩论相关的Twitter流量，并询问它是否反映了选举制度。美国的选举制度规定，无论实际的选票差距如何，在一个州获得更多选票的总理候选人都会“拿下”那个州。对这一制度的批评指出，竞选活动可能会在特别关键的州更加激烈，以取得胜利，所谓的{ \it摇摆州}。我们的直觉是，当选举辩论与摇摆州联系在一起时，它可能会在Twitter上引起更多的流量，而且可能会受到更多错误信息的困扰。结果基本上证实了直觉。大约88%的流量可以与摇摆状态相关联，并且在摇摆相关流量中，与安全相关流量中相同类型的新闻相比，不可信新闻的链接被共享得更多。相反，考虑到流量来源，由自动账户（所谓的社交机器人）生成的不可信推文大多与摇摆州有关。我们的工作揭示了选举系统在在线辩论的演变中所扮演的角色，在聚光灯下，虚假信息和社交机器人。
2023-03-22 cs.SI
Network-informed Prompt Engineering against Organized Astroturf Campaigns under Extreme Class Imbalance
University of Southern California（美国南加州大学）；Cisco AI Research（思科人工智能研究）
本文提出基于大型语言模型的Balanced RAG框架，通过提示工程和平衡检索增强生成技术，在极端类别不平衡下有效识别协调虚假信息活动。
2025-02-18 cs.AI cs.CL cs.SI
Disinformation Warfare: Understanding State-Sponsored Trolls on Twitter and Their Influence on the Web
在过去的几年里，已经出现了一些轶事证据，将国家支持的行动者的协调运动与操纵网络舆论的努力联系起来，通常是围绕重大政治事件，通过专门的账户或“巨魔”。“虽然他们经常参与在社交媒体上传播虚假信息，但人们对这些巨魔如何运作、他们传播什么类型的内容以及最重要的是他们对信息生态系统的影响知之甚少。在本文中，我们通过分析1000名Twitter用户发布的27000条推文来阐明这些问题，这些推文被确定为与俄罗斯互联网研究机构有联系，因此可能是国家支持的巨魔。我们将他们的行为与随机的Twitter用户进行比较，发现他们传播的内容，他们的帐户的演变以及他们的一般行为和Twitter的使用方面存在有趣的差异。然后，使用霍克斯过程，我们量化了巨魔对Twitter，Reddit和4chan等社交平台上新闻传播的影响。总的来说，我们的研究结果表明，俄罗斯巨魔设法保持长期活跃，并通过他们的推文接触到大量Twitter用户。然而，当观察他们传播新闻内容并使其病毒化的能力时，我们发现他们对社交平台的影响很小，除了俄罗斯国家赞助的新闻媒体RT（今日俄罗斯）发布的新闻。
2019-03-04 cs.SI
Negative Effects of Incentivised Viral Campaigns for Activity in Social Networks
病毒式营销是社交社区口碑营销的重要方法。这些运动的目的是鼓励人们积极活动。本文研究了激励和非激励活动的问题。基于在真实社交网站中收集的数据，对这两种方法进行了比较。实验结果显示，一个高动机的活动不一定提供更好的结果，由于重叠效应。其他研究表明，可以根据其服务概况预测活动中单个社区成员的行为，但分类准确性可能有限。
2013-03-10 cs.SI physics.soc-ph
Coordinating Narratives and the Capitol Riots on Parler
Carnegie Mellon University（卡内基梅隆大学）
协调一致的虚假宣传活动被用来影响社交媒体用户，可能导致线下暴力。在这项研究中，我们引入了一个通用的方法来发现协调的消息通过分析用户parleys上的Parler。所提出的方法构建了一个用户到用户的协调网络图诱导的用户到文本图和文本到文本的相似性图。基于Parler帖子的文本相似性构建文本到文本图。我们研究了2020年1月6日国会大厦骚乱中的三个有影响力的用户群体，并检测了协调的用户集群网络，这些用户集群都发布了类似的文本内容，以支持与美国2020年大选相关的不同虚假信息。
2021-09-02 cs.CL cs.SI
Does Campaigning on Social Media Make a Difference? Evidence from candidate use of Twitter during the 2015 and 2017 UK Elections
社交媒体现在是世界各地政治运动的常规组成部分。然而，到目前为止，对竞选活动对社交平台影响的研究仅限于一个选举期间的横截面数据集，这些数据集容易受到未观察到的变量偏差的影响。因此，关于政治社交媒体活动有效性的经验证据很薄弱。我们通过分析2015年和2017年英国选举中政治Twitter活动的新面板数据集来解决这一问题。我们发现，基于Twitter的竞选活动似乎有助于赢得选票，这一发现是一致的，在各种不同的模型规格，包括第一差异回归。Twitter使用的影响在绝对值上很小，尽管与竞选支出的影响相当。我们的数据还支持这样一种观点，即效果是通过其他沟通渠道介导的，因此挑战了互动方式的相关性。
