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
The dynamics of publishing of posts and comments on facebook (the russian segment, the first five months of 2013)
本文介绍了Facebook俄罗斯部分的帖子和评论发布的一些特点的研究。已经获得了一些非平凡的结果。例如,在用户账户数量方面发现了一个重大异常现象,发布帖子的速度大约为每三天两次。分析是在大多数社交媒体平台共有的基本特征层面进行的。它可以将获得的结果与来自其他平台的数据进行直接比较。本文提出了一种在社交媒体平台上对结构和信息元素进行形式化和排序的方法。该方法是基于容器对象及其关系的连贯层次结构的形式表示这些结构元素。这种方法允许在统一的算法设计中构建和分析来自不同社交媒体平台的原始数据。所描述的方法比其他已知的方法更正式,更普遍和更有建设性。
2016-04-26 cs.SI
Analysing user identity via time-sensitive semantic edit distance (t-SED): A case study of Russian trolls on Twitter
在数字时代,人们越来越多地根据个人在Twitter和Facebook等在线社交网络中留下的痕迹对其进行分析和分组。在本文中,我们开发和评估一种新的文本分析方法,通过重新定义身份作为一个序列的时间戳项目(如鸣叫文本)的用户身份和社会角色的研究。我们通过开发一种新的文本距离度量标准,时间敏感的语义编辑距离(t-SED),它占多个轨迹的时间上下文,操作化这个想法。为了评估这种方法,我们进行了俄罗斯在线巨魔活动在美国政治话语的案例研究。这个新的度量标准允许我们根据巨魔的踪迹(在这种情况下是推文)将其社会角色分类为预定义的类别之一左倾,右倾和新闻提要。我们展示了t-SED度量的有效性,以衡量推文之间的相似性,同时考虑到时间背景,我们使用新的数据可视化技术和定性分析,以发现新的经验见解俄罗斯巨魔活动,尚未确定在以前的工作。此外,我们强调了与演员网络理论和加布里埃尔·塔尔德的相关假设领域的连接,我们讨论了如何使用t-SED的社会序列分析可以提供新的途径来解决社会理论中的一个长期存在的问题:如何分析社会,而不分离到微观与宏观层面的现实。
2019-07-22 cs.CY cs.SI
Online Networks of Support in Distressed Environments: Solidarity and Mobilization during the Russian Invasion of Ukraine
本研究分析俄乌冲突期间四大社交媒体及支持网站的6800万条帖子,探究在线支持网络的模式与互联性,揭示众包、众筹平台的动员作用,凸显社交媒体草根动员助力困境中在线支持的价值。
2023-10-04 cs.SI
Reviewing War: Unconventional User Reviews as a Side Channel to Circumvent Information Controls
在2022年俄罗斯入侵乌克兰的最初几天,俄罗斯媒体监管机构封锁了许多全球社交媒体平台和新闻网站,包括Twitter,Facebook和BBC。为了绕过俄罗斯当局设置的信息控制,亲乌克兰团体探索了非常规的方式来接触俄罗斯民众,例如在谷歌地图或TripAdvisor上的俄罗斯企业用户评论中发布与战争有关的内容。本文通过分析规避国家审查的创作策略,对这一新现象进行了初步分析。具体而言,我们分析了从冲突开始到2022年9月在这些平台上发布的评论。我们通过Tripadvisor和谷歌地图以及俄罗斯流行社交网络VK的用户评论来衡量战争信息的传播。我们对这些服务上发布的内容的分析表明,用户利用这些平台寻求和交流人道主义和旅行建议,但也传播虚假信息和两极分化的信息。最后,我们分析了平台在内容审核方面的反应及其影响。
2023-02-01 cs.SI
Reputation System for Online Communities (in Russian)
