論文の概要: Your most telling friends: Propagating latent ideological features on Twitter using neighborhood coherence

• arxiv url: http://arxiv.org/abs/2103.07250v1
• Date: Fri, 12 Mar 2021 13:01:59 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-15 13:16:15.288539
• Title: Your most telling friends: Propagating latent ideological features on Twitter using neighborhood coherence
• Title（参考訳）: 友達: 近所のコヒーレンスを使って、Twitterで潜在的なイデオロギー機能を広める
• Authors: Pedro Ramaciotti Morales, Jean-Philippe Cointet and Julio Laborde
• Abstract要約: 我々はTwitterデータを用いて,370万ユーザに対するイデオロギー的スケーリングを作成し,人口6.5億人における2種類の伝搬方法を分析した。 我々は、コヒーレンスが考慮されると、ユーザーのイデオロギーは、近隣の隣人よりも、類似の地区を持つ人々から推定される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multidimensional scaling in networks allows for the discovery of latent information about their structure by embedding nodes in some feature space. Ideological scaling for users in social networks such as Twitter is an example, but similar settings can include diverse applications in other networks and even media platforms or e-commerce. A growing literature of ideology scaling methods in social networks restricts the scaling procedure to nodes that provide interpretability of the feature space: on Twitter, it is common to consider the sub-network of parliamentarians and their followers. This allows to interpret inferred latent features as indices for ideology-related concepts inspecting the position of members of parliament. While effective in inferring meaningful features, this is generally restrained to these sub-networks, limiting interesting applications such as country-wide measurement of polarization and its evolution. We propose two methods to propagate ideological features beyond these sub-networks: one based on homophily (linked users have similar ideology), and the other on structural similarity (nodes with similar neighborhoods have similar ideologies). In our methods, we leverage the concept of neighborhood ideological coherence as a parameter for propagation. Using Twitter data, we produce an ideological scaling for 370K users, and analyze the two families of propagation methods on a population of 6.5M users. We find that, when coherence is considered, the ideology of a user is better estimated from those with similar neighborhoods, than from their immediate neighbors.
• Abstract（参考訳）: ネットワークにおける多次元スケーリングにより、ある特徴空間にノードを埋め込むことで、その構造に関する潜伏情報を発見することができる。 twitterのようなソーシャルネットワークのユーザのためのイデオロギースケーリングもその例だが、同様の設定は、他のネットワークやメディアプラットフォームやeコマースでも多様なアプリケーションを含むことができる。 ソーシャルネットワークにおけるイデオロギースケーリング手法の文献は、機能空間の解釈性を提供するノードへのスケーリング手順を制限している。Twitterでは、議会派とそのフォロワーのサブネットワークを考慮することが一般的である。 これにより、潜在的な特徴を、議会議員の地位を検査するイデオロギー関連の概念の指標として解釈することができる。 有意義な特徴を推測するのに有効であるが、これは一般にこれらのサブネットワークに抑制され、国全体の偏光測定やその進化などの興味深いアプリケーションを制限する。 我々は,これらサブネットワークを超えてイデオロギー的特徴を広める2つの方法を提案する。1つはホモフィリー(リンクされた利用者は類似したイデオロギーを持つ)と、もう1つは構造的類似性(類似した近傍を持つノードは類似したイデオロギーを持つ)である。 提案手法では,近傍イデオロギーコヒーレンスの概念を伝播のパラメータとして活用する。 Twitterデータを用いて,370万ユーザを対象としたイデオロギースケーリングを作成し,人口650万ユーザを対象とした2種類の伝搬方法の解析を行った。 我々は、コヒーレンスが考慮されると、ユーザーのイデオロギーは、近隣の隣人よりも、類似の地区を持つ人々から推定される。

