Decision Making For Celebrity Branding: An Opinion Mining Approach Based On Polarity And Sentiment Analysis Using Twitter Consumer-Generated Content (CGC)
Shahid Beheshti University（沙希德·贝赫什蒂大学）；University of Tehran（德黑兰大学）；Amirkabir University of Technology（阿米卡比尔理工大学）
社交媒体中有关品牌的大量讨论为数字营销人员提供了跟踪和分析消费者对CGC中品牌、产品、影响者、服务和广告活动的感受和看法的绝佳机会。本研究旨在评估和比较公司和名人的业绩（即，具有在这些公司的广告活动中的经验的影响者）与在社交媒体上用于CGC的自动化情感分析进行比较，同时探索消费者对他们的感觉以观察哪个影响者（每个公司两个）与对应的公司对消费者思想具有更密切的影响。为此，利用来自品牌和影响者页面的几条消费者推文，通过朴素算法（基于词典）和朴素贝叶斯算法（机器学习方法）对机器学习和基于词典的情感分析方法进行比较，并获得评估活动的预期结果。研究结果表明，这些方法在准确性方面不同;机器学习方法具有更高的准确性。最后，结果显示，根据他们在以前的广告活动中的存在，哪个影响者更合适，并帮助我们公司在未来选择合适的影响者，并在随后进行更好，更合适，更有效的广告活动。需要对情感分类的准确性进行进一步的研究。这种方法应该用于其他社交媒体CGC类型。结果揭示了决策的情感分析方法是最好的方法，用于分析社会媒体。研究还发现，公司应该了解消费者的情绪，并在每次考虑活动时选择合适的人。
2021-09-26 cs.CY cs.DB cs.LG
Understanding Common Perceptions from Online Social Media
现代社会习惯性地使用在线社交媒体服务，在任何时间和任何地点公开分享观察，思想，观点和信仰。这些地理标记的社交媒体帖子可以提供对人们对给定地理区域内的一系列不良主题的看法的聚合见解，而不是目前通过诸如Yelp和Foursquare的服务所能做到的。本文开发了概率语言模型，以调查是否可以从地理标记的Twitter帖子的内容中提取的集体，基于主题的看法在一个地理区域内。该方法的能力，说明使用不同大小的三个领域的推文。应用该方法，以支持电网恢复后的风暴。
2014-11-24 cs.SI physics.soc-ph
Semantic Properties of Customer Sentiment in Tweets
Northwestern University（西北大学）
越来越多的人正在使用在线社交网络服务（SNS），并且大量与消费体验相关的信息通过这种新媒体形式共享。文本挖掘是一种新兴的从网络中挖掘有用信息的技术。我们的目标是发现，特别是在消费者的讨论在社交媒体上的推文语义模式。具体来说，本研究的目的是双重的：1）发现两组文本文档之间的相似性和差异性，包括消费者的情感极性，两种形式的积极与消极的意见和2）驱动实际内容的文本数据，具有语义趋势。经过考虑的推文包括消费者对美国零售公司的看法（例如，亚马逊、沃尔玛）。前一个目标是使用余弦相似度和K均值聚类方法，后一个目标是使用潜在狄利克雷分配（LDA），一个流行的主题建模算法。这是第一个发现消费语境中文本数据语义特性的研究，而不是情感分析。除了主要发现外，我们还将LDA（潜在狄利克雷分配）应用于相同的数据，并绘制了代表消费者在社交媒体上的积极意见和消极意见的潜在主题。
2016-03-24 cs.CL cs.IR cs.SI
Social media use among American Indians in South Dakota: Preferences and perceptions
本研究通过在线调查评估了COVID-19期间南达科他州美国印第安人的社交媒体使用偏好与感知，发现Facebook等平台最受欢迎，且用户普遍认为负面影响多于正面影响。
2023-07-03 cs.SI econ.GN q-fin.EC
The Paradox of Information Access: On Modeling Social-Media-Induced Polarization
本文开发了一个随机模型的漂移在人类的信念，表明今天的绝对量的可访问的信息，结合消费者的确认偏见和自然偏好更外围的内容，必然会导致两极分化增加。这个模型解释了在分享增加的时代，意识形态日益分裂的悖论。由于社交媒体、搜索引擎和其他实时信息共享渠道声称促进对信息的访问，因此由于随之而来的信息过载而产生了对内容过滤的需要。一般来说，消费者会选择与其个人观点和价值观相匹配的信息。这种选择中固有的偏见与当今的信息策展服务相呼应，这些服务通过根据观察到的消费者偏好过滤新内容来最大化用户参与度。因此，个人接触到的意识形态范围越来越窄，从而使社会分裂成意识形态上越来越孤立的飞地。我们称之为信息获取的悖论。该模型还表明，只要注入少量定位良好的错误信息，就可以造成不成比例的损害。本文介绍了建模方法，并评估不同的人口规模和参数设置的建模结果。
