AAAIMar, 2018

你就是你的元数据：使用元数据信息识别和混淆社交媒体用户

PDF
TL;DR该论文研究了元数据与用户身份的关联特性，发现元数据可被用于用户身份识别，此外，论文还阐述了数据混淆策略的重要性，以及机器学习算法的效果，这对于社交媒体平台的数据发布具有强烈的启示意义。
metadatadata obfuscationuser identificationmachine learning algorithmssocial media platforms
发现论文，激发创造
  • 社交网络元数据在网络上对图像分类的标签化

    研究了四个流行的基准数据集，扩展了它们的社交网络元数据，如每张图片所属的组，与该图片相关的评论线程，上传者，其位置和朋友的网络，探讨了社交网络元数据在图像分类中的应用，通过构建一个二元标签网络模型，使用结构化学习技术来学习模型参数，发现社交网络元数据在各种分类任务中很有用，并在许多情况下胜过基于图像内容的方法。

    Jul, 2012

  • 社交媒体中的用户身份链接利用语言和社交互动特征

    该研究提出了一个基于机器学习的检测模型，通过使用用户在线活动的多个属性来识别虚拟身份是否属于同一个真实人，以防止虚假 / 非法活动的传播。通过在两个滥用和涉及恐怖主义的 Twitter 内容上演示模型的有效性。

    Aug, 2023

  • 社交网络去匿名化

    介绍了一种分析社交网络中隐私和匿名性的框架，并开发了一种新的针对匿名化社交网络图的重新识别算法。此算法纯基于网络拓扑，无需创建大量虚假节点，可对抗噪声和所有现有防御，哪怕目标网络与攻击者的辅助信息之间的重叠很小。

    Mar, 2009

  • 社交媒体中的无脸人员识别及隐私影响

    本文旨在通过研究社交媒体数据中人员识别的准确性，为我们日益涉足虚拟空间，隐私受到威胁的新现实提供理解。我们定义了多种场景并提出了一种强大的人员识别系统，证明即便在人脸被模糊处理的情况下，仍然能威胁到用户的隐私安全。本文详细论述了我们的实验结果及其涵义。

    Jul, 2016

  • 元数据对科学文献标注的影响：一项跨领域跨模型的研究

    本文系统研究了 19 个领域中的元数据对科学文献标记的影响，并通过三种代表性多标签分类器探索它们在元数据作为附加特征时的性能变化，发现在所有领域中都存在有关元数据的普遍模式，以及在计算机科学和生物医学以外的领域中存在一些独特的模式。

    Feb, 2023

  • 学习社交媒体用户的不变表示

    本文提出了一种从社交媒体用户活动的短时段中学习映射的方法，以产生用户固有特征相似度的向量空间，其中距离捕捉到相应用户的相似性，并通过 Reddit、Twitter 和 Wikipedia 的数据进行了全面评估。

    Oct, 2019

  • 使用 Transformer 进行基于 Twitter 的性别识别

    本文提出基于 transformers 的模型，从社交媒体用户的图像和推文中预测其性别，从而解决性别信息不公开的问题，同时，图像分类和文本分类模型能够相互支持，提高整体分类准确率。

    Apr, 2022

  • 利用网络和语言信息预测 Twitter 用户的社会经济属性

    本研究针对 Twitter 用户的情况，使用低维向量表示的图形嵌入技术来提取用户的社交网络信息，并用此信息预测 Twitter 用户的职业阶层和收入水平，结果显示该方法优于现有的方法，并且将社交网络和语言信息相结合可以进一步提高预测结果。

    Apr, 2018

  • 融合社交网络的用户级情感分析

    研究表明，社交关系信息可以用于提高用户级情感分析，实验结果表明，将社交网络信息纳入支持向量机等分类器的训练可以明显提高情感分析的效果。

    Sep, 2011

  • Tagvisor：分享 Hashtags 的隐私顾问

    本文首次系统分析了 Hashtag 对用户隐私产生的影响，特别是聚焦于 Hashtag 对用户位置隐私产生的影响。作者介绍了一个名为 Tagvisor 的系统，通过三种不同的模糊技术及基于语义的指标来提高 Hashtag 的模糊度，从而帮助用户保护隐私。通过在数据集上的实验，作者表明，当用户选择的 Hashtag 经过至少两个模糊技术之后，已经能在隐私和实用性之间达到一个几乎最优的平衡点，从而使 Tagvisor 在实际应用中非常实用和高效。

    Feb, 2018