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
Efficient Inference of Flexible Interaction in Spiking-neuron Networks
Tsinghua University（清华大学）；University of Technology Sydney（悉尼科技大学）
Hawkes过程为分析神经元放电活动的时变相互作用提供了一个有效的统计框架。虽然在许多实际应用中使用，经典的霍克斯过程是无法模拟神经元之间的抑制性相互作用。相反，非线性霍克斯过程允许更灵活的影响模式与兴奋或抑制的相互作用。在本文中，三组辅助潜变量（Pólya-Gamma变量，潜在的标记泊松过程和稀疏变量）被增加，使功能连接权重的高斯形式，这允许一个简单的迭代算法与分析更新。因此，一个有效的期望最大化（EM）算法推导出获得最大后验（MAP）估计。我们证明了我们的算法的准确性和效率性能的合成和真实数据。对于真实的神经记录，我们表明我们的算法可以估计相互作用的时间动力学，并揭示可解释的功能连接的神经尖峰列车。
2021-02-20 cs.LG stat.ML
TiDeH: Time-Dependent Hawkes Process for Predicting Retweet Dynamics
在线社交网络服务允许其用户以文本、图像或视频的形式发布内容。推动内容传播的主要机制是用户重新分享其社交关系发布的内容的可能性，然后这些内容可能会在整个系统中级联。研究信息级联的一个基本问题是，能否建立可靠的数学模型，其参数可根据经验数据加以校准，以便预测一段时间的观测之后级联的未来走向。在本文中，我们专注于Twitter，特别是对原始推文的转发活动的时间模式。我们采用时间依赖霍克斯过程（Time-Dependent Hawkes Process，TiDeH）对系统进行建模，该模型充分考虑了用户的昼夜节律和信息的老化。预测模型的输入是观察到的转发次数和关于底层社交网络的结构信息。我们开发了一个程序参数优化和预测未来的配置文件的转推活动在不同的时间分辨率。我们验证了我们的方法在一个大型语料库的Twitter数据，并证明其系统的改进，在所有的时间制度，现有的方法。
2016-03-31 cs.SI physics.soc-ph
Mining Influentials and their Bot Activities on Twitter Campaigns
Twitter越来越多地用于政治、广告和营销活动，其主要目的是影响用户支持特定的事业、个人或团体。我们提出了一种新的挖掘和分析Twitter活动的方法，包括：（i）收集推文和检测与活动相关的主题;（ii）使用科学计量学方法挖掘重要的活动主题;（iii）使用主题标签和主题熵建模用户兴趣;（iv）使用自适应的PageRank得分识别有影响力的用户;以及（v）用于识别类机器人活动的各种度量和可视化技术。虽然这种方法可推广到多种竞选类型，但我们在2017年德国联邦选举中证明了其有效性。
2020-11-22 cs.SI
TweetCOVID: A System for Analyzing Public Sentiments and Discussions about COVID-19 via Twitter Activities
COVID-19大流行对健康和经济造成广泛影响，影响到全球数百万人。为了更好地了解这些影响，我们推出了TweetCOVID系统，该系统能够使用公共推文了解公众对COVID-19疫情的反应，包括他们在不同时间段和地点的情绪、情感、感兴趣的话题和有争议的讨论。我们还提出了三个示例用例，说明了我们提出的TweetCOVID系统的有用性。
2021-03-02 cs.CY cs.IR cs.SI
Hawkes Process for Understanding the Influence of Pathogenic Social Media Accounts
在过去几年中，网络上的政治事件和公众舆论据称被专门用于在社交媒体上传播虚假信息和进行恶意活动的账户操纵。这些账户通常由恐怖分子支持者、水军或假新闻作者控制，因此可能对社交媒体和公众构成威胁。了解和分析PSM可以帮助社交媒体公司设计复杂和自动化的技术，可以部署这些技术来阻止它们接触受众，从而减少它们的威胁。在本文中，我们利用著名的统计技术“霍克斯过程”来量化PSM帐户对社交媒体平台上恶意信息传播的影响。我们在Twitter上的真实世界ISIS相关数据集上的发现表明，PSM在使消息病毒化方面与普通用户有显着不同。具体来说，我们观察到PSM通常不会发布来自主流新闻来源的URL。相反，他们的推文通常会对受众产生很大的影响，如果包含来自Facebook和其他新闻媒体的URL。相反，普通用户发布的推文无论发布的URL及其来源如何，都会获得几乎相同的印象。我们的研究结果可以进一步揭示理解和检测PSM帐户。
2019-02-05 cs.SI
Interval-censored Transformer Hawkes: Detecting Information Operations using the Reaction of Social Systems
社交媒体正越来越多地被国家支持的行为者武器化，以引发反应，推动叙事和影响公众舆论。这些被称为信息操作（IO）。IO的隐蔽性使其难以被发现。由于用户和内容删除以及隐私要求而导致的数据丢失进一步放大了这一点。这项工作提出了一个假设，即信息作战试图在目标社会系统中引起的反应可以用来检测它们。我们提出了一个区间删失的Transformer Hawkes（IC-TH）架构和一个新的数据编码方案，以占观察到的和丢失的数据。我们推导出一个新的对数似然函数，我们部署在一起的对比学习过程。我们展示了IC-TH在三个真实世界的Twitter数据集和两个学习任务上的性能：未来流行预测和项目类别预测。后者尤其重要。仅使用转发时间和模式，我们就可以预测YouTube视频的类别，猜测新闻出版商是否有信誉或有争议，最重要的是，识别国家支持的IO代理帐户。进一步的定性调查发现，自动发现的俄罗斯支持的代理人集群似乎协调他们的行为，同时激活以推动特定的叙述。
2023-02-23 cs.SI
Plexus: An Interactive Visualization Tool for Analyzing Public Emotions from Twitter Data
