論文の概要: Measuring and Detecting Virality on Social Media: The Case of Twitter's Viral Tweets Topic

• arxiv url: http://arxiv.org/abs/2303.06120v2
• Date: Mon, 13 Mar 2023 02:19:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-14 11:11:34.849798
• Title: Measuring and Detecting Virality on Social Media: The Case of Twitter's Viral Tweets Topic
• Title（参考訳）: ソーシャルメディア上でのバイラル性の測定と検出:twitterのバイラルツイートを事例として
• Authors: Tu\u{g}rulcan Elmas, Stephane Selim, C\'elia Houssiaux
• Abstract要約: Twitterの"Viral Tweets"トピックを使用して、現在のメトリクスをレビューし、独自のメトリクスを提案しています。 著者のフォロワーに対するリツイートの割合がしきい値を超えた場合、ツイートはバイラルに分類される可能性が高い。 また,F1スコア0.79のツイートを早期に検出するトランスフォーマーモデルを提案する。
• 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: Social media posts may go viral and reach large numbers of people within a short period of time. Such posts may threaten the public dialogue if they contain misleading content, making their early detection highly crucial. Previous works proposed their own metrics to annotate if a tweet is viral or not in order to automatically detect them later. However, such metrics may not accurately represent viral tweets or may introduce too many false positives. In this work, we use the ground truth data provided by Twitter's "Viral Tweets" topic to review the current metrics and also propose our own metric. We find that a tweet is more likely to be classified as viral by Twitter if the ratio of retweets to its author's followers exceeds some threshold. We found this threshold to be 2.16 in our experiments. This rule results in less false positives although it favors smaller accounts. We also propose a transformers-based model to early detect viral tweets which reports an F1 score of 0.79. The code and the tweet ids are publicly available at: https://github.com/tugrulz/ViralTweets
• Abstract（参考訳）: ソーシャルメディアの投稿がバイラルになり、短期間で大勢の人に届く可能性がある。 こうした投稿は、誤解を招くコンテンツを含む場合、大衆の対話を脅かす可能性がある。 以前の研究は、ツイートがバイラルであるかどうかをアノテートして後で自動的に検出する独自の指標を提案した。 しかし、そのような指標はウイルスのツイートを正確に表現するものではないし、偽陽性が多すぎる場合もある。 この作業では、Twitterの"Viral Tweets"トピックによって提供される真実のデータを使用して、現在のメトリクスをレビューし、独自のメトリクスを提案します。 著者のフォロワーに対するリツイートの割合が一定の閾値を超えた場合、ツイートはTwitterによってバイラルに分類される可能性が高い。 この閾値は実験で2.16と判明した。 このルールは、より小さなアカウントを好むが、偽陽性が少ない。 また,F1スコア0.79のツイートを早期に検出するトランスフォーマーモデルを提案する。 コードとツイートidは、https://github.com/tugrulz/viraltweetsで公開されている。

