✖


Jump to content

Майнинг в социальных сетях

Майнинг в социальных сетях — это процесс получения данных из пользовательского контента в социальных сетях с целью извлечения действенных закономерностей, формирования выводов о пользователях и действий на основе информации. Майнинг поддерживает таргетинг рекламы на пользователей или научные исследования. Этот термин аналогичен процессу добычи полезных ископаемых. Горнодобывающие компании просеивают сырую руду в поисках ценных минералов; Аналогичным образом, анализ социальных сетей анализирует данные социальных сетей, чтобы выявить закономерности и тенденции в таких вопросах, как использование социальных сетей, поведение в Интернете, обмен контентом, связи между людьми, покупательское поведение. Эти закономерности и тенденции представляют интерес для компаний, правительств и некоммерческих организаций, поскольку такие организации могут использовать анализ для таких задач, как разработка стратегий, внедрение программ, продуктов, процессов или услуг.

Интеллектуальный анализ социальных сетей использует концепции информатики , интеллектуального анализа данных , машинного обучения и статистики . Майнинг основан на анализе социальных сетей , сетевой науке , социологии , этнографии , оптимизации и математике. Он пытается формально представить, измерить и смоделировать закономерности на основе данных социальных сетей. [1] В 2010-х годах крупные корпорации, правительства и некоммерческие организации начали заниматься майнингом, чтобы узнать о клиентах, клиентах и ​​других людях.

Такие платформы, как Google, Facebook (в сотрудничестве с Datalogix и BlueKai ), проводят майнинг, чтобы таргетировать пользователей рекламой . [2] Ученые и исследователи машинного обучения извлекают ценную информацию и разрабатывают функции продукта. [3]

Пользователи могут не понимать, как платформы используют их данные. [4] Пользователи, как правило, просматривают соглашения об условиях использования, не читая их, что приводит к этическим вопросам о том, обеспечивают ли платформы адекватную защиту конфиденциальности пользователей.

Во время президентских выборов в США в 2016 году Facebook позволил Cambridge Analytica , политической консалтинговой фирме, связанной с кампанией Трампа , проанализировать данные примерно 87 миллионов пользователей Facebook для составления профилей избирателей, что вызвало споры, когда это стало известно. [5]

Предыстория [ править ]

По определению Каплана и Хэнлайна, [6] Социальные сети — это «группа интернет-приложений, основанных на идеологических и технологических основах Web 2.0 и позволяющих создавать пользовательский контент и обмениваться им». Существует множество категорий социальных сетей, включая, помимо прочего, социальные сети ( Facebook или LinkedIn ), микроблоги ( Twitter ), обмен фотографиями ( Flickr , Instagram , Photobucket или Picasa ), агрегирование новостей ( Google Reader , StumbleUpon или Feedburner) . ), обмен видео ( YouTube , MetaCafe ), прямая трансляция ( Ustream или Twitch ), виртуальные миры ( Kaneva ), социальные игры ( World of Warcraft ), социальный поиск ( Google , Bing или Ask.com ) и обмен мгновенными сообщениями ( Google Talk ). , Skype или Yahoo! Messenger ).

Первый веб-сайт социальной сети был представлен компанией GeoCities в 1994 году. Он позволял пользователям создавать свои собственные домашние страницы, не обладая глубокими знаниями HTML- кодирования. Первая социальная сеть SixDegrees.com была представлена ​​в 1997 году. [7] С тех пор появилось множество других социальных сетей, каждая из которых предоставляет услуги миллионам людей. Эти индивиды образуют виртуальный мир, в котором сосуществуют индивидуумы (социальные атомы), сущности (контент, сайты и т. д.) и взаимодействия (между индивидами, между сущностями, между индивидами и сущностями). Социальные нормы и человеческое поведение управляют этим виртуальным миром. Понимая эти социальные нормы и модели человеческого поведения и объединяя их с наблюдениями и измерениями этого виртуального мира, можно систематически анализировать и анализировать социальные сети. Майнинг в социальных сетях — это процесс представления, анализа и извлечения значимых закономерностей из данных в социальных сетях, возникающих в результате социальных взаимодействий. Это междисциплинарная область, охватывающая методы информатики, интеллектуального анализа данных, машинного обучения, анализа социальных сетей, сетевых наук, социологии, этнографии, статистики, оптимизации и математики. Майнинг в социальных сетях сталкивается с такими серьезными проблемами, как парадокс больших данных, получение достаточного количества выборок, ошибка удаления шума и дилемма оценки.Майнинг в социальных сетях представляет виртуальный мир социальных сетей в вычислимой форме, измеряет его и разрабатывает модели, которые могут помочь нам понять его взаимодействие. Кроме того, анализ социальных сетей предоставляет необходимые инструменты для изучения этого мира в поисках интересных закономерностей, анализа распространения информации, изучения влияния и гомофилии, предоставления эффективных рекомендаций и анализа нового социального поведения в социальных сетях.