研究人员经常使用社交媒体作为获取人们活动和思想的实时数据的方法。Twitter作为当今最流行的社交网络服务之一，提供了关于各种主题和事件的丰富信息流。挖掘和分析推文使我们能够找到公众对活动或对象的反应和情绪。本文提出了一种交互式可视化工具，识别和可视化的人的情绪上的任何两个相关的主题流和处理数据从Twitter的。这种可视化的有效性进行了评估，并与14名参与者的可行性研究证明。
2017-01-24 cs.HC 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
Cheshire: An Online Algorithm for Activity Maximization in Social Networks
Sharif University（谢里夫大学）；IIT Kharagpur（印度理工学院克勒格布尔分校）；Max Planck Institute for Software Systems（马克斯·普朗克软件系统研究所）
用户在社交网络中的参与度主要取决于用户在网络中采取的在线行动的数量。我们能否设计一种算法，找到何时激励用户采取行动，以最大限度地提高社交网络中的整体活动？在本文中，我们建模的在线行动的数量随着时间的推移，使用多维霍克斯过程，推导出这些过程的替代表示的基础上随机微分方程（SDES）的跳跃，并利用这种替代表示，解决上述问题的角度随机最优控制的SDES跳跃。我们发现，激励行动的最佳水平线性依赖于当前的整体行动水平。此外，该线性关系的系数可以通过求解矩阵Riccati微分方程和一阶微分方程来求出，矩阵Riccati微分方程可以被有效地求解，一阶微分方程具有封闭形式的解。因此，我们能够设计一个有效的在线算法，柴郡，抽样的最佳时间的用户的激励行动。从Twitter收集的合成和真实数据的实验表明，我们的算法能够始终最大限度地提高在线行动的数量比最先进的。
2017-03-06 cs.DS cs.LG cs.SI
Hawkes Process Classification through Discriminative Modeling of Text
社交媒体为用户提供了一个收集和分享信息并随时了解新闻的平台。这种网络还为用户提供了一个平台，他们可以在那里进行对话。然而，像Twitter这样的微博平台限制了文本的长度。由于这些帖子中出现的单词数量不足，使用自然语言处理的标准工具对这些信息进行分类是一项具有挑战性的任务。此外，社交媒体中帖子的高度复杂性和动态性使得文本分类成为一个具有挑战性的问题。然而，考虑与帖子相关联的过去标签和时间形式的额外线索可能有助于以更好的方式执行文本分类。为了解决这个问题，我们提出了基于霍克斯过程（HP）的模型，该模型可以自然地将时间特征和过去的标签与文本特征结合起来，以提高短文本分类。特别是，我们提出了一个判别式的方法来模拟文本在HP中的文本特征参数化的基础强度和/或触发内核。另一个主要贡献是考虑内核是时间和文本的函数，并进一步使用神经网络来建模内核。这使得能够建模和有效地学习文本以及推文分类的历史影响。我们证明了所提出的技术的优势，标准的基准谣言立场分类。
2020-10-22 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
Expecting to be HIP: Hawkes Intensity Processes for Social Media Popularity
在线内容流行度的建模和预测是信息传播、广告和消费实践中的一个重要问题。最近对大规模数据集的分析工作推进了我们对流行度的理解，但仍然存在一个主要的差距：精确量化在线商品的流行度与其收到的外部促销之间的关系。这项工作填补了Twitter等公共社交媒体平台的外源投入与YouTube等内容平台内的内源反应之间的缺失环节。我们开发了一个新的数学模型，霍克斯强度过程，它可以解释每个视频的复杂的流行历史，根据其类型的内容，网络的扩散，和推广的敏感性。我们的模型提供了一个视频的原型描述，称为内-外映射。这张图将流行度解释为一个外在因素的结果--视频收到的来自外部世界的促销数量，作用于两个内在因素--对促销的敏感性和内在的病毒性。我们使用这个模型来预测未来的受欢迎程度，并在5个月内对最受欢迎的视频进行促销，并发现它将基于受欢迎程度历史的方法的平均误差降低了28.6%。最后，我们可以识别出那些有很大潜力成为病毒式传播的视频，以及那些促销几乎没有任何效果的视频。
2017-09-08 cs.SI
Evently: Modeling and Analyzing Reshare Cascades with Hawkes Processes
在线话语动态建模是理解离线和在线信息传播以及新兴在线行为的核心活动。目前，在线社会媒体分析的从业人员-通常是社会、政治和传播科学家-与能够检查用户在线讨论的工具的可获得性之间存在脱节。在这里，我们evently提出，一个工具，用于建模在线转发级联，特别是转发级联，使用自激过程。它提供了一套全面的功能，用于处理来自Twitter公共API的原始数据，对已处理的转发级联的时间动态进行建模，并通过广泛的扩散措施来表征在线用户。该工具专为具有广泛计算机专业知识的研究人员设计，包括教程和详细文档。我们通过对与COVID-19相关的主题数据集的在线用户行为进行端到端分析来说明evently的使用。我们表明，通过仅根据用户的内容如何在网上传播来描述用户，我们可以将有影响力的用户和在线机器人分开。
2021-01-08 cs.CY cs.SI
DomainDemo: a dataset of domain-sharing activities among different demographic groups on Twitter
本文提出DomainDemo数据集，通过将Twitter上共享的域名与150万美国选民的人口特征关联，生成了量化网站地理覆盖和意识形态倾向等五个指标，为研究不同群体十年间的信息流动与公共话语趋势提供了可靠资源。
2025-07-16 cs.CY cs.SI
Examining Factors Associated with Twitter Account Suspension Following the 2020 U.S. Presidential Election
