소셜 미디어 마이닝

Social media mining

소셜 미디어 마이닝은 소셜 미디어 사이트 및 모바일 앱에서 사용자가 생성한 콘텐츠에서 빅데이터를 얻어 사용자에 대한 실행 가능한 패턴을 추출하고, 사용자에 대한 결론을 형성하며, 종종 사용자에게 광고하거나 연구를 수행하기 위한 목적으로 정보에 따라 행동하는 과정입니다.이 용어는 희귀 광물을 채굴하는 자원 채취 과정과 유사하다.자원 추출 채굴에서는 귀중한 광물을 찾기 위해 광업 회사가 방대한 양의 원광석을 이동해야 합니다.또한 소셜 미디어 채굴에서는 소셜 미디어 사용과 관련된 패턴과 경향을 식별하기 위해 방대한 양의 원시 소셜 미디어 데이터를 이동해야 하는 인간 데이터 분석가 및 자동화된 소프트웨어 프로그램이 필요합니다.온라인 행동, 콘텐츠 공유, 개인 간 연결, 온라인 구매 행동 등입니다.이러한 패턴과 경향은 기업, 정부 및 비영리 단체에게 관심의 대상이 됩니다.이러한 패턴과 경향을 사용하여 전략을 설계하거나 새로운 프로그램, 신제품, 프로세스 또는 서비스를 도입할 수 있기 때문입니다.

소셜 미디어 마이닝은 컴퓨터 과학, 데이터 마이닝, 기계 학습 및 통계에서 다양한 기본 개념을 사용합니다.소셜 미디어 광부들은 소셜 미디어 데이터의 대용량 파일을 조사하는 데 적합한 알고리즘을 개발합니다.소셜 미디어 마이닝은 소셜 네트워크 분석, 네트워크 과학, 사회학, 민족학, 최적화 및 수학의 이론과 방법론을 기반으로 합니다.대규모 소셜 미디어 [1]데이터에서 의미 있는 패턴을 공식적으로 표현, 측정 및 모델링할 수 있는 도구를 포함합니다.2010년대에는 주요 기업, 정부 및 비영리단체가 소셜 미디어 마이닝에 참여하여 고객, 고객 및 시민에 대한 데이터를 입수했습니다.

배경

Kaplan과 Hanlein에 [2]의해 정의되었듯이, 소셜 미디어는 "Web 2.0의 이념적, 기술적 토대를 기반으로 하고 사용자가 생성한 콘텐츠를 만들고 교환할 수 있는 인터넷 기반 애플리케이션의 그룹"입니다.소셜 미디어에는 소셜 네트워킹(Facebook 또는 LinkedIn), 마이크로 블로깅(Twitter), 사진 공유(Flickr, Instagram, Photobucket 또는 Picasa), 뉴스 집계(Google Reader, StumbleUpon 또는 Feedburner), 비디오 공유(Youte, MetaFeCasting) 등 다양한 범주가 있습니다.va), 소셜 게임(월드 오브 워크래프트), 소셜 검색(구글, 빙 또는 Ask.com), 인스턴트 메시징(구글 토크, 스카이프 또는 야후! 메신저)이 있습니다.