Использует [ править ]

Майнинг в социальных сетях используется в нескольких отраслях, включая развитие бизнеса, исследования в области социальных наук, здравоохранение и образовательные цели. [8] [9] Как только полученные данные пройдут через аналитику социальных сетей , их можно будет применить в этих различных областях. Часто компании используют модели взаимодействия, которые пронизывают социальные сети, такие как ассортативность — социальное сходство между пользователями, вызванное влиянием, гомофилией, взаимностью и транзитивностью. [10] Эти силы затем измеряются посредством статистического анализа узлов и связей между этими узлами. [8] Социальная аналитика также использует анализ настроений , поскольку пользователи социальных сетей часто передают в своих сообщениях положительные или отрицательные настроения. [11] Это предоставляет важную социальную информацию об эмоциях пользователей по конкретным темам. [12] [13] [14]

Эти три модели имеют несколько применений, помимо чистого анализа. Например, влияние можно использовать для определения самого влиятельного пользователя в конкретной сети. [8] Компании будут заинтересованы в этой информации, чтобы решить, кого они могут нанять для маркетинга влияния . Эти факторы влияния определяются узнаваемостью, активностью и новизной — тремя требованиями, которые можно измерить с помощью данных, полученных с этих сайтов. [8] Аналитики также ценят показатели гомофилии: склонность двух похожих людей становиться друзьями. [10] Пользователи начали полагаться на информацию о мнениях других пользователей, чтобы понять различные темы. [11] Этот анализ также может помочь в разработке рекомендаций для отдельных лиц в индивидуальном качестве. [8] Измеряя влияние и гомофилию, онлайн- и офлайн-компании могут предлагать конкретные продукты отдельным потребителям и группам потребителей. Сети социальных сетей могут сами использовать эту информацию, чтобы предлагать своим пользователям возможных друзей, которых можно добавить, страницы, на которые можно подписаться, и учетные записи, с которыми можно взаимодействовать.

Восприятие [ править ]

Современный майнинг в социальных сетях — противоречивая практика, которая привела к экспоненциальному росту числа пользователей таких технологических гигантов, как Facebook, Inc., Twitter и Google . Такие компании, которые считаются « большими технологиями », — это компании, которые создают алгоритмы, которые используют данные пользователей, чтобы понять их предпочтения, и максимально удерживают их на платформе. Эти входные данные, которые могут быть такими же простыми, как время, проведенное на определенном экране, предоставляют извлекаемые данные и приводят к тому, что компании получают значительную прибыль от использования этих данных для извлечения выгоды из чрезвычайно точных прогнозов поведения пользователей. После внедрения этих стратегий рост платформ резко ускорился; По состоянию на 2021 год большинство крупнейших платформ в настоящее время имеют в среднем более 1 миллиарда активных пользователей в месяц. [15]

, утверждали Множество деятелей, выступающих против алгоритмов, таких как Тристан Харрис или Чамат Палихапития , что некоторые компании (в частности, Facebook) ценят рост превыше всего и игнорируют потенциальные негативные последствия этой тактики инженерного роста. [16]

В то же время пользователи теперь создают свои собственные арбитражи данных с помощью своих собственных данных посредством монетизации контента и становления влиятельными лицами . Пользователи обычно имеют доступ к разнообразному набору аналитических данных, специфичных для людей, которые взаимодействуют с ними в социальных сетях, и могут использовать их в качестве строительных блоков для своих собственных стратегий таргетинга и роста с помощью рекламы и публикаций, ориентированных на их аудиторию. Инфлюенсеры также обычно продвигают продукты и услуги известных брендов, создавая одну из крупнейших цифровых индустрий: инфлюенсер-маркетинг. Instagram, Facebook, Twitter, YouTube, Google и другие уже давно предоставили доступ к аналитике платформы, а также позволили третьим лицам получить доступ к этой информации, иногда без ведома даже пользователя, чьи данные просматриваются/покупаются. [17]

Исследования [ править ]

Области исследований [ править ]