在线社交媒体使人们能够就许多社会政治问题进行大众化、透明化和民主化的讨论。由于这种开放性，这些平台经常遭受操纵和错误信息-导致负面影响。为了防止这种有害的活动，平台版主采取对策，以防止行为者违反他们的规则。然而，公开概述的政策和就业行动之间的相关性对普通人来说不太清楚。在这项工作中，我们研究了与2020年美国总统选举有关的违规行为和随后的节制在Twitter上的讨论，Twitter是一个受欢迎的微博网站。我们专注于量化合理的原因暂停，借鉴Twitter的规则和政策，通过识别暂停用户（案例），并比较他们的活动和属性与（尚未）非暂停（控制）用户。使用由2100万独立用户发出的2.4亿条与选举相关的推文的数据集，我们观察到，在所有考虑的方面-仇恨言论，攻击性，垃圾邮件和公民诚信-暂停用户违反Twitter规则的比率（统计学显著）高于控制用户。此外，通过Twitter的暂停机制的镜头，我们定性地检查有针对性的主题操纵。
2021-01-23 cs.SI
Simulating User-Level Twitter Activity with XGBoost and Probabilistic Hybrid Models
University of South Florida（南佛罗里达大学）
Volume-Audience-Match模拟器（VAM）被用来预测Twitter上与国际经济事务相关的未来活动。应用VAM进行时间序列预测，以预测：（1）总活动数，（2）活跃的老用户数，（3）从预测开始时间起24小时内的新活跃用户数。VAM然后使用这些卷预测来执行用户链接预测。用户-用户边被分配给24个未来时间步中的每个活动。VAM在时间序列和用户分配任务中的表现都大大优于一组基线模型
2022-02-18 cs.CY cs.LG 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
Characterizing People's Daily Activity Patterns in the Urban Environment: A Mobility Network Approach with Geographic Context-Aware Twitter Data
人们在城市环境中的日常活动是复杂的，因人而异。使用移动电话数据的现有研究揭示了人们日常生活中独特和经常性的过渡活动模式，称为移动性图案。然而，仅使用少数推断活动类型的限制阻碍了我们详细检查一般模式的能力。我们提出了一个移动网络的方法与地理上下文感知的Twitter数据，调查粒度的日常活动模式在城市环境中。我们首先利用可公开访问的地理定位推文来跟踪美国两个主要城市的个人活动：芝加哥和大波士顿，其中每个记录的位置都与其最近的土地使用地块相关联，以丰富其地理背景。一个直接的移动性网络表示所选择的活动用户的日常位置历史，其中的节点是具有语义标记的活动类型的物理位置，和边缘表示的过渡。通过分析移动网络的同构结构，发现了16种基于位置的基序，这些基序描述了两个城市超过83%的网络，与以前的研究结果相当。通过对两个活动之间的过渡进行详细的语义标注，我们进一步将一般的基于位置的模体分解为基于活动的模体，其中16个常见的基于活动的模体描述了两个城市日常活动中超过57%的过渡行为。地理定位的Twitter数据与土地使用地块的合成地理背景的整合，使我们能够揭示独特的活动图案，形成嵌入在复杂的城市活动的基本元素。
2020-12-12 cs.SI physics.soc-ph
Influence of NaMo App on Twitter
社交媒体在当今社会中发挥着至关重要的作用。它导致人们如何联系和沟通，传达和交流思想的范式变化。此外，社交媒体已发展成为消费者的关键知识网络，也影响决策。在选举中，社交媒体成为政治竞选活动的一个组成部分，以接触更多的受众并获得更多的支持。2019年人民院选举见证了Twitter、Facebook和WhatsApp等在线社交媒体平台的使用量大幅飙升;每个主要政党都推出了自己有组织的社交媒体活动。2014年，印度人民党（BJP）通过推出其应用程序- NaMo App在组织竞选活动方面领先一步。我们将研究重点放在2019年Lok Sabha选举和CAA抗议活动期间的Twitter和NaMo App上。Twitter是一个平台，每个人都可以表达自己的观点，没有偏见。相比之下，NaMo App是第一个以特定政党为中心的应用程序之一。它充当了印度人民党组织政治运动的数字媒体，使人民的意见对他们有利。本研究旨在描述NaMo应用程序在更传统的网络中的作用，如Twitter在塑造政治话语中的作用，并研究在线回声室的存在。我们首先分析了在Twitter上使用NaMo应用程序共享的内容的数量和类型。我们对回音室的存在进行了内容和网络分析。我们还应用Hawkes过程来观察NaMo App对Twitter的影响。通过这项研究，我们可以得出结论，使用NaMo App分享内容的用户可能是在线回声室的一部分，很可能…
2021-09-04 cs.SI
Detecting False Rumors from Retweet Dynamics on Social Media
众所周知，虚假的谣言对社会有不利影响。为了防止虚假谣言的传播，Twitter等社交媒体平台必须及早发现它们。在这项工作中，我们开发了一种新的概率混合模型，根据潜在的传播过程对真假谣言进行分类。具体来说，我们的模型是第一个正式的自我兴奋的性质的真实与虚假的转发过程。这导致了一种新的混合标记的霍克斯模型（MMHM）。因此，我们的模型避免了特征工程的需要;相反，它直接对传播过程进行建模，以便推断网络谣言是否不正确。我们的评估是基于13,650个转发级联的两个真的。来自Twitter的虚假谣言我们的模型识别虚假谣言的平衡准确率为64.97%，AUC为69.46%。它比最先进的基线（神经和特征工程）有相当大的优势，但同时也是完全可解释的。我们的工作对从业者有直接的影响：它利用传播过程作为一个隐含的质量信号，并在此基础上检测虚假内容。
2022-04-03 cs.SI stat.AP
DECIFE: Detecting Collusive Users Involved in Blackmarket Following Services on Twitter
