[论文解读] Are 140 Characters Enough? A Large-Scale Linkability Study of Tweets

Mishari Al Mishari, Dali Kaafar+2 more|arXiv (Cornell University)|Jun 11, 2014

Authorship Attribution and Profiling参考文献 18被引用 4

一句话总结

本文通过大规模数据集（超过8,000名用户）研究了使用文体分析技术在多个账户之间关联Twitter用户的可能性。通过将朴素贝叶斯分类器应用于一元词和话题标签特征，研究发现即使在140个字符的消息限制下，同一作者的推文仍能以超过90%的准确率被关联，凸显了对匿名用户的重大隐私影响。

ABSTRACT

Microblogging is a very popular Internet activity that informs and entertains great multitudes of people world-wide via quickly and scalably disseminated terse messages containing all kinds of newsworthy utterances. Even though microblogging is neither designed nor meant to emphasize privacy, numerous contributors hide behind pseudonyms and compartmentalize their different incarnations via multiple accounts within the same, or across multiple, site(s). Prior work has shown that stylometric analysis is a very powerful tool capable of linking product or service reviews and blogs that are produced by the same author when the number of authors is large. In this paper, we explore linkability of tweets. Our results, based on a very large corpus of tweets, clearly demonstrate that, at least for relatively active tweeters, linkability of tweets by the same author is easily attained even when the number of tweeters is large. We also show that our linkability results hold for a set of actual Twitter users who tweet from multiple accounts. This has some obvious privacy implications, both positive and negative.

研究动机与目标

• 评估利用文体特征在多个账户之间可靠关联同一作者推文的可行性。
• 评估在140个字符消息限制下，简单特征（尤其是单字词和话题标签）的有效性。
• 在真实世界中拥有双账户的Twitter用户中验证关联能力，揭示实际隐私风险。
• 探索在大规模真实世界Twitter数据集中，关联模型的可扩展性和准确性。
• 为维护多个匿名账户的用户提供关于隐私权衡的见解。

提出的方法

• 采用朴素贝叶斯分类器，基于文体特征预测推文的作者身份，假设词元之间条件独立。
• 使用单字词频率和话题标签频率作为主要特征，以建模作者特有的写作风格。
• 应用贝叶斯法则计算推文属于特定用户的后验概率，并在数据集中所有用户中取最大值。
• 使用精确率、召回率和F1分数在两个大规模数据集上评估关联能力性能：一个包含高产推文用户（≥2,000条推文），另一个包含活跃度较低的用户（300–400条推文）。
• 将分析扩展至拥有双Twitter账户的真实用户，使用相同的分类器框架测试跨账户的关联能力。
• 使用Twitter API收集全球推文快照，以实现大规模数据采集，确保结果具有现实相关性。

实验结果

研究问题

• RQ1 在140个字符限制下，仅使用文体特征能否可靠地关联同一作者的推文？
• RQ2 与标准单字词相比，话题标签在实现作者关联方面的有效性如何？
• RQ3 当作者数量增加到数万名时，关联能力性能是否会下降？
• RQ4 所提出的方法能否成功关联真实用户在多个Twitter账户中发布的推文？
• RQ5 消息长度和推文数量对使用文体模型进行作者归属判断的准确性有何影响？

主要发现

• 朴素贝叶斯分类器仅基于字母和单词单字词频率，即实现了超过90%的准确率，成功关联同一作者的推文。
• 当仅使用话题标签作为特征时，分类器实现了约三分之二的关联率，表明其具有强大的区分能力。
• 该模型成功关联了14名真实用户在两个或以上Twitter账户中发布的推文，证实了该方法在真实世界双账户场景中的适用性。
• 即使在作者数量庞大的情况下，关联能力依然保持高位，表明该方法在真实环境中的可扩展性。
• 研究证实，尽管存在严格的字符限制，文体分析在微博环境中的作者关联任务中依然极为有效。
• 结果表明，即使是最基本的文本特征（如话题标签）也能显著提升关联能力，对匿名用户构成不容忽视的隐私风险。