[论文解读] A Study of WhatsApp Usage Patterns and Prediction Models without Message Content

Avi Rosenfeld, Sigal Sina+3 more|arXiv (Cornell University)|Feb 9, 2018

Impact of Technology on Adolescents参考文献 18被引用 39

一句话总结

本研究仅使用元数据（如消息长度、时间戳和群组规模）分析WhatsApp使用模式，未访问消息内容，成功以高准确度预测用户性别与年龄。基于111名用户发送的600万条消息，采用Weka的决策树与贝叶斯网络算法，揭示了不同人口统计群体在通信行为上的显著差异，包括年轻用户发送更频繁、更短的消息，女性更倾向于使用WhatsApp进行家庭沟通。

ABSTRACT

Internet social networks have become a ubiquitous application allowing people to easily share text, pictures, and audio and video files. Popular networks include WhatsApp, Facebook, Reddit and LinkedIn. We present an extensive study of the usage of the WhatsApp social network, an Internet messaging application that is quickly replacing SMS messaging. In order to better understand people's use of the network, we provide an analysis of over 6 million messages from over 100 users, with the objective of building demographic prediction models using activity data. We performed extensive statistical and numerical analysis of the data and found significant differences in WhatsApp usage across people of different genders and ages. We also inputted the data into the Weka data mining package and studied models created from decision tree and Bayesian network algorithms. We found that different genders and age demographics had significantly different usage habits in almost all message and group attributes. We also noted differences in users' group behavior and created prediction models, including the likelihood a given group would have relatively more file attachments, if a group would contain a larger number of participants, a higher frequency of activity, quicker response times and shorter messages. We were successful in quantifying and predicting a user's gender and age demographic. Similarly, we were able to predict different types of group usage. All models were built without analyzing message content. We present a detailed discussion about the specific attributes that were contained in all predictive models and suggest possible applications based on these results.

研究动机与目标

• 在不访问消息内容的前提下分析WhatsApp使用模式，以保护用户隐私。
• 识别在性别与年龄群体之间消息行为的统计显著差异。
• 仅使用元数据开发用户人口统计与群组通信特征的预测模型。
• 证明仅基于消息级元数据的机器学习可实现无需内容分析的准确人口统计预测。
• 为人口统计学家与公共政策制定者提供可用于隐私保护的用户行为建模洞察。

提出的方法

• 从111名18至34岁用户收集超过600万条WhatsApp消息，重点关注消息长度、时间戳、群组规模及消息间间隔等元数据。
• 开展广泛的统计与数值分析，以检测不同性别与年龄群体间的使用模式差异。
• 使用Weka数据挖掘平台，基于消息与群组层级属性训练决策树与贝叶斯网络模型。
• 利用决策树输出识别性别与年龄预测的关键预测属性及逻辑阈值。
• 构建模型以预测群组层级特征，如文件附件频率、消息长度、响应速度与群组规模。
• 通过交叉验证评估模型性能，并通过从决策树中提取规则来评估特征重要性。

实验结果

研究问题

• RQ1 能否仅通过WhatsApp消息元数据（不分析内容）准确预测用户人口统计特征（如性别与年龄）？
• RQ2 在不同消息与群组属性上，男性与女性用户在WhatsApp使用模式上存在哪些显著差异？
• RQ3 年龄与教育水平如何与消息频率、文件附件使用及消息长度相关联？
• RQ4 哪些消息与群组层级的元数据属性最能预测群组特征（如高活跃度或短消息）？
• RQ5 仅基于元数据训练的机器学习模型能否有效区分WhatsApp上不同人口统计与行为特征的用户群体？

主要发现

• 女性使用WhatsApp的频率显著高于男性，尽管整体发送消息数量较少，但更常报告用于家庭沟通。
• 年轻用户（30岁以下）比年长用户发送消息更频繁，使用应用更频繁，而年长用户则发送更长消息但频率较低。
• 受教育程度较高（16年以上）且年龄超过30岁的用户更可能发送文件附件，即使其整体使用频率较低。
• 大群组（5人及以上）相比一对一对话表现出更高的消息频率、更短的消息长度与更快的响应时间。
• 决策树模型识别出关键阈值，如消息长度 < 20个字符、消息间间隔 < 30秒，作为性别与年龄的强预测因子。
• 模型在未访问任何消息内容的情况下，成功实现对人口统计与群组行为模式的高准确度预测，证明了仅使用元数据分析的强大能力。