論文鏈接： https://arxiv.org/abs/2008.08370

目錄

摘要：

Introduction

Contributions

Related Work

Dataset

Method Overview

Surfacing Coordination in 2019 UK GE

Analysis of Coordinated Behaviors

摘要：

????????協(xié)調(diào)的在線(xiàn)行為是信息和影響力行動(dòng)的重要組成部分，因?yàn)樗鼈兛梢愿行У貍鞑ヌ摷傩畔ⅰ?span style="color:#fe2c24;">大多數(shù)關(guān)于協(xié)同行為的研究都涉及人工調(diào)查，而現(xiàn)有的少數(shù)計(jì)算方法都做了大膽的假設(shè)或過(guò)度簡(jiǎn)化了問(wèn)題，使其具有可操作性。

????????在此，我們提出了一種新的基于網(wǎng)絡(luò)的框架，用于揭示和研究社交媒體上的協(xié)同行為。我們的研究擴(kuò)展了現(xiàn)有系統(tǒng)，超越了對(duì)協(xié)調(diào)行為和非協(xié)調(diào)行為的二元分類(lèi)限制。它可以揭示不同的協(xié)調(diào)模式，并估計(jì)不同社區(qū)的協(xié)調(diào)程度。我們將框架應(yīng)用于 2019 年英國(guó)大選期間收集的數(shù)據(jù)集，檢測(cè)并描述參與選舉辯論的協(xié)調(diào)社區(qū)。我們的工作具有理論和實(shí)踐意義，為研究在線(xiàn)信息操縱提供了更細(xì)致入微的結(jié)果。

Introduction

????????近年來(lái)，社交媒體上頻繁出現(xiàn)信息或影響力行動(dòng)（IOs），以達(dá)到誤導(dǎo)和操縱的目的。社交媒體公司用這個(gè)借用自軍事領(lǐng)域的術(shù)語(yǔ)來(lái)描述國(guó)家和非國(guó)家行為者在其平臺(tái)上傳播欺騙性?xún)?nèi)容的企圖（Alassad、Spann 和 Agarwal，2020 年；Weedon、Nuland 和 Stamos，2017 年）。IO可以采取不同的形式，針對(duì)不同的個(gè)人、在線(xiàn)人群或社區(qū)，并具有不同的目標(biāo)（Starbird、Arif 和 Wilson，2019 年）。犯罪者使用的戰(zhàn)略工具包括假新聞、宣傳、仇恨言論、篡改、勾結(jié)用戶(hù)（如付費(fèi)巨魔）和自動(dòng)化（如社交機(jī)器人）。自 2016 年唐納德-特朗普當(dāng)選和英國(guó)脫歐公投以來(lái)，這些工具中的每一種都引起了科學(xué)界的廣泛關(guān)注。這些持續(xù)不斷的努力導(dǎo)致了有關(guān)這些問(wèn)題的大量研究工作，以及解決這些問(wèn)題的大量不同解決方案。然而，盡管研究人員對(duì)所提出的解決方案的有效性進(jìn)行了爭(zhēng)論，但國(guó)際組織似乎仍然對(duì)我們的民主國(guó)家和社會(huì)構(gòu)成嚴(yán)重威脅（Barrett 2019）.

????????與此同時(shí)，計(jì)算機(jī)特定領(lǐng)域的突破性進(jìn)展正在給網(wǎng)絡(luò)信息格局帶來(lái)深刻變化。人工智能的進(jìn)步帶來(lái)了 "深度偽造"（deepfakes）的興起--通過(guò)深度學(xué)習(xí)技術(shù)對(duì)信息源進(jìn)行修改的合成媒體。深度偽造可以制作出與目標(biāo)人物寫(xiě)作風(fēng)格相似的任意文本，或者音頻和視頻樣本，讓目標(biāo)人物的臉和聲音做任何事或說(shuō)任何話(huà)。不出所料，這些強(qiáng)大的技術(shù)已被用于制造假新聞（Zellers 等人，2019 年）和為欺詐賬戶(hù)制作假證件照。

協(xié)調(diào)行動(dòng)完成IO

????????然而，每種 IO 都必須傳播并 "感染 "許多用戶(hù)才能取得成功，這取決于其目的和用于欺騙的工具。要實(shí)現(xiàn)這一目標(biāo)，通常需要在社交媒體上采取廣泛而協(xié)調(diào)的行動(dòng)，才能獲得顯著的傳播效果，產(chǎn)生影響力，從而產(chǎn)生影響。有鑒于此，自 2018 年以來(lái)，所有領(lǐng)先平臺(tái)都對(duì)研究協(xié)調(diào)的不真實(shí)行為（CIB）2 表現(xiàn)出極大興趣。

協(xié)調(diào)與不真實(shí)

????????盡管協(xié)調(diào)和不真實(shí)經(jīng)常出現(xiàn)在一起，但協(xié)調(diào)和不真實(shí)是兩個(gè)截然不同的概念。例如，積極分子和其他草根組織通常會(huì)采取協(xié)調(diào)但真實(shí)的行為。反之，以誤導(dǎo)為目的的單個(gè)虛假賬戶(hù)可能會(huì)表現(xiàn)出不真實(shí)但不協(xié)調(diào)的行為?，F(xiàn)有研究 CIB 的工作大多涉及大量人工調(diào)查，而計(jì)算方法仍然少之又少。

協(xié)調(diào)的不真實(shí)行為的挑戰(zhàn)

????????在這些挑戰(zhàn)中，有 CIB 本身的模糊性和不確定性： 究竟什么是協(xié)調(diào)行為？什么是不真實(shí)的行為？一個(gè)（有意義的）協(xié)調(diào)行為需要多少個(gè)有組織的賬戶(hù)？

目前研究現(xiàn)狀

????????遺憾的是，對(duì)這些問(wèn)題還沒(méi)有商定的答案，因此，將這些問(wèn)題操作化概念和開(kāi)發(fā)用于分析的計(jì)算方法代表了開(kāi)放的挑戰(zhàn)。