2021-01-15 cs.SI
Examining the Impact of Provenance-Enabled Media on Trust and Accuracy Perceptions
本研究通过595名美英参与者的在线实验，考察了溯源信息对社交媒体视觉内容信任与准确性感知的影响，发现溯源信息虽能降低对欺骗性媒体的信任，但用户易混淆媒体与溯源可信度，需优化界面设计并加强用户教育。
2023-09-10 cs.HC cs.SI
Measuring Social Media Network Effects
Massachusetts Institute of Technology（麻省理工学院）；Chapman University（查普曼大学）；Carnegie Mellon University（卡内基梅隆大学）；University of Cyprus（塞浦路斯大学）
通过实验测量美国四大社交媒体平台的本地网络效应，发现其解释8.1-23.7%的平台价值，并揭示连接价值的异质性。
2026-05-29 cs.SI econ.GN q-fin.EC
Characterizing the public perception of WhatsApp through the lens of media
Universidade Federal de Minas Gerais（米纳斯吉拉斯联邦大学）；Leiden University（莱顿大学）；Pontifícia Universidade Católica de Minas Gerais（米纳斯吉拉斯天主教大学）；Harvard University（哈佛大学）
截至2018年，WhatsApp是全球信息和通信基础设施的重要组成部分，特别是在发展中国家。然而，可能是由于其强大的端对端加密，WhatsApp成为传播错误信息，极端主义和其他形式的不良行为的吸引力。在本文中，我们通过媒体的镜头调查公众对WhatsApp的看法。我们分析了两个大型新闻数据集，并展示了随着时间的推移，世界不同地区与WhatsApp相关的内容类型。我们的分析包括检查命名实体，一般词汇和新闻文章中提到WhatsApp的主题，以及这些文本的极性。在其他结果中，我们证明了媒体中围绕“whatsapp”一词的词汇和主题多年来一直在变化，2018年集中在与错误信息，政治和犯罪诈骗有关的问题上。更一般地说，我们的研究结果有助于了解WhatsApp等工具在当代社会中的影响，以及社区本身如何看待它们。
2018-08-17 cs.CL cs.CY cs.SI
Text-mining forma mentis networks reconstruct public perception of the STEM gender gap in social media
心智重构映射了个体如何构建和感知知识，通过研究语言及其在人类心智中的认知反映（即心理词汇）来展开这一映射。文本形式网络（TFMN）是一种用于从文本数据中提取、表示和理解思维结构的玻璃盒。结合网络科学，心理语言学和大数据，TFMNs成功地识别了基准文本中的相关概念，而无需监督。工作队管理网络一旦得到验证，就被用于科学领域性别差距的案例研究，最近的研究表明，科学领域的性别差距与扭曲的心态密切相关。这项工作侧重于社会媒体的看法和在线话语，分析了10 000条相关推文。“性别”和“差距”引起了一个主要是积极的看法，与信任/欢乐的情感概况和语义联想，庆祝成功的女科学家，相关的性别差距工资差异，并希望未来的解决方案。对“妇女”的看法突出了关于性骚扰和陈规定型观念威胁（一种隐性认知偏见）的讨论，这些威胁与科学界妇女“牺牲个人技能以取得成功”有关。对“人”的重构凸显了社会使用者对科学领域男尊女卑神话的认识。在“人”的周围没有发现愤怒，这表明以性别为中心的话语在无性别术语周围变得不那么紧张。与现实世界的调查不同，网上没有发现对“科学家”的刻板印象。总体分析表明，网上讨论促进了对性别差距的基本上没有陈规定型观念、积极/信任的看法，意识到隐性/显性偏见，并预计将缩小差距。工作队为调查不同群体的看法开辟了新的途径，为决策提供了详细的数据依据。
2020-03-18 cs.CY cs.SI physics.soc-ph
Beyond Personalization: Social Content Recommendation for Creator Equality and Consumer Satisfaction