첫 번째 소셜 미디어 웹사이트는 1994년에 GeoCities에 의해 소개되었습니다.HTML 코딩에 대한 전문적인 지식 없이도 사용자가 자신만의 홈페이지를 만들 수 있게 했다.최초의 소셜 네트워킹 사이트인 SixDegrees.com은 1997년에 [3]도입되었다.그 이후로, 많은 다른 소셜 미디어 사이트들이 소개되었고, 각 사이트는 수백만 명의 사람들에게 서비스를 제공하고 있다.이들 개인은 개인(사회적 원자), 실체(콘텐츠, 사이트 등) 및 상호작용(개인 간, 실체 간, 개인과 실체 간)이 공존하는 가상 세계를 형성한다.사회적 규범과 인간의 행동이 이 가상 세계를 지배합니다.이러한 사회적 규범과 인간 행동의 모델을 이해하고 이를 가상 세계의 관찰과 측정과 결합함으로써 소셜 미디어를 체계적으로 분석하고 채굴할 수 있습니다.소셜 미디어 마이닝은 소셜 미디어 내의 데이터에서 의미 있는 패턴을 표현, 분석 및 추출하는 과정으로, 소셜 상호 작용에서 비롯됩니다.컴퓨터 과학, 데이터 마이닝, 머신 러닝, 소셜 네트워크 분석, 네트워크 과학, 사회학, 민족학, 통계학, 최적화, 수학 등의 기술을 망라한 학제간 분야입니다.소셜 미디어 마이닝은 빅데이터 패러독스, 충분한 샘플 확보, 노이즈 제거 오류 및 평가 딜레마와 같은 큰 과제에 직면해 있습니다.소셜 미디어 마이닝은 소셜 미디어의 가상 세계를 계산 가능한 방식으로 표현하고, 측정하고, 그 상호작용을 이해하는 데 도움이 되는 모델을 설계합니다.또한, 소셜 미디어 마이닝은 흥미로운 패턴을 발굴하고, 정보 확산을 분석하고, 영향과 동질성을 연구하고, 효과적인 추천을 제공하며, 소셜 미디어에서 새로운 소셜 행동을 분석하는 데 필요한 도구를 제공합니다.

사용하다

소셜 미디어 마이닝은 비즈니스 개발, 사회과학 연구, 보건 서비스 및 교육 목적 [4][5]등 여러 산업에 걸쳐 사용됩니다.수신된 데이터는 소셜 미디어 분석을 거치면 이러한 다양한 분야에 적용될 수 있습니다.기업은 소셜 네트워크에 널리 퍼져 있는 연결 패턴(예: 영향력, 동질성,[6] 상호성과 이동성에 의해 유발되는 사용자 간의 사회적 유사성)을 사용하는 경우가 많습니다.그런 다음 이러한 힘은 노드 및 노드 [4]간 연결의 통계 분석을 통해 측정됩니다.소셜 미디어 사용자는 종종 자신의 [7]게시물에 긍정적이거나 부정적인 감정을 전달하기 때문에 소셜 분석에서도 감성 분석을 사용합니다.이것은 특정 [8][9][10]주제에 대한 사용자의 감정에 대한 중요한 사회적 정보를 제공합니다.

이 세 가지 패턴은 순수 분석 이상의 여러 용도로 사용됩니다.예를 들어,[4] 영향을 사용하여 특정 네트워크에서 가장 영향력 있는 사용자를 판별할 수 있습니다.기업은 영향력 있는 마케팅을 위해 고용할 사람을 결정하기 위해 이 정보에 관심을 가질 것입니다. 인플루언서이러한 영향력은 인지도, 활동 생성 및 신규성에 따라 결정됩니다. 이 세 가지 요구사항은 이러한 사이트에서 [4]추출한 데이터를 통해 측정할 수 있습니다.분석가들은 또한 동종애의 척도를 중시한다: 비슷한 두 개인이 [6]친구가 되는 경향이다.이용자들은 다양한 [7]주제를 이해하기 위해 다른 이용자들의 의견 정보에 의존하기 시작했다.이러한 분석은 맞춤형 자격으로 [4]개인에 대한 권고안을 작성하는 데에도 도움이 될 수 있다.영향력과 동질성을 측정함으로써, 온오프라인 기업은 개인 소비자와 소비자 집단을 위한 특정 상품을 제안할 수 있다.소셜 미디어 네트워크는 이 정보 자체를 사용하여 추가할 친구, 팔로우 페이지 및 대화할 계정을 사용자에게 제안할 수 있습니다.

인식

현대의 소셜 미디어 마이닝은, Facebook, Inc., Twitter, 및 Google과 같은 거대 테크놀로지 기업에게 있어서 유저의 비약적인 증가를 가져온, 논란의 여지가 있는 관행입니다.이와 같이 「Big Tech」라고 불리는 기업은, 유저의 입력을 활용해 유저의 기호를 파악해, 가능한 한 플랫폼상에 유지하는 알고리즘을 구축하는 기업입니다.이러한 입력은 주어진 화면에서 보내는 시간만큼 단순할 수 있으며, 데이터를 채굴할 수 있으며, 기업은 이 데이터를 사용하여 사용자의 행동에 대한 매우 정확한 예측을 활용할 수 있습니다.이러한 전략을 시행한 후 플랫폼의 성장은 빠르게 가속화되었습니다.[11] 2021년 현재 대부분의 대규모 플랫폼은 월평균 10억 명 이상의 활성 사용자를 보유하고 있습니다.