2018-07-27 cs.SI
Down the bot hole: actionable insights from a 1-year analysis of bots activity on Twitter
如今，社交媒体代表了说服工具，这些工具已逐渐被武器化，以影响人们的信仰，传播操纵性的叙述，并沿着不同的派别播下冲突。软件控制的账户（即，机器人）是与操纵运动相关的主要参与者之一，特别是在政治背景下。揭示机器人活动背后的策略对于检测和遏制此类活动至关重要。在本文中，我们对2018年美国中期选举前Twitter上的机器人活动进行了长期（一年）分析。我们根据账户的性质（机器人与人类）和在线讨论中的参与程度确定了不同类别的账户，我们观察到，过度活跃的机器人在传播阴谋叙事方面发挥了关键作用，同时自选举前一年以来一直主导着政治辩论。在即将到来的美国2020年总统大选的背景下，我们的分析揭示了人类对机器人易感性的惊人发现，以及有助于遏制协调运动的可操作见解。
2020-10-29 cs.SI
Early Detection of Promoted Campaigns on Social Media
社交媒体每天都让数百万用户接触到信息活动-有些是从基层活动中有机地出现的，有些是通过广告或其他协调努力来维持的。这些运动有助于形成集体意见。虽然大多数信息运动是良性的，但有些可能被用于邪恶目的。因此，在一个模因变得非常流行的时候，能够发现它是否被人为地推广是很重要的。这个问题具有重要的社会影响，并带来许多技术挑战。作为第一步，在这里，我们专注于区分有机或通过广告推广的趋势模因。这种分类并不是微不足道的：广告引起的注意很容易被误认为是有机趋势。我们设计了一个机器学习框架来对Twitter上被标记为热门的模因进行分类。在热门之后，我们可以依靠大量的活动数据。早期检测，立即发生在趋势的时间，是一个更具挑战性的问题，由于活动数据的最小量，可在trending.Our监督学习框架利用数百个随时间变化的功能，以捕捉不断变化的网络和扩散模式，内容和情感信息，定时信号，和用户元数据之前。我们探索不同的方法来编码特征时间序列。使用数百万条包含趋势标签的推文，我们实现了75%的早期检测AUC分数，在趋势之后增加到95%以上。我们通过在趋势时间序列上引入随机时间移位来评估算法的鲁棒性。特征选择分析表明，内容线索提供一致的有用信号;用户特征对于早期检测来说信息更多，而网络和定时特征在更多数据可用时更有帮助。
2017-03-22 cs.SI
Setting the clock: Evaluating temporal window parameters for coordinated behavior detection
Uppsala University（乌普萨拉大学）；University of Pisa（比萨大学）；IIT-CNR（意大利国家研究委员会意大利理工学院）
本文分析时间窗口长度和步长对协调行为检测的影响，发现窗口长度决定可检测模式，步长影响甚微，并指出参数选择是方法论挑战。
2026-09-21 cs.SI
Coordinated Information Campaigns on Social Media: A Multifaceted Framework for Detection and Analysis
本文提出一个融合内容、时间和网络特征的多维框架，用于检测社交媒体协同信息运动，并在IRA和Data Science相关Twitter数据集上验证其识别异常账户和异常交互的有效性。
2023-09-22 cs.SI
Unmasking the Web of Deceit: Uncovering Coordinated Activity to Expose Information Operations on Twitter
针对Twitter上国家支持的信息行动驱动者检测问题，提出基于节点剪枝的框架与利用融合相似性网络向量表示的监督模型，准确率超0.95，可全球分类并预测时间参与模式，助力打击社交平台欺骗性影响力运动。
2023-10-15 cs.SI
How Diverse Users and Activities Trigger Connective Action via Social Media: Lessons from the Twitter Hashtag Campaign #ILookLikeAnEngineer
我们提出了一项研究，探讨如何社会媒体活动，旨在提高性别多样性的工程获得并保持在其早期的势头。我们检查了#ILookLikeAnEngineer活动前75天发布的50，000多条推文，发现不同类型的用户参与增加了关键时刻的活动。我们将这些触发器分为四种类型：1）事件驱动：活动与与问题相关的离线事件（多样性SFO，中断等）的一致性; 2)媒体驱动：媒体对事件的新闻报道（TechCrunch、CNN、BBC等）; 3)行业驱动：大型组织（微软、特斯拉、通用电气、思科等）通过网络参与这一运动;和4）个性驱动：事件与流行和/或已知的个性（例如Isis Anchalee; Michelle Sun; Ada Lovelace）对齐。这项研究说明了一种机制-触发-支持社会媒体活动中的连接行动。
