sam99的博客

本博客围绕社交媒体上的恶意言论展开调查与分析，研究恶意言论用户与非恶意言论用户在活动程度、目标群体、语言模式、情感特征等方面的差异。通过提取多种特征并构建分类模型，探索恶意言论的识别方法，并在推文和维基百科评论两个领域进行验证。博客还总结了恶意言论研究的关键发现，并提出了应对恶意言论的建议，包括平台优化、用户自律和研究改进等方面，旨在为构建更健康、文明的社交环境提供参考。

本文探讨了社交媒体中的尖刻言论现象，提出了一种筛选框架，旨在从Twitter等平台大规模采样尖刻言论。研究通过定义尖刻言论的特征，并结合情绪分析、用户特征和语言结构等多维度信息，构建了用于区分尖刻言论与普通言论的分类器。探索性分析揭示了尖刻言论在内容、情绪和用户行为上的独特模式。研究还总结了当前方法的局限性，并展望了未来的研究方向，包括多平台研究、特征扩展和实时监测系统的开发。

本文探讨了社交网络中用户朋友圈的多样性及其在用户画像中的应用。通过密度依赖大小（DDS）、有效规模（ES）和预期社区数量（ENC）等多种度量方法，分析了用户网络结构的多样性特征，并评估了其在区分功能性用户和社交性用户中的性能。研究发现，ENC在准确率、精度和AUC等指标上表现最佳。结合用户行为特征（如发布习惯）和人口统计学信息（如职业、性别、年龄），可以进一步提升分类效果。文章还展望了未来在优化标记方法、探索更多特征以及跨平台研究中的方向。

本文研究了在线社交网络（OSN）中用户朋友圈的多样性，旨在通过朋友圈的结构特征区分社交用户和功能性用户。基于腾讯QQ和微信平台的真实数据集，研究者提出了密度依赖大小（DDS）和预期社区数量（ENC）等多样性指标，并验证其在用户分类中的有效性。实验结果显示，DDS指标在准确率、召回率和精确率方面均优于传统指标。此外，研究还发现多样性指标与用户的人口统计属性（如职业、年龄和性别）之间存在相关性，表明其在用户画像中的应用潜力。本文的研究为社交网络分析和个性化服务提供了理论支持和技术参考。

本文探讨了分层词库的构建与验证方法，包括频率测试、双词入侵任务和类别-文本匹配，以个人价值观为案例展示了词库的创建过程与评估结果。此外，研究还分析了在线社交网络用户的自我网络多样性，结合结构洞和社区检测指标区分功能性用户与社交性用户，并通过机器学习模型进一步优化分类效果。同时，研究也揭示了不同职业、性别和年龄用户的社交圈多样性差异，为理解社交网络用户行为提供了新视角。

本文介绍了一种基于众包的分层词库创建方法，通过层次初始化、众包概念排序、词库扩展等步骤，构建能够准确测量文本中个人价值观表达的分层词库。以个人价值观为案例，详细描述了词库的创建和评估过程，并验证其有效性。该方法为文本分析领域提供了一种量化特定主题的有力工具。

本文探讨了购买行为的建模与预测方法，通过分析不同社会经济群体的消费模式，利用N-gram和K-means聚类进行短期购买类别的预测，并构建状态转移图以预测长期购买行为的变化。研究展示了年龄、性别和消费水平等特征在区分购买习惯中的作用，并提出了模型在市场营销和商业决策中的应用潜力。同时，文章指出了未来改进的方向，包括特征工程、算法优化和数据增强等。

本文探讨了数字化时代下开发者工作节奏的演变以及利用金融和社交数据预测购买类别的方法。研究揭示了法国和英国开发者工作时间提前和节奏规律化的趋势，并分析了影响因素如纵向效应和文化因素。在购买类别预测方面，研究基于用户的交易数据构建状态转移图，以预测未来消费行为，并讨论了预测过程中面临的挑战及应对策略。这些研究为企业优化客户服务和营销策略提供了理论支持和实践指导。