Tristan Harris 나 Chamath Palihapitiya 와 같은 많은 반알고리즘적인 인물들은 특정 기업(특히 Facebook)이 성장을 무엇보다도 중시하고 이러한 성장 엔지니어링 [12]전술에 의한 잠재적인 부정적인 영향을 무시했다고 주장해 왔다.

이와 동시에, 사용자들은 이제 콘텐츠 수익화와 영향력 행사 인플루언서를 통해 자체 데이터의 도움을 받아 자신만의 데이터 중재안을 만들었습니다.일반적으로 사용자는 소셜 미디어에서 자신과 상호작용하는 사람들에게만 고유한 다양한 분석 자료에 액세스할 수 있으며, 이러한 분석 자료를 시청자에게 적합한 광고 및 게시물을 통해 자신의 목표 및 성장 전략을 위한 구성 요소로 사용할 수 있습니다.또한 영향력 행사자들은 일반적으로 기존 브랜드의 제품과 서비스를 홍보하여 다음과 같은 최대 디지털 산업 중 하나를 창출합니다.인플루언서 마케팅Instagram, Facebook, Twitter, YouTube, Google 등은 오랫동안 플랫폼 분석에 접근할 수 있도록 했으며, 때로는 데이터를 보거나 [13]구입하는 사용자조차 모르는 사이에 서드파티도 이 정보에 접근할 수 있도록 했다.

조사.

연구 분야

  • 소셜 미디어 이벤트 검출– 소셜 네트워크를 통해 사용자는 서로 자유롭게 소통하고 다양한 토픽에 대한 최신 뉴스, 진행 중인 활동 또는 견해를 공유할 수 있습니다.그 결과, 그것들은 현재의 새로운 토픽/이벤트를 [14][15][16][17][18][19]이해하기 위한 잠재적인 실행 가능한 정보원으로 간주될 수 있다.
  • 공중 보건 모니터링 및 감시 - 소셜 미디어의 대규모 분석을 사용하여 환자와 일반 대중의 대규모 집단(예: 약물-약물 상호작용 및 약물 [20][21]부작용의 조기 경고 신호를 얻거나 인간의 생식 및 성적 관심을 [22]이해함)을 연구한다.
  • 커뮤니티 구조(커뮤니티 검출/진화/평가)– 소셜 네트워크상의 커뮤니티 식별, 커뮤니티의 진화 방법 및 식별된 커뮤니티의 평가(대부분 [1]근거 없는)
  • 네트워크 측정 – 소셜 [1]미디어에서의 중앙 집중성, 이행성, 상호성, 균형, 상태 및 유사성을 측정합니다.
  • 네트워크 모델– 특정 특성을 가진 네트워크를 시뮬레이션합니다.예를 들어 랜덤 그래프(E-R 모형), 선호 부착 모형 및 소세계 [1]모형 등이 있습니다.
  • 정보 캐스케이드– 소셜 미디어 사이트에서 정보가 어떻게 전파되는지 분석합니다.예를 들어, 집단 행동, 정보의 계단식 변화, 혁신의 확산, 유행 [1]모델 등이 있습니다.
  • 영향과 동질성 – 네트워크 구분을 측정하고 영향과 [1]동질성을 측정 및 모델링합니다.
  • 소셜 미디어에서 추천 – 소셜 미디어 [1][23][24]사이트에서 친구 또는 아이템을 추천한다.
  • 소셜 검색 – 소셜 [25]웹에서 정보를 검색합니다.
  • 소셜 미디어에서의 감정 분석– 소셜 미디어 데이터에서 [26][27][28][29][22][21]긍정과 부정 등의 주관적인 정보를 일괄적으로 식별합니다.
  • 소셜 스팸 발송자 탐지 – 소셜 네트워크 및 웹 사이트에 사용자 생성 콘텐츠가 있는 원치 않는 스팸 콘텐츠를 발송하는 소셜 스팸 발송자를 탐지하여 소셜 영향, 합법성 및 [30][31][32][33]신뢰성을 높이는 데 도움이 됩니다.
  • 소셜 미디어 데이터에 의한 기능 선택– 소셜 [34][35][36][37]미디어의 파워를 활용하기 위한 기능 선택 전환.
  • 소셜 미디어에 대한 신뢰– 소셜 [38][39][40][41]미디어에 대한 신뢰에 대한 연구 및 이해
  • 불신과 부정적 연계– 소셜 [42][43][44]미디어에서의 부정적 연계 탐색
  • 위기 시 소셜 미디어의 역할– 위기 시 소셜 미디어, 특히 [45]Twitter는 계속 중요한 역할을 하고 있습니다.연구들은 위기 때 게시된 트윗을 사용하여 지진과 소문을[47] 탐지하는[46] 것이 가능하다는 것을 보여준다.최초 대응자가 보다 나은 위기[48] 대응을 위해 트윗을 분석할 수 있도록 지원하는 도구를 개발하고 관련[49] 트윗에 보다 빠르게 접근할 수 있도록 하는 기술을 개발하는 것은 활발한 연구 영역이다.
  • 위치 기반 소셜 네트워크 마이닝– 위치 기반 소셜 [50][51][52][53][54][55]네트워크에서의 맞춤형 POI를 위한 인간 모빌리티 마이닝 권장 사항
  • 소셜 미디어에서의 정보 제공– Provenance는 사용자에게 특정 정보의 출처를 알려줍니다.소셜 미디어는 사용자 생성 콘텐츠, 사용자 프로파일, 사용자 상호작용, 공간 정보 또는 시간 정보 [56][57]등 고유한 기능으로 인해 정보의 출처를 식별하는 데 도움이 됩니다.
  • 취약성 관리– 소셜 네트워킹 사이트 사용자의 취약성은 (1) 사용자가 취약해질 수 있는 새로운 방법 식별, (2) 사용자의 취약성의 수량화 또는 측정, (3) [58]감소 또는 완화 등 3단계로 순차적으로 관리할 수 있습니다.
  • 후보/당원 여론 조사 - 소셜 미디어는 후보/당원들에게 캠페인을 하고 캠페인에 대한 대중의 반응을 측정하는 데 인기 있는 매체입니다.소셜 미디어는 유권자들의 의견을 보여주는 지표로도 활용될 수 있다.일부 연구 결과에 따르면 소셜 미디어 게시물을 사용한 예측이 전통적인 여론조사 [59]결과와 일치하거나 개선될 수 있습니다.

