[论文解读] Catching Fire via "Likes": Inferring Topic Preferences of Trump Followers on Twitter

Yu Wang, Jiebo Luo+3 more|arXiv (Cornell University)|Mar 9, 2016

Electoral Systems and Political Participation参考文献 7被引用 25

一句话总结

本文提出一个框架，通过建模特朗普推文的‘点赞’行为来推断其推特粉丝的主题偏好，其中主题权重基于其推文的LDA分析结果得出。使用负二项回归分析发现，针对民主党的攻击——尤其是针对希拉里·克林顿和巴拉克·奥巴马的攻击——引发的互动最多，表明这些主题是其粉丝最偏好的内容。

ABSTRACT

In this paper, we propose a framework to infer the topic preferences of Donald Trump's followers on Twitter. We first use latent Dirichlet allocation (LDA) to derive the weighted mixture of topics for each Trump tweet. Then we use negative binomial regression to model the "likes," with the weights of each topic serving as explanatory variables. Our study shows that attacking Democrats such as President Obama and former Secretary of State Hillary Clinton earns Trump the most "likes." Our framework of inference is generalizable to the study of other politicians.

研究动机与目标

• 基于互动指标，理解唐纳德·特朗普推特粉丝的潜在主题偏好。
• 探究特朗普推文的‘点赞’行为是否与特定主题相关，采用数据驱动的推断框架。
• 开发一种可推广的方法，用于通过社交媒体互动分析政治人物的粉丝偏好。
• 比较不同主题（如民主党、共和党、新闻媒体和特朗普竞选活动）对转发和点赞行为的相对影响。

提出的方法

• 对2015年9月18日至2015年12月27日期间发布的2,120条特朗普推文应用潜在狄利克雷分配（LDA），提取主题分布。
• 使用负二项回归模型拟合每条推文的‘点赞’数量，以主题权重作为解释变量。
• 控制时间相关因素，包括周末发布、总统辩论日（民主党和共和党）以及粉丝数量。
• 采用log链接函数并引入离散参数，以处理‘点赞’数据中的过度离势问题，确保模型在过度离势情况下优于泊松回归。
• 使用赤池信息准则（AIC）选择最优主题数量，并将‘新闻媒体’作为基准类别以避免多重共线性。
• 应用似然比检验确认存在过度离势，从而支持使用负二项回归而非泊松回归。

实验结果

研究问题

• RQ1 特朗普推文中哪些主题能引发其粉丝最多的‘点赞’？
• RQ2 总统辩论等外部事件如何影响特朗普推文的互动水平？
• RQ3 在考虑时间因素和粉丝数量影响后，推文内容的主题建模在多大程度上能解释‘点赞’数量的差异？
• RQ4 ‘民主党’、‘共和党’、‘特朗普竞选活动’和‘新闻媒体’等主题之间，粉丝偏好是否存在统计学上的显著差异？
• RQ5 所提出的框架能否推广至推断其他政治人物在社交媒体上的粉丝主题偏好？

主要发现

• 在负二项回归中，‘民主党’主题的估计系数最高（0.545，p < 0.001），表明这是特朗普粉丝最偏好的主题。
• 在民主党辩论期间发布的推文，平均‘点赞’数比非辩论日高出36.5%（系数 = 0.365，p < 0.001），表明此类事件期间互动显著增强。
• 粉丝数量与‘点赞’数呈正相关，系数为0.691（p < 0.001），表明粉丝数量显著提升互动水平。
• 在周末发布的推文平均‘点赞’数减少13.5%（系数 = -0.135，p < 0.001），表明周末互动水平较低。
• ‘特朗普竞选活动’主题的系数为正，但仅在边缘水平显著（0.084，p < 0.05），表明其偏好程度中等，相较于基准。
• ‘共和党’主题的系数未达到统计显著性水平（0.0368，p > 0.05），表明粉丝对针对同党成员内容的偏好不明显。