随着现代分布式系统中交互的速度和规模的增加,理解社区中的共识原则并找到有利于整个社区的最佳解决方案变得至关重要。这样的系统可以是社会和信息计算机网络,其联合了大量的人以及基于对等交互的多代理计算平台,包括基于分布式账本操作的多代理计算平台。现在,混合生态系统的出现正在成为可能,这种系统包括人类和使用人工智能的计算机系统。我们提出了一种新的形式的共识,所有上市的系统,根据参与者的声誉,根据“流动民主”的原则计算。我们相信,这样的系统将比现有系统更能抵抗社会工程和声誉操纵。在这篇文章中,我们讨论了实施这样一个系统的基本原则和选择,并提出了初步的实际结果。
2018-11-21 cs.SI
Mapping the Russian Internet Troll Network on Twitter using a Predictive Model
Texas Tech University(德克萨斯理工大学)
本研究针对俄罗斯互联网水军在社交媒体传播虚假信息的问题,基于Twitter内容构建预测模型识别水军行为模式,经多数据集验证准确率与一致性较高,可辅助绘制相关网络的参与者图谱。
2024-09-11 cs.LG cs.SI
Propaganda and Misinformation on Facebook and Twitter during the Russian Invasion of Ukraine
本研究针对俄乌冲突初期Facebook和Twitter上的宣传与虚假信息展开,基于百万级帖子数据集分析其流行度、传播模式、传播者政治倾向及平台审核效果,发现平台仍易被滥用,呼吁加强治理以维护在线对话完整性。
2023-02-20 cs.SI
Characterizing the Use of Images in State-Sponsored Information Warfare Operations by Russian Trolls on Twitter
国家支持的组织越来越多地与旨在利用社交媒体进行信息战争和操纵公众舆论的努力联系在一起。通常情况下,他们的活动依赖于他们控制的一些社交网络账户,也就是巨魔,这些账户会与伪装成“普通”用户的其他用户进行发帖和互动。这些账户通常使用图像和模因以及文本内容,以提高其帖子的参与度和可信度。在本文中,我们通过分析由俄罗斯互联网研究机构控制的帐户发布到Twitter的180万张图像的地面实况数据集,首次研究了由国家赞助的帐户共享的图像。首先,我们分析图像的内容以及它们的发布活动。然后,使用霍克斯过程,我们量化他们对流行的网络社区,如Twitter,Reddit,4chan的Politically Incorrect board(/pol/)和Gab的影响,关于图像的传播。我们发现,俄罗斯巨魔广泛的图像发布活动与现实世界的事件(例如,夏洛茨维尔的团结右翼集会),并阐明了他们的目标以及通过图像传播的内容。最后,我们表明,巨魔更有效地传播政治相关的图像比其他图像。
2019-11-21 cs.CY cs.SI
MJ no more: Using Concurrent Wikipedia Edit Spikes with Social Network Plausibility Checks for Breaking News Detection
我们开发了一个名为Wikipedia Live Monitor的应用程序,可以实时监控维基百科不同语言版本上的文章编辑。不同语言的维基百科条目是高度相关的。例如,关于2月15日在俄罗斯车里雅宾斯克州上空爆炸的流星体的英文文章en:2013_Russian_meteor_event与关于同一主题的俄文文章相互链接。当我们并行监控维基百科的多个语言版本时,我们可以利用这一事实来检测覆盖相同主题的维基百科文章的并发编辑峰值,无论是在一种语言中,还是在不同的语言中。我们将这种并发编辑峰值视为潜在突发新闻事件的信号,然后我们在多个社交网络上进行全文跨语言搜索来检查其可解释性。与监视社交网络第一,并可能在维基百科上检查可扩展性的反向方法不同,本文提出的方法具有不太容易出现假阳性警报的优点,同时对真阳性事件同样敏感,然而,处理成本只有一小部分。
2013-03-21 cs.IR cs.SI physics.soc-ph
Large-Scale Parallel Matching of Social Network Profiles
简档匹配算法将一个社交网络的用户简档作为输入,并且如果存在,则返回另一社交网络中的同一个人的简档。这些方法在互联网营销,搜索,安全和许多其他领域都有直接的应用,这就是为什么这个话题最近受到欢迎的原因。在本文中,我们提出了一个用户身份解析方法,使用最小的监督,并达到了0.98的查全率为0.54。此外,该方法计算效率高,易于并行化。我们表明,该方法可以用来匹配Facebook,全球最受欢迎的社交网络,与VKontakte,俄语用户中最受欢迎的社交网络。
