[论文解读] Detection and Characterization of Illegal Marketing and Promotion of Prescription Drugs on Twitter

Janani Kalyanam, Tim K. Mackey|arXiv (Cornell University)|Dec 1, 2017

Web Data Mining and Analysis参考文献 1被引用 7

一句话总结

本研究开发了一种机器学习方法，通过分析推文内容、元数据和用户行为，检测并表征Twitter上非法处方药营销活动。结合主题建模与监督分类方法，该方法在识别非法药房推广方面实现了高达96.6%的准确率，揭示了违规用户及其内容的显著模式。

ABSTRACT

Illicit online pharmacies allow the purchase of prescription drugs online without a prescription. Such pharmacies leverage social media platforms such as Twit- ter as a promotion and marketing tool with the intent of reaching out to a larger, potentially younger demographics of the population. Given the serious negative health effects that arise from abusing such drugs, it is important to identify the relevant content on social media and exterminate their presence as quickly as pos- sible. In response, we collected all the tweets that contained the names of certain preselected controlled substances over a period of 5 months. We found that an unsupervised topic modeling based methodology is able to identify tweets that promote and market controlled substances with high precision. We also study the meta-data characteristics of such tweets and the users who post them and find that they have several distinguishing characteristics that sets them apart. We were able to train supervised methods and achieve high performance in detecting such content and the users who post them.

研究动机与目标

• 检测并表征Twitter上处方药的非法在线营销，特别是非法在线药房（IOPs）的营销活动。
• 识别推广IOPs的违规推文与用户相较于普通社交媒体内容的显著特征。
• 开发一种可扩展、实时的监控系统，用于检测社交媒体平台上新兴的非法药物推广活动。
• 评估机器学习模型在高精度与高召回率下对非法药物推广内容分类的性能。
• 通过揭示IOPs在社交媒体上的行为与结构特征，为公共卫生与监管策略提供依据。

提出的方法

• 使用Twitter的Streaming API，于2015年6月至11月期间收集了620,477条包含受控物质名称（如羟考酮、芬太尼）的推文。
• 应用无监督主题建模识别推文中的主题聚类，并基于关键词模式将推广IOPs的推文标记为相关主题。
• 从推文元数据、用户网络行为及资料特征中提取18项特征（如URL、转发数、粉丝数、账户创建时间）。
• 在70/30的训练-测试划分基础上，使用提取的特征训练逻辑回归分类器，预测某条推文是否推广IOPs。
• 采用标准评估指标（准确率、精确率、召回率、F1得分、零一损失）对模型性能进行评估，覆盖六种处方药。
• 开展显著性统计检验与时间序列分析，验证违规内容与用户和常规内容与用户之间的差异。

实验结果

研究问题

• RQ1 哪些语言与结构特征可将推广非法在线药房的推文与Twitter上的普通推文区分开？
• RQ2 发布违规内容的用户在元数据与网络特征方面与普通用户有何不同？
• RQ3 基于推文特征训练的机器学习模型在多大程度上能以高准确率与高可靠性检测非法药物推广？
• RQ4 哪些关键行为指标（如URL使用、互动水平、账户创建时间）可作为社交媒体上非法推广的信号？
• RQ5 能否利用这些特征构建实时检测系统，以监控并响应新兴的IOP营销活动？

主要发现

• 逻辑回归分类器在Vicodin上的F1得分为0.9656，在Oxycodone上的平均精确率为0.9749，表明检测性能优异。
• 违规推文始终包含URL（100%出现率），且几乎全部链接至外部IOP着陆页。
• 违规用户的社交网络显著较小：平均user_friends_count比普通用户低107倍，user_followers_count低188倍。
• 超过70%的违规用户账户创建于2014年或之后，表明此类账户近期才出现。
• 违规账户集合中未发现任何认证用户，且user_statuses_count在违规集合中约为普通集合的5倍。
• 违规推文的用户互动极少，retweet_count与retweeted_status值大多为0，表明传播范围有限或无自然传播。