基于双曲层次聚类的交互模式高效表示用于Twitter用户分类
社会与信息网络
2021-11-02 v2
摘要
社交媒体平台在民主进程中发挥着重要作用。在2019年印度大选中，政党和政客广泛使用Twitter分享其理念、宣传其议程并获取人气。Twitter成为记者、政客和选民互动的场域。这些互动的有机性质可能被Twitter上的恶意账户破坏，这些账户最终被平台封禁或删除。此类账户旨在通过与非有机地与特定账号互动来修改内容的传播范围。这些互动对平台的完整性构成威胁，因为此类活动有可能影响民主进程的整个结果。在这项工作中，我们设计了一个特征提取框架，紧凑地捕获潜在阴险的交互模式。我们提出的特征旨在揭示用户中那些致力于提升特定账户内容的社群。我们使用双曲层次聚类(HypHC)，将特征表示在双曲流形中，以进一步分离此类社群。HypHC带来了将这些特征表示在低维空间中的额外好处——从而作为一种降维技术。我们使用这些特征来区分在2019年印度大选后出现的不同类别的用户。在选举期间活跃的Twitter用户中，参与的用户里有2.8%被封禁，1%的用户被从平台删除。我们展示了我们提出的特征在区分常规用户(既未被封禁也未删除的用户)、被封禁用户和被删除用户方面的有效性。通过在我们的流程中利用HypHC，我们获得了高达93%的F1分数。
引用
@article{arxiv.2110.15923,
title = {Efficient Representation of Interaction Patterns with Hyperbolic Hierarchical Clustering for Classification of Users on Twitter},
author = {Tanvi Karandikar and Avinash Prabhu and Avinash Tulasi and Arun Balaji Buduru and Ponnurangam Kumaraguru},
journal= {arXiv preprint arXiv:2110.15923},
year = {2021}
}