Tracking and Predicting Evolution of Social Communities
Renssalear Polytechnic Institute（伦斯勒理工学院）
本文提出算法框架研究社交网络社区演化，通过识别演化序列并关联早期结构参数，预测社区寿命，实证验证于多个大型网络。
2026-09-09 cs.SI
Predicting Potential School Shooters from Social Media Posts
本文提出一种多模态模型，通过分离社交媒体帖子的图文并利用字幕生成与情感分析，预测潜在校园枪手的警告迹象，为现实场景的早期干预提供支持。
2023-11-25 cs.SI
Why Are You More Engaged? Predicting Social Engagement from Word Use
IBM Research - Almaden（IBM阿尔马登研究院）
我们提出了一项研究，分析如何使用的话可以预测社会参与行为，如在Twitter上的回复和转发。我们计算心理语言学的类别分数从词的使用，并调查不同分数的人如何表现出不同的回复和转发Twitter上的行为。我们还发现心理语言学类别与这种社会参与行为具有显着的相关性。此外，我们已经建立了预测模型的答复和转推，从这种心理语言学类别为基础的功能。我们使用从Twitter收集的真实世界数据集进行的实验验证了这种预测可以以合理的准确度进行。
2014-02-26 cs.CL cs.CY cs.SI
Predicting the Industry of Users on Social Media
University of Michigan（密歇根大学）
社交媒体用户的自动分析是支持众多下游应用的重要任务。虽然许多研究已经使用社交媒体内容来提取和研究集体社交属性，但缺乏针对用户行业检测的实质性研究。我们将此任务定义为使用特征工程和集成学习的分类。我们的行业检测系统使用发布的内容和个人资料信息来检测用户的行业，准确率为64.3%，在14个行业类别的分类中显著优于大多数基线。我们的定性分析表明，一个人的行业不仅会影响所使用的词语及其感知的含义，还会影响所表达的情感的数量和类型。
2016-12-24 cs.CL cs.SI
Predicting Online Protest Participation of Social Media Users
社交媒体已经成为人们表达对阿拉伯之春等政治抗议活动观点的流行平台。数以百万计的人使用社交媒体来交流和动员他们对抗议活动的看法。因此，它是组织社会运动的宝贵工具。然而，抗议活动影响民众的机制尚不清楚，因此难以估计抗议者的人数。在本文中，我们的灵感来自社会学理论的抗议参与，并提出了一个框架来预测从用户的过去的状态消息和互动用户的下一个职位是否会抗议的声明。从这些理论中提取概念，我们对用户的状态消息和随着时间的推移与他交互的消息之间的相互作用进行建模，并预测用户的下一个帖子是否会发表抗议声明。我们使用社交媒体平台Twitter在最近的尼日利亚选举期间的抗议活动的数据来评估该框架，并证明它可以有效地预测用户的下一个帖子是否是抗议宣言。
2015-12-09 cs.SI
Predicting Group Evolution in the Social Network
群体-社会社区是整个社会的重要组成部分，通过社会网络概念进行分析。它们的固有特征是随时间不断演变。如果我们知道社交网络中的群体是如何进化的，我们就可以利用这些信息来预测给定群体进化的下一步。本文提出并研究了一种新的群体演化预测方法。对四个进化的社交网络的实验研究表明：（i）基于简单输入特征的预测可能非常准确，（ii）一些分类器比其他分类器更精确，（iii）组进化提取方法的参数显着影响预测质量。
2012-10-18 cs.SI physics.soc-ph
Analyzing Wikipedia Membership Dataset and PredictingUnconnected Nodes in the Signed Networks
University of California Los Angeles（加州大学洛杉矶分校）
在数字互动时代，社交媒体上存在的人与人之间的关系可能与线下存在的相同互动不同。检查社交网络中成员之间的潜在或虚假关系是计算机科学家的一个丰富的研究领域-在这里，我们研究如何通过使用精确召回曲线和ROC下的区域来预测社交网络中两个未连接的人之间的关系。将社交网络建模为签名图，我们比较了Triadic模型，潜在信息模型和情感模型，并使用它们来预测对等交互，首先使用普通签名网络，然后使用带有评论的签名网络作为上下文。我们发现，我们的模型比随机模型要好得多，并且在不同的情况下可以相互补充。
2021-10-18 cs.AI cs.LG cs.SI
Predicting risky behavior in social communities
预测网络中个人的风险状况（例如，对特定疾病的易感性，或吸烟的可能性）由于各种原因而具有挑战性。例如，“地方”特征（如个人的人口统计信息）可能缺乏足够的信息，无法作出有意义的预测;在预测“风险”时，这尤其成问题，因为相关特征可能恰恰是个人不愿意在调查中透露的特征。第二，即使有这些特征，它们仍然可能遗漏关键信息，因为“风险”可能不仅是个人特征的函数，也是其朋友和社会群体特征的函数。在这里，我们预测个人的风险状况作为他们的本地功能和他们的朋友。我们没有直接对社交网络的影响进行建模（这被证明是困难的，因为友谊链接可能是稀疏的，并且可以部分观察到），而是通过发现网络中可能与风险行为相关的社交社区来对影响进行建模。其结果是一个模型，预测风险作为一个功能的本地功能，同时弥补其不足，并占社会影响，揭示社区结构的网络。我们通过预测来自Add健康数据集的青少年的危险行为以及Facebook自我网络中用户的家乡来测试我们的模型。与仅通过特征进行预测相比，我们的模型在作为整体进行测量时表现出更好的预测准确性，特别是当作为网络丰富度的函数进行测量时。"
2016-12-02 cs.SI physics.soc-ph
Predicting Twitter User Socioeconomic Attributes with Network and Language Information
University of Sheffield（谢菲尔德大学）；Imperial College London（伦敦帝国理工学院）
社会媒体用户的社会经济属性（如职业和收入）的推断是计算社会科学中的一个重要问题。这些特征的自动推理在个性化推荐系统、有针对性的计算广告和在线政治竞选中有应用。虽然以前的工作已经表明，语言特征可以可靠地预测Twitter上的社会经济属性，但尚未针对如此复杂的用户特征探索使用来自用户社交网络的信息。在本文中，我们描述了一种方法，用于预测职业类和收入的Twitter用户给定的信息提取从他们的扩展网络通过学习低维向量表示的用户，即图嵌入。我们使用这种表示来训练职业类别和收入的预测模型。两个公开数据集的结果表明，我们的方法在这两个任务中始终优于最先进的方法。当我们将图嵌入与文本特征相结合时，我们还获得了进一步的显着改进，表明社交网络和语言信息是互补的。