  • Обнаружение событий в социальных сетях. Социальные сети позволяют пользователям свободно общаться друг с другом и делиться своими последними новостями, текущей деятельностью или мнениями по различным темам. В результате их можно рассматривать как потенциально жизнеспособный источник информации для понимания текущих возникающих тем/событий. [18] [19] [20] [21] [22] [23]
  • Мониторинг и надзор за общественным здравоохранением . Использование крупномасштабного анализа социальных сетей для изучения больших групп пациентов и широкой общественности, например, для получения сигналов раннего предупреждения о взаимодействии лекарств и побочных реакциях на лекарства. [24] [25] или понять человеческое воспроизводство и сексуальный интерес. [26]
  • Структура сообщества (обнаружение/эволюция/оценка сообщества). Идентификация сообществ в социальных сетях, их развитие и оценка выявленных сообществ, часто без достоверной информации. [1]
  • Сетевые меры – измерение централизации, транзитивности, взаимности, баланса, статуса и сходства в социальных сетях. [1]
  • Сетевые модели . Имитируйте сети с определенными характеристиками. Примеры включают случайные графы (модели ER), модели предпочтительной привязанности и модели маленького мира. [1]
  • Информационный каскад – анализ того, как информация распространяется в социальных сетях. Примеры включают стадное поведение, информационные каскады, распространение инноваций и модели эпидемий. [1]
  • Влияние и гомофилия . Измерение сетевой ассортативности, а также измерение и моделирование влияния и гомофилии. [1]
  • Рекомендация в социальных сетях – рекомендация друзей или товаров на сайтах социальных сетей. [1] [27] [28]
  • Социальный поиск – поиск информации в социальных сетях. [29]
  • Анализ настроений в социальных сетях . Выявление коллективной субъективной информации, например положительной и отрицательной, из данных социальных сетей. [30] [31] [32] [33] [26] [25]
  • Обнаружение социального спамера . Обнаружение социальных спамеров, которые рассылают нежелательный спам-контент, появляющийся в социальных сетях и на любом веб-сайте с пользовательским контентом целевым пользователям, часто подтверждая это, чтобы повысить их социальное влияние, легитимность и авторитет. [34] [35] [36] [37]
  • Выбор функций с использованием данных социальных сетей . Преобразование выбора функций для использования возможностей социальных сетей. [38] [39] [40] [41]
  • Доверие к социальным сетям . Изучение и понимание доверия к социальным сетям. [42] [43] [44] [45]
  • Недоверие и негативные ссылки. Исследование негативных ссылок в социальных сетях. [46] [47] [48]
  • Роль социальных сетей в кризисных ситуациях . Социальные сети, особенно Twitter, продолжают играть важную роль во время кризисов. [49] Исследования показывают, что можно обнаружить землетрясения [50] и слухи [51] используя твиты, опубликованные во время кризиса. Разработка инструментов, которые помогут службам экстренного реагирования анализировать твиты для более эффективного реагирования на кризисы. [52] и разработку методов, позволяющих обеспечить им более быстрый доступ к соответствующим твитам. [53] является активной областью исследований.
  • Анализ социальных сетей на основе местоположения — анализ человеческой мобильности для персонализированных рекомендаций POI в социальных сетях на основе местоположения. [54] [55] [56] [57] [58] [59]
  • Происхождение информации в социальных сетях. Происхождение информирует пользователя об источниках определенной информации. Социальные сети могут помочь определить происхождение информации благодаря своим уникальным характеристикам: контенту, создаваемому пользователями, профилям пользователей, взаимодействиям с пользователями, а также пространственной или временной информации. [60] [61]
  • Управление уязвимостями пользователя . Уязвимостью на сайтах социальных сетей можно управлять в три последовательных этапа: (1) определение новых способов, с помощью которых пользователь может быть уязвимым, (2) количественная оценка или измерение уязвимости пользователя и (3) снижение или смягчение последствий. их. [62]
  • Анализ мнений о кандидатах/партиях. Социальные сети являются популярным средством, с помощью которого кандидаты/партии могут вести агитацию и оценивать общественную реакцию на кампании. Социальные сети также можно использовать в качестве индикатора мнения избирателей. Некоторые исследования показали, что прогнозы, сделанные с использованием публикаций в социальных сетях, могут соответствовать (или даже улучшаться) традиционным опросам общественного мнения. [63]

Места публикации [ править ]

Статьи об исследованиях в области социальных сетей публикуются на конференциях и журналах по информатике, общественным наукам и интеллектуальному анализу данных:

Конференции [ править ]

С докладами конференции можно ознакомиться в материалах журнала Knowledge.Discovery and Data Mining (KDD), Всемирная паутина (WWW), Ассоциацияпо компьютерной лингвистике (ACL), Конференция по информациии управление знаниями (CIKM), Международная конференция по даннымГорное дело (ICDM), Конференция по интернет-измерениям (IMC).

  • Конференция KDD - Конференция ACM SIGKDD по обнаружению знаний и интеллектуальному анализу данных
  • WWW Conference – Международная конференция по всемирной паутине
  • Конференция WSDM - Конференция ACM по веб-поиску и интеллектуальному анализу данных
  • Конференция CIKM - Конференция ACM по управлению информацией и знаниями
  • Конференция ICDM - IEEE по интеллектуальному анализу данных Международная конференция
  • Ассоциация компьютерной лингвистики (ACL)
  • Конференция ASONAM - Международная конференция IEEE/ACM по достижениям в области анализа и анализа социальных сетей
  • Конференция по Интернет-измерениям (IMC)
  • Международная конференция по Интернету и социальным сетям (ICWSM)
  • Международная конференция по социальным сетям и обществу
  • Международная конференция по веб-инженерии (ICWE)
  • Европейская конференция по машинному обучению, принципам и практике обнаружения знаний в базах данных (ECML/PKDD),
  • Международные совместные конференции по искусственному интеллекту (IJCAI),
  • Ассоциация по развитию искусственного интеллекта (AAAI),
  • Рекомендательные системы (RecSys)
  • Взаимодействие компьютера и человека (CHI)
  • Социально-компьютерное поведенческо-культурное моделирование и прогнозирование (SBP).
  • Конференция HT – Конференция ACM по гипертексту
  • Конференция SDM – Международная конференция SIAM по интеллектуальному анализу данных ( SIAM )
  • Конференция PAKDD – ежегодная Тихоокеанско-Азиатская конференция по открытию знаний и интеллектуальному анализу данных