????????特別是，迄今為止，還沒(méi)有報(bào)道成功地嘗試自動(dòng)區(qū)分真實(shí)和不真實(shí)的協(xié)調(diào)行為（Var- gas、Emami 和 Traynor，2020 年）。相反，一些研究人員最近專(zhuān)注于更直接的任務(wù)，即檢測(cè)和研究協(xié)調(diào)行為，而不考慮意圖和真實(shí)性。為此，為數(shù)不多的現(xiàn)有技術(shù)做出了簡(jiǎn)單的假設(shè)，例如使用固定的閾值對(duì)協(xié)調(diào)行為和非協(xié)調(diào)行為進(jìn)行二元區(qū)分（Pacheco 等人，2020 年）。然而，"協(xié)調(diào) "是一個(gè)復(fù)雜的、非二元對(duì)立的概念，與 "互補(bǔ)"（Cresci 2020）和 "不真實(shí)"（Starbird 2019）類(lèi)似。在本研究中，我們將重點(diǎn)研究協(xié)調(diào)行為，結(jié)合前期初步成果的優(yōu)勢(shì)和跡象，克服二元協(xié)調(diào)方法的弊端。

Contributions

????????在這項(xiàng)工作中，我們超越了研究協(xié)調(diào)行為的現(xiàn)有方法，提出了一個(gè)新的基于網(wǎng)絡(luò)的框架，該框架放寬了以前的假設(shè)，擴(kuò)展并概括了現(xiàn)有的工作。在我們的框架內(nèi)，我們將協(xié)調(diào)定義為任意數(shù)量用戶(hù)之間潛在的、可疑的或顯著的相似性。我們沒(méi)有對(duì)協(xié)調(diào)用戶(hù)和非協(xié)調(diào)用戶(hù)進(jìn)行二元分類(lèi)，而是對(duì)協(xié)調(diào)程度進(jìn)行了估計(jì)。

框架介紹

????????總之，通過(guò)我們的框架，我們建立了一個(gè)用戶(hù)-相似性網(wǎng)絡(luò)。

????????然后，我們只保留與統(tǒng)計(jì)相關(guān)的鏈接和節(jié)點(diǎn)，從而獲得網(wǎng)絡(luò)的多尺度骨干。

????????接下來(lái)，我們對(duì)協(xié)調(diào)性越來(lái)越高的用戶(hù)子集進(jìn)行迭代式社區(qū)檢測(cè)。我們的方法并不需要確定共同排序的閾值。相反，它允許研究數(shù)據(jù)中發(fā)現(xiàn)的整個(gè)協(xié)調(diào)范圍，從弱協(xié)調(diào)到強(qiáng)協(xié)調(diào)的用戶(hù)。特別是，我們框架的主要新穎之處在于提供了一個(gè)連續(xù)范圍內(nèi)的協(xié)調(diào)度量，而不是將強(qiáng)烈協(xié)調(diào)的賬戶(hù)分開(kāi)并對(duì)其進(jìn)行特征描述。

????????因此，在分析的最后，我們將新的協(xié)調(diào)指數(shù)與多方面的網(wǎng)絡(luò)衡量標(biāo)準(zhǔn)進(jìn)行交叉驗(yàn)證，從而以前所未有的發(fā)現(xiàn)來(lái)描述新興協(xié)調(diào)社區(qū)的特征。

????????最后，我們?cè)?2019 年英國(guó)大選 (GE) 的背景下在 Twitter 數(shù)據(jù)上測(cè)試我們的框架，并將其與之前基于閾值的技術(shù)進(jìn)行比較。

????????我們的主要貢獻(xiàn)如下：

????????- 我們提出了一個(gè)更加細(xì)致入微、非二元對(duì)立、基于網(wǎng)絡(luò)的框架，從而超越了現(xiàn)有的共同排序檢測(cè)方法。

????????- 我們發(fā)現(xiàn)了在 2019 年英國(guó)大選期間運(yùn)作的協(xié)調(diào)社區(qū)，并根據(jù)它們?cè)谶x舉辯論中的作用對(duì)其進(jìn)行了討論。

????????- 我們發(fā)現(xiàn)并討論了不同社區(qū)行為中出現(xiàn)的不同協(xié)調(diào)模式。我們的非二元協(xié)調(diào)方法使得這種特征描述成為可能，它展示了我們框架的力量和實(shí)用性。

??????? - 我們通過(guò)經(jīng)驗(yàn)證明，協(xié)調(diào)和欺騙是兩個(gè)正交的概念。因此，我們的框架可以補(bǔ)充長(zhǎng)期研究的檢測(cè)互操作、操縱和不真實(shí)性的技術(shù)。

????????- 我們將我們的框架與現(xiàn)有的二元方法進(jìn)行了比較評(píng)估。這些結(jié)果表明了我們這個(gè)細(xì)致入微的非二元框架在量化協(xié)同程度和揭示協(xié)同社區(qū)的有趣網(wǎng)絡(luò)屬性方面的優(yōu)勢(shì)。

????????- 我們創(chuàng)建并公開(kāi)分享了 2019 年英國(guó)大選的大型數(shù)據(jù)集，其中包括 120 萬(wàn)用戶(hù)分享的 1,100 萬(wàn)條推文。

Related Work

????????由于存在諸多挑戰(zhàn)，迄今為止，只有少數(shù)作品試圖開(kāi)發(fā)出檢測(cè)和描述協(xié)調(diào)在線(xiàn)行為的計(jì)算手段。其中，與我們目前的工作最相似的方法是（Pacheco 等人，2020 年；Pacheco、Flammini 和 Menczer，2020 年）。這項(xiàng)工作建議提取在線(xiàn)活動(dòng)的行為痕跡，并利用這些痕跡構(gòu)建一個(gè)雙方網(wǎng)絡(luò)。為此，他們將網(wǎng)絡(luò)投影到賬戶(hù)上，得到用戶(hù)相似性網(wǎng)絡(luò)。然后，他們通過(guò)應(yīng)用限制性的任意相似性閾值，過(guò)濾了低權(quán)重邊和斷開(kāi)的節(jié)點(diǎn)。通過(guò)這種方法，他們將剩余的節(jié)點(diǎn)視為協(xié)調(diào)節(jié)點(diǎn)，并計(jì)算了篩選網(wǎng)絡(luò)的連接組件，將每個(gè)組件作為協(xié)調(diào)用戶(hù)的一個(gè)獨(dú)特群體進(jìn)行分析。這種研究屬于我們所說(shuō)的基于閾值的方法，其特點(diǎn)是明確區(qū)分協(xié)調(diào)用戶(hù)和非協(xié)調(diào)用戶(hù)、