2018-04-11 cs.AI cs.CL cs.SI
On Temporal Regularity in Social Interactions: Predicting Mobile Phone Calls
在本文中，我们使用机器学习的方法来预测呼出的手机通话。我们分析手机用户的活动在多大程度上是可预测的。前提是，移动电话用户在与大多数联系人的交互中表现出时间规律性。在社会学语境中，大多数社会互动都有相当可靠的时间规律性。如果我们将这种行为扩展到移动电话上的交互，我们预计呼叫者与被呼叫者的交互不仅仅是随机性的结果，而是呈现出一种时间模式。为此，我们测试了我们的方法在匿名的手机使用数据集收集专门用于分析时间模式的手机通信。数据包括783个用户和12，000多个呼叫者-被叫者对。结果表明，用户的历史呼叫模式可以预测未来的呼叫与合理的准确性。
2015-12-26 cs.SI
Predicting human preferences using the block structure of complex social networks
随着可用数据的不断增加，预测个人的偏好并帮助他们找到最相关的信息已成为一种迫切的需求。从根本角度来看，理解和预测偏好也很重要，这是所谓的“新”计算社会科学的一部分。在这里，我们提出了一种新的方法，基于随机块模型，这已被社会学家开发的社会互动的复杂网络的合理模型。我们的模型是基于其他人的偏好来预测个人偏好的精神，但是，而不是拟合特定的模型，我们依赖于贝叶斯方法，该方法对所有可能的模型进行采样。我们表明，我们的方法比领先的推荐算法准确得多，比行业级算法有38%到99%的重大相对改进。此外，我们的方法揭示了决策过程中，通过识别群体的个人有一贯相似的偏好，并使这些群体的特征分析。
2012-10-03 cs.SI physics.data-an physics.soc-ph
Predicting Opioid Relapse Using Social Media Data
Texas Tech University（得克萨斯理工大学）
阿片类药物成瘾在美国是一个严重的公共卫生威胁，导致大量死亡和许多社会问题。准确的复发预测对于恢复中的患者具有实际重要性，因为复发预测促进及时的复发预防，帮助患者保持清洁。在本文中，我们引入了一种生成对抗网络（GAN）模型，根据情感图像和社会影响来预测成瘾复发。来自Reddit.com的真实社交媒体数据的实验结果表明，GAN模型提供了比可比的替代技术更好的性能。由该模型生成的情感图像显示，复发与两种情绪“快乐”和“消极”密切相关。这项工作是使用大量社交媒体数据和生成对抗网络预测复发的首次尝试之一。该方法结合社交媒体挖掘的知识，有可能彻底改变阿片类药物成瘾预防和治疗的实践。
2018-11-14 cs.LG cs.SI stat.ML
Providing an Approach to Predicting Customer Quality in E-Commerce Social Networks Based on Big Data and Unsupervised Learning Method
University of Tehran（德黑兰大学）
每个企业的目标之一是提高客户忠诚度。顾客忠诚度被称为顾客质量，顾客质量的预测将直接影响到营销策略的实施。本研究的目的是通过大数据算法和无监督学习来预测大型电子商业社交网络的客户质量。为此，基于图的社会网络分析框架被用于斯坦福网络分析平台（SNAP）中的社区发现。然后，在发现的社区，客户的质量进行了预测。结果表明，各种访问对顾客质量的影响最大，影响率为37.13%，其他参数的影响程度由高到低依次为：频繁客户访问次数（28.56%）、在社交网络中的角色（28.37%）、间接交易（26.74%）、活动天数（25.62%）和客户社交网络规模（25.06%）。
2021-09-05 cs.LG 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
Predicting Social Links for New Users across Aligned Heterogeneous Social Networks
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
在线社交网络近年来取得了巨大的成功，其中许多涉及多种节点和复杂的关系。在这些关系中，用户之间的社会联系非常重要。许多现有的链接预测方法集中于基于社交网络的快照来预测将来将在所有用户之间出现的社交链接。在现实世界的社交网络中，每天都有许多新用户加入该服务。预测新用户的链接更重要。与传统的链接预测问题不同，由于以下原因，针对新用户的链接预测更具挑战性：（1）新用户和现有活动用户之间的信息分布差异（即，老用户）;（2）缺乏来自网络中的新用户的信息。提出了一种链接预测方法SCAN-PS（Supervised Cross Aligned Networks链接预测with Personalized Sampling），用于解决新用户的链接预测问题。为了在网络内知识转移之前适应信息分布的差异，提出了一种目标网络内个性化抽样方法，对已有的活跃用户信息进行处理。SCAN-PS还可以利用其他源网络中的信息，其中用户帐户与目标网络一致。这样，SCAN-PS就可以解决目标网络中完全没有这些新用户信息时的冷启动问题。
2013-10-13 cs.LG cs.SI physics.soc-ph
Predicting event attendance exploring social influence
University of Passau（帕绍大学）；Department of Computer Science and Mathematics University of Passau（帕绍大学计算机科学与数学系）
预测人们在真实世界事件中的参与度的问题已经受到相当大的关注，因为它为人类行为分析和与事件相关的广告提供了有价值的见解。如今，社交网络（例如，Twitter）广泛地反映了人们与朋友讨论他们的兴趣的大型流行事件。事件参与者通常激励朋友加入事件，在网络中传播社会影响力。在本文中，我们提出了建模的社会影响力的朋友参加活动。我们考虑非地理标记的职位，除了社会团体的结构，以推断用户的出席。为了利用网络拓扑信息，我们应用了一些最近的图嵌入技术，如node2vec，HARP和Poincar`e。我们描述了设计特征空间并将其馈送到神经网络的方法。性能评估使用两个大型音乐节数据集进行，即VFestival和Creamfields。实验结果表明，我们的分类器优于最先进的基线，在VFestival数据集上观察到的准确率为89%。