출판 장소

소셜 미디어 마이닝 연구 기사는 컴퓨터 과학, 소셜 과학, 데이터 마이닝 컨퍼런스 및 저널에 게재됩니다.

회의

컨퍼런스 페이퍼는 KDD(Knowledge Discovery and Data Mining), WWW(World Wide Web), ACL(Association for Computational Languageology) 및 CIKM(International Conference on Information and Knowledge Management), ICDM(International Conference on Data Mining), ICDM(Internet) 등의 순서로 제공됩니다.

  • KDD 회의 – ACM SIGKDD 지식 검출 및 데이터 마이닝 회의
  • WWW 회의 – 국제 월드 와이드 웹 회의
  • WSDM Conference – ACM Web 검색 및 데이터 마이닝 회의
  • CIKM 회의 – ACM 정보 및 지식 관리 회의
  • ICDM 회의 – IEEE 데이터 마이닝 국제회의
  • 컴퓨터 언어학 협회(ACL)
  • ASONAM 회의 - IEEE/ACM 소셜 네트워크 분석 및 채굴 선진화 국제회의
  • 인터넷 측정 회의(IMC)
  • 웹 및 소셜 미디어 국제 회의(ICWSM)
  • 소셜 미디어 및 사회 국제 회의
  • 국제 웹 엔지니어링 회의(ICWE)
  • 데이터베이스 지식 발견의 기계 학습과 원칙 및 실천에 관한 유럽 회의(ECML/PKDD),
  • 국제 인공지능 공동회의(IJCAI)
  • 인공지능진흥협회(AAAI)
  • 추천 시스템(RecSys)
  • 컴퓨터와 인간의 상호작용(CHI
  • 소셜 컴퓨팅 행동 문화 모델링 및 예측(SBP).
  • HT 회의 – 하이퍼텍스트에 관한 ACM 회의
  • SDM 회의 – SIAM 국제 데이터 마이닝 회의(SIAM)
  • PAKDD Conference – 지식 발견 및 데이터 마이닝에 관한 연례 태평양-아시아 컨퍼런스