本文基于 GitHub 数据集和信号处理技术，分析了软件开发人员的工作节奏演变。通过频率分析和时间分析，研究发现开发者的日常工作模式呈现出规律化和提前化的趋势，且不同地区和群体之间存在差异。研究结果对优化开发团队的工作安排和提升效率具有参考价值。

本文探讨了社交媒体中线下与线上、互惠与非互惠关系在推文转发中的模式与特点。通过分析推文新颖性和转发主题，研究发现线下关系更倾向于转发旧新闻和个人主题内容，而线上到线上关系在信息传播中占主导地位，尤其在新闻类内容的扩散中表现突出。此外，互惠与非互惠关系的转发模式较为相似，无法通过新颖性或主题有效区分。研究还发现，转发链深度能够更好反映关系类型的动态变化，线下-线上关系分类是一种更有意义的转发行为分析范式。基于研究结果，推广个人推文应关注线下朋友，而新营销活动则更适合利用线上关系。

本博客探讨了共享经济中的社会不平等现象以及推特上的转发模式。通过研究Airbnb平台上的房东数据，揭示了少数族裔房东代表性不足、收入差异等问题，并提出了平台内部政策调整的建议。同时，针对推特的转发行为分析了线下和线上关系在信息传播中的差异，发现它们在转发深度、主题和新颖性上具有显著区别。博客总结了相关领域的启示，并展望了未来的研究方向，包括时间序列分析、动态变化研究及跨平台信息传播探索。

本文聚焦爱彼迎（AirBnB）平台，深入探讨共享经济中的社会不平等问题。通过分析爱彼迎数据集和美国社区调查数据，研究揭示了在种族代表性、美学展示和潜在收益方面存在的不平等现象，并提出了平台、政府和社会层面的解决方案，以促进共享经济的公平与可持续发展。

本文探讨了维基百科新用户在重大线下事件驱动下的编辑行为及其对社区的影响，以及爱彼迎共享经济中种族差异导致的社会不平等问题。通过分析新用户行为特征和爱彼迎平台数据，提出了针对维基百科社区管理和爱彼迎公平性优化的具体策略，旨在促进平台的健康发展与包容性提升。

本研究通过分析维基百科在2014年三个重大事件期间的新用户行为，揭示了事件流行度与用户参与之间的关系，并探讨了不同进入路径的新用户在贡献水平和留存率上的显著差异。研究进一步指出早期社交互动、社区反馈及贡献多样性对新用户的后续行为具有重要影响，为维基百科及其他在线生产社区吸引和留住新用户提供了实践启示。

本文探讨了如何利用考古发掘数据恢复古希腊城邦行政官的继任顺序。通过将问题转化为带有额外限制的旅行商问题，并采用基于动态规划的启发式方法进行求解，我们展示了该方法在真实历史数据上的有效性。文章还对算法的稳定性和鲁棒性进行了实验分析，评估了数据不完整性和扰动对结果的影响。研究表明，该方法为历史研究提供了一种新的跨学科途径，尽管存在计算复杂度高和数据依赖性强等挑战。

本博文提出了一种基于多标准同质性的自适应网络模型，用于模拟社交网络中人们观点的动态变化及连接权重的自适应调整。模型结合差分方程与微分方程方法，考虑了人与人之间影响强度的动态性，并通过模拟示例与实证数据（如Instagram）验证了其有效性。研究展示了该模型在社交媒体营销、舆情分析和社交网络设计等领域的应用潜力，同时也探讨了其局限性与未来改进方向。