2018-04-24 cs.SI
The Footprint of Campaign Strategies in Farsi Twitter: A case for 2021 Iranian presidential election
社交媒体的兴起伴随着新型冠状病毒疫情，促使伊朗总统竞选的模式从现实世界转向社交媒体。与以往的总统选举不同，这次选举的实体活动和候选人广告有所减少，而总统候选人的网上出现则大大增加。波斯语推特在这件事上扮演了一个特定的角色，因为它成为了创建政治内容的平台。在这项研究中，我们发现了波斯语Twitter的组织活动的痕迹。我们的调查显示，2021年选举的讨论网络是异质性和高度两极化的。然而，与其他选举不同的是，候选人的支持者非常接近，支持抵制选举的“反选民”处于讨论的另一端。此外，在所有相关社区中最有影响力的用户中观察到机器人活动的高度存在。
2021-10-04 cs.SI
I call BS: Fraud Detection in Crowdfunding Campaigns
University College London（伦敦大学学院）；London School of Economics（伦敦政治经济学院）；Telefonica Research（西班牙电信研究院）
在过去的几年里，对慈善众筹环境的捐赠一直在增加。不出所料，此类平台中的欺骗和欺诈行为也有所增加，但尚未进行彻底研究，以了解哪些特征可以暴露此类行为并允许其自动检测和阻止。事实上，众筹平台是唯一一个通常对每项服务中发起的活动进行监督的平台。然而，他们没有得到适当的激励，以打击用户中的欺诈行为和他们发起的活动：一方面，平台的收入与执行的交易数量成正比（因为平台对每笔捐款收取固定金额）;另一方面，如果平台在欺诈行为方面是透明的，它可能会阻止潜在的捐助者参与。在本文中，我们迈出了研究众筹活动中欺诈行为的第一步。我们分析了从不同众筹平台收集的数据，并将700个活动标注为欺诈或非欺诈。我们计算各种基于文本和图像的特征，并研究它们的分布以及它们如何与竞选欺诈相关联。使用这些属性，我们构建了机器学习分类器，并表明仅使用发布时活动描述中可用的特征（即，没有用户或货币活动），使得我们的方法适用于用户浏览器上的实时操作。
2020-06-30 cs.CR cs.CY cs.LG
Characterizing and modeling an electoral campaign in the context of Twitter: 2011 Spanish Presidential Election as a case study
以尽可能有效的方式传递信息一直是政治家在选举过程中的主要关切之一。由于用户数量迅速增长，在线社交网络已成为政治家与潜在选民互动的理想平台。利用这些工具的现有潜力，最大限度地发挥其对选民的影响力，是政治家面临的实际挑战之一。为了朝着这个方向迈进，我们分析了2011年西班牙总统选举过程中在线社交网络Twitter的用户活动，发现这种活动与选举结果相关。我们引入了一个新的措施来研究Twitter中的政治支持，我们称之为相对支持。我们还通过分析从提及和转发网络中涌现的复杂网络的结构和动力模式来表征用户行为。我们的研究结果表明，集体注意力是由一小部分用户驱动的。此外，我们分析了政治家之间发生的互动，观察到缺乏辩论。最后，我们开发了一个网络增长模型来再现政治家之间发生的互动。
2013-09-19 cs.CY cs.SI physics.soc-ph
Identifying Discriminating Network Motifs in YouTube Spam
与其他社交媒体网站一样，YouTube也无法免受垃圾邮件发送者的关注。特别是，可以找到试图将用户吸引到恶意第三方网站的证据。由于这种类型的垃圾邮件通常与精心策划的活动相关联，因此它具有可识别的网络签名，该签名基于从用户发布到视频的评论中导出的网络。在本文中，我们研究了不同的YouTube垃圾邮件活动的这种性质的例子，并使用特征选择过程来识别网络图案的特点，相应的运动策略。我们演示了如何将这些歧视图案可以被用作网络图案分析过程的一部分，该过程随着时间的推移跟踪垃圾邮件用户帐户的活动，使该过程能够扩展到更大的网络。
2012-02-23 cs.SI
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
Twitter Spam and False Accounts Prevalence, Detection and Characterization: A Survey
本文综述了 Twitter 上垃圾信息和虚假账户的普遍性估计、检测技术与行为特征，并提出分类体系和治理建议。
2023-02-07 cs.SI
ALETHEIA: Combating Social Media Influence Campaigns with Graph Neural Networks
ALETHEIA利用图神经网络检测和预测社交媒体中的恶意账户行为，提升影响活动的识别与防御能力。
2025-12-24 cs.CY cs.SI