2019-11-15 cs.SI
Evolution of wartime discourse on Telegram: A comparative study of Ukrainian and Russian policymakers' communication before and after Russia's full-scale invasion of Ukraine
University of Bern(伯尔尼大学);University of Vienna(维也纳大学)
本研究利用2019-2024年Telegram数据,比较俄乌政策制定者战时沟通,发现入侵后活动激增,乌克兰聚焦战争话题而俄罗斯回避并转移注意力,揭示不同政党及个体的策略差异。
2025-10-11 cs.CL cs.CY cs.SI
Algebraic reputation model RepRank and its application to spambot detection
由于受欢迎的激增,社交网络成为垃圾邮件发送者和游击营销者有利可图的目标,他们试图游戏排名系统和广播他们的信息几乎没有成本。排名系统,例如Twitter的趋势,可以由脚本用户(也称为机器人)进行游戏,他们自动或半自动地发送基本相同的消息。从公关公司的价格和充足的供应来看,这是一种容易实施和广泛使用的策略,至少在俄罗斯博客圈是这样。对社交网络的聚合分析最多只能将这些信息标记为垃圾邮件,或者至少正确地淡化它们的重要性,因为它们只代表少数(如果是专门的)用户的意见。因此,机器人检测在社交网络挖掘和分析中起着至关重要的作用。在本文中,我们提出的技术称为RepRank,它可以被看作是马尔可夫链为基础的模型,利用同时信任和反信任传播图上的声誉传播,并提供有效的数值计算方法。与另一种模型,如TrustRank和它的一些修改的32万俄语Twitter用户的样本进行比较。数据集也被提出。
2014-11-20 cs.SI
A Study of Partisan News Sharing in the Russian invasion of Ukraine
本研究分析了俄罗斯入侵乌克兰期间六个Reddit社区中党派新闻分享的时间演变、用户反应和传播特征,并构建了预测模型识别相关用户,发现党派新闻虽吸引更多讨论但传播范围受限且传播者网络影响力较低。
2023-11-26 cs.CY 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
Measuring, Predicting and Visualizing Short-Term Change in Word Representation and Usage in VKontakte Social Network
社交媒体中的语言是非常动态的:新词出现,趋势和消失,而现有单词的含义可以随着时间的推移而波动。这种动态在危机时期尤其明显。这项工作解决了几个重要的任务,测量,可视化和预测短期文本表示的转变,即一个词的上下文语义的变化,并将这种转变与表面水平的词动态,或概念漂移,在社交媒体流中观察到的。与以前从文本中学习单词表征的方法不同,我们研究了短期概念漂移与大型社交媒体语料库-2014-2015年俄罗斯-乌克兰危机期间收集的俄语VKontakte帖子之间的关系。我们的新贡献包括定量和定性的方法,以(1)测量短期的表征转移,并将其与表面水平的概念漂移进行对比;(2)建立预测模型,预测从先前的意义以及从概念漂移的短期意义转移;(3)视觉化短-术语表示例如关键词的转移来展示我们的方法的实际使用,以发现和跟踪社交媒体中新出现的术语的含义。我们发现,短期的代表性转变可以准确地预测到几个星期前。我们在社交媒体中建模和可视化单词表示变化的独特方法可用于在危机事件期间探索和表征流媒体语料库的特定方面,并可能改善其他下游分类任务,包括实时事件检测。
2017-03-21 cs.SI
Core but not peripheral online social ties is a protective factor against depression: evidence from a nationally representative sample of young adults