????????同樣，在我們的工作中，我們建立了一個(gè)用戶(hù)相似性網(wǎng)絡(luò)。然而，最有影響力的新穎之處在于，我們沒(méi)有采用基于相似性的篩選器。相反，我們?cè)诓煌膮f(xié)調(diào)水平上迭代執(zhí)行社區(qū)檢測(cè)。

????????通過(guò)這種方法，我們能夠研究賬戶(hù)之間的整體協(xié)調(diào)程度，發(fā)現(xiàn)以往方法無(wú)法發(fā)現(xiàn)的不同協(xié)調(diào)模式和動(dòng)態(tài)。此外，通過(guò)在連續(xù)范圍內(nèi)測(cè)量協(xié)調(diào)性，我們還能將這一新的協(xié)調(diào)指數(shù)與相關(guān)的網(wǎng)絡(luò)屬性進(jìn)行交叉檢驗(yàn)，從而獲得新的發(fā)現(xiàn)，而這些發(fā)現(xiàn)是無(wú)法通過(guò)描述強(qiáng)協(xié)調(diào)賬戶(hù)之間的差異來(lái)實(shí)現(xiàn)的。

????????其他研究還嘗試了基于閾值的方法。Giglietto 等人，2020b；2020a）中討論的工作側(cè)重于 CIB 的一個(gè)特定實(shí)例。作者提出了一個(gè)檢測(cè)協(xié)調(diào)鏈接共享行為的兩步流程，并在 Facebook 數(shù)據(jù)集上進(jìn)行了測(cè)試。在第一步中，他們檢測(cè)到幾乎同時(shí)共享給定鏈接的實(shí)體群組。第二步，僅將重復(fù)共享相同鏈接的實(shí)體連接起來(lái)，從而識(shí)別出協(xié)調(diào)網(wǎng)絡(luò)。然后，他們通過(guò)分析共享的領(lǐng)域和故事來(lái)人工評(píng)估不真實(shí)性。提議的算法需要兩個(gè)參數(shù)：一個(gè)用于確定近乎同時(shí)的鏈接共享，另一個(gè)用于確定重復(fù)的鏈接共享。這些參數(shù)代表了用于篩選的固定相似性閾值，同時(shí)也帶來(lái)了之前所有的影響和局限性。

????????阿森馬赫等人還提出了一個(gè)用于檢測(cè) IO 的兩步框架（Assenmacher 等人，2020b；2020a）。最初，他們利用無(wú)監(jiān)督流聚類(lèi)和趨勢(shì)檢測(cè)技術(shù)來(lái)處理社交媒體文本流，識(shí)別相似用戶(hù)組。然后，他們建議應(yīng)用標(biāo)準(zhǔn)離線(xiàn)分析，包括通過(guò)可視化和儀表板進(jìn)行手動(dòng)檢查，以評(píng)估不真實(shí)性。 （Keller 等人，2020）利用參與虛假信息活動(dòng)的協(xié)調(diào)帳戶(hù)的真實(shí)情況來(lái)確定用于檢測(cè) IO 的網(wǎng)絡(luò)措施。作者得出的結(jié)論是，與用于其他相關(guān)任務(wù)（例如社交機(jī)器人檢測(cè)）的典型個(gè)人賬戶(hù)特征相比，astroturfing 代理之間協(xié)調(diào)留下的痕跡信息更豐富。此外，他們還根據(jù)先前確定的協(xié)調(diào)模式開(kāi)發(fā)了一種 astroturfing 檢測(cè)方法。在（Fazil and Abuaish 2020）中，作者提出了一種基于多屬性圖的方法來(lái)檢測(cè) Twitter 上的 CIB。作者使用 6 維特征向量對(duì)每個(gè)用戶(hù)進(jìn)行建模，計(jì)算成對(duì)相似性以獲得用戶(hù)相似性圖，最后應(yīng)用馬爾可夫聚類(lèi)，將所得聚類(lèi)標(biāo)記為不真實(shí)的協(xié)調(diào)組。在（Fazil and Abuaish 2020）中，高度協(xié)調(diào)自動(dòng)意味著不真實(shí)。

????????Var-gas、Emami 和 Traynor 2020）的研究并沒(méi)有提出新技術(shù)，而是側(cè)重于確定以前提出的基于網(wǎng)絡(luò)的協(xié)調(diào)度量標(biāo)準(zhǔn)的實(shí)用性和可靠性。一些作者，包括前面提到的一些作者，報(bào)告了通過(guò)分析可疑的協(xié)調(diào)來(lái)檢測(cè)不真實(shí)行為的積極結(jié)果（Ratkiewicz 等人，2011 年；Keller 等人，2020 年；Fazil 和 Abulaish，2020 年）。然而，（Vargas、Emami 和 Traynor，2020 年）的研究結(jié)果表明，在非微妙的真實(shí)世界場(chǎng)景中進(jìn)行評(píng)估時(shí)，這些先前提出的方法無(wú)法區(qū)分真實(shí)協(xié)調(diào)（如活動(dòng)家、粉絲）和非真實(shí)協(xié)調(diào)。這些結(jié)果證明，協(xié)調(diào)和不真實(shí)是不同的概念，高度協(xié)調(diào)并不一定意味著不真實(shí)。

Dataset

????????通過(guò)利用 Twitter Streaming API，我們收集了與 2019 年英國(guó)大選相關(guān)的大量推文數(shù)據(jù)集。我們收集的數(shù)據(jù)涵蓋選舉日前一個(gè)月，即 2019 年 11 月 12 日至 12 月 12 日。在此期間，我們從包含最流行標(biāo)簽的列表中選取了所有至少提及一個(gè)標(biāo)簽的推文，其中一些標(biāo)簽為兩大政黨所使用，而其他標(biāo)簽則較為中立。

????????表 1 列出了這一階段使用的所有標(biāo)簽、相應(yīng)的政黨傾向（N：中立，L：工黨，C：保守黨）以及收集到的相關(guān)數(shù)據(jù)。推文 "一欄只計(jì)算引用文本中包含表中某一標(biāo)簽的引用轉(zhuǎn)發(fā)。其余的引用轉(zhuǎn)發(fā)仍包含在我們的數(shù)據(jù)集中，但不計(jì)算在表 1 中。

