Detecting Influencers in Social Media using information from their followers

  1. Javier Rodríguez-Vidal
  2. Laura Plaza
  3. Julio Gonzalo
Revista:
Procesamiento del lenguaje natural

ISSN: 1135-5948

Año de publicación: 2020

Número: 64

Páginas: 21-28

Tipo: Artículo

DIALNET GOOGLE SCHOLAR lock_openRUA editor

Otras publicaciones en: Procesamiento del lenguaje natural

Resumen

Dada la tarea de encontrar influencers en un dominio dado (i.e. banking) en una red social, en este artículo investigamos (i) la importancia de caracterizar a los seguidores para la detección autom´atica de influencers; (ii) la manera m´as efectiva de combinar señales obtenidas de los seguidores y de los perfiles principales para la detección automática de influencers. En este trabajo, hemos modelado el discurso usado por los usuarios en dos dominios, automotive y banking, así como el lenguaje utilizado por los influencers en dichos dominios y por sus seguidores, y utilizamos estos Modelos de Lenguaje para estimar la probabilidad de ser un influencer. Nuestro mayor descubrimiento es que los influencers no sólo dependen de su conocimiento sobre el dominio sino del de sus seguidores; por lo tanto, cuanto mayor conocimiento y número de expertos haya entre sus seguidores, mayor sería la probabilidad que el perfil sea de un influencer.

€ Ver financiación

Información de financiación

This research was supported by the Span ish Ministry of Science and Innovation (Ve-modalen Project, TIN2015-71785-R).

Financiadores

    • TIN2015-71785-R

Referencias bibliográficas

  • AleAhmad, A., P. Karisani, M. Rahgozar, y F. Oroumchian. 2014. University of tehran at replab 2014. En Conference and Labs of the Evaluation Forum (Working Notes), páginas 1528–1536.
  • Amigó, E., J. Carrillo-de Albornoz, I. Chugur, A. Corujo, J. Gonzalo, E. Meij, M. de Rijke, y D. Spina. 2014. Overview of replab 2014: author profiling and reputation dimensions for online reputation management. En International Conference of the Cross-Language Evaluation Forum for European Languages, páginas 307–322. Springer.
  • Aral, S. y D. Walker. 2012. Identifying influential and susceptible members of social networks. Science, 337(6092):337–341.
  • CLEF. 2014. Replab 2014 campaign @online. http://nlp.uned.es/replab2014/.
  • Cossu, J.-V., K. Janod, E. Ferreira, J. Gaillard, y M. El-Bèze. 2014. Lia@ replab 2014: 10 methods for 3 tasks. En 4th International Conference of the Conference and Labs of the Evaluation Forum initiative. Citeseer.
  • Cossu, J.-V., V. Labatut, y N. Dugué. 2016. A review of features for the discrimination of twitter users: application to the prediction of offline influence. Social Network Analysis and Mining, 6(1):1–23.
  • Dang, V. 2012. The lemur projectwiki-ranklib. Lemur Project,[Online]. Available: http://sourceforge.net/p/lemur/wiki/RankLib
  • Friedman, J. H. 2001. Greedy function approximation: a gradient boosting machine. Annals of statistics, páginas 1189– 1232.
  • Jefferson-Henrique. 2016. Getoldtweets-java @online. https://github.com/JeffersonHenrique/GetOldTweets-java,
  • Abril. Liu, T.-Y. 2009. Learning to rank for information retrieval. Found. Trends Inf. Retr., 3(3):225–331, Marzo.
  • Lomena, J. J. M. y F. L. Ostenero. 2014. Uned at clef replab 2014: Author profiling task. En Conference and Labs of the Evaluation Forum (Working Notes), páginas 1537–1546.
  • Madden, M. y A. Smith. 2010. Reputation management and social media. pewresearch.org,[Online]. Available: pewresearch .org/ internet/ 2010/ 05/ 26/ reputation-management-and - social-media/ .
  • Manning, C. D., P. Raghavan, y H. Schütze. 2008. Introduction to Information Retrieval. Cambridge University Press, New York, NY, USA.
  • Nebot, V., F. Rangel, R. Berlanga, y P. Rosso. 2018. Identifying and classifying influencers in twitter only with textual information. En International Conference on Applications of Natural Language to Information Systems, páginas 28–39. Springer.
  • Rodríguez-Vidal, J., J. Gonzalo, L. Plaza, y H. A. Sánchez. 2019. Automatic detection of influencers in social networks: Authority versus domain signals. Journal of the Association for Information Science and Technology.
  • Saari, D. G. 1999. Explaining all threealternative voting outcomes. Journal of Economic Theory, 87:313–355.
  • Vilares, D., M. Hermo, M. A. Alonso, C. Gómez-Rodríguez, y J. Vilares. 2014. Lys at clef replab 2014: Creating the state of the art in author influence ranking and reputation classification on twitter. En Conference and Labs of the Evaluation Forum (Working Notes), páginas 1468–1478.
  • Villatoro-Tello, E., G. Ramírez-de-la Rosa, C. Sánchez-Sánchez, H. Jiménez-Salazar, W. A. Luna-Ramírez, y C. Rodríguez Lucatero. 2014.
  • Uamclyr at replab 2014: Author profiling task. En Conference and Labs of the Evaluation Forum (Working Notes), páginas 1547–1558.
Fuente de los datos: Dialnet