[论文解读] The Pin-Bang Theory: Discovering The Pinterest World

Sudip Mittal, Neha Gupta+2 more|arXiv (Cornell University)|Jul 18, 2013

Digital Games and Media参考文献 19被引用 18

一句话总结

本论文基于330万名用户资料和5880万条图钉的大型数据集，首次对Pinterest进行了全面分析，揭示了时尚、美食和旅游等主导主题，广泛存在的外部来源图片图钉（占95.3%），以及严重的隐私风险，包括个人身份信息泄露和图钉来源中的恶意软件。研究还发现因未标注来源导致的版权侵权问题，并通过基于URL的恶意软件检测识别出安全威胁。

ABSTRACT

Pinterest is an image-based online social network, which was launched in the year 2010 and has gained a lot of traction, ever since. Within 3 years, Pinterest has attained 48.7 million unique users. This stupendous growth makes it interesting to study Pinterest, and gives rise to multiple questions about it's users, and content. We characterized Pinterest on the basis of large scale crawls of 3.3 million user profiles, and 58.8 million pins. In particular, we explored various attributes of users, pins, boards, pin sources, and user locations, in detail and performed topical analysis of user generated textual content. The characterization revealed most prominent topics among users and pins, top image sources, and geographical distribution of users on Pinterest. We then investigated this social network from a privacy and security standpoint, and found traces of malware in the form of pin sources. Instances of Personally Identifiable Information (PII) leakage were also discovered in the form of phone numbers, BBM (Blackberry Messenger) pins, and email addresses. Further, our analysis demonstrated how Pinterest is a potential venue for copyright infringement, by showing that almost half of the images shared on Pinterest go uncredited. To the best of our knowledge, this is the first attempt to characterize Pinterest at such a large scale.

研究动机与目标

• 理解Pinterest这一快速增长的基于图像的社交网络中的用户行为、内容特征和网络结构。
• 调查Pinterest上与个人身份信息泄露和恶意内容相关的隐私与安全风险。
• 通过平台上的未标注图片共享分析版权侵权问题。
• 刻画用户生成内容、图钉来源以及用户地理分布特征。
• 通过源URL分析评估Pinterest在恶意软件和垃圾信息方面的脆弱性。

提出的方法

• 对330万名用户资料、5880万条图钉、777,748个图板和498,433张图片进行了大规模网络爬取。
• 采用基于BFS的爬取策略，从关注人数最多的前5名用户出发，收集部分子图以减少社区偏差。
• 使用自然语言处理技术对用户生成的文本内容进行主题分析，识别主导主题。
• 分析图钉的EXIF数据和源URL，以检测潜在的版权侵权和恶意软件。
• 利用Google SafeBrowsing API检测图钉来源中嵌入的恶意URL。
• 通过用户资料中的位置数据评估用户的地理分布。

实验结果

研究问题

• RQ1 Pinterest用户生成内容和图钉描述中的主导主题是什么？
• RQ2 内容在用户上传图片与外部图钉图片之间如何分布？
• RQ3 Pinterest用户的地理分布如何？哪些地区贡献最多？
• RQ4 有多少个人身份信息（PII）在Pinterest公开资料中被暴露？
• RQ5 图钉来源相关的安全风险有哪些，包括恶意软件和版权侵权？

主要发现

• 用户和图钉中最常见的主题为设计、时尚、摄影、美食和旅游。
• 仅有4.7%的Pinterest图片由用户直接上传；95.3%的图片来自外部来源，如Google Images和Etsy。
• 美国、加拿大和英国合计占所有Pinterest用户的73%以上。
• 超过95%的Pinterest分享图片未标注原始作者，表明存在广泛的潜在版权侵权。
• 在公开用户描述中发现了大量个人身份信息泄露，包括电话号码、BBM编号、电子邮箱地址和婚姻状况。
• 通过Google SafeBrowsing API在图钉来源中检测到恶意软件痕迹，恶意URL在各类图板中均有发现，包括较不热门的图板。