関連論文リスト

• Verified authors shape X/Twitter discursive communities [0.24999074238880484]
  X/Twitter上でのイデオロギー/分散コミュニティのコアは,最も情報に富むインタラクションを明らかにすることで,効果的に識別できることを示す。 この分析は、2022年のイタリアにおける主要な政治出来事に関連する3つのX/Twitterデータセットを考慮して行われる。
  論文  参考訳（メタデータ） (2024-05-08T09:04:46Z)
• Exploring Embeddings for Measuring Text Relatedness: Unveiling Sentiments and Relationships in Online Comments [1.7230140898679147]
  本稿では,様々なソーシャルメディアプラットフォームにおけるコメント間の感情的・意味的関係について検討する。 単語の埋め込みを使って文や文書のコンポーネントを分析する。 我々の分析は、オンラインコメントの相互接続性をより深く理解し、大きな相互接続脳として機能するインターネットの概念を調査する。
  論文  参考訳（メタデータ） (2023-09-15T04:57:23Z)
• Adversaries with Limited Information in the Friedkin--Johnsen Model [25.89905526128351]
  近年,社会に不協和性を導入しようとする敵の標的はオンラインソーシャルネットワークである。 ネットワーク内の不一致や偏光に強い影響を与える少数のユーザ群を検出するための近似アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-17T10:32:02Z)
• Self-supervised Hypergraph Representation Learning for Sociological Analysis [52.514283292498405]
  本稿では,データマイニング技術と社会学的行動基準のさらなる融合を支援するための基本的な方法論を提案する。 まず,効率的なハイパーグラフ認識と高速グラフ構築フレームワークを提案する。 第2に,ユーザからユーザへのソーシャルインフルエンスを学習するためのハイパーグラフベースニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2022-12-22T01:20:29Z)
• Unsupervised Detection of Contextualized Embedding Bias with Application to Ideology [20.81930455526026]
  本研究では,コンテキスト適応型埋め込みにおけるバイアスを検出するための教師なし手法を提案する。 本手法をオンラインディスカッションフォーラムに適用し,提案手法を提案する。 我々の実験は、イデオロギーのサブスペースが抽象的な評価意味論を符号化し、ドナルド・トランプの大統領在任中に政治的左翼スペクトルの変化を反映していることを示唆している。
  論文  参考訳（メタデータ） (2022-12-14T23:31:14Z)
• Identification of Twitter Bots based on an Explainable ML Framework: the US 2020 Elections Case Study [72.61531092316092]
  本稿では,ラベル付きTwitterデータに基づくTwitterボット識別システムの設計に焦点をあてる。 Supervised Machine Learning (ML)フレームワークは、Extreme Gradient Boosting (XGBoost)アルゴリズムを用いて採用されている。 また、MLモデルの予測を説明するためにShapley Additive Explanations (SHAP)をデプロイした。
  論文  参考訳（メタデータ） (2021-12-08T14:12:24Z)
• Learning Ideological Embeddings from Information Cascades [11.898833102736255]
  多次元イデオロギー空間における各ユーザのイデオロギー的傾きを学習するためのモデルを提案する。 本モデルは,多次元イデオロギー空間におけるソーシャルメディア利用者の政治的姿勢を学習することができる。
  論文  参考訳（メタデータ） (2021-09-28T09:58:02Z)
• A Comprehensive Survey on Community Detection with Deep Learning [93.40332347374712]
  コミュニティは、ネットワーク内の他のコミュニティと異なるメンバーの特徴と接続を明らかにする。 この調査は、最先端の手法の様々なカテゴリをカバーする新しい分類法を考案し、提案する。 ディープニューラルネットワーク(Deep Neural Network)は、畳み込みネットワーク(convolutional network)、グラフアテンションネットワーク( graph attention network)、生成的敵ネットワーク(generative adversarial network)、オートエンコーダ(autoencoder)に分けられる。
  論文  参考訳（メタデータ） (2021-05-26T14:37:07Z)
• Interpretable Signed Link Prediction with Signed Infomax Hyperbolic Graph [54.03786611989613]
  ソーシャルネットワークにおけるサイン付きリンク予測は、ユーザ(すなわちノード)間の基盤となる関係(リンク)を明らかにすることを目的としている 我々は Signed Infomax Hyperbolic Graph (textbfSIHG) と呼ばれる統一されたフレームワークを開発する。 高次ユーザ関係と複雑な階層をモデル化するために、ノードの埋め込みを投影し、より低歪みの双曲空間で測定する。
  論文  参考訳（メタデータ） (2020-11-25T05:09:03Z)
• Echo Chambers on Social Media: A comparative analysis [64.2256216637683]
  本研究では,4つのソーシャルメディアプラットフォーム上で100万ユーザが生成した100万個のコンテンツに対して,エコーチャンバーの操作的定義を導入し,大規模な比較分析を行う。 議論の的になっているトピックについてユーザの傾きを推測し、異なる特徴を分析してインタラクションネットワークを再構築する。 我々は、Facebookのようなニュースフィードアルゴリズムを実装するプラットフォームが、エコーチャンバの出現を招きかねないという仮説を支持する。
  論文  参考訳（メタデータ） (2020-04-20T20:00:27Z)
• DiffNet++: A Neural Influence and Interest Diffusion Network for Social Recommendation [50.08581302050378]
  ソーシャルレコメンデーションは、ユーザの未知の嗜好を予測するために、ユーザ間のソーシャルコネクションを活用するために現れている。 ソーシャルレコメンデーションのための神経影響拡散ネットワーク(DiffNet)の予備研究を提案する(Diffnet)。 本稿では,Diffnetの改良アルゴリズムであるDiffNet++を提案する。
  論文  参考訳（メタデータ） (2020-01-15T08:45:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。