????????除了上述基于標(biāo)簽的收集，我們還收集了雙方官方賬號(hào)及其領(lǐng)導(dǎo)人發(fā)布的所有推文，以及他們收到的所有互動(dòng)（即轉(zhuǎn)發(fā)和回復(fù)）。表 2 列出了這些賬戶(hù)和收集到的數(shù)據(jù)。

?????????本研究的最終數(shù)據(jù)集是表 1 和表 2 所示數(shù)據(jù)的組合、和引用轉(zhuǎn)發(fā)，包括 1,179,659 個(gè)不同用戶(hù)發(fā)布的共計(jì) 11,264,820 條推文。該數(shù)據(jù)集可公開(kāi)用于研究目的。

Method Overview

????????在本節(jié)中，我們將介紹基于網(wǎng)絡(luò)的協(xié)調(diào)行為檢測(cè)框架。我們的具體方法由以下六個(gè)主要步驟組成，圖 1 匯總了這六個(gè)步驟：

?????????1. 選擇起始用戶(hù)。第一步是選擇要調(diào)查的用戶(hù)。例如，給定一個(gè)大型數(shù)據(jù)集，我們可能想要調(diào)查最活躍的用戶(hù)，如超級(jí)生產(chǎn)者或超級(jí)傳播者 ，或所有使用特定標(biāo)簽發(fā)布推文的用戶(hù)，甚至是某位知名用戶(hù)的所有追隨者。無(wú)論選擇標(biāo)準(zhǔn)是什么，這一步都會(huì)返回一個(gè)要分析的用戶(hù)列表。

????????2. 選擇相似性度量。與之前的文獻(xiàn)一樣，我們利用用戶(hù)之間意想不到的相似性作為協(xié)調(diào)的代理。相似度可以通過(guò)多種不同的方式計(jì)算。因此，這一步涉及相似性度量的選擇。有效選項(xiàng)的示例是編碼帳戶(hù)資料特征的用戶(hù)特征向量之間的余弦相似度?；蛎總€(gè)用戶(hù)使用的標(biāo)簽集之間或關(guān)注/轉(zhuǎn)發(fā)賬戶(hù)集之間的 Jaccard 相似度。

????????3 建立用戶(hù)相似性網(wǎng)絡(luò)。在這一步驟中，我們使用在步驟 2 中選擇的度量標(biāo)準(zhǔn)，計(jì)算在步驟 1 中識(shí)別的所有用戶(hù)之間的成對(duì)用戶(hù)相似性。我們利用用戶(hù)相似性建立一個(gè)加權(quán)無(wú)向用戶(hù)相似性網(wǎng)絡(luò) G（E，V，W），該網(wǎng)絡(luò)編碼用戶(hù)之間的行為和互動(dòng)模式。

????????4. 過(guò)濾用戶(hù)相似性網(wǎng)絡(luò)。在研究現(xiàn)實(shí)世界中的大型 IO 數(shù)據(jù)集時(shí)，步驟 3 生成的網(wǎng)絡(luò)可能太大，難以分析，甚至無(wú)法可視化。因此，需要進(jìn)行篩選。與之前基于閾值的方法不同，我們避免了基于固定邊緣權(quán)重閾值的簡(jiǎn)單篩選策略。我們記錄邊緣權(quán)重編碼了用戶(hù)之間的相似性，并在一定程度上編碼了用戶(hù)之間的協(xié)調(diào)性。因此，應(yīng)用權(quán)重閾值 t 并丟棄所有權(quán)重低于閾值（w(e) < t）的邊 e∈E 將意味著任意地對(duì)協(xié)調(diào)行為（w(e) ≥ t）和非協(xié)調(diào)行為（w(e) < t）進(jìn)行二元區(qū)分，這是一種限制性的、缺乏理論依據(jù)的選擇。相反，我們建議使用基于復(fù)雜網(wǎng)絡(luò)的多尺度篩選方法，例如（Garlaschelli 和 Loffredo，2008 年；Serrano、Bogun′a 和 Vespignani，2009 年；Tumminello 等，2011 年）中討論的任何一種方法。這些技術(shù)保留了有統(tǒng)計(jì)意義的網(wǎng)絡(luò)結(jié)構(gòu)，而不取決于其規(guī)模（即邊的權(quán)重）。因此，網(wǎng)絡(luò)分層步驟不會(huì)偏向于某些相似度和協(xié)調(diào)度，而是會(huì)消除傳遞有限信息的網(wǎng)絡(luò)結(jié)構(gòu)，從而讓我們專(zhuān)注于有意義的相似性。

??????? 5 執(zhí)行協(xié)調(diào)感知社區(qū)檢測(cè)。通過(guò)聚類(lèi)和社群檢測(cè)可以實(shí)現(xiàn)對(duì)協(xié)調(diào)用戶(hù)群的檢測(cè)?；陂撝档姆椒ㄕJ(rèn)為，經(jīng)過(guò)篩選的用戶(hù)相似性網(wǎng)絡(luò)只包含高度協(xié)調(diào)的用戶(hù)。因此，只需運(yùn)行一次社區(qū)檢測(cè)算法，就足以突出協(xié)調(diào)的群體。相反，在我們的案例中，經(jīng)過(guò)篩選的用戶(hù)相似性網(wǎng)絡(luò)仍然具有不同程度的協(xié)調(diào)性，因此需要一種更加細(xì)致的方法來(lái)顯示協(xié)調(diào)的行為。因此，我們的方法基于迭代如算法 1 所示，該過(guò)程會(huì)檢測(cè)不斷增加的協(xié)調(diào)水平。

（協(xié)調(diào)感知的社區(qū)檢測(cè)。我們?cè)诓粩嘣黾拥膮f(xié)調(diào)級(jí)別上迭代地執(zhí)行社區(qū)檢測(cè)，揭示在施加越來(lái)越嚴(yán)格的相似性閾值時(shí)社區(qū)的結(jié)構(gòu)和屬性如何變化。）