Twitter的流行助长了各种欺诈性用户活动的出现-其中一种活动是通过在短时间内获得大量追随者来人为地提高Twitter个人资料的社会声誉。许多用户希望获得追随者，以增加他们的个人资料的可见性和广泛的受众。这已经引起了一些黑市服务，以一种串通的方式通过网络提供人工关注者的同意和妥协的帐户，以获得巨大的关注。他们的活动很难被发现，因为黑市服务以这样一种方式塑造他们的行为，即这些服务的一部分用户将自己伪装成真正的用户。在本文中，我们提出了DECIFE，一个框架来检测参与生产“以下”活动，通过黑市服务的意图，以获得勾结的追随者作为回报的串通用户。我们首先构建了一个异构的用户推文主题网络，利用追随者/followee的关系和语言属性的用户。然后将异构网络分解为四个不同的子图，以捕获用户之间的语义关系。提出了一种基于注意力的子图聚合网络来学习和组合每个子图的节点表示。最后将组合表示传递到超球学习目标以检测合谋用户。在我们策划的数据集上进行了全面的实验，通过将DECIFE与其他最先进的方法进行比较来验证其有效性。据我们所知，这是第一次尝试检测参与Twitter黑市“跟踪服务”的串通用户。
2021-07-24 cs.SI
Self-exciting point process modeling of conversation event sequences
霍克斯类型的自激过程已被用于模拟各种现象，包括地震，神经活动和在线视频的观看。对时间网络的研究表明，个体的社会事件时间序列具有高度的突发性。我们研究了Hawkes自激过程所产生的事件序列的一些基本性质，表明它在很宽的参数范围内产生突发的interevent时间。然后，我们将该模型与日本公司办公室记录的对话序列数据相拟合。通过这种方式，我们可以估计自激的相对大小，它的时间衰减，以及独立于自激的基本事件率。这些变量高度依赖于个人。我们还指出Hawkes模型的一个重要局限性，即间隔时间的相关性和突发性不能独立地调节。
2013-07-06 cs.SI physics.soc-ph
Dynamic Hawkes Processes for Discovering Time-evolving Communities' States behind Diffusion Processes
NTT Corporation（日本电信电话株式会社）；Kyoto University（京都大学）
包括传染病爆发、社交网络活动和犯罪在内的一系列事件无处不在，关于这些事件的数据携带了关于社区之间潜在扩散过程的基本信息（例如，区域、在线用户组）。对扩散过程进行建模和预测未来事件在许多应用中至关重要，包括流行病控制、病毒营销和预测性警务。Hawkes过程提供了一个模拟扩散过程的中心工具，其中来自过去事件的影响由触发核描述。然而，控制每个社区如何受到过去事件影响的触发内核参数被假设为随时间推移是静态的。在现实世界中，扩散过程不仅取决于过去的影响，而且还取决于社区的当前（时间演变）状态，例如，人们对疾病的认识和人们当前的兴趣。在本文中，我们提出了一种新的霍克斯过程模型，能够捕捉背后的扩散过程的社区状态的基本动力学和预测的基础上发生的事件的动力学。具体来说，我们的潜在的动态功能，编码这些隐藏的动态混合神经网络。然后利用潜在动态函数及其积分设计触发核。所提出的方法，称为DHP（动态霍克斯过程），提供了一种灵活的方式来学习复杂的表示的时间演变社区的状态，而在同一时间，它允许计算的确切的可能性，这使得参数学习听话。在四个真实事件数据集上的大量实验表明，DHP优于五种广泛采用的事件预测方法。
2021-06-06 cs.LG cs.SI
A Dynamical Model of Twitter Activity Profiles
大数据时代的到来使许多研究人员能够深入研究各种社会技术系统，包括社交媒体平台。特别是，这些系统为他们提供了某些可验证的手段来研究人类行为的某些方面。在这项工作中，我们特别感兴趣的是社交媒体平台上个人的行为--他们如何处理所获得的信息以及如何分享信息。我们研究Twitter以了解用户发布活动背后的动态--推文和转发--放大热门话题。考虑了三种机制：内源性刺激，外源性刺激，以及一种机制，它决定了人口的兴趣衰减的主题。我们提出了一个模型，其中包含两个参数$η^\star$和$λ$，用于描述用户的推文行为，这使我们能够重建Lehmann等人（2012）关于流行Twitter主题标签的时间分布的研究结果。有了这个模型，我们能够准确地再现Twitter上用户参与的时间概况。此外，我们介绍了一种替代分类的集体活动的社会技术系统的基础上的模型。
2015-08-28 cs.CY cs.HC cs.SI
Cohesion and Coalition Formation in the European Parliament: Roll-Call Votes and Twitter Activities
Jožef Stefan Institute（约瑟夫·斯蒂芬研究所）；Université Panthéon-Sorbonne（巴黎第一大学）；Paris School of Economics（巴黎经济学院）
我们通过分析欧洲议会议员在政策制定过程中两个完全不同的方面来研究第八届欧洲议会（2014- 2019）政治团体内部的凝聚力和联盟。一方面，我们分析他们的共同投票模式，另一方面，他们的转推行为。我们在分析中使用了两个不同的数据集。第一个是唱名投票数据集，其中凝聚力被认为是一个群体内共同投票的趋势，当几个群体的成员在一个主题上表现出高度的共同投票一致性时，就会形成联盟。第二个数据集来自Twitter;它捕获了转发（即，赞同）的行为，并意味着凝聚力（同一组内的转发）和联盟（组之间的转发）从一个完全不同的角度。我们采用两种不同的方法来分析凝聚力和联盟。第一个是基于Krippendorff的Alpha可靠性，用于测量数据分析场景中评分者之间的一致性，第二个是基于指数随机图模型，通常用于社会网络分析。我们给出了一般的见解，在欧洲议会的政治团体的凝聚力，探讨联盟是否以相同的方式形成不同的政策领域，并检查在何种程度上的欧洲议会议员的转发行为对应于他们的共同投票模式。我们工作的一个新颖而有趣的方面是共同投票和转发模式之间的关系。
2016-10-14 cs.CL cs.CY 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
When Do Users Change Their Profile Information on Twitter?