在现代社交媒体平台上，有效的内容推荐应该有利于创作者为他们带来真正的利益，也有利于消费者帮助他们获得真正有趣的内容。在本文中，我们提出了一个称为社会探索注意力网络（SEAN）的内容推荐模型。SEAN使用个性化内容推荐模型来鼓励个人兴趣驱动的推荐。此外，SEAN允许个性化因素关注用户在社交网络上的高阶好友，以提高推荐结果的准确性和多样性。从一个流行的分散式内容分发平台Steemit构建两个数据集，我们将SEAN与最先进的CF和基于内容的推荐方法进行比较。实验结果表明，SEAN的有效性在两个基尼系数的推荐平等和F1分数的推荐性能。
2019-06-16 cs.IR cs.SI
Predicting consumers engagement on Facebook based on what and how companies write
消费者是当前社交媒体营销的一个非常重要的部分。公众人物和品牌必须非常小心在网上发布什么。这就是为什么需要准确的策略来预测为在线受众撰写的帖子的影响对任何公共品牌都至关重要。因此，在本文中，我们提出了一种方法来预测的影响，一个给定的职位占的内容，风格和行为属性以及元数据信息。为了验证我们的方法，我们从10个公共页面收集了Facebook帖子，我们对近14000个帖子进行了实验，发现帖子的内容和行为属性为我们的预测模型提供了相关信息。
2019-09-21 cs.SI
Excitements and Concerns in the Post-ChatGPT Era: Deciphering Public Perception of AI through Social Media Analysis
本文基于Reddit 388个社区的33,912条评论，用BERTopic和zero-shot prompting分析后ChatGPT时代公众对AI的主题、情感与认知差异。
2023-07-11 cs.SI
Social Media Perceptions of 51% Attacks on Proof-of-Work Cryptocurrencies: A Natural Language Processing Approach
本研究首次通过自然语言处理分析社交媒体对PoW加密货币51%攻击的感知，构建31起攻击事件列表与对应Twitter数据集，对比分析攻击前后、不同币种的情感情绪差异，提供了相关细致洞见且数据代码公开。
2024-01-30 cs.SI
Robust Stance Detection: Understanding Public Perceptions in Social Media
Arizona State University（亚利桑那州立大学）；NVIDIA（英伟达公司）；University of Illinois Chicago（伊利诺伊大学芝加哥分校）
针对立场检测跨领域迁移差、标注数据稀缺的问题，提出结合反事实增强与对比学习的STANCE-C3框架，并证明其跨领域和话题准确率持续优于现有模型。
2024-07-01 cs.CL cs.SI
Exploring Public Perceptions of Generative AI in Libraries: A Social Media Analysis of X Discussions
本研究通过分析X平台帖子，采用混合方法揭示公众对图书馆中生成式AI的认知以负面情绪为主，并识别出关键参与者和跨领域互动结构。
2025-07-09 cs.CY cs.HC cs.SI
Social content matching in MapReduce
匹配问题无处不在。它们发生在经济市场、劳动力市场、互联网广告和其他地方。在本文中，我们专注于社交媒体匹配的应用。我们的目标是将内容从信息提供者分发到信息消费者。我们寻求最大限度地提高从供应商到消费者的匹配内容的整体相关性，同时规范整体活动，例如，确保没有消费者被数据淹没，所有供应商都有机会提供他们的内容。我们提出了两个匹配算法，GreedyMR和StackMR，面向MapReduce范式。这两种算法都有可证明的近似保证，在实践中，它们产生高质量的解决方案。虽然这两种算法的扩展性都非常好，但我们可以证明StackMR只需要多对数的MapReduce步骤，这使得它成为具有非常大数据集的应用程序的一个有吸引力的选择。我们的实验表明，我们的解决方案的质量和效率之间的权衡来自现实世界的社交媒体网站的两个大型数据集。
2011-05-21 cs.DC cs.SI
Blending search queries with social media data to improve forecasts of economic indicators