????????首先，我們對(duì)步驟 4 中篩選出的網(wǎng)絡(luò)進(jìn)行群落檢測(cè)，確定群落集 C0。然后，我們?cè)诿看蔚袑?duì)邊緣權(quán)重應(yīng)用限制性越來(lái)越強(qiáng)的相似性閾值 ti，從而刪除某些邊緣和斷開(kāi)的節(jié)點(diǎn)。我們對(duì)得到的子網(wǎng)絡(luò) 重復(fù)進(jìn)行社群去保護(hù)。每次迭代時(shí)，都用上一次迭代中發(fā)現(xiàn)的社區(qū)集? 來(lái)初始化社區(qū)檢測(cè)算法。這一過(guò)程在一定程度 上保證了起始社群在整個(gè)過(guò)程中得以保留。由于采用了 "移動(dòng) "閾值，我們可以研究協(xié)調(diào)社區(qū)的結(jié)構(gòu)和屬性在整個(gè)協(xié)調(diào)過(guò)程中是如何變化的。此外，移動(dòng)閾值還隱含地定義了在每次迭代中觀察到的協(xié)調(diào)程度的衡量標(biāo)準(zhǔn)，即對(duì)每個(gè)獲得的子網(wǎng)絡(luò)而言.

????????6. 研究協(xié)調(diào)社區(qū)。為了研究協(xié)調(diào)社區(qū)的結(jié)構(gòu)及其合作模式，我們采用了多種網(wǎng)絡(luò)測(cè)量方法。此外，我們還將社群置于上下文中，并通過(guò)應(yīng)用自然語(yǔ)言處理技術(shù)來(lái)描述其內(nèi)容生產(chǎn)的特征。利用我們?cè)诘?5 步中介紹的檢測(cè)協(xié)調(diào)社區(qū)的新方法，我們可以將這些分析結(jié)果作為衡量用戶(hù)之間協(xié)調(diào)程度的函數(shù)。

????????總之，我們框架的前三個(gè)步驟都會(huì)產(chǎn)生用戶(hù)相似性網(wǎng)絡(luò)，這三個(gè)步驟在以前基于閾值的方法中也以類(lèi)似的方式存在。而第四步則是我們與前人不同的地方，因?yàn)槲覀儗?duì)網(wǎng)絡(luò)進(jìn)行了篩選，以保留最重要的多尺度結(jié)構(gòu)，而不是對(duì)最相似的賬戶(hù)進(jìn)行單尺度分析。然而，我們的主要?jiǎng)?chuàng)新點(diǎn)在于第 5 步的協(xié)調(diào)感知社區(qū)檢測(cè)算法，它允許我們測(cè)量協(xié)調(diào)的所有程度，并將其作為其他相關(guān)網(wǎng)絡(luò)屬性的函數(shù)進(jìn)行研究（第 6 步）。接下來(lái)，我們使用我們的框架來(lái)揭示和描述影響 2019 年英國(guó)大選的可能協(xié)調(diào)行為。通過(guò)將我們的新框架與基于閾值的方法進(jìn)行比較，證明我們的新框架的優(yōu)勢(shì)。

Surfacing Coordination in 2019 UK GE

????????下面，我們將介紹如何實(shí)施和應(yīng)用上述框架來(lái)發(fā)現(xiàn)推特上與 2019 年英國(guó)大選相關(guān)的協(xié)調(diào)行為。本節(jié)內(nèi)容大致對(duì)應(yīng)于我們方法論的第 1-5 步，下一節(jié)將介紹第 6 步（即對(duì)協(xié)調(diào)社區(qū)的分析）。

????????用戶(hù)相似度網(wǎng)絡(luò)。在我們的分析中，我們重點(diǎn)關(guān)注超級(jí)傳播者的活動(dòng)——粗略地定義為在線(xiàn)社交媒體中最具影響力的信息傳播者，包括錯(cuò)誤和虛假信息（Pei et al. 2014）。在這里，我們將超級(jí)傳播者定義為分享更多轉(zhuǎn)發(fā)的前 1% 用戶(hù)。根據(jù)這一定義，我們選擇了 10,782 名用戶(hù)進(jìn)行分析。盡管超級(jí)傳播者僅占在線(xiàn)選舉辯論中所有用戶(hù)的 1%，但其分享了所有推文的 39% 和轉(zhuǎn)發(fā)量的 44.2%。因此，通過(guò)關(guān)注他們，我們調(diào)查了最多產(chǎn)的用戶(hù)和所有消息中相當(dāng)大的份額。接下來(lái)，我們使用其轉(zhuǎn)發(fā)的推文 ID 的 TF-IDF 加權(quán)向量來(lái)表征每個(gè)超級(jí)傳播者。換句話(huà)說(shuō)，我們根據(jù)用戶(hù)轉(zhuǎn)發(fā)的推文對(duì)其進(jìn)行建模。通過(guò) TF-IDF 權(quán)重，我們可以降低數(shù)據(jù)集中高人氣推文的相關(guān)性，并強(qiáng)調(diào)因轉(zhuǎn)發(fā)不受歡迎推文而產(chǎn)生的相似性--這是一種更可疑的行為。(Mazza 等人，2019 年）。然后，我們將用戶(hù)相似度計(jì)算為用戶(hù)向量與用戶(hù)向量之間的余弦相似度。在研究網(wǎng)絡(luò)之前，我們應(yīng)用了（Serrano、Bogun′a 和 Vespignani 2009）中提出的技術(shù)來(lái)僅保留統(tǒng)計(jì)相關(guān)的邊緣，從而獲得我們網(wǎng)絡(luò)的多尺度主干，我們將其用于剩余的分析。由此產(chǎn)生的過(guò)濾用戶(hù)相似性網(wǎng)絡(luò)包含 276,775 個(gè)邊，如圖 2 所示。此外，圖 3 顯示了過(guò)濾網(wǎng)絡(luò)中邊權(quán)重的分布。與基于固定閾值的過(guò)濾相反，過(guò)濾步驟保留了網(wǎng)絡(luò)豐富的多尺度性質(zhì)。