関連論文リスト

• Predicting Hate Intensity of Twitter Conversation Threads [26.190359413890537]
  DRAGNET++は、将来、ツイートが返信チェーンを通じてもたらす憎悪の強さを予測することを目的としている。 ツイートスレッドのセマンティックな構造と伝播構造を利用して、続く各ツイートにおけるヘイトインテンシティの低下につながるコンテキスト情報を最大化する。 DRAGNET++は最先端のすべてのベースラインを大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2022-06-16T18:51:36Z)
• ViralBERT: A User Focused BERT-Based Approach to Virality Prediction [11.992815669875924]
  本稿では、コンテンツとユーザベースの機能を用いて、ツイートのバイラル性を予測できるViralBERTを提案する。 ハッシュタグやフォロワー数などの数値的特徴を合成してテキストをツイートし、2つのBERTモジュールを利用する手法を用いる。 ViralBERTをトレーニングするために330kのツイートのデータセットを収集し、この分野での現在の研究からベースラインを使用して、モデルの有効性を検証する。
  論文  参考訳（メタデータ） (2022-05-17T21:40:24Z)
• Twitter Dataset on the Russo-Ukrainian War [68.713984286035]
  Twitter APIから現在進行中のデータセットの取得を開始しています。 データセットは770万人のユーザーを起源とする5730万ツイートに達している。 我々は、最初のボリュームと感情分析を適用し、データセットはトピック分析、ヘイトスピーチ、プロパガンダ認識、ボットネットのような潜在的な悪意のあるエンティティを示すためにさらに探索的な調査に使用することができる。
  論文  参考訳（メタデータ） (2022-04-07T12:33:06Z)
• Manipulating Twitter Through Deletions [64.33261764633504]
  Twitter上でのインフルエンスキャンペーンの研究は、公開APIを通じて得られたツイートから悪意のあるアクティビティを識別することに大きく依存している。 ここでは,1100万以上のアカウントによる10億以上の削除を含む,異常な削除パターンを網羅的かつ大規模に分析する。 少数のアカウントが毎日大量のツイートを削除していることがわかった。 まず、ツイートのボリューム制限が回避され、特定のアカウントが毎日2600万以上のツイートをネットワークに流すことができる。 第二に、調整されたアカウントのネットワークは、繰り返しのいいね!や、最終的に削除されるコンテンツとは違って、ランキングアルゴリズムを操作できる。
  論文  参考訳（メタデータ） (2022-03-25T20:07:08Z)
• 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)
• BERT based classification system for detecting rumours on Twitter [3.2872586139884623]
  従来の特徴抽出手法ではなく,Twitter上での噂を識別する手法を提案する。 BERTを用いた文埋め込みを用いて、ツイートの文脈的意味に応じて、各ツイートの文をベクターに表現する。 BERTをベースとしたモデルでは,従来の手法に比べて約10%精度が向上した。
  論文  参考訳（メタデータ） (2021-09-07T10:15:54Z)
• Understanding Information Spreading Mechanisms During COVID-19 Pandemic by Analyzing the Impact of Tweet Text and User Features for Retweet Prediction [6.658785818853953]
  新型コロナウイルスは世界の経済や、ほぼすべての人々の日常生活に影響を与えている。 ソーシャルメディアプラットフォームは、情報を共有できる他のユーザーと情報を共有できる。 CNNとRNNをベースとした2つのモデルを提案し、これらのモデルの性能を公開のTweetsCOV19データセットで評価する。
  論文  参考訳（メタデータ） (2021-05-26T15:55:58Z)
• Understanding the Hoarding Behaviors during the COVID-19 Pandemic using Large Scale Social Media Data [77.34726150561087]
  われわれは、2020年3月1日から4月30日まで、米国で4万2000人以上のユニークTwitterユーザーによる嫌がらせと反嫌悪のパターンを分析した。 ホアーディンググループと反ホアーディンググループの両方の女性の比率が、一般のTwitter利用者の比率よりも高いことがわかりました。 LIWCの不安度はTwitterの不安度よりもかなり高い。
  論文  参考訳（メタデータ） (2020-10-15T16:02:25Z)
• Racism is a Virus: Anti-Asian Hate and Counterspeech in Social Media during the COVID-19 Crisis [51.39895377836919]
  新型コロナウイルスは、アジアのコミュニティをターゲットにしたソーシャルメディア上で人種差別や憎悪を引き起こしている。 我々は、Twitterのレンズを通して、反アジアヘイトスピーチの進化と普及について研究する。 私たちは、14ヶ月にわたる反アジア的憎悪と反音声のデータセットとして最大となるCOVID-HATEを作成します。
  論文  参考訳（メタデータ） (2020-05-25T21:58:09Z)
• Russian trolls speaking Russian: Regional Twitter operations and MH17 [68.8204255655161]
  2018年、Twitterはロシアのトロルとして特定されたアカウントのデータを公開した。 我々はこれらのトロルのロシア語操作を分析する。 MH17の事故に関するトロルズの情報キャンペーンは、ツイート数で最大のものだった。
  論文  参考訳（メタデータ） (2020-05-13T19:48:12Z)
• That Message Went Viral?! Exploratory Analytics and Sentiment Analysis into the Propagation of Tweets [0.0]
  我々は100万ツイート以上のデータセットについて探索分析を行った。 我々は、最も人気のあるメッセージを特定し、複数の内因性次元でつぶやきを分析した。 私たちはいくつかの興味深いパターンを発見し、研究者や実践者が人気のあるバイラルツイートの振る舞いをよりよく理解するための新たな洞察を明らかにしました。
  論文  参考訳（メタデータ） (2020-04-21T02:38:53Z)

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。