本文探讨了新闻话题建模与社交媒体意见动态的相关研究，重点分析了用户反馈与新闻话题之间的关系，以及社交媒体上的意见传播机制。通过评估用户反馈与话题的关联性、分析电视频道的话题构成与反馈数据，以及应用基于时间因果网络的网络导向建模方法，研究揭示了信息传播的潜在规律和用户行为特征。研究还提出了多标准同质性原则，并以Instagram为例，探讨了用户兴趣和意见动态的建模方法。结果为媒体机构和研究者提供了理解信息传播和受众行为的理论支持，并指出了未来研究的方向，包括多平台整合、实时监测、个性化推荐及伦理法律问题研究。

本研究提出了一种新闻主题建模与用户反馈研究的全周期方法，结合俄罗斯社交网络 VKontakte 上的新闻数据，探索新闻内容特征与用户行为之间的关系。通过基于自由能和 Rényi 熵的方法确定最优主题数量，提取并标记稳定主题，随后将主题与用户反馈（点赞、评论、分享）进行关联分析。研究还考虑了数据分布对主题建模结果的影响，并提出标准化和分层抽样等应对策略。该方法为媒体从业者和社会科学家提供了系统化的文本分析与用户行为研究框架。

本博客通过分析Instagram上的星巴克相关帖子，探索纽约、首尔和东京的城市场所感。研究结合视觉标签、访客人口统计和时间信息，构建活动分类模型，并利用聚类方法识别出社交、用餐、外卖等主要活动类别。通过手动验证、大数据比较和定性分析，研究发现星巴克能够作为衡量城市社会特征的重要指标。博客进一步揭示不同城市的活动模式及其背后的文化和社会因素，展示了基于小数据研究城市场所感的潜力和前景。

本研究探讨了社交媒体中的媒体影响力和党派关注度，以及城市场所感的动态特性。通过分析2016年英国脱欧公投相关推文链接的网站，发现支持脱欧的材料传播更广泛，且媒体投诉与来源偏见密切相关。此外，通过对Instagram上纽约、首尔和东京星巴克帖子的分析，研究验证了星巴克可作为城市场所感的可靠指标，揭示了场所感的动态性和文化差异性。研究结果对媒体监管、信息传播公正性以及基于位置的推荐系统具有重要启示。

本文研究了英国脱欧公投期间推特上的信息讨论，分析了主流媒体和另类媒体的影响力、不同立场支持者的媒体分享模式，以及党派和误导性材料的传播效果。研究发现，主流媒体在信息来源中占主导地位，但脱欧阵营通过情绪化宣传在社交媒体上产生了更大的影响力。此外，公众更倾向于分享非极端内容，而误导性信息的传播相对有限。

本文探讨了巴西和美国国会投票网络中意识形态社区的形成与演变，揭示了不同政党体系对政治极化和社区稳定性的影响。同时，研究还分析了英国脱欧公投期间推特上的媒体影响和党派关注，发现脱欧阵营在社交媒体上的信息传播更为活跃和多样化。通过量化分析和网络建模，这些研究为理解政治体系中的党派动态和社交媒体在政治信息传播中的作用提供了有价值的见解，为未来政治研究和实践提供了参考。

本研究通过分析巴西和美国的国会投票网络，探讨了不同政党体系下的意识形态社区及其演变情况。研究利用复杂网络理论，识别意识形态社区和极化社区，并评估了社区的凝聚力和结构特征。结果显示，巴西的碎片化政党体系中形成了少数几个意识形态社区，而美国的两党体系则表现出更清晰的社区结构。政治环境的变化对社区演变具有显著影响，特别是在巴西的政治动荡期，意识形态区分更加明显。研究为理解政治行为和社区动态提供了新的视角和方法。

本文研究了安大略省大学中的性别工资差距问题，并探讨了巴西和美国政治体系中意识形态社区的形成与演变。分析表明，性别工资差距主要源于女性在高收入职称中的代表性不足，而职称内部的性别差距较小。此外，研究还揭示了碎片化政党体系中意识形态社区的存在与极化现象，以及其动态演变特征。研究结果为推动教育领域的性别平等和理解政治体系的运行机制提供了重要参考。