2020-02-16 cs.LG cs.SI stat.ML
Predicting Learning Interactions in Social Learning Networks: A Deep Learning Enabled Approach
我们考虑预测社会学习网络（SLN）中链接形成的问题，SLN是一种当人们通过结构化交互相互学习时形成的社会网络。虽然链接预测已经研究了一般类型的社交网络，SLN在其生命周期的演变，加上他们的依赖，正在讨论的主题提出了新的挑战，这种类型的网络。为了解决这些挑战，我们开发了一系列自主链接预测方法，这些方法利用空间和时间演进的网络架构来在空间和时间段之间传递网络状态，并且对在每个周期中更新的三种类型的SLN特征进行建模：基于邻域的（例如，资源分配），基于路径的（例如，最短路径），以及基于后的（例如，主题相似性）。通过对来自大规模开放在线课程（MOOC）讨论论坛和普渡大学的六个真实世界数据集的评估，我们发现我们的方法比贝叶斯模型，线性分类器和图神经网络有了实质性的改进，AUC通常在0.91以上，并根据数据集达到0.99。我们的特征重要性分析表明，虽然基于邻域和路径的特征对结果贡献最大，但基于后的特征添加了可能并不总是与链接预测相关的额外信息。
2023-01-03 cs.SI
Predicting Anchor Links between Heterogeneous Social Networks
人们通常参与多个社交网络以享受新的服务或满足他们的需求。许多新的社交网络试图吸引其他现有网络的用户以增加其用户数量。一旦社交网络（称为源网络）的用户（称为源用户）加入新的社交网络（称为目标网络），则在源网络和目标网络之间形成新的网络间链接（称为锚链接）。在本文中，我们集中在预测异质社交网络之间的锚链接的形成。与预测单个网络内两个现有用户之间的链路的形成的传统链接预测问题不同，在锚链接预测中，目标用户缺失，并且一旦创建锚链路，则目标用户将被添加到目标网络。为了解决这个问题，我们使用元路径作为一个强大的工具，利用源和目标网络中的异构信息。为此，我们提出了一个有效的通用元路径为基础的方法称为连接器和递归元路径（CRMP）。通过使用这两种不同类别的元路径，我们对可能影响源用户加入目标网络的社会因素的不同方面进行建模，从而形成新的锚链接。在现实世界的异构社交网络上进行的大量实验证明了该方法的有效性。
2016-08-01 cs.SI physics.soc-ph
How to Write High-quality News on Social Network? Predicting News Quality by Mining Writing Style
Key Laboratory of Intelligent Information Processing Center for Advanced Computing Research, Institute of Computing Technology, CAS（中国科学院计算技术研究所）；University of Chinese Academy of Sciences（中国科学院大学）；National Tsing Hua University（国立清华大学）
互联网技术的快速发展促使传统报纸在社交网络上进行新闻报道。然而，社交网络上的人们可能有不同的需求，这自然产生了一个问题：我们是否可以自动分析写作风格对新闻质量的影响，并帮助作者提高新闻质量？这是具有挑战性的，因为写作风格和“质量”很难衡量。首先，我们用“受欢迎程度”作为衡量“质量”的标准。这在社交网络上是很自然的，但也带来了新的问题：受欢迎程度也受到事件和发布者的影响。因此我们设计了两种方法来减轻它们的影响。然后，根据八条写作准则，我们提出了八类语言特征（共53个特征），并分析了它们与新闻质量的关系。实验结果表明，这些语言特征对新闻质量有很大的影响。在此基础上，设计了一个基于社会网络的新闻质量评估模型（SNQAM）。SNQAM在预测质量、呈现可解释的质量分数以及根据我们参考的写作指南提供关于如何改进质量分数的可访问建议方面表现出色。
2021-04-21 cs.CL cs.SI
Predicting the Quality of Short Narratives from Social Media
University of Massachusetts Boston（马萨诸塞大学波士顿分校）；Disney Research（迪士尼研究院）
建立叙事计算模型的一个重要而困难的挑战是叙事质量的自动评估。质量评估将叙事理解和生成联系起来，因为生成系统需要评估自己的产品。为了规避获取注释的困难，我们采用社交媒体中的支持率作为故事质量的近似衡量标准。我们从大众问答网站Quora收集了54,484个答案，然后使用主动学习构建了一个分类器，将28,320个答案标记为故事。为了在不使用社交网络功能的情况下预测支持数，我们创建了对文本区域和区域之间的相互依赖性进行建模的神经网络，这可以作为未来研究的强有力的基准。据我们所知，这是第一个大规模的自动评价叙事质量的研究。
2017-07-08 cs.CL cs.SI
Predicting Social Status via Social Networks: A Case Study on University, Occupation, and Region
社会地位是指在社会中的相对地位。它是社会学和相关研究中的一个重要概念。衡量社会地位的问题已经研究了很多年。评估个人社会地位的指标包括教育程度、职业和收入/财富。然而，这些指标有时很难收集或衡量。我们调查了社交网络，以寻找衡量社会地位的替代方法。在线活动暴露了现实世界中用户的某些特征。我们感兴趣的是这些活动如何与社会地位相关，以及如何通过社交网络数据预测社会地位。据我们所知，这是第一个将在线活动与现实社会地位联系起来的研究。特别是，我们在本研究中关注微博的网络结构。一个用户跟随另一个用户意味着某种地位。我们将用户的预测社交状态转换为现实世界实体的“状态”，例如，大学，职业和地区，以便我们可以将预测结果与现实世界中的事实进行比较和验证。我们提出了一个有效的算法，并评估了一个数据集，包括340万用户从新浪微博。结果表明，使用社交网络数据可以合理准确地预测社会地位。我们还指出了这种方法的挑战和局限性，例如，某些用户的在线流行度和真实世界状态之间的不一致。我们的研究结果为分析在线社交状态和未来社交网络排名方案的设计提供了见解。
2016-04-10 cs.SI physics.soc-ph
Beyond network centrality: Individual-level behavioral traits for predicting information superspreaders in social media