本文基于俄罗斯4400名年轻成人追踪数据,发现在线朋友数量与抑郁的关联仅存在于不超过邓巴数规模且为核心节点的网络中,表明应区分对待不同类型的在线社交关系。
2021-11-30 cs.CY cs.SI
State & Geopolitical Censorship on Twitter (X): Detection & Impact Analysis of Withheld Content
本文首次定量分析了 Twitter(X)上国家驱动的 withheld 内容审查对俄罗斯和土耳其账户的影响,并提出基于 Transformer 的账户被限预测模型,发现推文内容是主要预测信号,最佳模型 F1 为 0.73、AUC 为 0.83。
2025-08-18 cs.SI
An Avalanche of Images on Telegram Preceded Russia's Full-Scale Invasion of Ukraine
本研究通过分析989名俄罗斯军事博主的Telegram发帖历史,发现2022年俄乌全面冲突前两周相关帖子、图片及政治显著性篡改图片均出现大幅增长,呼吁进一步研究视觉媒体在冲突前的作用。
2024-07-15 cs.HC cs.MM cs.SI
Retrieving false claims on Twitter during the Russia-Ukraine conflict
如今,社交媒体上的虚假和未经证实的信息在重大地缘政治事件中动摇了个人的看法,并威胁到整个数字信息生态系统的质量。自俄罗斯入侵乌克兰以来,几个事实核查组织一直积极参与核实网上流传的与冲突有关的故事。在本文中,我们利用一个经过事实核查的公共声明库来构建一个方法框架,用于自动识别2022年2月在Twitter上传播的虚假和未经证实的声明。我们的框架由两个顺序模型组成:首先,索赔检测模型确定在我们的集合中考虑的推文中是否包含(虚假)索赔。然后,索赔检索模型通过根据其与输入推文的相关性对经验证的索赔进行排名来将推文与经事实检查的信息进行匹配。这两个模型都是基于预先训练的语言模型,并分别进行了微调,以执行文本分类任务和信息检索任务。特别是,为了验证我们方法的有效性,我们考虑了入侵第一周在Twitter上传播的83个经过验证的虚假声明,并根据他们报告的声明手动注释了5,872条推文。我们的实验表明,我们提出的方法优于标准基线索赔检测和索赔检索。总的来说,我们的研究结果突出了社交媒体提供商如何有效地利用半自动化方法来识别、跟踪并最终缓和在其平台上传播的虚假信息。
2023-03-17 cs.SI
An Analysis of Twitter Discourse on the War Between Russia and Ukraine
本研究通过分析推特上的内容与用户,探讨亲乌克兰与亲俄罗斯话语,揭示新用户和机器人的显著存在,以理解信息战背景下的社交媒体生态。
2023-06-20 cs.SI
It's a Thin Line Between Love and Hate: Using the Echo in Modeling Dynamics of Racist Online Communities
Ben Gurion University of the Negev(内盖夫本-古里安大学)
(echo))符号--名字周围的三个括号,随着美国总统竞选的加剧,于2016年初成为主流社交网络。它被右翼、白人至上主义者和互联网巨魔的成员用来标记犹太人遗产--这是纳粹德国使用的臭名昭著的黄色徽章(Judenstern)的现代化身。跟踪这种趋势模因,它的含义和它的功能已被证明是难以捉摸的,因为它的语义模糊性(例如,虚拟拥抱的符号)。在本文中,我们报告了一个适当的数据集的建设,允许重建网络的种族主义社区和他们嵌入更广泛的社区的方式。我们结合自然语言处理和结构网络分析来研究促进仇恨的社区。为了克服狗叫和语言歧义,我们提出了一种基于BERT Transformer和BiLSTM网络的多模态神经架构,同时考虑到用户的自我网络和Meta特征。我们的多模态神经架构优于一组强大的基线。我们进一步展示了如何使用语言和网络结构串联允许仇恨社区的领导人的检测。我们进一步研究仇恨的“交叉性”,并表明反犹太人的回声与针对其他少数群体和受保护群体的仇恨言论相关。最后,我们分析了爱尔兰共和军巨魔在这个网络中扮演的角色,作为俄罗斯干涉运动的一部分。我们的研究结果使人们能够更好地了解种族主义的最新表现形式以及助长种族主义的动力。
2020-11-16 cs.CL cs.SI