TwitterMancer：精准预测 Twitter 上的交互行为
社会与信息网络
2019-04-26 v1 机器学习
摘要
本文针对预测缺失或未观测到的交互，研究了 Twitter 上不同类型用户交互之间的相互关系。例如，给定一组 Twitter 用户之间的转发（retweet）交互，我们能在多大准确度上预测回复（reply）交互？预测一对账户之间的转发还是引用（quote）交互更为困难？此外，时间局部性有多重要，交互模式的哪些特征对于准确预测特定 Twitter 交互最为关键？我们对 Twitter 交互的实证研究为这些问题提供了初步答案。我们爬取了一个大规模的希腊语 Twitter 账户数据集及其在一个月内的关注（follow）、引用、转发、回复交互。我们发现可以准确预测 Twitter 用户的许多交互。有趣的是，最具预测性的特征随用户画像而变化，并非所有用户都相同。例如，对于与大量其他 Twitter 用户交互的一对用户，我们发现某些“高维”三元组（即涉及多种交互类型的三元组）信息量很大，而对于活跃度较低的 Twitter 用户，某些入度和出度起主要作用。最后，我们提供了关于 Twitter 用户行为的各种其他见解。我们的代码和数据可在 https://github.com/twittermancer/ 获取。关键词：图挖掘，机器学习，社交媒体，社交网络
引用
@article{arxiv.1904.11119,
title = {TwitterMancer: Predicting Interactions on Twitter Accurately},
author = {Konstantinos Sotiropoulos and John W. Byers and Polyvios Pratikakis and Charalampos E. Tsourakakis},
journal= {arXiv preprint arXiv:1904.11119},
year = {2019}
}