[논문 리뷰] A Power Law Approach to Estimating Fake Social Network Accounts

Tushti Rastogi|arXiv (Cornell University)|2016. 05. 25.

Opinion Dynamics and Social Influence참고 문헌 9인용 수 6

한 줄 요약

이 논문은 트위터 사용자 계정 간 리트윗 수의 분포를 분석하여 파wr 법 기반 방법을 제안하여 가짜 소셜 미디어 계정을 추정한다. 평균 리트윗 수와 팔로워 수 간의 관계를 파워 법으로 모델링함으로써 봇 네트워크를 시사하는 이질성을 식별하며, 다양한 사회적 및 정치적 맥락에서 진짜 계정 대 가짜 계정 비율을 높은 정확도로 추정한다.

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.

연구 동기 및 목표

• 트위터에서 가짜 소셜 미디어 계정을 식별하기 위한 확장 가능한 방법을 개발하기 위해.
• 참여 지표를 기반으로 브랜드, 단체 또는 개인 계정의 진위성을 검증하기 위해.
• 사용자 행동의 통계적 패턴을 이용해 진짜 계정과 가짜 계정의 비율을 정량화하기 위해.
• 다양한 트위터 네트워크에서 사회적 및 정치적 실체를 분석하여 계정의 합법성 평가하기 위해.
• 계정 가치와 합법성 반영을 위한 신뢰할 수 있는 지표인 평균 리트윗 수 대 팔로워 수 비율을 수립하기 위해.

제안 방법

• 연구는 평균 리트윗 수와 팔로워 수 간의 관계를 파워 법 분포를 사용하여 모델링한다.
• 다양한 사회적 및 정치적 트위터 계정에서 총 트윗 수, 평균 리트윗 수 및 팔로워 수의 추세를 분석한다.
• 기대되는 파워 법 행동에서의 이탈을 인위적 또는 봇 유사 행동의 지표로 식별한다.
• 이상치 탐지를 위해 사용자 수준 데이터의 14개 그림과 9개 표에 통계 분석을 적용한다.
• 평균 리트윗 수 대 팔로워 수 비율을 계정 가치와 합법성의 대체 지표로 사용한다.
• 개별 계정 히وري스틱이 아닌 네트워크 수준의 패턴을 활용하여 정확도를 향상시킨다.

실험 결과

연구 질문

• RQ1 팔로워당 리트윗 수의 파워 법 분포는 어떻게 가짜 트위터 계정을 탐지하는 데 활용될 수 있는가?
• RQ2 진짜 계정과 가짜 계정을 구분하는 리트윗 대 팔로워 비율의 패턴은 무엇인가?
• RQ3 파워 법 모델은 다양한 사회적 및 정치적 네트워크에서 가짜 계정 비율을 얼마나 정확하게 추정하는가?
• RQ4 평균 리트윗 수 및 팔로워 수와 같은 참여 지표는 계정의 진위성을 신뢰성 있게 나타낼 수 있는가?
• RQ5 다양한 트위터 커뮤니티에서 진짜 계정과 가짜 계정의 통계적 특성은 어떻게 다른가?

주요 결과

• 팔로워당 리트윗 수의 파워 법 모델은 트위터에서 진짜 사용자 참여의 분포를 효과적으로 포착한다.
• 파워 법으로 예측된 것보다 훨씬 높은 리트윗 대 팔로워 비율을 가진 계정은 가짜 또는 봇에 의해 제어된 것으로 보이며, 이는 가짜 계정의 가능성을 시사한다.
• 이 방법은 정치적 및 비정치적 트위터 네트워크 양쪽에서 이질성을 성공적으로 식별하여 광범위한 적용 가능성을 보여준다.
• 연구는 평균 리트윗 대 팔로워 비율이 계정 합법성의 강력하고 정량화 가능한 지표임을 입증한다.
• 높은 봇 활동을 보이는 네트워크에서는 파워 법에서의 일관된 이질성이 드러나며, 이는 인위적 계정 클러스터 탐지에 기여한다.
• 수동 레이블링이나 복잡한 행동 히وري스틱이 필요 없이도 이 방법은 진짜 계정 대 가짜 계정 비율을 높은 정확도로 추정한다.