Сборник статей

Каталог публикаций Интернет-изданий

переводы публикаций из социальной сети для учёных ResearchGate и из других открытых источников Интернета

Интеграция сервисов в социальных сетях в Интернете


Функция межсайтовых ссылок широко используется сетевыми социальными сетями (OSN). Эта функция позволяет пользователю связать свою учетную запись в одной OSN со своими учетными записями в других OSN. Таким образом, пользователи могут входить в систему с помощью связанных учетных записей, обмениваться контентом между этими учетными записями и импортировать из них друзей. Это приводит к интеграции услуг различных OSN. Эта интеграция не только обеспечивает удобство для пользователей для управления учетными записями различных OSN, но также представляет полезность для OSN, которые используют функцию межсайтового связывания. В этой статье мы исследуем эту полезность на основе данных пользователей, собранных из популярного OSN под названием Medium. Мы проводим тщательный анализ его социального графа и обнаруживаем, что интеграция услуг, обеспечиваемая функцией межсайтовых ссылок, способна изменить структуру социального графа Medium и привлечь большое количество новых пользователей. Тем не менее, почти никто из новых пользователей не станет пользователями PageRank (PageRank используется для измерения влияния пользователя в OSN). Чтобы решить эту проблему, мы строим модель на основе машинного обучения, которая позволяет прогнозировать пользователей с высоким PageRank в среде только на основе их данных в Twitter. Эта модель достигает высокой оценки F1 0,942 и высокой площади под кривой (AUC) 0,986. Основываясь на этом, мы разрабатываем систему, чтобы помочь новым OSN идентифицировать и привлекать пользователей с высоким PageRank из других хорошо известных OSN с помощью функции межсайтовых связей.

В последние годы появилось множество онлайн социальных сетей (OSN). Многие из них, такие как Foursquare, Pinterest, Quora и Medium, включили функцию межсайтовой связи [1]. Эта функция позволяет пользователю связать свою учетную запись в одной OSN со своими учетными записями в других OSN (статистика конкурентов в соцсетях). Связываясь с другими учетными записями, пользователи могут входить в связанные учетные записи, обмениваться контентом с другими OSN и импортировать из них друзей. Это приводит к интеграции услуг между различными OSN. Эта интеграция предоставляет пользователям удобство управления учетными записями разных OSN. Что еще более важно, это может повлиять на OSN, которые принимают функцию межсайтовой связи.

Наша цель - лучше понять полезность этой интеграции служб в OSN. Мы вводим исследование на основе данных, чтобы исследовать его. В качестве основного направления исследований мы выбрали популярную онлайн-платформу Medium. Это позволило кросс-сайт ссылки на Twitter и Facebook. С момента запуска Medium в августе 2012 года стало возможным связывать аккаунты Twitter со Medium, а через 2 года Facebook был связан с ним. В 2016 году количество показателей Medium вырос на 140% и составил 60 миллионов человек в месяц, в основном из-за неспокойного политического климата, поскольку статьи о Brexit и Trump внесли большой вклад в его популярность (venturebeat.com/2016/12/14/medium-grows-140-to-60-million-monthly-visitors).

В работе "Understanding Service Integration of Online Social Networks: A Data-Driven Study" (Fei Li, Yang Chen, Rong Xie, Fehmi Ben Abdesslem, Anders Lindgren, School of Computer Science, Fudan University, Shanghai, China, RISE SICS, Kista, Sweden) собрали данные о более чем 1 миллион пользователей Medium, что составляет около 25% от общего числа пользователей в августе 2016 года. (Оценивая количество пользователей Medium, посмотрев на официальный аккаунт «Medium Staff», за которым автоматически следует каждый пользователь после регистрации. У «Medium Staff» было 3,8 миллиона подписчиков в августе 2016 года, тогда как за ним следуют более 11,5 миллиона пользователей (ноябрь 2017 года), таким образом, общее количество пользователей на момент сбора было около 4 миллионов.) Можно построить социальный график пользователей Medium на основе собранных данных и проводим их базовый анализ. Затем можно изучить полезность интеграции служб в среде Medium, анализируя динамику социального графа Medium и различия в поведении среди пользователей Medium, имеющих различные варианты межсайтовых ссылок, т.е. связали ли они свой аккаунт Medium с Twitter и / или Facebook. Здесь обнаруживается, что, несмотря на то, что в Medium включена функция межсайтовых ссылок на Facebook, она может привлечь большое количество новых пользователей, почти никто из них не станет пользователем с высоким PageRank (PageRank используется для измерения влияния пользователя в OSN [2] - [ 4]). Чтобы помочь новым OSN привлекать больше пользователей PageRank с помощью функции межсайтовых связей, мы создаем модель классификации на основе машинного обучения и распространяем ее на систему.