我们可以看到个人资料信息，如名称，描述和位置，以了解社交媒体上的用户。然而，该简档信息并不总是固定的。如果用户的生活发生变化，则配置文件信息将发生变化。在这项研究中，我们专注于用户的个人资料信息的变化，并分析这些变化的时间和原因在Twitter上。结果表明，日本用户的个人资料信息变化的高峰出现在四月，但没有观察到这样的趋势，全年的英语用户。我们的分析还显示，英国用户最常在生日时更改名字，而日本用户更改名字是因为他们的Twitter参与度和活动随着时间的推移而减少。
2017-11-25 cs.SI
Analyzing Social Media Activities at Bellingcat
开源新闻作为媒体生态系统中的一种新现象出现，它使用众包来进行事实核查，并使用开源为世界事件生成调查报告（例如，社交媒体）。一个特别突出的例子是Bellingcat。Bellingcat以调查叙利亚战争期间非法使用化学武器，俄罗斯对击落MH17航班的责任，确定企图谋杀阿列克谢·纳瓦尔尼的肇事者以及俄乌战争中的战争罪而闻名。这方面至关重要的是社会媒体，以便传播调查结果和众包事实核查。在这项工作中，我们在Twitter上Bellingcat的社交媒体活动的特点。为此，我们建立了一个全面的数据集，包含Bellingcat自2014年7月成立以来在Twitter上发布的所有N= 24，682条推文。我们的分析是三方面的：（1）我们分析了Bellingcat如何使用Twitter来传播信息并从其追随者中收集信息。在这里，我们发现随着时间的推移，帖子和回复都在稳步增加，特别是在俄乌战争期间，这与Bellingcat对传统媒体生态系统日益增长的重要性相符。(2)我们确定了成功吸引用户参与的帖子的特征。对于嵌入额外媒体项目和具有更负面情绪的帖子，用户参与度特别大。(3)我们研究了追随者基地如何应对俄罗斯入侵乌克兰。在这里，我们发现情绪变得更加两极化和消极。我们将此归因于与Bellingcat帐户交互的机器人数量增加了约13倍。总的来说，我们的研究结果为Bellingcat等开源新闻业如何在社交媒体上…
2023-03-03 cs.SI
COVID-19's (mis)information ecosystem on Twitter: How partisanship boosts the spread of conspiracy narratives on German speaking Twitter
2019年末，百年来最严重的疫情开始在全球蔓延。此后，与SARS-CoV-2相关的不确定性状态在社交媒体上引发了关于COVID-19的起源、传播、医疗和疫苗接种的阴谋论。利用社交媒体情报来监测和了解阴谋叙事的扩散是分析关于大流行病的错误信息分布的一种方法。我们分析了超过950万条关于COVID-19的德语推文。结果显示，所有这些推文中只有约0.6%涉及阴谋论叙事。我们还发现，用户的政治取向与用户传播阴谋叙事的内容量相关，这意味着党派传播者有更高的动机参与Twitter上的阴谋讨论。最后，我们发现，与其他研究相反，自动账户不会显著影响德语Twitter领域错误信息的传播。他们只占我们数据库中所有阴谋相关活动的1.31%。
2020-09-27 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
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
Inferring Fine-grained Details on User Activities and Home Location from Social Media: Detecting Drinking-While-Tweeting Patterns in Communities
University of Rochester（罗切斯特大学）
几乎所有以前关于从社交媒体地理定位潜在状态和活动的工作都混淆了关于活动的一般讨论，过去或未来参与这些活动的用户的自我报告，以及在活动发生的即时时间和地点进行的自我报告。饮酒等活动可能发生在不同的地方和不同类型的地方，不仅要检测这些活动发生的地方区域，而且要分析当地居民参与这些活动的程度。在本文中，我们开发了新的基于机器学习的方法，用于从Twitter数据中精细定位活动和家庭位置。我们应用这些方法来发现和比较酒精消费模式在一个大的城市地区，纽约市，和一个更郊区和农村地区，门罗县。我们发现，一个社区的Twitter用户和酒精出口的密度之间的酒精消费率呈正相关，表明城市和郊区之间的相关程度显着不同。虽然我们的实验主要集中在酒精使用上，但我们用于定位家庭和区分时间特定的自我报告的方法适用于广泛的行为和潜在状态。
2016-03-10 cs.AI cs.SI
Climate Policy Elites' Twitter Interactions across Nine Countries
George Mason University（乔治梅森大学）；Aalto University（阿尔托大学）；University of Helsinki（赫尔辛基大学）；Memorial University of Newfoundland（纽芬兰纪念大学）；Dublin City University（都柏林城市大学）；University of Technology Sydney（悉尼科技大学）；University of Bern（伯尔尼大学）；The National Institute for Space Research (INPE)（巴西国家空间研究所）；Masaryk University（马萨里克大学）；Indian Institute of Technology Kanpur（坎普尔印度理工学院）；Edinburgh Napier University（爱丁堡纳皮尔大学）
研究九国904个气候政策行为者的推特互动，发现国家系统间直接互动少，但通过国际组织、活动家和研究者内容间接连接。
2026-06-15 cs.CY cs.SI