本文探讨了信任网络中的声誉机制与安大略大学学术界的性别工资差距问题。在信任网络研究中，声誉的积累缓慢而丧失迅速，用户行为受社会规范和锚定偏差影响显著。同时，通过分析安大略省阳光名单数据，研究揭示了学术领域性别工资差距的现状与影响因素，发现尽管女性比例有所上升，但性别工资差距依然存在。研究还探讨了h指数与RMP评分在衡量学术生产力与教学能力方面的局限性，并提出了未来研究方向，包括多元化生产力指标、职业发展路径分析及社会文化因素研究。文章呼吁通过跨学科研究和政策制定推动社会公平与性别平等。

本文深入剖析了比特币场外交易市场的信任网络结构与动态特性，从奖励层和惩罚层两个维度分析了用户声誉的分布、聚类行为、活动模式及其演化趋势。通过静态属性分析揭示了正负声誉的幂律分布、聚类系数差异以及用户分类特征；在时间维度上，探讨了活动峰值、突发性行为及声誉排名的稳定性。研究发现，信任网络中存在声誉分布不平等、声誉排名稳定性和用户行为差异等现象，并提出了对平台评分机制与管理策略的启示。

本博客探讨了图可视化技术及其在比特币OTC市场信任网络分析中的应用。文章首先介绍了图可视化的常见方法，包括切片法、扁平化法、简化法和间接法，并对比了不同方法的优缺点和适用场景。随后，博客聚焦于比特币OTC市场的信任网络，通过将信任关系分为奖励层和惩罚层，深入分析了用户评分行为、声誉形成机制以及网络的动态特性。研究揭示了用户行为的复杂性，并识别出可信赖用户、不可信用户和有争议用户三类典型用户群体。这些分析结果对于理解复杂网络结构和优化可视化方法具有重要意义。

多力算法是一种用于多路社交图的广义力导向布局算法，通过引入层内和层间权重，能够生成多种不同的布局，以满足多样化的可视化需求。该算法在社交网络分析、交通网络可视化以及信息传播研究等领域具有广泛应用，并能够在内部布局和节点对齐之间取得良好平衡。

本文探讨了非营利组织在社交媒体上的关注度竞争与捐赠之间的关系，并提出了多重社交图谱的Multiforce布局可视化方法。研究发现，帖子数量和评论的稳定性对捐赠金额有显著影响，而Multiforce算法能够有效解决多重网络的复杂可视化问题。文章还为非营利组织提供了社交媒体运营策略建议，并讨论了Multiforce算法的应用前景与未来拓展方向。

本文对智利76家非营利组织在Facebook上的七年活动进行了深入研究，探讨了不同类型的非营利组织如何在社交媒体上竞争关注度及其与捐款水平的关系。研究发现，非营利组织的社交媒体使用存在显著差异，竞争模式随时间演变，并受到社会事件的影响。此外，社交媒体的关注度与捐款呈显著相关，这为非营利组织优化社交媒体策略提供了重要参考。

本文探讨了如何通过Facebook状态推断用户的多种人类特征，包括心理状态、个性特点、宗教信仰等。研究比较了BoW模型与字符级CNN等模型在任务中的性能表现，并揭示了分类器中存在的性别偏见问题。通过明确编码性别信息的方法，研究者有效缓解了模型的不公平性。文章强调了模型可解释性的重要性，并展望了未来在解决更多类型不公平问题和迁移学习应用的方向。

本文探讨了如何通过分析Facebook状态文本推断用户的生活满意度、政治身份、智商、性别、种族、宗教等特征。研究基于myPersonality数据集，结合词袋法和字符级卷积神经网络等方法，展示了通过社交媒体文本预测人类特征的潜力。研究不仅揭示了语言表达与内在特征之间的关系，还为社会科学和机器学习领域的交叉研究提供了新的视角。

