在线对话网络的语境化

在线社交连接发生于特定的对话语境之中。先前关于社交媒体数据网络分析的工作试图通过过滤来实现数据语境化。我们提出一种自动语境化在线对话连接的方法，并以Twitter数据阐释该方法。具体而言，我们详述了一个图神经网络模型，能够基于推文文本、标签、URL及相邻推文将推文表征于向量空间中。一旦推文被表征，推文聚类便揭示出对话语境。我们将该方法应用于一个包含450万条讨论2020年美国大选的推文的数据集。我们发现即便经过过滤的数据也包含许多不同的对话语境，且用户参与于多种语境之中。语境化网络中的中心用户与整体网络中的中心用户显著不同。该结果表明，面对多种对话语境时，对社交媒体数据的标准网络分析可能不可靠。我们进一步证明，对话语境的动态分析可定性理解对话流向。