CD-SEIZ: Cognition-Driven SEIZ Compartmental Model for the Prediction of Information Cascades on Twitter
信息传播社交媒体平台已成为无处不在，在我们的生活中，由于病毒式的信息传播，无论其真实性。一些信息级联被证明是病毒式的，因为它们在互联网上迅速传播。操纵或迷失方向的真实信息（假新闻）的不可控制的病毒式传播可能是相当有害的，而真实新闻的传播是有利的，特别是在紧急情况下。我们通过提出一种新的SEIZ（易感/暴露/感染/怀疑）模型变体来解决预测信息级联的问题，该模型通过考虑用户的认知处理深度来优于原始版本。我们将信息级联定义为社交媒体用户对原始内容的反应集，这至少需要最小的身体和认知努力;因此，我们考虑了转发/回复/引用（提及）活动，并在2018年4月1日至2019年4月30日的叙利亚白盔Twitter数据集上测试了我们的框架。在级联模式的预测通过传统的房室模型，所有的活动进行分组，并考虑其总和;然而，隔间之间的转换率应根据活动类型而变化，因为他们的身体和认知努力的要求是不一样的。基于这一假设，我们设计了一个认知驱动的SEIZ（CD-SEIZ）模型来预测Twitter上的信息级联。我们在1000个Twitter级联上测试了SIS、SEIZ和CD-SEIZ模型，发现CD-SEIZ的拟合误差显著较低，并且提供了统计上更准确的估计。
2020-08-28 cs.IT cs.SI math.IT
Visualizing the "Heartbeat" of a City with Tweets
本研究利用纽约市超600万条地理定位推文，构建推文地理密度动态图，揭示城市昼夜“心跳”与通勤模式，量化工作日与周末行为差异，并分析特定活动与个体对Twitter活跃度的影响，为理解城市动态提供新视角。
2014-11-03 cs.CY cs.SI physics.soc-ph
U.S. Religious Landscape on Twitter
焦虑是塑造人类社会的强大力量，影响着经济增长或应对疾病的能力等多个领域。随着越来越多的宗教领袖和组织以及信徒开始使用社交网站（例如，Twitter、Facebook），在线活动成为传统宗教仪式和实践的重要延伸。然而，一直缺乏对在线社交网络中宗教信仰的研究。本文基于对超过25万美国用户的分析，对Twitter上宗教信仰的几个重要方面进行了理解，这些用户自我宣布了他们的宗教/信仰，包括无神论，佛教，基督教，印度教，伊斯兰教和犹太教。具体而言，（i）我们研究了Twitter和离线调查之间宗教人士地理分布的相关性。(ii)我们分析用户的推文和网络，以识别每个宗教团体的区别特征，并探索监督方法来识别不同宗教的信徒。(iii)我们研究了不同宗教团体的联系偏好，并观察到Twitter用户与其他共享相同宗教的人联系的强烈偏好。
2014-09-30 cs.SI physics.soc-ph
Measuring COVID-19 Related Media Consumption on Twitter
本论文通过定量分析Twitter上基于COVID-19关键词匹配的推文，利用加权活动指标构建矩阵，首次在国际范围内调查了媒体消费的地理模式及其与政治偏好的关联。
2023-09-16 cs.CY cs.SI
The Anatomy of Conspirators: Unveiling Traits using a Comprehensive Twitter Dataset
University of Pisa（比萨大学）；National Research Council（意大利国家研究委员会）
本研究提出一种独立于特定阴谋论的数据收集方法，构建包含15K账户和3700万条推文的Twitter数据集，通过对比分析发现阴谋用户与普通用户在行为、主题和立场上差异显著，并开发出F1分数达0.94的高精度分类器以识别此类用户。
2024-02-05 cs.CL cs.SI
Do You Do Yoga? Understanding Twitter Users' Types and Motivations using Social and Textual Information
Purdue University（普渡大学）
利用社交媒体数据来了解人们的生活方式选择是一个令人兴奋的领域，但需要对数据进行多视图制定。在本文中，我们提出了一个联合嵌入模型的基础上融合的神经网络与注意力机制，通过结合用户的社会和文本信息，了解他们的活动和动机。我们使用Twitter上与健康相关的推文，重点关注“瑜伽”。我们在两个下游任务上展示了我们的模型：（i）找到用户类型，例如从业者或促销（推广瑜伽工作室/健身房），其他;（ii）找到用户动机，即健康益处，灵性，喜欢推/转推瑜伽但不练习瑜伽。
2021-01-27 cs.AI cs.CL cs.CY
An End-to-End Framework to Identify Pathogenic Social Media Accounts on Twitter
Arizona State University（亚利桑那州立大学）
致病性社交媒体（PSM）账户，如恐怖分子支持者账户和假新闻作者，有能力以病毒的方式传播虚假信息。早期检测PSM帐户至关重要，因为它们可能是使恶意信息“病毒式传播”的关键用户。在本文中，我们采用了因果推理框架以及基于图形的指标，以区分PSM正常用户在很短的时间内，他们的活动。我们提出了监督和半监督的方法，而不考虑网络信息和内容。来自Twitter的真实数据集的结果突出了我们提出的框架的优势。我们表明，我们的方法实现了0.28改善F1得分比现有的方法，精度为0.90和F1得分为0.63。
2019-05-04 cs.IR cs.LG cs.SI
Correlated Cascades: Compete or Cooperate
在现实世界的社交网络中，存在多个级联，它们很少是独立的。他们通常相互竞争或合作。受社会学中的强化理论的启发，我们利用这样一个事实，即用户对任何行为的采用都是由其邻居的行为聚合来建模的。我们使用一个多维标记霍克斯过程来模拟用户的产品采用，从而在社交网络的级联传播。由此产生的推理问题被证明是凸的，并通过使用障碍方法并行求解。所提出的模型的优点是双重的，它的模型相关的级联，也学习潜在的扩散网络。在Twitter、URL缩短和音乐流媒体服务中收集的合成数据集和两个真实数据集上的实验结果表明，所提出的模型优于其他模型。
