自我管理的 Instagram 页面:用于吸引人类的社交陷阱
本研究通过 Twitter 上的真实实验和追踪模拟,展示了利用社会机器人网络进行垃圾邮件分发和数字影响操作的有效性和优势,并提出了相应的对策并评估其有效性,以帮助理解社会机器人网络的潜在危害以及帮助在线社交网络改进其机器人(网络)检测系统。
Mar, 2016
该论文介绍了两种基于逻辑回归和布尔众包算法的分类技术,使用用户 “like” 信息对 Facebook 帖子进行分类,能够高准确地区分谣言和非谣言,这些结果表明,信息传播模式的映射可以是自动虚假消息检测系统的有用组成部分。
Apr, 2017
通过对 Instagram 数据集进行分析,研究了其网络结构、内容生成和消费动态以及用户标签媒体的行为,以了解人类行为动态在社交技术系统中的表现,重点关注用户和内容的流行度、在线环境中用户交互的机制以及个体主题兴趣如何汇聚形成集体趋势。
Jun, 2014
研究使用机器学习算法和长短期记忆 (LSTM) 神经网络在社交媒体上进行社交工程学和网络钓鱼攻击,通过动态种子和主题聚类等机制使攻击更有针对性。尝试提高攻击成功率,最终实现了三倍于历史电子邮件攻击的成功率,并超过手动执行相同任务的人类。
Feb, 2018
通过在线社交实验,发现没有信任、档案和复制用户行为目标的机器人可通过基本的社交探测活动在社交媒体上获得社交相关性,进而有效地引导用户的社交连接选择,并揭示了隐蔽的社交极化模式和用户感知的微妙隐私风险。
Jul, 2014
本文介绍了一种使用基于网络社交平台上传播路径特征的垃圾信息检测方法,即 POISED 系统,在大规模 Twitter 数据集上进行实验,结果表明该方法的准确率达到 91%,召回率达到 93%,能有效地检测垃圾信息,并且相对于之前的垃圾信息检测系统具有更高的综合性。
Aug, 2017
本研究通过对 Instagram 上标签和社交网络数据的分析,尝试理解外部图片的内容以及其与已有标签的关联,特别地,通过纯粹的社交网络数据尝试识别食品图像的类别和内容,并证明了该方法在识别流行食品类别时的正确率可以达到 70% 以上,这表明通过数据驱动的分析可以为图片内容的关系及开发相关算法提供新的机遇和挑战。
Mar, 2016
本文研究了一种特定的 Twitter 社交机器人网络,分析了其增长、内容和行为,以及该机器人网络对相关讨论的影响。通过对约 3000 条推文进行定性编码分析,发现该机器人网络的增长、行为和内容并不符合通常机器人网络的概念,并识别了与普通用户不同的有趣方面。
Apr, 2016
本论文从 Twitter 账号出发,提出了使用卷积神经网络的新型算法,将账号执行的操作序列转化为图片,并进行图像分类,从而进行 bot 检测。结果证实了该方法的有效性,因为它与现有技术处在同一水平,并在某些情况下更好。
Apr, 2023