Журналы [ править ]

  • Конференция DMKD – Проблемы исследования в области интеллектуального анализа данных и открытия знаний
  • Конференция ECML-PKDD - Европейская конференция по машинному обучению, принципам и практике обнаружения знаний в базах данных
  • IEEE Transactions on Knowledge and Data Engineering (TKDE),
  • Транзакции ACM по обнаружению знаний из данных (TKDD)
  • Транзакции ACM в интеллектуальных системах и технологиях (TIST)
  • Анализ и майнинг социальных сетей (SNAM)
  • Системы знаний и информации (КАИС)
  • Транзакции ACM в Интернете (TWEB)
  • Всемирный веб-журнал
  • Социальные сети
  • Интернет-математика
  • Интеллектуальные системы IEEE
  • Исследование SIGKDD.

Анализ социальных сетей также присутствует на многих конференциях по управлению данными/базам данных, таких как конференция ICDE, конференция SIGMOD и международная конференция по очень большим базам данных .

См. также [ править ]

Методы
Домены приложений
Компании
Связанные темы

Ссылки [ править ]

  1. ↑ Перейти обратно: Перейти обратно: а б с д и ж г Зафарани, Реза; Аббаси, Мохаммад Али; Лю, Хуан (2014). «Майнинг в социальных сетях: Введение» . Проверено 15 ноября 2014 г.
  2. ^ Ливер, Тама (май 2013 г.). «Противоречие в социальных сетях: интеллектуальный анализ данных и цифровая смерть» . Журнал М/К . 16 (2). дои : 10.5204/mcj.625 . hdl : 20.500.11937/33046 . Проверено 20 июня 2018 г.
  3. ^ Сумбалы, Рошан; Крепс, Джей; Шах, Сэм (июнь 2013 г.). «Экосистема больших данных в LinkedIn» . Материалы международной конференции по управлению данными 2013 г. - SIGMOD '13 (Отчет). SIGMOD '13: Материалы Международной конференции ACM SIGMOD 2013 г. по управлению данными. стр. 1125–1134. дои : 10.1145/2463676.2463707 . ISBN  978-1-4503-2037-5 .
  4. ^ Швальб, Нир, изд. (2022). Наша западная весна: битва между технологиями и демократией, «Момент истины», издание Kindle . Амазонка.
  5. ^ «Свидетельства Марка Цукерберга: сенаторы ставят под сомнение приверженность Facebook соблюдению конфиденциальности» . Нью-Йорк Таймс . 10 апреля 2018 года. Архивировано из оригинала 11 апреля 2018 года . Проверено 13 июня 2018 г.
  6. ^ Каплан, Андреас М.; Хэнляйн, Майкл (2010). «Пользователи всего мира, объединяйтесь! Проблемы и возможности социальных сетей». Горизонты бизнеса . 53 (1): 59–68. дои : 10.1016/j.bushor.2009.09.003 . S2CID   16741539 .
  7. ^ «История социальных сетей: 29+ ключевых моментов» . Панель управления маркетингом и управлением в социальных сетях . 22 ноября 2018 года . Проверено 21 апреля 2021 г.
  8. ↑ Перейти обратно: Перейти обратно: а б с д и Зафарани Р., Али Аббаси М., Лю Х. (2014). Майнинг в социальных сетях. Издательство Кембриджского университета. http://dmml.asu.edu/smm .
  9. ^ Сингх, Арчана (2017). «Анализ данных студентов университета из социальных сетей». Образование и информационные технологии . 22 (4): 1515–1526. дои : 10.1007/s10639-016-9501-1 . S2CID   1761288 .
  10. ↑ Перейти обратно: Перейти обратно: а б Тан Дж., Чанг Ю., Аггарвал К., Лю Х. (2016). « Обзор подписанного сетевого майнинга в социальных сетях ». Обзоры вычислений ACM , 49: 3.
  11. ↑ Перейти обратно: Перейти обратно: а б Адедоин-Олоу М., Габер М. и Шталь Ф. (2013). «Обзор методов интеллектуального анализа данных для анализа социальных сетей».
  12. ^ Лаик Ф., Нафис Т. и Бег М. (2017). « Сентиментальная классификация социальных сетей с использованием Dating Mining ». Международный журнал перспективных исследований в области компьютерных наук , 8:5.
  13. ^ Хо, Вонг Ань; Нгуен, Дуонг Хуинь-Конг; Нгуен, Дань Хоанг; Фам, Линь Тхи-Ван; Нгуен, Дык-Ву; Нгуен, Киет Ван; Нгуен, Нган Луу-Туи (2020). «Распознавание эмоций в текстах вьетнамских социальных сетей» . Компьютерная лингвистика . Коммуникации в компьютерной и информатике. Том. 1215. стр. 319–333. arXiv : 1911.09339 . дои : 10.1007/978-981-15-6168-9_27 . ISBN  978-981-15-6167-2 . S2CID   208202333 .
  14. ^ Нгуен и др. (2020). « Использование особенностей вьетнамских социальных сетей для текстового распознавания эмоций на вьетнамском языке ». Международная конференция по обработке азиатских языков (IALP) , 2020 г.
  15. ^ МакКорт, Эбби (3 апреля 2018 г.). «Майнинг в социальных сетях: влияние больших данных в эпоху социальных сетей» . Клиника свободы СМИ и доступа к информации . Йельская юридическая школа . Проверено 25 февраля 2021 г.