Основные модели классификации OSN:

  • Анализируют средний социальный граф, чтобы получить общее представление об этом OSN. Насколько нам известно, это первый анализ социального графа Medium.

  • Изучают полезность интеграции услуг в OSN, анализируя динамику среднего социального графа. Авторы находят, что использование Medium межсайтовой ссылки на Facebook приводит к изменению структуры графика и большому количеству новых пользователей. Тем не менее, почти никто из них не станет высоким пользователем PageRank в среде.

  • Строят модель классификации на основе машинного обучения, чтобы помочь новым OSN, таким как Medium, идентифицировать потенциальных пользователей с высоким PageRank из существующих OSN, таких как Twitter и Facebook. Он прогнозирует пользователей с высоким PageRank Medium только на основе данных Twitter и достигает значения F1, равного 0,942, и площади под кривой (AUC), равной 0,986. Авторы также разрабатывают систему на основе нашей модели, чтобы помочь новым OSN привлекать пользователей с высоким PageRank из хорошо зарекомендовавших себя OSN с помощью функции межсайтовых связей.

Выводы

В работе  "Understanding Service Integration of Online Social Networks: A Data-Driven Study"  подробно рассматривается интеграция услуг онлайн-социальных сетей (OSN). Насколько нам известно, это первая работа по анализу социального графа Medium. В работе находят, что интеграция служб может изменить структуру графа новой OSN и привести новых пользователей из других хорошо зарекомендовавших себя OSN к новой через функцию связи между сайтами. Тем не менее, авторы обнаруживают, что почти никто из новых пользователей не станет высокопоставленным пользователем PageRank в новом OSN, что является недостатком интеграции служб. Чтобы решить эту проблему, авторы строят модель машинного обучения для прогнозирования пользователей с высоким PageRank. Он достигает высокой оценки F1 0,942 и высокой AUC 0,986. Затем расширяют эту модель до системы, чтобы помочь новым OSN привлекать пользователей PageRank из других хорошо известных OSN с помощью функции межсайтовых связей.

Тем не менее, мы только исследуем нашу модель прогнозирования в Twitter и Medium, что является лишь подтверждением концепции, которую могут прогнозировать пользователи с высоким PageRank. В будущем мы применим наши методы прогнозирования к большему количеству OSN, чтобы убедиться, что модель прогнозирования может быть распространена на другие сайты. Эта работа также показывает, что мы можем подключить идентификаторы пользователей в нескольких OSN к одному и тому же человеку, что позволяет нам изучать различия и сходства одного и того же пользователя в нескольких OSN. Мы рассмотрим эти различия и сходства между Medium, Twitter и Facebook в будущей работе.

Использованные источники

[1] Y. Chen, C. Zhuang, Q. Cao, and P. Hui, “Understanding cross-site linking in online social networks,” in Proc. of Workshop on Social Network Mining and Analysis, 2014.

[2] H. Kwak, C. Lee, H. Park, and S. Moon, “What is twitter, a social network or a news media?” in Proc. of International Conference on World Wide Web, 2010.

[3] J. Tang, T. Lou, and J. Kleinberg, “Inferring social ties across het- erogenous networks,” in Proc. of ACM International Conference on Web Search and Data Mining, 2012.

[4] Q. Liu, B. Xiang, N. J. Yuan, E. Chen, H. Xiong, Y. Zheng, and Y. Yang, “An influence propagation view of pagerank,” ACM Trans. Knowl. Discov. Data, April 2017.

[5] X. Zhao, A. Sala, C. Wilson, X. Wang, S. Gaito, H. Zheng, and B. Y. Zhao, “Multi-scale dynamics in a massive online social network,” in Proc. of Internet Measurement Conference, 2012.

[6] C. Zhong, M. Salehi, S. Shah, M. Cobzarenco, N. Sastry, and M. Cha, “Social bootstrapping: How pinterest and last.fm social communities benefit by borrowing links from facebook,” in Proc. of International Conference on World Wide Web, 2014.

[7] S. Liu, S. Wang, F. Zhu, J. Zhang, and R. Krishnan, “Hydra: Large-scale social identity linkage via heterogeneous behavior modeling,” in Proc. of ACM SIGMOD International Conference on Management of Data, 2014.


Understanding Service Integration of Online Social Networks: A Data-Driven Study

Fei Li, Yang Chen, Rong Xie, Fehmi Ben Abdesslem, Anders Lindgren,
School of Computer Science, Fudan University, Shanghai, China,
RISE SICS, Kista, Sweden


Авторизация
Забыли свой пароль?