일지

  • DMKD Conference – 데이터 마이닝 및 지식 발견에 관한 연구 과제
  • ECML-PKDD 회의 – 데이터베이스 지식 발견의 기계 학습과 원칙 및 실천에 관한 유럽 회의
  • IEEE Transactions on Knowledge and Data Engineering (TKDE)
  • 데이터로부터의 지식 검출에 관한 ACM 트랜잭션(TKDD)
  • 인텔리전트 시스템 및 테크놀로지(TIST)에서의 ACM 트랜잭션
  • 소셜 네트워크 분석 및 마이닝(SNAM)
  • 지식정보시스템(KAIS)
  • 웹상의 ACM 트랜잭션(TWEB)
  • 월드 와이드 웹 저널
  • 소셜 네트워크
  • 인터넷 수학
  • IEEE 인텔리전트 시스템
  • SIGKDD 탐색

소셜 미디어 마이닝은 ICDE Conference, SIGMOD Conference 및 International on Very Large Data Base Conference와 같은 많은 데이터 관리/데이터베이스 회의에도 존재합니다.

「 」를 참조해 주세요.

방법들
응용 프로그램 도메인
회사들
관련 토픽

레퍼런스

  1. ^ a b c d e f g Zafarani, Reza; Abbasi, Mohammad Ali; Liu, Huan (2014). "Social Media Mining: An Introduction". Retrieved 15 November 2014.
  2. ^ Kaplan, Andreas M.; Haenlein, Michael (2010). "Users of the world, unite! The challenges and opportunities of social media". Business Horizons. 53 (1): 59–68. doi:10.1016/j.bushor.2009.09.003.
  3. ^ "The History of Social Media: 29+ Key Moments". Social Media Marketing & Management Dashboard. 2018-11-22. Retrieved 2021-04-21.
  4. ^ a b c d e Zafarani, R., Ali Abbasi, M., Liu, H., (2014)소셜 미디어 마이닝케임브리지 대학 출판부http://dmml.asu.edu/smm 를 참조해 주세요.
  5. ^ Singh, Archana (2017). "Mining of Social Media data of University students". Education and Information Technologies. 22 (4): 1515–1526. doi:10.1007/s10639-016-9501-1. S2CID 1761288.
  6. ^ a b Tang, J., Chang, Y., Aggarwal, C., Liu, H., (2016)."소셜 미디어에서 서명된 네트워크 마이닝에 대한 조사"ACM 컴퓨팅 조사, 49: 3
  7. ^ a b Adedoyin-Orowe, M., Gaber, M. 및 Stahl, F., (2013)"소셜 미디어 분석을 위한 데이터 마이닝 기술 조사"
  8. ^ Laeeq, F., Nafis, T. 및 M. (2017년)"데이트 마이닝을 이용한 소셜 미디어의 감성적 분류"국제 컴퓨터 과학 고등 연구 저널, 8:5
  9. ^ Ho, Vong Anh; Nguyen, Duong Huynh-Cong; Nguyen, Danh Hoang; Pham, Linh Thi-Van; Nguyen, Duc-Vu; Nguyen, Kiet Van; Nguyen, Ngan Luu-Thuy (2020). "Emotion Recognition for Vietnamese Social Media Text". Computational Linguistics. Communications in Computer and Information Science. Vol. 1215. pp. 319–333. arXiv:1911.09339. doi:10.1007/978-981-15-6168-9_27. ISBN 978-981-15-6167-2. S2CID 208202333.
  10. ^ 응우옌 외 연구진(2020)"베트남어 텍스트 감정 인식을 위한 베트남 소셜 미디어 특성 활용"국제 아시아 언어 처리 회의(IALP), 2020.
  11. ^ McCourt, Abby. "Social Media Mining: The Effects of Big Data In the Age of Social Media". Media Freedom & Information Access Clinic. Yale Law School. Retrieved 25 February 2021.
  12. ^ 사회적 딜레마(2020) Exposure Labs, Jeff Orlowski 감독넷플릭스, https://www.netflix.com/title/81254224.
  13. ^ Newman, John; Haw Allensworth, Rebecca (30 January 2021). "The Government Didn't Foresee How Facebook Would Behave". The Atlantic. The Atlantic. Retrieved 25 February 2021.
  14. ^ Zarrinkalam, Fattane; Bagheri, Ebrahim (2017). "Event identification in social networks". Encyclopedia with Semantic Computing and Robotic Intelligence. 01 (1): 1630002. arXiv:1606.08521. doi:10.1142/S2425038416300020. S2CID 8484345.
  15. ^ Nurwidyantoro, A.; Winarko, E. (1 June 2013). Event detection in social media: A survey. International Conference on ICT for Smart Society. pp. 1–5. doi:10.1109/ICTSS.2013.6588106. ISBN 978-1-4799-0145-6. S2CID 23802901.
  16. ^ "Event Detection from Social Media Data" (PDF). Retrieved 5 May 2017.