(經(jīng)篩選的 2019 年英國(guó)大選用戶(hù)相似性網(wǎng)絡(luò)。節(jié)點(diǎn)代表參與在線(xiàn)辯論的用戶(hù)，邊的權(quán)重則根據(jù)步驟 2 中定義的彼此間的相似性強(qiáng)度確定。用戶(hù)根據(jù)其政治傾向著色，政治傾向是通過(guò)標(biāo)簽傳播計(jì)算得出的，而標(biāo)簽傳播則是通過(guò)用戶(hù)使用的標(biāo)簽的極性推斷出的。)

(未經(jīng)篩選（藍(lán)色）和經(jīng)過(guò)篩選（紅色）的用戶(hù)相似性網(wǎng)絡(luò)的邊緣權(quán)重分布。使用多尺度切分法切分的網(wǎng)絡(luò)，使我們可以根據(jù)其尺度（即邊緣權(quán)重）保留有統(tǒng)計(jì)意義的網(wǎng)絡(luò)結(jié)構(gòu)，而不是按照預(yù)先確定的、固定的閾值（虛線(xiàn)-黑線(xiàn)）進(jìn)行切分，因?yàn)楹笳邥?huì)將幾乎整個(gè)網(wǎng)絡(luò)排除在后續(xù)分析之外。)

??????? 政治傾向。在圖 2 中，節(jié)點(diǎn)根據(jù)其使用的標(biāo)簽推斷出的政治傾向進(jìn)行著色。我們特別采用了一種標(biāo)簽傳播算法，為數(shù)據(jù)集中的每個(gè)標(biāo)簽分配極性得分。具體來(lái)說(shuō)，該算法是所謂的 "價(jià)值分"（valence score）的改進(jìn)版，是一種簡(jiǎn)單、標(biāo)準(zhǔn)、眾所周知的方法，在之前的許多研究中已被采用（Wang 等人，2011 年）。給定標(biāo)簽的得分是通過(guò)其與已知極性種子的共同出現(xiàn)推斷出來(lái)的。我們使用表 1 中的 13 個(gè)標(biāo)簽作為標(biāo)簽傳播的種子。最后，用戶(hù)的極性是根據(jù)該用戶(hù)使用的標(biāo)簽極性的詞頻加權(quán)平均值計(jì)算得出的.

????????網(wǎng)絡(luò)解讀。如圖 2 所示，用戶(hù)相似性網(wǎng)絡(luò)呈現(xiàn)出明顯的結(jié)構(gòu)特征，即幾個(gè)大型社區(qū)和幾個(gè)小型社區(qū)。在政治極化方面，所有用戶(hù)可分為三大類(lèi)： 工黨（紅色）、保守黨（藍(lán)色）和中性用戶(hù)（黃色）。我們通過(guò)將網(wǎng)絡(luò)的結(jié)構(gòu)特性與政治特性進(jìn)行比較來(lái)進(jìn)行第一次健全性檢查。特別是，網(wǎng)絡(luò)中的顏色似乎明顯分開(kāi)。換句話(huà)說(shuō)，源自網(wǎng)絡(luò)結(jié)構(gòu)的社區(qū)在政治上似乎極其同質(zhì)，并且我們沒(méi)有任何包含具有明顯不同膚色的用戶(hù)的集群。展望未來(lái)，保守黨集群似乎與網(wǎng)絡(luò)的其他部分截然分開(kāi)，而工黨集群和中立集群則更加相互交織。我們網(wǎng)絡(luò)的這一有趣特性與 2019 年英國(guó)大選前的英國(guó)政治格局十分相似。事實(shí)上，辯論的主要議題之一是英國(guó)脫歐，這導(dǎo)致了保守黨與所有其他黨派之間的強(qiáng)烈兩極分化(舒馬赫，2019 年）。此外，英國(guó)的 "得票最多者當(dāng)選 "投票制度也促使反保守黨的選民向在每個(gè)選區(qū)最有可能擊敗保守黨的政黨候選人靠攏--這種策略被稱(chēng)為戰(zhàn)術(shù)投票。我們豐富翔實(shí)的網(wǎng)絡(luò)體現(xiàn)并傳達(dá)了這些細(xì)微之處

????????協(xié)調(diào)社區(qū)。在這些初步成果的基礎(chǔ)上，我們現(xiàn)在有興趣對(duì)用戶(hù)相似性網(wǎng)絡(luò)社區(qū)進(jìn)行細(xì)化分析。如前所述，以前的工作主要集中在基于閾值的方法上，并強(qiáng)制執(zhí)行限制性的邊緣權(quán)重限定，只保留權(quán)重非常大的邊緣。相反，在我們的研究中，經(jīng)過(guò)篩選的用戶(hù)相似性網(wǎng)絡(luò)具有不同程度的相似性和協(xié)調(diào)性，圖 3 中的邊緣權(quán)重分布就證明了這一點(diǎn)。在不同的協(xié)調(diào)水平上分析社群的特征，而不是在一個(gè)預(yù)先確定的、固定的閾值上進(jìn)行切割，這樣會(huì)將幾乎整個(gè)網(wǎng)絡(luò)排除在后續(xù)分析之外。具體來(lái)說(shuō)，我們采用群落檢測(cè)和著名的盧萬(wàn)算法（Blondel 等，2008 年）進(jìn)行分析。我們分析的這一步與算法 1 的第 1 行相對(duì)應(yīng)。檢測(cè)到的群落（分辨率 = 1.5，t0 = 20 時(shí)的最小規(guī)模）如圖 4 所示，并在下文中作簡(jiǎn)要說(shuō)明。用戶(hù)與其他用戶(hù)的協(xié)調(diào)性較高，顏色較深。對(duì)于每個(gè)社區(qū)，我們還計(jì)算了其 TF-IDF 加權(quán)標(biāo)簽云（如圖 5 所示），以突出有爭(zhēng)議的話(huà)題。

?(經(jīng)篩選的用戶(hù)相似性網(wǎng)絡(luò)中發(fā)現(xiàn)的協(xié)調(diào)社區(qū)。社區(qū)以顏色編碼。每種顏色的強(qiáng)度表示協(xié)調(diào)程度。這樣，用戶(hù)與其他用戶(hù)的協(xié)調(diào)程度越高，顏色就越深。)

