蜘蛛与苍蝇：在 Tumblr 上聚焦爬取以检测宣扬仇恨的社区

Tumblr 是互联网上最大且最受欢迎的微博网站之一。研究表明，由于在高受众覆盖率、低发布门槛和社交网络连通性，微博网站正被极端主义团体滥用作为发布仇恨言论和招募新成员的平台。由于每天发布的大量帖子和博客，手动识别此类帖子和社区极其不切实际。我们提出了一种基于主题的网页爬虫，主要包括多个阶段：训练仅由仇恨宣扬用户样本组成的文本分类器模型，提取未知 Tumblr 微博用户的帖子，根据其活动流分类仇恨宣扬博客作者，通过到其他博客作者的外部链接进行爬取，并对连接的极端主义博客作者进行社交网络分析。为调查我们方法的有效性，我们在大型真实世界数据集上进行了实验。实验结果表明所提方法是一种有效方法，其 F-score 为 0.80。我们应用基于社交网络分析的技术，识别出社区中有影响力的核心博客作者。