[论文解读] Unsupervised Machine Learning of Open Source Russian Twitter Data Reveals Global Scope and Operational Characteristics

Christopher Griffin, Brady Bickel|arXiv (Cornell University)|Oct 2, 2018

Opinion Dynamics and Social Influence参考文献 16被引用 5

一句话总结

本文将无监督机器学习应用于开源的俄语推特数据，以揭示所谓影响力行动中隐藏的运作模式。通过自然语言处理、流形学习和傅里叶分析，识别出涉及美国、法国和德国选举的跨国活动，揭示了不同的语言社群——包括德语和俄语中的非英语聚类——表明此类行动在多个民主国家中表现出一致且可识别的行为特征。

ABSTRACT

We developed and used a collection of statistical methods (unsupervised machine learning) to extract relevant information from a Twitter supplied data set consisting of alleged Russian trolls who (allegedly) attempted to influence the 2016 US Presidential election. These unsupervised statistical methods allow fast identification of (i) emergent language communities within the troll population, (ii) the transnational scope of the operation and (iii) operational characteristics of trolls that can be used for future identification. Using natural language processing, manifold learning and Fourier analysis, we identify an operation that includes not only the 2016 US election, but also the French National and both local and national German elections. We show the resulting troll population is composed of users with common, but clearly customized, behavioral characteristics.

研究动机与目标

• 探索所谓俄罗斯影响力行动在推特上的全球范围与运作特征，采用无监督机器学习方法。
• 在无先验标签或训练数据的前提下，检测推特水军群体中浮现的语言社群。
• 识别与多国主要政治事件相关的推文活动跨国模式。
• 提取可识别的行动指纹（如时间上的活动峰值与语言聚类），以支持未来对类似影响力行动的检测。
• 评估利用开源推特数据与统计方法揭露协调性虚假信息活动的可行性。

提出的方法

• 应用无监督自然语言处理，基于推文内容对用户进行聚类，去除动态停用词以识别主题社群。
• 对每小时推文时间序列应用傅里叶分析，计算功率谱，以比较用户的发布动态。
• 通过计算功率谱之间的余弦相似度，构建加权邻接矩阵，用于基于图的聚类。
• 在所得图上应用最大模块度聚类，依据行为相似性识别用户社群。
• 应用流形学习以降低维度，揭示高维推文与活动数据中的潜在结构。
• 使用词云与归一化文本分析可视化主导主题，包括德语与俄语中的非英语内容。

实验结果

研究问题

• RQ1 所谓俄罗斯水军行动针对了哪些跨国政治事件，其活动模式如何与这些事件相关联？
• RQ2 水军群体中浮现了哪些语言社群，它们是否反映出不同的主题或语言焦点？
• RQ3 无监督机器学习能否在不同国家与选举中检测到水军活动的一致行为特征？
• RQ4 推文数量的时间模式如何反映战略时机，例如在重大政治大会或事件期间？
• RQ5 非英语语言聚类（如德语、俄语）在多大程度上表明了协调的跨国影响力行动？

主要发现

• 该水军行动表现出有组织的、反应式的特征，在2016年共和党全国大会前及2017年5月9日詹姆斯·博dn被解雇前均出现显著活动峰值。
• 识别出11个用户社群，包括七个主要主题聚类：美国茶党运动、非裔美国人议题、克利夫兰/俄亥俄州聚焦，以及德语和俄语中的非英语聚类。
• 德语社群在2016年与2017年德国选举期间均有活跃，2016年内容包含#merkelmussbleiben标签，可能为机器人生成，且可能具有讽刺或支持意味。
• 2017年德国选举内容更为泛化，表明可能需要改进归一化与停用词过滤以实现更深层次分析。
• 法语选举词云显示信号微弱，仅马克龙作为显著主题出现，表明数据质量或信号强度有限。
• 俄语与德语聚类各自拥有影响外围用户的中心用户，表明存在层级化的运作结构。