大规模参与网络：用于分类协调活动与有机推特趋势

社交媒体用户和虚假账户（如机器人）可能协调推广其主题。这些主题可能给公众留下其有机地流行的印象，即使它们是由中心化管理的虚假草根（astroturfing）活动。由于缺乏可靠的真实标签，预测一个主题是有机的还是协调活动具有挑战性。在本文中，我们通过检测由短暂虚假草根攻击推广的活动来创建这样的真实标签。这些攻击利用机器人在短时间内协调地发布推文，然后立即删除推文，从而将任何主题推至推特（X）的热门趋势列表。我们人工策划了一个有机推特趋势数据集。然后，我们从这些数据集中创建了参与网络，可作为图分类任务的具有挑战性的测试平台，用于区分活动与有机趋势。参与网络由用户作为节点和用户之间的互动（转发、回复和引用）作为边构成。我们发布了179个活动和135个非活动的参与网络，并提供了更细粒度的标签来刻画活动和有机趋势的类型。我们的数据集LEN（大规模参与网络）可通过下方URL获取。与传统图分类数据集（最多数十个节点和数百条边）相比，LEN中的图规模更大。LEN中图的平均规模约为11K个节点和23K条边。我们展示了最先进的图神经网络（GNN）方法在LEN上对活动vs非活动和活动类型分类仅给出平庸的结果。LEN为图分类问题提供了一个独特且具有挑战性的试验场。我们相信LEN将有助于推进大规模网络上的图分类技术前沿，并提供一个有趣的用例来区分协调活动与有机趋势。