  17. ^ "Event Detection in Social Media Data" (PDF). Retrieved 5 May 2017.
  18. ^ Cordeiro, Mário; Gama, João (1 January 2016). "Online Social Networks Event Detection: A Survey". Solving Large Scale Learning Tasks. Challenges and Algorithms. Springer International Publishing. pp. 1–41. doi:10.1007/978-3-319-41706-6_1. ISBN 978-3-319-41705-9.
  19. ^ Gasco, Luis; Clavel, Chloé; Asensio, Cesar; De Arcas, Guillermo (2019-03-25). "Beyond sound level monitoring: Exploitation of social media to gather citizens subjective response to noise". Science of the Total Environment. 658: 69–79. Bibcode:2019ScTEn.658...69G. doi:10.1016/j.scitotenv.2018.12.071. ISSN 0048-9697. PMID 30572215. S2CID 58647430.
  20. ^ Correia, Rion Brattig; Li, Lang; Rocha, Luis M. (2016). "Monitoring Potential Drug Interactions and Reactions Via Network Analysis of Instagram User Timelines". Biocomputing 2016. Pacific Symposium on Biocomputing. Pacific Symposium on Biocomputing. Vol. 21. pp. 492–503. doi:10.1142/9789814749411_0045. ISBN 978-981-4749-40-4. PMC 4720984. PMID 26776212.
  21. ^ a b Korkontzelos, Ioannis; Nikfarjam, Azadeh; Shardlow, Matthew; Sarker, Abeed; Ananiadou, Sophia; Gonzalez, Graciela H. (2016). "Analysis of the effect of sentiment analysis on extracting adverse drug reactions from tweets and forum posts". Journal of Biomedical Informatics. 62: 148–158. doi:10.1016/j.jbi.2016.06.007. PMC 4981644. PMID 27363901.
  22. ^ a b Wood, Ian B.; Varela, Pedro L.; Bollen, Johan; Rocha, Luis M.; Gonçalves-Sá, Joana (2017). "Human Sexual Cycles are Driven by Culture and Match Collective Moods". Scientific Reports. 7 (1): 17973. arXiv:1707.03959. Bibcode:2017NatSR...717973W. doi:10.1038/s41598-017-18262-5. PMC 5740080. PMID 29269945.
  23. ^ Tang, Jiliang; Tang, Jie; Liu, Huan (2014). "Recommendation in Social Media - Recent Advances and New Frontiers". Proceedings of the 20th ACM SIGKDD Conference on Knowledge Discovery and Data Mining.
  24. ^ Tang, Jiliang; Hu, Xia; Liu, Huan (2013). "Social Recommendation: A Review" (PDF). Social Network Analysis and Mining. 3 (4): 1113–1133. doi:10.1007/s13278-013-0141-9. S2CID 14899273.
  25. ^ Horowitz, Damon; Kamvar, Sepandar (2013). "The Anatomy of a Large-Scale Social Search Engine" (PDF). Proceedings of the 19th International Conference on World Wide Web. ACM. pp. 431–440.
  26. ^ Hu, Xia; Tang, Lei; Tang, Jiliang; Liu, Huan (2013). "Exploiting Social Relations for Sentiment Analysis in Microblogging" (PDF). Proceedings of the 6th ACM International Conference on Web Search and Data Mining.
  27. ^ Hu, Xia; Tang, Jiliang; Gao, Huiji; Liu, Huan (2013). "Unsupervised Sentiment Analysis with Emotional Signals" (PDF). Proceedings of the 22nd International World Wide Web Conference. pp. 607–618. doi:10.1145/2488388.2488442. ISBN 9781450320351. S2CID 6608236.
  28. ^ Ali, K; Dong, H; Bouguettaya, A (2017). "Sentiment Analysis as a Service: A social media based sentiment analysis framework". The 24th IEEE International Conference on Web Services (IEEE ICWS 2017). pp. 660–667.
  29. ^ Shahheidari, S; Dong, H; Daud, R (2013). "Twitter sentiment mining: A multi domain analysis". 2013 Seventh International Conference on Complex, Intelligent, and Software Intensive Systems (CISIS 2013). pp. 144–149.