本研究提出一种基于网络的非线性算法，结合影响力和易感性两个个体行为特征，超越网络中心性，有效预测社交媒体中的信息超级传播者，并在Twitter和微博数据上验证了其有效性。
2024-03-17 cs.SI
Predicting complex user behavior from CDR based social networks
呼叫详细记录（CDR）数据集提供了关于个人交互的足够信息，以支持构建和分析详细的经验社交网络。我们采取这样一个数据集，并描述了使用它来创建一个真正的社会网络，尽管高度嘈杂的数据源的各种方式。我们使用由此产生的网络来预测每个人拖欠网络服务付款的可能性，这是一种涉及社会，经济和法律考虑的复杂行为。我们使用从网络中提取的大量特征来构建一个模型，用于预测哪些用户会违约。通过分析特征的相对贡献，我们选择了它们的最佳性能子集，大小从小到中。基于用户保持的密切联系的数量的特征比来自用户的地理位置的特征表现得更好。论文的贡献包括系统的影响分析，呼叫切断的数量上的CDR派生的网络的属性，并通过创建非常大的集合的不同功能，并系统地选择那些表现最好的最终模型，建立复杂的行为模型的方法。
2019-06-10 cs.SI physics.soc-ph
Who Will Share My Image? Predicting the Content Diffusion Path in Online Social Networks
University of California, Davis（加州大学戴维斯分校）；Hanyang University（汉阳大学）
内容流行度预测已经被广泛研究，因为它对Facebook，Instagram，Twitter和Pinterest等社交媒体网站的用户和主机的重要性和兴趣。然而，现有的工作主要集中在使用单个度量（例如喜欢或分享的总数）对流行度进行建模。在这项工作中，我们提出了Diffusion-LSTM，这是一种基于记忆的深度递归网络，可以学习递归地预测图像通过社交网络的整个扩散路径。通过结合用户的社会特征和图像特征，并编码的扩散路径，迄今为止所采取的一个显式的存储单元，我们的模型预测的扩散路径的图像更准确地相比，替代基线，要么只编码图像或社会特征，或缺乏记忆。通过将单个用户映射到用户原型，我们的模型可以推广到训练过程中没有看到的新用户。最后，我们证明了我们的模型的能力，生成的扩散树，并显示生成的树非常类似地面实况树。
2017-11-29 cs.CV cs.SI
Su-RoBERTa: A Semi-supervised Approach to Predicting Suicide Risk through Social Media using Base Language Models
MIDAS Lab（MIDAS实验室）
本文提出Su-RoBERTa，通过微调参数少于500M的RoBERTa模型并利用Reddit的标签与无标签数据，结合GPT-2数据增强解决类别不平衡，以高效计算流程实现社交媒体自杀风险预测，最终取得69.84%的加权F1分数。
2024-12-19 cs.AI cs.HC cs.SI
Jointly Predicting Links and Inferring Attributes using a Social-Attribute Network (SAN)
社会影响和同质性的影响表明，网络结构和节点属性信息都应该通知链接预测和节点属性推理的任务。最近，Yin等人提出了一种属性增强的社会网络，即社会属性网络（SAN），它将网络结构和节点属性相结合，以执行链接预测和属性推理。他们专注于将带重启的随机游走算法推广到SAN框架，并展示了改进的性能。在本文中，我们扩展了SAN框架与几个领先的监督和无监督的链接预测算法，并证明了性能的改善，每个算法的链接预测和属性推理。此外，我们提出了新的观察，即属性推断可以帮助通知链接预测，即，通过首先推断丢失的属性，进一步提高了链接预测的准确性。我们全面评估这些算法，并使用一个新的，大规模的Google+数据集，我们公开提供与其他现有的算法进行比较。
2012-06-22 cs.SI physics.soc-ph
Characterizing and Predicting Social Correction on Twitter
网上的错误信息对公众健康和社会构成了严重威胁。众所周知，社交媒体用户会用反错误信息回复错误信息帖子，这已被证明能有效遏制错误信息的传播。这就是所谓的社会矫正。然而，吸引社会纠正的推文的特征与那些不吸引社会纠正的推文的特征仍然是未知的。为了缩小差距，我们专注于回答以下两个研究问题：（1）“给定一条推文，它会被其他用户反驳吗？”（2）``如果是，反击的力度有多大？''.这种探索将有助于开发机制，以指导用户的错误信息纠正工作，并衡量用户之间的差异谁得到纠正。在这项工作中，我们首先创建了一个新的数据集，其中包含690，047对错误信息推文和反错误信息回复。然后，分层分析的鸣叫语言和参与功能，以及鸣叫海报的用户属性进行说明的因素，是重要的，在决定一条鸣叫是否会得到反击。最后，创建预测分类器来预测错误信息推文被反击的可能性以及该推文被反击的程度。代码和数据可在https://github.com/claws-lab/social-correction-twitter上访问。
2023-03-15 cs.SI
Predicting human mobility through the assimilation of social media traces into mobility models
在不同的空间尺度上预测人类流动流动的挑战是个人轨迹的异质性和交通网络的多尺度性质。随着人类行为的大量数字痕迹变得可用，通过将各种数字平台和位置感知服务收集的关于移动性的代理数据整合到其中来改进移动模型的机会出现了。在这里，我们提出了一个混合模型的人的流动性，集成了一个大规模的公开可用的数据集，从一个流行的照片共享系统与经典的重力模型，在堆栈回归过程。我们使用美国航空旅行和日常通勤的两个地面实况数据集来验证我们方法的性能和可推广性：使用两种不同的交叉验证方案，我们表明混合模型在两个空间尺度上都提供了增强的移动性预测。
2016-02-05 cs.SI physics.soc-ph
Predicting the Role of Political Trolls in Social Media
Sofia University（索非亚大学）；ISI Foundation（ISI基金会）
