[論文レビュー] A Power Law Approach to Estimating Fake Social Network Accounts

Tushti Rastogi|arXiv (Cornell University)|May 25, 2016

Opinion Dynamics and Social Influence参考文献 9被引用数 6

ひとこと要約

本稿では、ユーザーのアカウントごとのリツイート数の分布を分析することにより、リツイート数/フォロワー比にパワーローを適用する手法を提案し、Twitter上でのなりすましのソーシャルメディアアカウントを推定する。平均リツイート数とフォロワー数の関係をパワーローでモデル化することで、ボットネットに起因する異常を特定し、多様な社会的・政治的文脈における本物のアカウントと偽物のアカウントの比率を高精度に推定することに成功した。

ABSTRACT

This paper presents a method to validate the true patrons of a brand, group, artist or any other entity on the social networking site Twitter. We analyze the trend of total number of tweets, average retweets and total number of followers for various nodes for different social and political backgrounds. We argue that average retweets to follower ratio reveals the overall value of the individual accounts and helps estimate the true to fake account ratio.

研究の動機と目的

• Twitter上でのなりすましのソーシャルメディアアカウントをスケーラブルに特定する手法を開発すること。
• エンゲージメント指標に基づいてブランド、グループ、または個人のアカウントの真正性を検証すること。
• ユーザー行動における統計的パターンを用いて、本物のアカウントと偽物のアカウントの比率を定量化すること。
• さまざまなTwitterネットワークにおける社会的・政治的エンティティを分析し、アカウントの真正性を評価すること。
• アカウントの価値と真正性を反映する信頼性の高い指標としての『平均リツイート数/フォロワー数』を確立すること。

提案手法

• 本研究では、平均リツイート数とフォロワー数の関係をパワーロー分布を用いてモデル化する。
• 多様な社会的・政治的Twitterアカウントにおける総ツイート数、平均リツイート数、フォロワー数の傾向を分析する。
• 期待されるパワーロー行動からの逸脱を、合成的またはボットに類似した活動の兆候として同定する。
• 14枚の図および9枚の表に示されたユーザー単位のデータに対して統計的分析を適用し、異常を検出する。
• 平均リツイート数/フォロワー数の比を、アカウントの価値と真正性の代理指標として用いる。
• 個々のアカウントのヒューリスティクスに依存するのではなく、ネットワークレベルのパターンを活用することで、より高い耐性を実現する。

実験結果

リサーチクエスチョン

• RQ1 リツイート数/フォロワー比のパワーロー分布は、どのようにしてなりすましのTwitterアカウントを検出できるか？
• RQ2 本物のアカウントと偽物のアカウントを区別するためのリツイート対フォロワー比のパターンは何か？
• RQ3 パワーローモデルは、さまざまな社会的・政治的ネットワークにおける偽物アカウントの割合をどれほど正確に推定できるか？
• RQ4 平均リツイート数やフォロワー数といったエンゲージメント指標は、アカウントの真正性を信頼性を持って示せるか？
• RQ5 多様なTwitterコミュニティにおいて、本物のアカウントと偽物のアカウントの統計的特性はどのように異なるか？

主な発見

• リツイート数/フォロワー比のパワーローモデルは、Twitter上での本物のユーザーのエンゲージメント分布を効果的に捉えている。
• パワーローで予測される値よりも著しく高いリツイート対フォロワー比を示すアカウントは、偽物またはボット制御の可能性が高い。
• 本手法は、政治的および非政治的Twitterネットワークの両方で異常を効果的に同定でき、広範な適用可能性を示している。
• 本研究では、平均リツイート数/フォロワー比がアカウントの真正性を強く示す、定量的指標であることが示された。
• ボット活動が顕著なネットワークでは、パワーローからの一貫した逸脱が観察され、合成アカウントクラスタの検出が可能となった。
• 手動ラベリングや複雑な行動ヒューリスティクスを必要とせず、本物のアカウントと偽物のアカウントの比率を高精度に推定できることが確認された。