  30. ^ Hu, Xia; Tang, Jiliang; Zhang, Yanchao; Liu, Huan (2013). "Social Spammer Detection in Microblogging" (PDF). Proceedings of the 23rd International Joint Conference on Artificial Intelligence.
  31. ^ Hu, Xia; Tang, Jiliang; Liu, Huan (2014). "Online Social Spammer Detection" (PDF). Proceedings of the 28th AAAI Conference on Artificial Intelligence.
  32. ^ Hu, Xia; Tang, Jiliang; Liu, Huan (2014). "Leveraging Knowledge across Media for Spammer Detection in Microblogging" (PDF). Proceedings of the 37th Annual ACM SIGIR Conference.
  33. ^ Hu, Xia; Tang, Jiliang; Gao, Huiji; Liu, Huan (2014). "Social Spammer Detection with Sentiment Information" (PDF). Proceedings of the IEEE International Conference on Data Mining.
  34. ^ Tang, Jiliang; Liu, Huan (2012). "Feature Selection with Linked Data in Social Media" (PDF). Proceedings of SIAM International Conference on Data Mining.
  35. ^ Tang, Jiliang; Liu, Huan (2014). "Feature Selection for Social Media Data" (PDF). ACM Transactions on Knowledge Discovery from Data. 8 (4): 1–27. doi:10.1145/2629587. S2CID 15006243.
  36. ^ Tang, Jiliang; Liu, Huan (2012). "Unsupervised Feature Selection for Linked Social Media Data" (PDF). Proceedings of ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.
  37. ^ Tang, Jiliang; Liu, Huan (2014). "Unsupervised Feature Selection for Linked Social Media Data" (PDF). IEEE Transactions on Knowledge and Data Engineering. doi:10.1109/TKDE.2014.2320728. S2CID 16142099.
  38. ^ Tang, Jiliang; Liu, Huan (2014). "Trust in Social Computing". Proceedings of the 23rd International World Wide Web Conference.
  39. ^ Tang, Jiliang; Gao, Huiji; Liu, Huan (2012). "mTrust: Discerning Multi-Faceted Trust in a Connected World" (PDF). The 5th ACM International Conference on Web Search and Data Mining.
  40. ^ Tang, Jiliang; Gao, Huiji; DasSarma, Atish; Liu, Huan (2012). "eTrust: Understanding Trust Evolution in an Online World" (PDF). Proceedings of ACM SIGKDD International Conference on Knowledge Discovery and Data Mining.
  41. ^ Tang, Jiliang; Gao, Huiji; Hu, Xia; Liu, Huan (2013). "Exploiting Homophily Effect for Trust Prediction" (PDF). The 6th ACM International Conference on Web Search and Data Mining.
  42. ^ Tang, Jiliang; Hu, Xia; Liu, Huan (2014). "Is Distrust the Negation of Trust? The Value of Distrust in Social Media" (PDF). Proceedings of ACM Hypertext Conference.
  43. ^ Tang, Jiliang; Hu, Xia; Chang, Yi; Liu, Huan (2014). "Predictability of Distrust with Interaction Data" (PDF). ACM International Conference on Information and Knowledge Management.
  44. ^ Tang, Jiliang; Chang, Shiyu; Aggarwal, Charu; Liu, Huan (2015). "Negative Link Prediction in Social Media" (PDF). Proceedings OfACM International Conference on Web Search and Data Mining. arXiv:1412.2723. Bibcode:2014arXiv1412.2723T.
  45. ^ Bruno, Nicola (2011). "Tweet first, verify later? How real-time information is changing the coverage of worldwide crisis events". Oxford: Reuters Institute for the Study of Journalism, University of Oxford. 10: 2010–2011.