  16. ^ Социальная дилемма. (2020) Режиссер Джефф Орловски, Exposure Labs. Нетфликс, https://www.netflix.com/title/81254224 .
  17. ^ Ньюман, Джон; Хоу Алленсворт, Ребекка (30 января 2021 г.). «Правительство не предвидело, как поведет себя Facebook» . Атлантика . Проверено 15 февраля 2021 г.
  18. ^ Заррикалам, Фаттейн; Багери, Эбрагим (2017). «Идентификация событий в социальных сетях». Энциклопедия семантических вычислений и роботизированного интеллекта . 01 (1): 1630002. arXiv : 1606.08521 . дои : 10.1142/S2425038416300020 . S2CID   8484345 .
  19. ^ Нурвидянторо, А.; Винарко, Э. (1 июня 2013 г.). «Обнаружение событий в социальных сетях: опрос». Международная конференция «ИКТ для умного общества» . стр. 1–5. дои : 10.1109/ICTSS.2013.6588106 . ISBN  978-1-4799-0145-6 . S2CID   23802901 .
  20. ^ «Обнаружение событий на основе данных социальных сетей» (PDF) . Проверено 5 мая 2017 г.
  21. ^ «Обнаружение событий в данных социальных сетей» (PDF) . Проверено 5 мая 2017 г.
  22. ^ Кордейру, Марио; Гама, Жуан (1 января 2016 г.). «Обнаружение событий в социальных сетях в Интернете: опрос» . Решение крупномасштабных учебных задач. Проблемы и алгоритмы . Конспекты лекций по информатике. Том. 9580. Международное издательство Springer. стр. 1–41. дои : 10.1007/978-3-319-41706-6_1 . ISBN  978-3-319-41705-9 .
  23. ^ Гаско, Луис; Клавель, Хлоя; Асенсио, Сезар; Де Аркас, Гильермо (25 марта 2019 г.). «Не только мониторинг уровня звука: использование социальных сетей для сбора субъективной реакции граждан на шум». Наука об общей окружающей среде . 658 : 69–79. Бибкод : 2019ScTEn.658...69G . doi : 10.1016/j.scitotenv.2018.12.071 . ISSN   0048-9697 . ПМИД   30572215 . S2CID   58647430 .
  24. ^ Коррейя, Рион Браттиг; Ли, Ланг; Роша, Луис М. (2016). «Мониторинг потенциальных взаимодействий и реакций лекарств с помощью сетевого анализа хроники пользователей Instagram». Биокомпьютинг 2016 . Том. 21. С. 492–503. дои : 10.1142/9789814749411_0045 . ISBN  978-981-4749-40-4 . ПМК   4720984 . ПМИД   26776212 . {{cite book}}: |journal= игнорируется ( помогите )
  25. ↑ Перейти обратно: Перейти обратно: а б Корконцелос, Иоаннис; Никфарджам, Азаде; Шардлоу, Мэтью; Саркер, Абид; Ананиаду, София; Гонсалес, Грасиела Х. (2016). «Анализ влияния анализа настроений на извлечение побочных реакций на лекарства из твитов и сообщений на форумах» . Журнал биомедицинской информатики . 62 : 148–158. дои : 10.1016/j.jbi.2016.06.007 . ПМЦ   4981644 . ПМИД   27363901 .
  26. ↑ Перейти обратно: Перейти обратно: а б Вуд, Ян Б.; Варела, Педро Л.; Боллен, Йохан; Роша, Луис М.; Гонсалвеш-Са, Жоана (2017). «Человеческие сексуальные циклы определяются культурой и соответствуют коллективным настроениям» . Научные отчеты . 7 (1): 17973. arXiv : 1707.03959 . Бибкод : 2017NatSR...717973W . дои : 10.1038/s41598-017-18262-5 . ПМК   5740080 . ПМИД   29269945 .
  27. ^ Тан, Цзилян ; Тан, Цзе; Лю, Хуан (2014). «Рекомендации в социальных сетях: последние достижения и новые горизонты» . Материалы 20-й конференции ACM SIGKDD по обнаружению знаний и интеллектуальному анализу данных . Архивировано из оригинала 13 апреля 2016 года . Проверено 30 ноября 2014 г.
  28. ^ Тан, Цзилян; Ху, Ся; Лю, Хуан (2013). «Социальные рекомендации: обзор» (PDF) . Анализ социальных сетей и майнинг . 3 (4): 1113–1133. дои : 10.1007/s13278-013-0141-9 . S2CID   14899273 . Архивировано из оригинала (PDF) 3 марта 2016 года . Проверено 30 ноября 2014 г.
  29. ^ Горовиц, Дэймон; Камвар, Сепандар (2013). «Анатомия крупномасштабной социальной поисковой системы» (PDF) . Материалы 19-й Международной конференции по Всемирной паутине . АКМ. стр. 431–440.
  30. ^ Ху, Ся; Тан, Лей; Тан, Цзилян; Лю, Хуан (2013). «Использование социальных отношений для анализа настроений в микроблогах» (PDF) . Материалы 6-й Международной конференции ACM по веб-поиску и интеллектуальному анализу данных . Архивировано из оригинала (PDF) 4 марта 2016 г. Проверено 29 ноября 2014 г.
  31. ^ Ху, Ся; Тан, Цзилян; Гао, Хуэйцзи; Лю, Хуан (2013). «Анализ настроений без присмотра с помощью эмоциональных сигналов» (PDF) . Материалы 22-й Международной конференции по всемирной паутине . стр. 607–618. дои : 10.1145/2488388.2488442 . ISBN  9781450320351 . S2CID   6608236 . Архивировано из оригинала (PDF) 4 марта 2016 г. Проверено 29 ноября 2014 г.
  32. ^ Али, К; Донг, Х; Бугеттайя, А (2017). «Анализ настроений как услуга: система анализа настроений на основе социальных сетей» . 24-я Международная конференция IEEE по веб-сервисам (IEEE ICWS 2017) . стр. 660–667.