2016-11-22 cs.SI
Prediction of employment and unemployment rates from Twitter daily rhythms in the US
通过使用移动或社交网络上人类活动的数字痕迹对宏观经济指标进行建模，我们可以为以前仅通过纸质调查或民意调查评估的过程提供重要的见解。我们从在线社交网络Twitter上每小时发送的消息的标准化数量中收集了美国各县的汇总工作日活动时间表。在本文中，我们展示了县就业和失业统计数据是如何通过将活动时间线分解为两种主要模式的线性组合来编码在人们的日常节奏中的。这些模式的混合比率定义了每个县的衡量标准，与就业率（$0.46\pm0.02$）和失业率（$-0.34\pm0.02$）显著相关。因此，这两种主要的活动模式可以与个体存在或缺乏规律工作时间的节律信号联系起来。该分析可以让决策者更好地了解就业过程，不仅可以根据正式登记的失业人数，还可以根据人们在不同平台上留下的数字足迹来确定问题。
2017-04-06 cs.SI physics.soc-ph
Understanding Information Spreading in Social Media during Hurricane Sandy: User Activity and Network Properties
许多人在灾害期间使用社交媒体寻求信息，但无法获得传统的信息源。在这项研究中，我们分析了Twitter数据，以了解飓风桑迪期间社交媒体用户的信息传播活动。我们根据活动水平创建Twitter用户的多个子图，并分析子图的网络属性。我们观察到，用户信息共享活动遵循幂律分布，这表明存在一些高度活跃的节点在传播信息和许多其他节点不太活跃。我们还观察到足够接近的连接组件和隔离在所有级别的活动，网络变得不那么可传递，但更大的子图的可预测性。我们还分析了用户活动和可能影响用户行为的特征之间的关联，以在危机期间传播信息。如果用户在网络中处于中心位置，不那么古怪，并且拥有更高的学位，那么他们在传播信息方面会变得更加活跃。我们的分析提供了关于如何利用用户特征和网络属性来传播信息或限制危机事件期间错误信息传播的见解。
2017-06-09 cs.SI
Machine Learning-based Approach for Depression Detection in Twitter Using Content and Activity Features
Al Imam Mohammad Ibn Saud Islamic University（伊玛目穆罕默德·本·沙特伊斯兰大学）；King Saud University（沙特国王大学）
Facebook、Twitter和Instagram等社交媒体渠道永远改变了我们的世界。人们现在比以往任何时候都更加紧密地联系在一起，并揭示了一种数字人格。虽然社交媒体确实有几个显著的特点，但缺点也是不可否认的。最近的研究表明，社交媒体网站的高使用率与抑郁症增加之间存在相关性。本研究旨在利用机器学习技术检测一个可能抑郁的Twitter用户的基础上，他/她的网络行为和鸣叫。为此，我们训练和测试了分类器，以区分用户是否抑郁或不使用从他/她在网络和推文中的活动提取的特征。结果表明，使用的特征越多，检测抑郁用户的准确率和F-测量分数越高。这种方法是一种数据驱动的预测方法，用于早期检测抑郁症或其他精神疾病。本研究的主要贡献在于探索部分特征及其对抑郁水平检测的影响。
2020-03-09 cs.LG cs.SI stat.ML
Semi-Supervised Spam Detection in Twitter Stream
Twitter上大多数现有的垃圾邮件检测技术旨在识别和阻止发布垃圾推文的用户。在本文中，我们提出了一个半监督式垃圾邮件检测（S3 D）的垃圾邮件检测框架，在推文级。该框架由两个主要模块组成：垃圾邮件检测模块运行在实时模式下，模型更新模块运行在批处理模式下。垃圾邮件检测模块由四个轻量级检测器组成：（i）黑名单域检测器，用于标记包含黑名单URL的推文;（ii）近似重复检测器，用于标记与预先标记的推文近似重复的推文;（iii）可靠的火腿检测器，用于标记由可信用户发布的不包含垃圾邮件的推文;以及（iv）基于多分类器的检测器标记剩余的推文。检测模块所需的信息基于在前一时间窗口中标记的推文以批处理模式更新。大规模数据集上的实验表明，该框架自适应地学习新的垃圾邮件活动的模式，并保持良好的准确性，垃圾邮件检测推文流。
2017-02-02 cs.CR cs.IR cs.SI
Analysis of Twitter Users' Lifestyle Choices using Joint Embedding Model
Purdue University（普渡大学）
本文提出一种结合社交和文本信息的联合嵌入模型，用于学习情境化用户表示，以分析Twitter用户在瑜伽和生酮饮食等活动中的生活方式选择及动机，实验证明该模型在两个领域均提升了性能。
2021-05-04 cs.AI cs.CL cs.CY
What are Your Pronouns? Examining Gender Pronoun Usage on Twitter
本文基于超20亿条推文首次实证研究Twitter性别代词使用，发现声明代词者增多且以she系列为主，并能通过帖子和分享行为区分不同性别认同用户，揭示社交网络接触与代词采用的关系，为性别公平与包容研究开辟新方向。
2023-10-27 cs.SI
Do you really follow them? Automatic detection of credulous Twitter users