我们调查了社交媒体中“网络巨魔”的政治角色。政治巨魔，例如与俄罗斯互联网研究机构（IRA）有关的巨魔，最近因其影响公众舆论甚至影响选举的能力而受到极大关注。对巨魔在线痕迹的分析显示了不同的行为模式，这些模式针对不同的人群。然而，这种分析是手动和劳动密集型的，因此作为新发现的巨魔农场的第一响应工具是不切实际的。在本文中，我们展示了如何在现实环境中使用机器学习来自动化这种分析。特别是，我们展示了如何通过使用从社交媒体中提取的特征，即，Twitter，在两个场景中：（i）在传统的监督学习场景中，巨魔的标签可用，以及（ii）在远程监督场景中，巨魔的标签不可用，我们依赖于巨魔提到的新闻媒体的更常见的标签。从技术上讲，我们利用社区结构和巨魔在线社交网络中的消息文本表示为一个图，从中我们提取了几种类型的学习表示，即~为巨魔做的嵌入物在“IRA Russian Troll”数据集上的实验表明，我们的方法在第一种情况下比最先进的方法有所改进，同时为第二种情况提供了一个令人信服的案例，到目前为止，文献中还没有探讨过这种情况。
2019-10-04 cs.AI cs.CL cs.SI
Applying Social Media Intelligence for Predicting and Identifying On-line Radicalization and Civil Unrest Oriented Threats
研究表明，互联网上的各种社交媒体平台，如Twitter、Tumblr（微型博客网站）、Facebook（一个流行的社交网站）、YouTube（最大的视频分享和托管网站）、博客和讨论论坛，正被极端主义团体滥用，用于传播其信仰和意识形态、促进激进化、招募成员和创建共享共同议程的在线虚拟社区。在规划和动员与民间动乱有关的活动期间，Twitter等受欢迎的微博网站被用作信息共享和沟通的实时平台。应用社交媒体情报预测和识别在线激进化和内乱威胁是过去10年来吸引了一些研究人员关注的一个领域。在现有文献中已经提出了几种算法，技术和工具来对抗和打击网络极端主义，并提前预测与抗议相关的事件。在本文中，我们对所有这些现有技术进行了文献综述，并进行了全面的分析，以了解最新技术，趋势和研究差距。我们提出了一个类分类的方法来收集针对我们的研究范围的主题和副主题的学术文章。我们对大约100篇会议和期刊论文进行了表征，分类和深入的Meta分析，以更好地了解现有文献。
2015-11-21 cs.CY cs.SI
Social Promoter Score (SPS) and Review Network: A Method and a Tool for Predicting Financial Health of an Online Shopping Brand
总结顾客对在线购物品牌的产品的评价或情绪的传统方式不足以评估该品牌的财务健康状况。它忽视了个人客户的社会地位和影响力。在本文中，我们提出了一个名为评论网络的工具，用于测量客户在亚马逊等在线商品网站的影响力。使用这种测量的影响力，我们提出了一种方法，根据他们的评级和情绪，他们从在线商品网站上收集的评论来评估品牌的客户忠诚度。一个品牌的评论网络是由该品牌的所有产品的所有评论构建的，其中节点是客户，如果客户成为另一个客户撰写的评论的潜在读者，则会创建边缘。顾客在评论网络中的中心地位代表了她的影响力。我们提出的方法命名为社会促进者得分结合忠诚度和中心的所有客户的品牌。我们比较了我们的方法与基线方法的基础上的概念，净启动分数。我们在Amazon.com上对一些知名品牌的评论数据集进行了社会化推广评分。结果表明，社会促进者得分预测财务健康的品牌在未来的销售远远优于基线方法。我们已经注意到，一般情况下，社交推广得分的影响会在一到五个月内反映在产品销售上。
2018-04-13 cs.SI
Measuring and Predicting Speed of Social Mobilization
个人在社交网络中的大规模动员在社会中的影响力越来越大。然而，很少有人知道招聘人员和新兵的哪些特征会影响一方动员另一方的速度。在这里，我们确定和测量的个人和他们的关系，预测动员速度的特点。我们举办了一场全球社会动员竞赛，记录了参与者和他们招募的人的个人特质。我们确定了这些特征如何与动员速度相对应。当新兵第一次直接从竞赛组织那里听说竞赛时，他们的动员速度更快，而当他们从不那么个人的来源类型（例如家庭与媒体）听到时，他们的动员速度会下降。当招募人员和新兵通过相同的来源类型听说比赛时，动员速度会更快，而当两个人在不同的国家时，动员速度会更慢。女性动员其他女性比男性动员其他男性更快。年轻的招募人员动员其他人的速度更快，而年长的招募人员动员速度更慢。这些研究结果表明工程社会动员任务的相关因素，以提高速度。
2013-10-17 cs.CY cs.SI physics.soc-ph
Composite Social Network for Predicting Mobile Apps Installation
我们通过给参与者提供运行我们传感软件的Android智能手机，对居住在大学研究生宿舍的大部分人口进行了仔细的测量。在本文中，我们提出了预测移动应用程序（称为“应用程序”）安装使用社交网络的新问题，并解释其挑战。现代智能手机，就像我们研究中使用的那些，能够使用内置传感器收集不同的社交网络。(e.g.虽然iPhone AppStore等应用程序市场制造商可以访问这些信息，但尚未研究应用程序市场制造商如何使用这些信息进行营销研究和战略制定。我们开发了一个简单的计算模型，通过使用从手机感知的不同网络计算出的复合网络来更好地预测应用程序安装。我们的模型还捕捉了应用程序采用中的个体差异和外部因素。我们展示了在预测应用程序安装时考虑所有这些因素的重要性，我们观察到令人惊讶的结果，即应用程序安装确实是可预测的。我们还表明，与通用方法相比，我们的模型获得了最佳结果：我们的结果比随机猜测好四倍，并且预测了近45%的用户安装的所有应用程序，精度接近45%（F1得分= 0.43）。
2011-06-02 cs.HC cs.SI physics.soc-ph
Cascade-LSTM: Predicting Information Cascades using Deep Neural Networks
University of South Florida（南佛罗里达大学）
预测动态社会环境中的信息流与当代社会的许多领域相关，从传播医疗保健信息到模因跟踪。虽然预测信息级联的增长已经在不同的社交平台上成功地解决了，但预测信息级联的时间和拓扑结构的探索有限。然而，准确预测有多少用户将发送特定用户的消息以及何时发送对于设计实用的干预技术至关重要。本文利用长短期记忆（LSTM）神经网络技术来预测信息级联的两个时空特性，即个体级信息传输的大小和速度。我们将这些预测算法与级联树的概率生成结合到一个生成测试模型中，该模型能够在Reddit和Github两个不同的平台上准确地生成级联树。我们的方法导致信息传递者的分类准确率超过73%，各种社交平台中的早期传递者的分类准确率为83%。
2020-04-26 cs.LG cs.SI
Towards Successful Social Media Advertising: Predicting the Influence of Commercial Tweets
The Ohio State University（俄亥俄州立大学）