  33. ^ Шахейдари, С; Донг, Х; Дауд, Р. (2013). «Анализ настроений в Твиттере: многодоменный анализ» . 2013 Седьмая Международная конференция по сложным, интеллектуальным и программно-емким системам (СНГ 2013) . стр. 144–149.
  34. ^ Ху, Ся; Тан, Цзилян; Чжан, Яньчао; Лю, Хуан (2013). «Обнаружение социального спамера в микроблогах» (PDF) . Материалы 23-й Международной совместной конференции по искусственному интеллекту . Архивировано из оригинала (PDF) 4 марта 2016 г. Проверено 29 ноября 2014 г.
  35. ^ Ху, Ся; Тан, Цзилян; Лю, Хуан (2014). «Обнаружение социального спамера в Интернете» (PDF) . Материалы 28-й конференции AAAI по искусственному интеллекту . Архивировано из оригинала (PDF) 28 марта 2016 года . Проверено 29 ноября 2014 г.
  36. ^ Ху, Ся; Тан, Цзилян; Лю, Хуан (2014). «Использование знаний средств массовой информации для обнаружения спамеров в микроблогах» (PDF) . Материалы 37-й ежегодной конференции ACM SIGIR . Архивировано из оригинала (PDF) 4 марта 2016 г. Проверено 29 ноября 2014 г.
  37. ^ Ху, Ся; Тан, Цзилян; Гао, Хуэйцзи; Лю, Хуан (2014). «Обнаружение социального спамера с помощью информации о настроениях» (PDF) . Труды Международной конференции IEEE по интеллектуальному анализу данных . Архивировано из оригинала (PDF) 3 марта 2016 года . Проверено 29 ноября 2014 г.
  38. ^ Тан, Цзилян; Лю, Хуан (2012). «Выбор функций со связанными данными в социальных сетях» (PDF) . Материалы Международной конференции SIAM по интеллектуальному анализу данных . Архивировано из оригинала (PDF) 3 марта 2016 года . Проверено 30 ноября 2014 г.
  39. ^ Тан, Цзилян; Лю, Хуан (2014). «Выбор функций для данных социальных сетей» (PDF) . Транзакции ACM по извлечению знаний из данных . 8 (4): 1–27. дои : 10.1145/2629587 . S2CID   15006243 . Архивировано из оригинала (PDF) 3 марта 2016 года . Проверено 30 ноября 2014 г.
  40. ^ Тан, Цзилян; Лю, Хуан (2012). «Неконтролируемый выбор функций для связанных данных социальных сетей» (PDF) . Материалы международной конференции ACM SIGKDD по обнаружению знаний и интеллектуальному анализу данных . Архивировано из оригинала (PDF) 3 марта 2016 года . Проверено 30 ноября 2014 г.
  41. ^ Тан, Цзилян; Лю, Хуан (2014). «Неконтролируемый выбор функций для связанных данных социальных сетей» (PDF) . Транзакции IEEE по знаниям и инженерии данных . дои : 10.1109/TKDE.2014.2320728 . S2CID   16142099 . Архивировано из оригинала (PDF) 3 марта 2016 года . Проверено 30 ноября 2014 г.
  42. ^ Тан, Цзилян; Лю, Хуан (2014). «Доверие к социальным вычислениям» . Материалы 23-й Международной конференции по всемирной паутине . Архивировано из оригинала 4 марта 2016 года . Проверено 30 ноября 2014 г.
  43. ^ Тан, Цзилян; Гао, Хуэйцзи; Лю, Хуан (2012). «mTrust: понимание многогранного доверия в подключенном мире» (PDF) . 5-я Международная конференция ACM по веб-поиску и интеллектуальному анализу данных . Архивировано из оригинала (PDF) 3 марта 2016 года . Проверено 30 ноября 2014 г.
  44. ^ Тан, Цзилян; Гао, Хуэйцзи; ДасСарма, Атиш; Лю, Хуан (2012). «eTrust: понимание эволюции доверия в онлайн-мире» (PDF) . Материалы международной конференции ACM SIGKDD по обнаружению знаний и интеллектуальному анализу данных . Архивировано из оригинала (PDF) 4 марта 2016 г. Проверено 30 ноября 2014 г.
  45. ^ Тан, Цзилян; Гао, Хуэйцзи; Ху, Ся; Лю, Хуан (2013). «Использование эффекта гомофилии для прогнозирования доверия» (PDF) . 6-я Международная конференция ACM по веб-поиску и интеллектуальному анализу данных . Архивировано из оригинала (PDF) 4 марта 2016 г. Проверено 30 ноября 2014 г.
  46. ^ Тан, Цзилян; Ху, Ся; Лю, Хуан (2014). «Является ли недоверие отрицанием доверия? Ценность недоверия в социальных сетях» (PDF) . Материалы гипертекстовой конференции ACM . Архивировано из оригинала (PDF) 3 марта 2016 года . Проверено 30 ноября 2014 г.
  47. ^ Тан, Цзилян; Ху, Ся; Чанг, Йи; Лю, Хуан (2014). «Предсказуемость недоверия к данным взаимодействия» (PDF) . Международная конференция ACM по управлению информацией и знаниями . Архивировано из оригинала (PDF) 3 марта 2016 года . Проверено 30 ноября 2014 г.
  48. ^ Тан, Цзилян; Чанг, Шию; Аггарвал, Чару; Лю, Хуан (2015). «Прогнозирование негативных ссылок в социальных сетях» (PDF) . Труды Международной конференции ACM по веб-поиску и интеллектуальному анализу данных . arXiv : 1412.2723 . Бибкод : 2014arXiv1412.2723T . Архивировано из оригинала (PDF) 24 сентября 2015 года . Проверено 30 ноября 2014 г.
