利用内容生产者网络与用户感知检测在线话语社区

在线讨论通常具有强烈的行为不对称性：相对较小比例的用户积极生产内容，而大多数用户主要消费和重新分发内容。在此，我们提出了一种用于在线社交网络的社区检测框架，该框架利用了这种不对称性，首先识别并对一组领先用户进行聚类，然后将所得标签扩展到更广泛的用户群。我们引入了两种互补的策略来对领先者进行聚类，一种基于他们的相互交互，另一种基于受众重叠，两者都依赖于基于熵的过滤来分离信号和噪声。我们在Twitter/X上的三个主要意大利政治辩论中评估了该框架，使用通过2022年前验证系统识别的公众人物作为领先者，并使用政治行为者的已知隶属关系作为真实标签。与标准基线相比，所提出的方法产生了更连贯、更可解释且与政治结构一致的社区，其中两种变体分别恢复了政党和联盟。基于活跃度标准的领先者选择产生了定性上相似但始终较弱的结果，特别是在联盟层面。总体而言，我们的研究结果表明，构建统计验证的公众认可人物网络——这些人物的平台外角色约束并稳定了他们的在线行为——为识别社交媒体上的话语社区提供了坚实的基础。尽管该框架是为Twitter/X开发的，但它在概念上是通用的，因为它利用了许多在线平台共有的结构不对称性。