企业出于各种原因使用Twitter进行沟通-提高其品牌的知名度，营销新产品，回应社区评论，并以有针对性的方式与客户和潜在客户联系。对于企业来说，要有效地做到这一点，他们需要了解关于推文的哪些内容和结构元素使其具有影响力，即广泛喜欢，关注和转发。本文提出了一种系统的方法来分析商业推文，并预测其对读者的影响。我们的模型使用装饰和Meta特征的组合，优于基线模型和推文嵌入模型的预测能力。此外，为了展示这项工作的实际用途，我们展示了如何设计一个不成功的推文（例如，改写），以增加其成功的潜力。
2019-10-28 cs.CL cs.IR cs.SI
Predicting Relationship Labels and Individual Personality Traits from Telecommunication History in Social Networks using Hawkes Processes
手机包含了大量的私人信息，所以我们试图保护它们的安全。我们提供了大量的证据表明，个人的心理概况和他们与同龄人的关系可以预测从看似匿名的通信痕迹-电话和短信日志，服务提供商例行收集。基于两个广泛的纵向研究，包括900多名大学生，我们使用点过程模型来描述通信模式。我们自动预测同伴关系类型和时间动态，并评估用户个性的基础上建模。对于某些人格特质，结果与从调查自我报告数据中获得的黄金标准表现相当。研究结果说明了如何信息通常居住在个人的控制之外，可以用来重建敏感信息。
2023-01-25 cs.CY cs.SI
Predicting the Temporal Dynamics of Information Diffusion in Social Networks
在线社交网络在信息大规模传播方面发挥着重要作用，因此必须提供分析这一现象的手段。在本文中，我们解决的问题预测的时间动态的信息扩散过程。我们开发了一种基于图形的方法，建立在这样的假设上，即传播过程的宏观动力学由网络的拓扑结构和通过它发生的交互来解释，在微观层面上的属性的基础上，在用户对之间。我们介绍了一个通用的模型，称为T-BasIC，并描述了如何使用机器学习技术从用户行为估计其参数。与经典的方法，其中的参数是固定的，提前，T-BasIC的参数是依赖于时间的函数，这允许更好地近似和适应在线社交网络中观察到的扩散现象。我们的建议已经在真实的Twitter数据集上得到了验证。实验表明，我们的方法是能够捕捉特定的模式的扩散取决于所研究的子网络的用户和主题。结果证实了“两步”理论（1955年），即信息从媒体流向少数“意见领袖”，然后通过社交网络将其传递给大众，并表明它适用于在线环境。这项工作还强调了有趣的建议，为今后的调查。
2013-03-01 cs.SI physics.soc-ph
Leveraging Prompt-Based Large Language Models: Predicting Pandemic Health Decisions and Outcomes Through Social Media Language
Virginia Tech（弗吉尼亚理工大学）；Cornell University（康奈尔大学）
提出基于提示LLM的RBIC多步推理框架，从反防疫Reddit讨论中提取并追踪要旨，分析其在线参与影响及与疫苗接种、住院趋势的关联。
2024-03-01 cs.AI cs.CL cs.HC
EVOLVE: Predicting User Evolution and Network Dynamics in Social Media Using Fine-Tuned GPT-like Model
School of Computing（计算机学院）；Southern Illinois University Carbondale（南伊利诺伊大学卡本代尔分校）
本研究提出一种基于微调仅解码器类GPT模型（E-GPT）的预测方法，用于预测社交媒体用户演化及网络动态变化，并解决推荐系统等挑战。
2024-07-12 cs.IR cs.LG cs.SI
Predicting Opinion Dynamics via Sociologically-Informed Neural Networks
NTT Human Informatics Labs（NTT人类信息学实验室）；NTT Communication Science Labs（NTT通信科学实验室）
意见的形成和传播是社交网络中的重要现象，已经在多个学科中得到了广泛的研究。传统上，已经提出了意见动态的理论模型来描述个体之间的相互作用（即，社会互动）及其对集体意见演变的影响。虽然这些模型可以结合社会学和心理学知识的机制，社会互动，他们需要大量的校准与真实数据作出可靠的预测，需要大量的时间和精力。最近，社交媒体平台的广泛使用提供了从大量社交媒体数据中学习深度学习模型的新范例。然而，这些方法忽略了任何关于社会互动机制的科学知识。在这项工作中，我们提出了第一种称为社会学信息神经网络（SINN）的混合方法，它通过从自然科学中传输物理学信息神经网络（PINN）的概念来整合理论模型和社交媒体数据（即，物理学）转化为社会科学（即，社会学和社会心理学）。特别是，我们重铸的理论模型为常微分方程（ODE）。然后我们训练一个神经网络，该网络同时逼近数据并符合代表社会科学知识的ODE。此外，我们通过集成矩阵分解和语言模型来扩展PINN，以包含丰富的边信息（例如，用户简档）和结构知识（例如，社会互动网络的集群结构）。此外，我们还为SINN开发了一个端到端的训练过程，其中包括Gumbel-Softmax近似，以包含社会交互的随机机制。在真实世界和合成数据集上的大量实验表明，SINN在预测意见动态方面优于六种基线方法。
2022-07-07 cs.LG cs.SI stat.ML
Predicting engagement in online social networks: Challenges and opportunities
University of Arizona（亚利桑那大学）
自社交媒体引入以来，用户参与或参与很少受到研究关注。在这篇调查文章中，我们建立了参与社交媒体的概念，以及研究人员在探索这一现象时可能面临的主要挑战。我们调查了一些在这方面已经完成的研究文章，并试图提取，分析和总结研究人员执行的技术。我们根据任务定义对这些作品进行了分类，并探索了用于任何参与预测的机器学习模型。我们还探索了大量已被证明有用的功能，并将其分类，以便更好地理解和易于重新实现。我们发现，一项技术的成功主要取决于所研究的网络类型，并且没有通用的机器学习算法或特征集在所有类型的社交媒体中都能很好地工作。在实现最先进的机器学习技术（如神经网络）方面缺乏尝试，并且尚未探索迁移学习和领域自适应的可能性。
2019-07-11 cs.CY cs.LG cs.SI
Diffusive Logistic Model Towards Predicting Information Diffusion in Online Social Networks