  49. ^ Бруно, Никола (2011). «Сначала напишите в Твиттере, потом проверьте? Как информация в реальном времени меняет освещение мировых кризисных событий». Оксфорд: Институт изучения журналистики Reuters, Оксфордский университет . 10 : 2010–2011.
  50. ^ Сакаки, ​​Такаши; Оказаки, Макото; Ютака, Мацуо (2010). «Землетрясение потрясло пользователей Твиттера: обнаружение событий в реальном времени с помощью социальных датчиков». Материалы 19-й Международной конференции по Всемирной паутине . стр. 851–860.
  51. ^ Мендоса, Марсело; Поблете, Барбара; Кастильо, Карлос (2010). «Твиттер в кризисе: можем ли мы доверять тому, что RT?». Материалы первого семинара по аналитике социальных сетей . стр. 71–79.
  52. ^ Кумар, Шамант; Барбье, Джеффри; Аббаси, Мохаммад Али; Лю, Хуан (2011). «TweetTracker: инструмент анализа гуманитарной помощи и помощи при стихийных бедствиях» . 5-я Международная конференция AAAI по блогам и социальным сетям . Архивировано из оригинала 5 декабря 2014 года . Проверено 1 декабря 2014 г.
  53. ^ Кумар, Шамант; Ху, Ся; Лю, Хуан (2014). «Подход поведенческой аналитики к выявлению твитов из кризисных регионов». Материалы 25-й конференции ACM по гипертексту и социальным сетям . стр. 255–260.
  54. ^ Гао, Хуэйцзи; Тан, Цзилян; Лю, Хуан (2012). «Изучение социально-исторических связей в социальных сетях, основанных на местоположении» (PDF) . Материалы шестой международной конференции AAAI по блогам и социальным сетям . Архивировано из оригинала (PDF) 22 января 2016 года . Проверено 1 декабря 2014 г.
  55. ^ Гао, Хуэйцзи; Тан, Цзилян; Лю, Хуан (2012). «Прогнозирование мобильного местоположения в пространственно-временном контексте» (PDF) . Семинар Nokia Mobile Data Challenge 2012 . Архивировано из оригинала (PDF) 24 сентября 2015 года . Проверено 1 декабря 2014 г.
  56. ^ Гао, Хуэйцзи; Тан, Цзилян; Лю, Хуан (2012). «gSCorr: моделирование геосоциальных корреляций для новых регистраций в социальных сетях на основе местоположения» (PDF) . Материалы 21-й Международной конференции ACM по управлению информацией и знаниями . Архивировано из оригинала (PDF) 24 сентября 2015 года . Проверено 1 декабря 2014 г.
  57. ^ Гао, Хуэйцзи; Тан, Цзилян; Ху, Ся; Лю, Хуан (2013). «Изучение временных эффектов рекомендаций по местоположению в социальных сетях, основанных на местоположении» (PDF) . Материалы 7-й конференции ACM по рекомендательным системам . стр. 93–100. дои : 10.1145/2507157.2507182 . ISBN  9781450324090 . S2CID   14990290 . Архивировано из оригинала (PDF) 24 сентября 2015 года . Проверено 1 декабря 2014 г.
  58. ^ Гао, Хуэйцзи; Тан, Цзилян; Ху, Ся; Лю, Хуан (2014). «Рекомендации по контентно-зависимым точкам интереса для социальных сетей, основанных на местоположении» (PDF) . Материалы двадцать девятой конференции AAAI по искусственному интеллекту . Архивировано из оригинала (PDF) 24 сентября 2015 года . Проверено 1 декабря 2014 г.
  59. ^ Гао, Хуэйцзи; Тан, Цзилян; Лю, Хуан (2014). «Персонализированные рекомендации по местоположению в социальных сетях, основанных на местоположении» (PDF) . Материалы 8-й конференции ACM по рекомендательным системам . Архивировано из оригинала (PDF) 24 сентября 2015 года . Проверено 1 декабря 2014 г.
  60. ^ Барбье, Джеффри; Фэн, Чжо; Гундеча, Притам; Лю, Хуан (2013). «Данные о происхождении в социальных сетях». Обобщающие лекции по интеллектуальному анализу данных и обнаружению знаний . 4 : 1–84. дои : 10.2200/S00496ED1V01Y201304DMK007 . S2CID   46794494 .
  61. ^ Гундеча, Притам; Фэн, Чжо; Лю, Хуан (2013). «Поиск происхождения информации в социальных сетях» (PDF) . Материалы 22-й Международной конференции ACM по управлению информацией и знаниями . Архивировано из оригинала (PDF) 4 марта 2016 г. Проверено 1 декабря 2014 г.
  62. ^ Гундеча, Притам; Барбье, Джеффри; Тан, Цзилян; Лю, Хуан (2014). «Уязвимость пользователей и ее снижение на сайте социальной сети» (PDF) . Транзакции ACM по извлечению знаний из данных . 9 (2): 1–25. дои : 10.1145/2630421 . S2CID   1200227 . Архивировано из оригинала (PDF) 3 марта 2016 года . Проверено 1 декабря 2014 г.
  63. ^ Мароццо, Фабрицио; Бесси, Алессандро (2018), «Анализ поляризации пользователей социальных сетей и новостных сайтов во время политических кампаний», Social Network Analysis and Mining , 8 :1, doi : 10.1007/s13278-017-0479-5 , S2CID   21257844