????????保守黨：我們的社區(qū)檢測(cè)算法也檢測(cè)到了圖 2 中清晰可見(jiàn)的保守黨用戶(hù)社區(qū)。它包括所有主要的保守黨用戶(hù)（如 @BorisJohnson 和 @Conservatives），其特點(diǎn)是大多數(shù)標(biāo)簽都支持保守黨（voteconservative）、其領(lǐng)導(dǎo)人（backboris）和英國(guó)脫歐（getbrexitdone）。

????????工黨：同樣，我們?cè)趫D 2 中強(qiáng)調(diào)的密集工黨用戶(hù)群也被認(rèn)定為一個(gè)獨(dú)特的工黨社區(qū)。支持工黨（votelabour）、工黨領(lǐng)袖（jc4pm）以及醫(yī)療保?。╯aveournhs）和氣候變化（climatedebate）等傳統(tǒng)工黨標(biāo)簽是這些用戶(hù)的特征。值得注意的是，英國(guó)脫歐相關(guān)關(guān)鍵詞的缺失似乎證實(shí)了杰里米-科爾賓的競(jìng)選活動(dòng)在這一話(huà)題上的模糊性.

????????TVT：圖 2 中最大的中立用戶(hù)群，與 LAB 用戶(hù)密切相關(guān)，被歸入這一群體。這些用戶(hù)討論的話(huà)題涉及自由民主黨（votelibdem）、反保守黨（liarjohnson）、反英國(guó)脫歐（stopbrexit）以及提倡戰(zhàn)術(shù)投票的運(yùn)動(dòng)（votetactically, tacticalvote）。

????????蘇格蘭民族黨（SNP）：其余的中立用戶(hù)被歸入該社區(qū)，與蘇格蘭民族黨（SNP）有關(guān)。該社區(qū)成員使用的主要標(biāo)簽是支持該黨（potsnp），并要求就脫離英國(guó)獨(dú)立舉行新的全民公決（indyref2020）。蘇格蘭民族黨對(duì)英國(guó)脫歐和To-ries的傳統(tǒng)敵意（Jackson等人，2019年）也解釋了這一集群與LAB和TVT集群的接近性。

????????B60：這一小集群確定了參與所謂 "回到 60 歲 "倡議（backto60, 50swomen）的活動(dòng)家，該倡議代表了受?chē)?guó)家養(yǎng)老金年齡平等化負(fù)面影響的四百萬(wàn) 1950 年代出生的女性。盡管鮑里斯-約翰遜（Boris Johnson）做出了承諾，但保守黨否認(rèn)支持該倡議8。Backto60 活動(dòng)家的聯(lián)系在我們的網(wǎng)絡(luò)中得到了很好的體現(xiàn)，B60 集群與 LAB 和 TVT 集群都有聯(lián)系

????????ASE：這個(gè)群組中聯(lián)系緊密的用戶(hù)都強(qiáng)烈傾向于保守黨，這一點(diǎn)從他們的聯(lián)系中也能明顯看出。不過(guò)，他們的活動(dòng)主要是攻擊工黨及其領(lǐng)導(dǎo)人，而不是支持保守黨。如圖 5f 所示，該集群中一些最相關(guān)的標(biāo)簽都是針對(duì)工黨的（laborlies, nevercorbyn），尤其是關(guān)于反猶太主義的指控（laborantisemitism, votelabourvoteracism），這些指控在整個(gè)競(jìng)選活動(dòng)中都占據(jù)了上風(fēng)9。

?????????LCH：最后一個(gè)群組也是由活動(dòng)家組成，與 B60 群組類(lèi)似。這一次，活動(dòng)家們抗議的是 "貸款費(fèi)用"，這是一種稅費(fèi)，旨在打擊一種以變相報(bào)酬為基礎(chǔ)的避稅行為。反貸款收費(fèi)運(yùn)動(dòng)者聲稱(chēng)，這是一種有追溯力的征稅，由于適用期通常較長(zhǎng)，導(dǎo)致涉及的人請(qǐng)求返還不可持續(xù)的金額，還導(dǎo)致了幾起自殺事件.

????????通過(guò)對(duì)用戶(hù)模擬相似性網(wǎng)絡(luò)中檢測(cè)到的社區(qū)進(jìn)行分析，我們發(fā)現(xiàn)了一些大的集群（每個(gè)集群都與參與選舉的主要政治力量之一相對(duì)應(yīng)），以及一些小得多的集群。小聚類(lèi)與組織嚴(yán)密的活動(dòng)家（B60、LCH）和政治運(yùn)動(dòng)（ASE）有關(guān)。之前的分析為 2019 年英國(guó)大選中協(xié)調(diào)行為的存在提供了一些初步結(jié)果。特別是，它讓我們發(fā)現(xiàn)了至少有小程度協(xié)調(diào)的群體。然而，由于我們的網(wǎng)絡(luò)在其用戶(hù)之間嵌入了不同程度的協(xié)調(diào)，因此仍然無(wú)法提供關(guān)于此類(lèi)協(xié)調(diào)的程度以及此類(lèi)群體的協(xié)調(diào)模式的結(jié)果。下一節(jié)將討論這些關(guān)鍵問(wèn)題.

Analysis of Coordinated Behaviors

????????以前的工作側(cè)重于基于閾值的方法，一旦檢測(cè)到協(xié)調(diào)群落，就會(huì)對(duì)其進(jìn)行可視化和人工檢查。換句話(huà)說(shuō)，現(xiàn)有的自動(dòng)研究協(xié)調(diào)行為的管道僅限于檢測(cè)協(xié)調(diào)群落（我們框架中的第 5 步），而不提供對(duì)協(xié)調(diào)模式的見(jiàn)解，這些都留給了人類(lèi)分析師。與此相反，我們的多面分析框架可以得出估計(jì)協(xié)調(diào)程度和研究協(xié)調(diào)模式的結(jié)果。