Characterization of Cross-posting Activity for Professional Users across Facebook, Twitter and Google+
社交媒体中的专业玩家（例如，大公司、政治家、运动员、名人等）正在密集地使用在线社交网络（OSN），以便与具有不同目的（营销活动、客户反馈、公众声誉改善等）的大量常规OSN用户交互。因此，由于现有的OSN目录很大，职业玩家通常使用不同系统中的OSN帐户进行计数。在这种情况下，一个有趣的问题是，专业用户是否在他们的OSN帐户中发布相同的信息，或者实际上他们以不同的方式使用不同的OSN。我们将在两个或多个OSN中发布相同信息的行为定义为交叉发布活动。本文旨在描述专业用户在三大OSN（Facebook、Twitter和Google+）上的交叉发布活动。为此，我们对从三个推荐的OSN中的616个活跃帐户的专业用户收集的超过200万个帖子进行了大规模的基于测量的分析。然后，我们描述了交叉张贴的现象，并分析了行为模式的基础上确定的特征。
2017-05-01 cs.SI
Entropy-based Classification of 'Retweeting' Activity on Twitter
Twitter被用于各种各样的原因，包括信息传播，营销，政治组织和传播宣传，垃圾邮件，促销，对话等。描述这些活动并对相关的用户生成的内容进行分类是一项具有挑战性的任务。我们提出了一个信息理论的方法来分类Twitter上的用户活动。我们专注于包含嵌入式URL的推文，并研究其集体“转发”动态。我们确定了两个功能，时间间隔和用户熵，我们用它来分类转发活动。我们只使用这两个功能就可以很好地分离不同的活动，并能够根据它生成的集体用户响应对内容进行分类。我们已经确定了Twitter上的五种不同类型的转发活动：自动/机器人活动，有新闻价值的信息传播，广告和促销，活动和寄生广告。在我们的调查过程中，我们已经展示了Twitter如何被利用来进行促销和类似垃圾邮件的活动。内容无关的，基于熵的活动分类方法是计算效率高，可扩展性和鲁棒性的采样和丢失的数据。它有许多应用，包括自动垃圾邮件检测，趋势识别，信任管理，用户建模，社交搜索和在线社交媒体上的内容分类。
2011-06-02 cs.CY cs.SI
Partisan Asymmetries in Online Political Activity
我们研究了超过18，000名政治活跃的Twitter用户在行为，沟通模式和社交互动方面的党派差异，以提供证据表明美国在线政治格局中党派参与程度的变化。分析这些用户在2010年中期国会选举附近的通信活动所定义的网络，揭示了一个高度隔离，以及集群的党派社区结构。使用集群成员作为一个高保真（87%的准确率）代理的政治派别，我们的特点是广泛的差异，在行为，沟通和社会连接的左倾和右倾的Twitter用户。我们发现，在2008年竞选的网络政治动态相比，右倾的Twitter用户表现出更高水平的政治活动，更紧密的互联社会结构，和通信网络拓扑结构，促进政治信息的快速和广泛的传播。
2012-06-19 cs.HC cs.SI physics.soc-ph
Collective behaviour of social bots is encoded in their temporal Twitter activity
计算宣传部署社交或政治机器人，试图塑造、引导和操纵在线公共讨论，并影响决策。社交机器人群体的集体行为尚未得到广泛研究，尽管对机器人之间交互所产生的集体模式的理解将有助于社交机器人检测。在这里，我们表明，从Twitter活动中检测到的机器人群体和人类群体之间的集体行为存在显着差异。使用我们在英国欧盟公投活动期间收集的大量推文数据集，我们根据用户高频推文活动的序列长度将其分为机器人群体和人类群体。我们发现，虽然用户之间的成对相关性很弱，但它们与集体相关状态共存，但是两个群体的相关性和共同尖峰概率的统计数据不同。我们的研究结果表明，社交媒体中的社交机器人和人类用户群体表现出类似于在临界点附近的社交和生物系统中发现的集体属性。
2017-05-31 cs.SI physics.soc-ph
Beyond Content: Behavioral Policies Reveal Actors in Information Operations
通过分析用户行为策略而非内容，有效识别恶意行为者，提升信息操作检测的鲁棒性和跨平台适应性。
2026-07-22 cs.LG cs.SI
Detection and Characterization of Coordinated Online Behavior: A Survey
University of Pisa（比萨大学）；Institute for Informatics and Telematics, National Research Council (IIT-CNR)（国家研究委员会信息学与远程信息处理研究所）
本文综述了协调在线行为的研究现状，提出综合框架，讨论检测与表征方法，指出研究挑战与方向，为学者和政策制定者提供指导。
2026-09-29 cs.AI cs.CY cs.HC