利用互联网活动预测政治、经济和公共卫生指标的结果好坏参半。例如，虽然一些明确调查的民意指标与社交媒体代理相关性很好，但仅由社交媒体情绪驱动的有利可图的投资策略的机会似乎已经过期。尽管如此，互联网的潜在预测输入信号的空间是巨大的，将继续邀请仔细探索。在这里，我们将Google趋势中与失业相关的搜索数据与Twitter上的经济语言相结合，试图进行即时预测和预测：1。美国各州和全国失业救济申请人数，以及2。七国集团国家的消费者信心。基于最近开发的基于搜索查询的模型，我们表明，将Twitter数据提高了失业救济申请的预测，而原来的方法仍然略好于即时预报。用时间统计特征（例如，移动平均值和变化率）进一步减少了误差，并提高了所提出的方法在应用于其他经济指数（例如消费者信心）时的预测效用。
2021-07-09 cs.SI physics.soc-ph stat.AP
A Multi-Level Data-driven Framework for Understanding Perceptions Towards Cycling Infrastructure Across Regions Leveraging Social Media Discourse
Villanova University（维拉诺瓦大学）
本文提出多尺度框架，分析社交媒体上自行车基础设施的讨论和评价，探讨美国与欧洲国家的 sentiment 差异，发现整体 sentiment 为正，但区域间差异较小，讨论内容更批判。
2026-03-17 cs.SI
Collective response to the media coverage of COVID-19 Pandemic on Reddit and Wikipedia
在流行病爆发期间，信息的暴露和消费可能会改变风险认知，引发行为变化，并最终影响疾病的演变。因此，至关重要的是，要了解主流媒体的信息传播情况和公众的反应。然而，我们对COVID-19大流行期间的这一应对动态的了解仍然有限。在本文中，我们提供了意大利、英国、美国和加拿大四个国家对COVID-19大流行的媒体报道和在线集体关注的特征。为此，我们收集了一个异构数据集，包括主流媒体发布的227，768篇在线新闻文章和13，448个Youtube视频，社交媒体平台Reddit上的107，898个用户帖子和3，829，309条评论，以及278，456，892次与COVID-19相关的维基百科页面浏览量。我们的研究结果显示，公众关注度（量化为Reddit上的用户活动和维基百科页面上的活跃搜索）主要由媒体报道驱动，并迅速下降，而新闻曝光率和COVID-19发病率仍然很高。此外，通过使用一个无监督的，动态的主题建模方法，我们表明，虽然专注于不同的主题的媒体和在线用户的注意是在良好的一致性，有趣的偏差出现在他们的时间模式。总的来说，我们的研究结果提供了一个额外的关键来解释公众的看法/对当前全球卫生紧急情况的反应，并提出了有关注意力饱和对集体意识，风险认知，从而对行为变化趋势的影响的问题。
2020-06-08 cs.SI physics.soc-ph
Public risk perception and emotion on Twitter during the Covid-19 pandemic
成功应对新冠肺炎疫情取决于公众对安全措施的合作以及对风险的适当认知，其中情绪和注意力发挥着重要作用。公众情绪和注意力的签名存在于社交媒体数据中，因此，对本文的自然语言分析能够对公众风险感知指标进行近乎实时的监测。我们将疫情进展的关键流行病学指标与公众对疫情的看法指标进行了比较，这些指标是根据2020年3月10日至6月14日期间发布的来自12个国家的约2000万条与新冠肺炎相关的独特推文构建的。我们发现了心理物理麻木的证据：Twitter用户越来越关注死亡，但情绪化程度越来越低，分析性越来越强。基于词语共现的语义网络分析揭示了新冠肺炎患者情绪框架的变化，这与这一假设一致。我们还发现，对全国新冠肺炎死亡率的平均关注度与感官知觉的韦伯-费希纳和幂律函数准确地建模。我们对这些模型的参数估计与心理学实验的估计一致，并表明该数据集中的用户对国家Covid-19死亡率表现出不同的敏感性。我们的工作说明了社交媒体在危机情景中监测公众风险感知和引导公众沟通的潜在效用。
2020-12-07 cs.CY cs.SI
Opinion Formation and the Collective Dynamics of Risk Perception
集体意见的形成是一个复杂的现象，是大众媒体曝光和个人之间的社会影响共同作用的结果。目前的工作介绍了一个专门设计的意见形成模型，以解决风险的判断，如对气候变化，恐怖主义威胁，或儿童疫苗接种的态度。该模型假设人们从媒体环境中收集风险信息，并在当地与其他个人交换。即使个人最初接触到相同的信息样本，该模型预测的意见极化和集群的出现。特别是，数值模拟突出了决定集体结果的两个关键因素：个人搜索独立信息的倾向和社会影响力的强度。这项工作提供了一个量化框架，以预测和管理公众如何应对特定风险，并有助于理解恐惧和担忧的系统性放大，或低估真正的危险。
2014-01-06 cs.SI nlin.AO physics.soc-ph