????????目測(cè)。關(guān)于協(xié)調(diào)的程度，對(duì)圖 4 的直觀觀察已經(jīng)揭示了一些有趣的見(jiàn)解。例如，像 LAB 和 CON 這樣的大型社區(qū)同時(shí)擁有眾多弱協(xié)調(diào)用戶(hù)（淺色）和較少的強(qiáng)協(xié)調(diào)用戶(hù)（深色）。相反，其他社區(qū)只有弱協(xié)調(diào)或強(qiáng)協(xié)調(diào)行為。例如，SNP 和 TVT 社區(qū)的行為協(xié)調(diào)性較弱，只有少數(shù)幾個(gè)強(qiáng)協(xié)調(diào)用戶(hù)分布在網(wǎng)絡(luò)中，沒(méi)有聚集在一起。與此相反，活躍分子的小型社區(qū)（B60、LCH 和 ASE）似乎幾乎完全以強(qiáng)協(xié)調(diào)行為為特征，表現(xiàn)為小型、緊湊和深色的聚類(lèi)。

????????網(wǎng)絡(luò)度量。在下文中，我們將對(duì)這些直覺(jué)進(jìn)行形式化，并提出一套用于量化這些直覺(jué)的網(wǎng)絡(luò)度量。通過(guò)應(yīng)用我們框架的第 5 步和第 6 步，我們可以為每個(gè)未發(fā)現(xiàn)的協(xié)調(diào)社區(qū)自動(dòng)生成這些結(jié)果。具體來(lái)說(shuō)，算法 1 中的 while 循環(huán)會(huì)根據(jù)邊緣權(quán)重的移動(dòng)閾值，反復(fù)刪除邊緣（以及由此產(chǎn)生的斷開(kāi)節(jié)點(diǎn)），從而在子網(wǎng)絡(luò)上重復(fù)執(zhí)行社群檢測(cè)。也就是說(shuō)，我們先移除較弱的邊，然后再移除較強(qiáng)的邊，直至移除網(wǎng)絡(luò)中的所有邊和節(jié)點(diǎn)。由于邊的權(quán)重是協(xié)調(diào)性的代表，因此我們?cè)诖诉^(guò)程中發(fā)現(xiàn)的每個(gè)子網(wǎng)絡(luò)都具有不同程度的協(xié)調(diào)性,這可以用移動(dòng)閾值的相應(yīng)值來(lái)衡量。具體來(lái)說(shuō)，給定一個(gè)在算法特定迭代中得到的子網(wǎng)絡(luò)，我們用相應(yīng)移動(dòng)閾值相對(duì)于篩選網(wǎng)絡(luò)邊緣權(quán)重分布的百分位數(shù)來(lái)衡量其協(xié)調(diào)度，如圖 3 所示。例如，協(xié)調(diào)度 = 0.9 意味著所考慮的子網(wǎng)絡(luò)只包括在步驟 4 中獲得的整個(gè)篩選網(wǎng)絡(luò)中最強(qiáng)邊緣的前 10%。通過(guò)這種方法，我們可以用標(biāo)準(zhǔn)網(wǎng)絡(luò)度量來(lái)描述每個(gè)檢測(cè)到的群落的協(xié)調(diào)模式，并將其作為協(xié)調(diào)度的函數(shù)。

????????我們首先考慮的是協(xié)調(diào)社區(qū)的規(guī)模。圖 6 顯示了每個(gè)協(xié)調(diào)群落中節(jié)點(diǎn)的數(shù)量和百分比是如何隨協(xié)調(diào)度的變化而變化的。這一分析量化了我們之前通過(guò)目測(cè)得出的觀察結(jié)果。它清楚地表明，有些群落的協(xié)調(diào)性比其他群落更強(qiáng)。這體現(xiàn)在強(qiáng)協(xié)調(diào)群落（如 LCH 和 ASE）在協(xié)調(diào)度達(dá)到較大值之前都會(huì)出現(xiàn)高原現(xiàn)象。相反，B60、LAB 和 TVT 等群落在所有協(xié)調(diào)度范圍內(nèi)都表現(xiàn)出明顯的下降趨勢(shì)。

(協(xié)調(diào)性與共序群落規(guī)模之間的關(guān)系。一些群落的協(xié)調(diào)性比其他群落更強(qiáng)，強(qiáng)協(xié)調(diào)群落表現(xiàn)出的高原現(xiàn)象就反映了這一點(diǎn)。通過(guò)框架進(jìn)行分析，可以深入了解如何估計(jì)描述特定社區(qū)協(xié)調(diào)性的臨界值。)

????????這種分析方法還有助于確定特定社區(qū)的協(xié)調(diào)度特征值。例如，使用肘法，LCH 社區(qū)的協(xié)調(diào)值為 0.9，因?yàn)槠浣^大多數(shù)成員的協(xié)調(diào)度≥ 0.9。同樣，ASE 社區(qū)的協(xié)調(diào)值為 0.55。這些結(jié)果還意味著，一般來(lái)說(shuō)，每個(gè)社群都有自己的協(xié)調(diào)度特征值。因此，對(duì)所有群落采用任意設(shè)定的相同閾值的方法有可能會(huì)忽略和抹殺相關(guān)的模式.

????????接下來(lái)，我們將評(píng)估協(xié)調(diào)群落的結(jié)構(gòu)特性。密度是衡量網(wǎng)絡(luò)中節(jié)點(diǎn)之間的實(shí)際連接占所有可能連接的比例。這有助于判斷協(xié)調(diào)性最強(qiáng)的用戶(hù)是否都相互聯(lián)系，或者他們是否在社區(qū)的不同區(qū)域活動(dòng)。圖 7a 中顯示的結(jié)果突出了一些有趣的模式。首先，一些社區(qū)總體上比其他社區(qū)更集中，如 ASE 和 LCH。這是強(qiáng)烈協(xié)調(diào)行為的另一個(gè)指標(biāo)。然后，我們看到了密度上升和下降的趨勢(shì)。具體來(lái)說(shuō)，SNP 在密度和協(xié)調(diào)性之間呈現(xiàn)負(fù)相關(guān)，這意味著該社區(qū)中協(xié)調(diào)性最強(qiáng)的用戶(hù)之間很可能既沒(méi)有串通也沒(méi)有組織。相反，B60 中協(xié)調(diào)性最強(qiáng)的成員很可能組織在一起，這一點(diǎn)從協(xié)調(diào)性≥ 0.8 時(shí)觀察到的密度峰值可以看出。圖 7b 所示的聚類(lèi)系數(shù)與密度結(jié)果類(lèi)似。文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-722281.html

到了這里，關(guān)于論文閱讀 - Coordinated Behavior on Social Media in 2019 UK General Election的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！