[论文解读] Understanding Information Spreading in Social Media during Hurricane Sandy: User Activity and Network Properties

Arif Mohaimin Sadri, Samiul Hasan+2 more|arXiv (Cornell University)|Jun 9, 2017

Complex Network Analysis Techniques参考文献 74被引用 26

一句话总结

本研究分析了桑迪飓风期间的Twitter数据，以探讨用户活动与网络结构如何影响信息传播。研究发现，信息传播符合幂律分布，少数高度活跃用户主导了信息扩散；而网络中心性、度数和降低的离心率显著预测了更高的信息分享行为，为优化危机沟通和遏制虚假信息提供了洞见。

ABSTRACT

Many people use social media to seek information during disasters while lacking access to traditional information sources. In this study, we analyze Twitter data to understand information spreading activities of social media users during hurricane Sandy. We create multiple subgraphs of Twitter users based on activity levels and analyze network properties of the subgraphs. We observe that user information sharing activity follows a power-law distribution suggesting the existence of few highly active nodes in disseminating information and many other nodes being less active. We also observe close enough connected components and isolates at all levels of activity, and networks become less transitive, but more assortative for larger subgraphs. We also analyze the association between user activities and characteristics that may influence user behavior to spread information during a crisis. Users become more active in spreading information if they are centrally placed in the network, less eccentric, and have higher degrees. Our analysis provides insights on how to exploit user characteristics and network properties to spread information or limit the spreading of misinformation during a crisis event.

研究动机与目标

• 理解用户活动与网络特性如何在灾难期间塑造社交媒体上的信息传播。
• 识别在危机情境中预测更高信息分享行为的用户特征。
• 基于用户活动水平，研究桑迪飓风期间社交网络的结构演变。
• 为改善危机沟通和减轻虚假信息传播提供可操作的见解。

提出的方法

• 根据活动水平（如转发数和提及数）构建Twitter用户的多个子图。
• 应用网络分析方法，测量包括传递性、同配性以及中心性度量（如度数、接近度、介数）在内的网络属性。
• 使用幂律分布拟合来建模用户信息分享活动的分布。
• 计算用户离心率，以评估其在网络结构中的中心性。
• 将用户的网络位置（度数、离心率、中心性）与活动水平相关联，以识别行为预测因子。
• 分析在不同活动阈值下网络组件（连通分量与孤立点）的演变。

实验结果

研究问题

• RQ1 在桑迪飓风期间，用户信息分享活动在Twitter网络中如何分布？
• RQ2 随着用户活动水平的提高，网络结构属性（如传递性和同配性）如何变化？
• RQ3 哪些网络特征（如中心性、度数、离心率）能够预测用户在传播危机相关信息时的更高活动水平？
• RQ4 在网络中，不同活动阈值下孤立点与连通分量如何产生？

主要发现

• 用户信息分享活动符合幂律分布，表明少数高度活跃用户主导了大部分信息传播。
• 在所有活动水平下，网络均存在大量孤立点和连通分量，表明信息流动存在碎片化现象。
• 随着子图规模增大，网络的传递性降低但同配性提高，表明在较大群体中，度数相似的节点趋于聚集。
• 度数更高、离心率更低且中心性更强的用户，在危机期间更有可能分享信息。
• 最活跃的用户不仅处于网络中心，还更紧密地融入网络核心，从而扩大了其传播范围。
• 网络中心性和结构位置对信息分享行为的预测能力，强于活动水平本身。