  46. ^ Sakaki, Takashi; Okazaki, Makoto; Yutaka, Matsuo (2010). "Earthquake shakes Twitter users: real-time event detection by social sensors". Proceedings of the 19th International Conference on World Wide Web. pp. 851–860.
  47. ^ Mendoza, Marcelo; Poblete, Barbara; Castillo, Carlos (2010). "Twitter under crisis: Can we trust what we RT?". Proceedings of the First Workshop on Social Media Analytics. pp. 71–79.
  48. ^ Kumar, Shamanth; Barbier, Geoffrey; Abbasi, Mohammad Ali; Liu, Huan (2011). "TweetTracker: An Analysis Tool for Humanitarian and Disaster Relief". The 5th International AAAI Conference on Weblogs and Social Media. Archived from the original on 5 December 2014. Retrieved 1 December 2014.
  49. ^ Kumar, Shamanth; Hu, Xia; Liu, Huan (2014). "A behavior analytics approach to identifying tweets from crisis regions". Proceedings of the 25th ACM Conference on Hypertext and Social Media. pp. 255–260.
  50. ^ Gao, Huiji; Tang, Jiliang; Liu, Huan (2012). "Exploring Social-Historical Ties on Location-Based Social Networks" (PDF). Proceedings of the Sixth International AAAI Conference on Weblogs and Social Media.
  51. ^ Gao, Huiji; Tang, Jiliang; Liu, Huan (2012). "Mobile Location Prediction in Spatio-Temporal Context" (PDF). Nokia Mobile Data Challenge Workshop 2012.
  52. ^ Gao, Huiji; Tang, Jiliang; Liu, Huan (2012). "gSCorr: Modeling Geo-Social Correlations for New Check-ins on Location-Based Social Networks" (PDF). Proceedings of the 21st ACM International Conference on Information and Knowledge Management.
  53. ^ Gao, Huiji; Tang, Jiliang; Hu, Xia; Liu, Huan (2013). "Exploring Temporal Effects for Location Recommendation on Location-Based Social Networks" (PDF). Proceedings of the 7th ACM Recommender Systems Conference. pp. 93–100. doi:10.1145/2507157.2507182. ISBN 9781450324090. S2CID 14990290.
  54. ^ Gao, Huiji; Tang, Jiliang; Hu, Xia; Liu, Huan (2014). "Content-Aware Point of Interest Recommendation on Location-Based Social Networks" (PDF). Proceedings of the Twenty-Ninth AAAI Conference on Artificial Intelligence.
  55. ^ Gao, Huiji; Tang, Jiliang; Liu, Huan (2014). "Personalized Location Recommendation on Location-based Social Networks" (PDF). Proceedings of the 8th ACM Recommender Systems Conference.
  56. ^ Barbier, Geoffrey; Feng, Zhuo; Gundecha, Pritam; Liu, Huan (2013). "Provenance Data in Social Media". Synthesis Lectures on Data Mining and Knowledge Discovery. 4: 1–84. doi:10.2200/S00496ED1V01Y201304DMK007. S2CID 46794494.
  57. ^ Gundecha, Pritam; Feng, Zhuo; Liu, Huan (2013). "Seeking Provenance of Information in Social Media" (PDF). Proceedings of the 22nd ACM International Conference on Information and Knowledge Management Conference.
  58. ^ Gundecha, Pritam; Barbier, Geoffrey; Tang, Jiliang; Liu, Huan (2014). "User Vulnerability and its Reduction on a Social Networking Site" (PDF). ACM Transactions on Knowledge Discovery from Data. 9 (2): 1–25. doi:10.1145/2630421. S2CID 1200227.
  59. ^ Marozzo, Fabrizio; Bessi, Alessandro (2018), "Analyzing polarization of social media users and news sites during political campaigns", Social Network Analysis and Mining, 8: 1, doi:10.1007/s13278-017-0479-5, S2CID 21257844

외부 링크