本文探讨了假新闻在2016年美国大选前后的传播特征，以及社交媒体用户行为分析的相关研究成果。通过共现网络、主题分析和情感分析，揭示了公众对假新闻的认知变化；同时，基于脸书状态更新数据，利用语言模型预测多种用户特征，为个性化服务和社会行为研究提供了重要参考。研究还展望了未来在假新闻治理和社交媒体数据分析方面的发展方向。

本文探讨了‘假新闻’一词在媒体中的认知与概念化变化，结合2016年美国大选这一重要事件，利用文化计量学和语义分析方法，研究公众对‘假新闻’兴趣的增长是否伴随着其相关概念和认知的转变。研究基于NOW语料库，分析了网络搜索行为、共现命名实体以及语义场的变化趋势，揭示了‘假新闻’从媒体和技术领域向政治和社会领域转移的趋势，并讨论了其对媒体、公众和政策制定者的实际影响。

本文探讨了社交媒体在弗格森抗议活动中的作用，通过分析推特推文揭示了人们在抗议期间的讨论主题和意义建构过程。研究结合人工编码与机器学习方法，评估了自动分类抗议相关推文的可行性，并提出了改进分类性能的方向。结果表明，社交媒体不仅是表达观点的平台，也是推动社会变革的重要工具。

本文研究了弗格森骚乱期间社交媒体上关于“黑人的命也是命”(BLM)运动的讨论，通过人工编码和机器分类方法分析了线上与线下抗议活动的互动关系。研究揭示了社交媒体讨论的主题分布、公众关注焦点以及在线讨论与现实抗议活动的关联性，为理解社交媒体在社会运动中的作用提供了理论和实践价值。

本研究探讨了经典机器学习和深度学习技术在滥用内容检测中的表现，以及社交媒体在社会运动中的重要作用。通过对比SVM、CNN和RNN在多个数据集上的性能，发现SVM在多数情况下表现更优，而过采样技术显著提升了其性能。研究还揭示了社交媒体不仅是线下抗议的促进者，更为集体意义建构和社会变革提供了平台。总结了模型性能、类别不平衡的影响，并提出了未来研究方向，包括数据集特征分析、深度学习模型改进、多模态数据融合以及社交媒体与社会运动的动态关系探索。

本研究比较了经典机器学习与深度学习技术在社交媒体滥用用户生成内容检测中的表现。传统方法依赖于如n-gram和知识特征等手工特征表示，并结合分类器如朴素贝叶斯、逻辑回归、支持向量机和决策树。而深度学习方法利用词嵌入技术（如word2vec和Glove）结合卷积神经网络（CNN）和双向长短期记忆网络（Bi-LSTM）进行自动特征学习和分类。研究发现，在处理类别不平衡问题时，深度学习模型在未过采样的情况下表现更优，而支持向量机在过采样后性能提升显著。此外，使用与任务数据源一致的词嵌入能显著提高滥用内容的召回率。总

本文探讨了基于现实数据的模型验证与深度学习在特定领域的应用。通过使用Matlab进行数值模拟和粒子群优化算法调整参数，验证了模型与经验数据的匹配度，并利用数学分析推导公式验证了模型行为，特别是在平衡状态下的收敛性。此外，研究还分析了深度学习技术在社交媒体滥用内容检测中的表现，比较了深度学习模型与传统分类器的效果，为不同领域的模型选择和优化提供了有价值的参考。

本文提出了一种基于代理的计算模型，用于模拟公众对荷兰政治家蒂埃里·鲍代特的意见动态变化。该模型结合了时间因果网络和无标度社交网络的特性，通过手动情感分析和数值模拟，研究社交网络中意见的传播与影响。分析使用了Gephi进行社交网络特征提取，并通过差分和微分方程对意见状态进行建模。结果表明，该方法能够有效捕捉公众意见的动态特征，并为政治预测和舆情分析提供了新的工具。