在线社交媒体代表了一个无处不在的信息来源，能够接触到大量的受众。可悲的是，最近的研究表明，在线社交机器人（自动化的，通常是恶意的帐户，填充社交网络并模仿真正的用户）能够以数量级放大（虚假）信息的传播。使用Twitter作为基准，在这项工作中，我们专注于我们定义的轻信用户，即，人工操作的账户，其追随者中机器人的比例很高。由于更容易受到社交机器人的有害活动的影响，轻信的用户可能会比其他用户受到更大的影响;更糟糕的是，尽管他们在不知不觉中，他们可能会成为误导性信息的传播者（例如，通过转发机器人）。我们设计和开发了一个监督分类器，自动识别轻信用户。最好的测试配置实现了93.27%的准确度和0.93的AUC-ROC，从而产生了积极和令人鼓舞的结果。
2019-09-09 cs.CY cs.SI
Trust and Believe -- Should We? Evaluating the Trustworthiness of Twitter Users
Tampere University（坦佩雷大学）
社交网络和微博客服务，如Twitter，在分享数字信息方面发挥着重要作用。尽管社交媒体很受欢迎，也很有用，但它们经常被腐败的用户滥用。其中一种邪恶的活动就是所谓的假新闻--一种由于社交媒体平台提供的友好环境而迅速传播的“病毒”。假新闻的广泛传播正在成为一个重大问题，对个人和社会产生深远的负面影响。因此，识别社交媒体上的假新闻是一个至关重要的问题，不仅吸引了研究界的兴趣，也吸引了双方的大多数大公司的兴趣-例如Facebook，在行业方面，以及社会方面的政党。在这项工作中，我们创建了一个模型，通过这个模型，我们希望能够提供一个解决方案，在社交网络社区中灌输信任。我们的模型分析了Twitter上50，000名政客的行为，并根据收集和分析的几个特征和属性为每个受评估的用户分配影响力得分。接下来，我们使用随机森林和支持向量机分类器将政治Twitter用户分类为值得信赖或不值得信赖。一个主动学习模型已被用来分类任何未标记的模糊记录从我们的数据集。最后，为了衡量所提出的模型的性能，我们使用准确性作为主要的评估指标。
2022-10-27 cs.LG cs.SI
Credulous Users and Fake News: a Real Case Study on the Propagation in Twitter
最近的研究证实了一个日益增长的趋势，特别是在年轻人中，使用在线社交媒体作为最喜欢的信息平台，而不是传统的大众媒体。事实上，它们可以很容易地以高速到达广泛的受众;但正是因为如此，它们才是通过所谓的假新闻影响公众舆论的首选媒介。此外，人们普遍认为，假新闻的主要载体是自动与人类用户交互的恶意软件机器人（机器人）。在以前的工作中，我们已经考虑了标记人类用户在在线社交网络的轻信用户的问题。具体来说，我们已经考虑轻信那些与社交好友总数相比，机器人好友数量相对较高的用户。我们认为这组用户值得关注，因为他们可能更容易受到恶意活动的影响，并且他们可能通过分享可疑内容来传播虚假信息。在这项工作中，从假新闻的数据集开始，我们调查的行为和轻信的用户在假新闻传播的参与程度。该研究旨在：（i）通过考虑轻信用户传播的内容来打击假新闻;（ii）突出轻信用户与假新闻传播之间的关系;（iii）通过专注于分析更容易受到机器人恶意活动影响的特定账户来检测假新闻。我们的第一个结果表明，轻信的用户强烈参与了假新闻的传播。这一发现需要一些工具，通过对轻信的用户行为执行数据流，使我们能够执行有针对性的事实核查。
2020-05-07 cs.IR cs.SI
How Twitter Data Sampling Biases U.S. Voter Behavior Characterizations
在线社交媒体是公众讨论政治问题的重要平台。因此，研究人员利用这些平台的数据来分析民意和预测选举结果。最近的研究揭示了恶意社交机器人和巨魔等不真实行为者的存在，这表明并非每条消息都是合法用户的真实表达。然而，社会数据流中不真实活动的普遍性仍不清楚，因此难以衡量基于此类数据的分析的偏差。在本文中，我们的目标是使用2018年美国中期选举的Twitter数据来缩小这一差距。超级活跃的帐户在批量样本中的代表性过高。我们比较他们的特点与随机抽样的帐户和自我认定的选民使用快速和低成本的启发式。我们发现，与可能的选民相比，过度活跃的账户更有可能表现出各种可疑行为，并分享低可信度的信息。随机账户与可能的选民更相似，尽管他们有更高的机会显示可疑行为。我们的工作提供了使用在线观察时有偏见的选民特征的见解，强调了在基于社交媒体数据的政治问题研究中考虑不真实行为者的重要性。
2020-06-02 cs.CY cs.SI
Shaping Social Activity by Incentivizing Users
在线社交网络中的事件可以大致分为内源性事件，其中用户只是对网络内邻居的行为做出响应，或者外源性事件，其中用户由于网络外部的驱动而采取行动。应该为每个用户提供多少外部驱动器，以便网络活动可以转向目标状态？在本文中，我们使用多变量Hawkes过程，它可以捕获内源性和外源性事件强度的社会事件模型，并推导出一个依赖于时间的线性关系外源性事件的强度和整体网络活动。利用这种连接，我们开发了一个凸优化框架，用于确定所需的外部驱动器水平，以使网络达到所需的活动水平。我们对从Twitter收集的事件数据进行了实验，结果表明，我们的方法可以比其他方法更准确地引导网络的活动。
2014-08-19 cs.SI
Peer to Peer Hate: Hate Speech Instigators and Their Targets
虽然社交媒体已成为个人声音和表达自由的授权代理人，但它也促进了反社会行为，包括在线骚扰，网络欺凌和仇恨言论。在本文中，我们提出了仇恨言论煽动者和目标用户在Twitter上的第一个比较研究。通过多步分类过程，我们策划了一个全面的仇恨言论数据集，捕捉各种类型的仇恨。我们研究了仇恨煽动者和目标的独特特征，包括他们的个人资料自我介绍，活动和在线可见性。我们发现，仇恨煽动者针对更受欢迎和高调的Twitter用户，参与仇恨言论可以导致更大的在线可见度。我们对仇恨煽动者和目标进行了个性分析，并表明这两个群体都有不同于一般Twitter人群的古怪个性方面。我们的研究结果推进了理解在线仇恨言论参与的艺术状态。
2018-04-12 cs.CY cs.SI