Внешние ссылки [ править ]

Retrieved from "https://en.wikipedia.org/w/index.php?title=Social_media_mining&oldid=1227403549"
Arc.Ask3.Ru: конец переведенного документа.
Arc.Ask3.Ru
Номер скриншота №: 15248c80fefb5897f7f384cc495ee7e7__1717587240
URL1:https://arc.ask3.ru/arc/aa/15/e7/15248c80fefb5897f7f384cc495ee7e7.html
Заголовок, (Title) документа по адресу, URL1:
Social media mining - Wikipedia
Данный printscreen веб страницы (снимок веб страницы, скриншот веб страницы), визуально-программная копия документа расположенного по адресу URL1 и сохраненная в файл, имеет: квалифицированную, усовершенствованную (подтверждены: метки времени, валидность сертификата), открепленную ЭЦП (приложена к данному файлу), что может быть использовано для подтверждения содержания и факта существования документа в этот момент времени. Права на данный скриншот принадлежат администрации Ask3.ru, использование в качестве доказательства только с письменного разрешения правообладателя скриншота. Администрация Ask3.ru не несет ответственности за информацию размещенную на данном скриншоте. Права на прочие зарегистрированные элементы любого права, изображенные на снимках принадлежат их владельцам. Качество перевода предоставляется как есть. Любые претензии, иски не могут быть предъявлены. Если вы не согласны с любым пунктом перечисленным выше, вы не можете использовать данный сайт и информация размещенную на нем (сайте/странице), немедленно покиньте данный сайт. В случае нарушения любого пункта перечисленного выше, штраф 55! (Пятьдесят пять факториал, Денежную единицу (имеющую самостоятельную стоимость) можете выбрать самостоятельно, выплаичвается товарами в течение 7 дней с момента нарушения.)