在线社交网络最近已成为在数亿最终用户中传播信息和影响力的有效和创新渠道。许多先前的工作已经进行了实证研究，并提出了扩散模型，以了解在线社交网络中的信息扩散过程。然而，这些研究大多集中在时间维度上的信息扩散，即信息如何随时间传播。很少有人试图了解信息扩散的时间和空间维度。本文提出了一种偏微分方程（PDE），具体地说，是一种扩散Logistic（DL）方程来描述在线社交网络中信息扩散的时空特性。更具体地说，我们开发了一个基于偏微分方程的理论框架来测量和预测的密度在给定的距离从原始信息源经过一段时间后的影响用户。受影响的用户在时间和距离上的密度提供了对实际信息扩散过程的有价值的洞察。我们提出的时间和空间模式在一个真实的数据集收集的Digg社会新闻网站，并验证了建议的DL方程预测的信息扩散过程。实验结果表明，DL模型确实能够描述和预测在线社交网络中的信息传播过程。例如，对于Digg中获得24，099票的最热门新闻，DL模型在前6小时内所有距离的平均预测准确率为92.08%。据我们所知，本文是第一次尝试使用偏微分方程为基础的模型来研究在时间和空间两个维度上的在线社交网络中的信息扩散过程。
2011-08-01 cs.SI math.AP physics.soc-ph
Predicting Small Group Accretion in Social Networks: A topology based incremental approach
小群体演化在社会科学和工业中对于理解团队形成的动力学具有核心重要性。大多数研究群体的工作都是在宏观层面上研究任意大小的社区的演化，而本文只研究由对比社会学现象支配的小群体（大小$\leq20$）的演化。鉴于以前的历史，一组演员之间的组合作，我们解决的问题，预测可能的未来组合作。不幸的是，预测组需要从$n \choose r$可能性（其中$r$是组大小，而$n$是参与者的总数）中进行选择，随着组大小的增加，这在计算上变得难以处理。然而，我们对现实世界数据集的统计分析表明，两个过程：外部参与者加入现有群体（增量吸积（IA））或与现有群体的参与者子集合作（子群吸积（SA）），在很大程度上是未来群体形成的原因。这有助于大幅减少$n\choose r$的可能性。因此，我们为组外的不同参与者建立组的连接模型。在本文中，我们已经建立了三个基于拓扑结构的预测模型来研究这些现象。这些模型的性能进行了评估，使用广泛的实验在DBLP数据集。我们的预测结果表明，所提出的模型是显着有用的未来群体预测IA和SA。
2015-07-12 cs.SI physics.soc-ph
Supervised Random Walks: Predicting and Recommending Links in Social Networks
Facebook（脸书）；Stanford University（斯坦福大学）
预测链接的出现是网络中的一个基本问题。在链接预测问题中，我们得到一个网络的快照，并希望推断现有成员之间的哪些交互可能在不久的将来发生，或者我们遗漏了哪些现有交互。虽然这个问题已经得到了广泛的研究，如何有效地结合丰富的节点和边缘属性数据的网络结构的信息的挑战仍然很大程度上开放。我们开发了一种基于监督随机游走的算法，该算法自然地将网络结构的信息与节点和边缘级别的属性相结合。我们通过使用这些属性来引导图上的随机行走来实现这一点。我们制定了一个监督学习任务，其目标是学习一个函数，该函数为网络中的边分配强度，使得随机步行者更有可能访问将来将创建新链接的节点。我们开发了一种有效的训练算法，直接学习边缘强度估计函数。我们在Facebook社交图和大型协作网络上的实验表明，我们的方法优于最先进的无监督方法以及基于特征提取的方法。
2010-11-17 cs.AI cs.DS cs.SI
Predicting Diffusion Reach Probabilities via Representation Learning on Social Networks
Boğaziçi University（博阿齐奇大学）
网络上两个节点之间的扩散到达概率被定义为从一个节点发起的级联到达另一个节点的概率。无限数量的级联将使得能够计算任何两个节点之间的真实扩散到达概率。然而，级联的数量有限，人们通常只能使用所有可用级联中的一小部分。在这项工作中，我们解决的问题，估计扩散到达概率只给出了有限数量的级联和部分信息的基础网络结构。我们提出的策略采用节点表示学习来生成节点嵌入并将其馈送到机器学习算法中，以创建预测扩散到达概率的模型。我们提供了实验分析，在两个现实世界的社交网络上使用综合生成的级联。计算结果表明，在叶栅所占比例较小的情况下，该方法优于现有叶栅计算值。
2019-01-12 cs.LG cs.SI stat.ML
Predicting Community Evolution in Social Networks
如今，不同的社交媒体的持续发展可以在世界范围内观察到。最近深入探索的相关研究领域之一是分析社会媒体中存在的社会社区，并考虑到收集的历史演变链预测其未来的演变。本文提出的这些演化链包含以前时间框架中的组状态及其历史转换，这些转换是使用两种方法中的一种来识别的：稳定组变化识别（SGCI）和组演化发现（GED）。基于观察到的不同长度的进化链，结构网络特征的提取，验证和选择，以及用于学习分类模型。实验研究在三个具有不同配置文件的真实数据集上进行：DBLP，Facebook和波兰博客圈。针对不同的分类器以及从不同长度的进化链中提取的各种描述性特征集，分析了群体预测的过程。结果表明，一般来说，进化链越长，分类模型的预测能力越好。然而，长度为3到7的链使得基于GED的方法几乎达到其最大可能的预测质量。对于SGCI，该值处于最后3至5个周期的水平。
2015-05-07 cs.SI physics.soc-ph
Predicting Users' Value Changes by the Friends' Influence from Social Media Usage
United International University（联合国际大学）；American International University Bangladesh（孟加拉美国国际大学）；Military Institute of Science and Technology（军事科学技术研究所）；Edith Cowan University（伊迪斯科文大学）
