打击网络水军:隐藏付费发帖人员的检测
本文通过对网上论坛用户进行调查和分析,使用机器学习算法建立分类器,成功区分了网上论坛中的意见操纵用户,包括那些有组织和付费的指定网军,使得机器学习算法能够在这个问题上取得成功。
Sep, 2021
研究调查网络战士在大型线上论坛中的活动水平,发现只有极小部分网络战士是活跃用户;并分析了识别网络战士所面临的挑战,证明了检测不活跃网络战士的难度远高于辨识其活跃对手;最后,讨论了更有效地在网络战士的非活跃阶段识别他们的潜在方法,并提供了关于捕获网络战士存在和行动的见解。
Aug, 2023
通过针对 9 个讨论社区对假面具行为的研究,本文展示假面具与一般用户在发帖行为、语言特征和社交网络结构上的不同,提出了一种欺骗行为分类方法,并应用这些发现进行了一系列预测任务,最终为假面具的自动检测铺平了道路。
Mar, 2017
该研究提出了一种基于信任函数理论的新方法,用于检测在线社区中的恶意用户,并通过对线程消息之间的冲突度量来确定此类用户的存在,从而提高社区管理员解决此问题的能力。
Jan, 2015
本研究针对社交媒体中流传的错谬信息的问题,开发并公开了一个新的微博数据集,探究了区分发帖人和积极的公民的任务,在不同的社交媒体平台和语言下分别进行了研究,并对两种用户类别的语言使用差异进行了广泛分析。
Apr, 2022
该论文基于经济信号理论和生成模型探讨了消费者在线评论中的虚假内容,通过对六个知名在线旅游评论社区的分析表明了不同社区虚假评论的增长率不同,并且提出了一些方法可以有效地减少虚假评论的存在。
Apr, 2012
研究探讨了俄罗斯如何通过社交媒体平台干预 2016 年美国总统选举。并且提出了一种采用预测模型来辨别转发恶意内容用户的方法,以此为未来防止此类行为提供有效的思路和帮助;接着,通过用户政治意识、机器人可能性以及其它活动相关的账户元数据三个方面,为我们辨别恶意转发用户提供了一些有力的建议。
Aug, 2018
本文通过分析来自 5.5k 个 Twitter 和 Reddit 用户的 1000 万个帖子,揭示了俄罗斯和伊朗政府组织实施的协调运动的本质,阐述了它们如何利用社交媒体进行舆论操纵,并通过 Hawkes 过程统计模型量化了它们在 Twitter、Reddit、4chan 和 Gab 上推送 URL 的影响力和效率。
Nov, 2018
本研究结合心理学和计算语言学的工作,研究了欺骗性意见垃圾信息的检测,提出三种方法并开发出在黄金标准意见垃圾信息数据集上准确率接近 90% 的分类器,还进行了特征分析并揭示了欺骗性意见与想象写作之间的关系。
Jul, 2011