用于学习 Twitter 上意识形态倾向的联合非负矩阵分解
社会与信息网络
2017-11-29 v1
摘要
人们正以极快的速度从传统新闻来源转向在线新闻。然而，在线新闻消费背后的技术会推送确认用户已有观点的内容。这一现象导致了观点极化以及对对立观点的不容忍。因此，一个关键问题是建模社交媒体上的信息过滤气泡并设计消除它们的方法。在本文中，我们使用机器学习方法在 Twitter 上学习一个自由派-保守派意识形态空间，并展示如何利用学习到的潜在空间来解决过滤气泡问题。我们将学习社交媒体用户和媒体来源的自由派-保守派意识形态空间的问题建模为一个带约束的非负矩阵分解问题。我们的模型将社交网络结构和内容消费信息纳入一个具有共享潜在因子的联合分解问题中。我们在一个由争议性话题组成的真实世界 Twitter 数据集上验证了我们的模型和求解方法，并表明我们能够以超过 90% 的纯度按意识形态分离用户。当应用于媒体来源时，我们的方法估计的意识形态分数与真实意识形态分数高度相关（皮尔逊相关系数 0.9）。最后，我们通过说明如何利用学习到的意识形态潜在空间开发探索性和交互式界面来帮助用户扩散其信息过滤气泡，展示了我们的模型在真实场景中的效用。
引用
@article{arxiv.1711.10251,
title = {Joint Non-negative Matrix Factorization for Learning Ideological Leaning on Twitter},
author = {Preethi Lahoti and Kiran Garimella and Aristides Gionis},
journal= {arXiv preprint arXiv:1711.10251},
year = {2017}
}
备注
Accepted at WSDM 2018. Please cite the WSDM version, not the arxiv version