基本人类价值观代表了一系列价值观，如安全，独立，成功，善良和快乐，我们认为这些对我们的生活很重要。我们每个人都持有不同的价值观，具有不同程度的重要性。现有的研究表明，一个人的价值观可以从他们的社交网络使用情况中识别出来。然而，一个人的价值优先可能会随着时间的推移而改变，这是由于不同的因素，如生活经历，影响，社会结构和技术。现有的研究没有对用户价值的变化进行任何分析，群体说服，形成社会媒体的使用。在我们的研究中，首先，我们通过社交媒体使用的朋友的影响来预测用户的价值得分。我们提出了一个基于有限信心模型（Bounded Confidence Model，简称BCI）的价值动态模型，该模型来自Facebook中275个不同的自我网络，预测社会影响力如何说服一个人随着时间的推移改变他们的价值。然后，为了更好地预测，我们使用基于粒子群优化的超参数调整技术。我们观察到，这些优化的超参数产生准确的未来价值分数。我们还使用不同的基于机器学习的方法运行我们的方法，并发现支持向量回归（SVR）优于其他回归模型。通过使用SVR的最佳超参数的ESTA模型，我们发现最低的均方误差（MSE）得分0.00347。
2021-09-12 cs.LG cs.SI
Predicting the popularity of information on social platforms without underlying network structure
本研究基于微信和微博数据，提出激活-衰减（AD）算法，仅凭早期转发量即可准确预测社交平台信息长期流行度，并发现峰值转发量与总传播量强相关，优于现有基线方法。
2023-06-21 cs.SI physics.soc-ph
On Predicting Personal Values of Social Media Users using Community-Specific Language Features and Personal Value Correlation
The University of Melbourne（墨尔本大学）；Singapore Management University（新加坡管理大学）
个人价值观对个人的行为、偏好和决策有着重要的影响。因此，一个人的个人价值观可能会影响他或她的社交媒体内容和活动，这并不奇怪。研究人员没有让用户完成个人价值问卷，而是研究了一种非侵入性和高度可扩展的方法，使用用户生成的社交媒体数据来预测个人价值。然而，在设计这种预测模型时，词语使用和概况信息的地理差异是需要解决的问题。在这项工作中，我们专注于分析新加坡用户的个人价值观，并开发有效的模型来预测他们的个人价值观使用他们的Facebook数据。这些模型利用语言调查和单词计数（LIWC）中的单词类别以及个人价值观之间的相关性。LIWC的词汇分类适用于新加坡的非英语词汇。我们将个人价值观之间的相关性纳入我们提出的堆栈模型，包括一个特定于任务的基本模型层和一个十字绣层模型。通过实验，我们表明，我们提出的模型预测的个人价值观与以前的作品有相当大的提高准确性。此外，我们使用堆栈模型来预测一个大型社区的Twitter用户使用他们的公共推文内容的个人价值观，并根据经验得出一些有趣的发现，他们的在线行为与社会科学和社交媒体文献中的早期发现一致。
2020-07-16 cs.LG cs.SI
Predicting the scale limits of social mechanisms in agent societies
University of Osaka（大阪大学）
本文针对智能体社会中社会机制的规模极限问题，提出一种审计方法，通过受控实验确定互惠等机制的规模存续条件，验证了预测方法的有效性，为跨群体规模解读社会机制提供了前瞻性手段。
2026-08-25 cs.MA cs.SI
Style in the Age of Instagram: Predicting Success within the Fashion Industry using Social Media
时尚是一个价值数十亿美元的产业，在全球范围内具有社会和经济影响。为了获得知名度，品牌希望由最受欢迎的模特代表。由于新面孔是使用严格的（经常受到批评的）美学标准选择的，因此信息级联和其他基本的趋势设定机制使\emph{a priori}预测变得困难。然而，社交媒体在行业内外的使用越来越多，可能会影响这一传统系统。因此，我们试图了解Instagram时代时尚模特成功的因素。结合来自全面的在线时尚数据库和流行的移动图像共享平台的数据，我们应用机器学习框架来预测2015年春季、//和夏季的一批新面孔在随后的2015-16年秋季、//和冬季的任期。我们的框架成功地预测了2015年出现的大多数新的流行模型。特别是，我们发现，强大的社交媒体存在可能比与顶级机构签订合同或行业追求的美学标准更重要。
2015-08-18 cs.CY cs.SI physics.soc-ph
Are You Really Hidden? Predicting Current City from Profile and Social Relationship
由于广告垃圾、在线跟踪和身份盗窃等威胁，隐私已成为在线社交网络（OSN）中的主要问题。尽管许多用户在OSN中隐藏或不填写他们的私人属性，但先前的研究指出，隐藏的属性可以从其他一些公共信息中推断出来。因此，用户的私人信息仍然可能处于被暴露的危险之中。然而，很少有工作帮助用户评估隐藏属性可以正确预测的暴露概率/风险，更不用说为他们提供针对性的对策了。在这篇文章中，我们的研究重点是暴露风险评估的一个特定的隐私敏感属性-当前城市-在Facebook上。具体来说，我们首先设计了一种新的当前城市预测方法，揭示用户隐藏的“当前城市”，从他们的自我暴露的信息。基于371，913个Facebook用户的数据，我们验证了我们提出的预测方法可以比最先进的方法更准确地预测用户的当前城市。此外，我们检查的预测结果和模型的当前城市暴露概率通过一些可测量的特征的自我暴露的信息。最后，我们构建了一个暴露估计，以评估当前的城市暴露风险的个人用户，给他们的自我暴露的信息。几个案例研究来说明如何使用我们提出的估计隐私保护。
2015-08-04 cs.SI
Predicting Scientific Success Based on Coauthorship Networks
我们解决的问题，在多大程度上的科学文章的成功是由于社会的影响。从计算机科学领域的10万多份出版物的数据集分析，我们研究如何在合著网络的中心性不同的作者之间的高度引用的论文和那些谁没有。我们进一步表明，仅基于发表时的合著网络中心性度量的机器学习分类器能够高精度地预测一篇文章在发表后五年是否会被高度引用。通过这一点，我们提供了定量的科学出版的社会层面的见解-挑战的看法，引用作为一个客观的，社会公正的措施，科学的成功。
2014-02-28 cs.DL cs.SI physics.soc-ph
Corrective or Backfire: Characterizing and Predicting User Response to Social Correction
本研究针对社交纠正的用户反应尚不明确的问题，基于X平台构建55549组三元组数据集，刻画反应特征并构建预测模型，F1值达0.816，助力优化社交纠正策略以最大化纠正效果、最小化反效果。
2024-03-07 cs.SI
