Analyse du capitalisme social sur Twitter

Analyse du capitalisme social sur Twitter

Nicolas Dugue

Dirige par :Jean-Michel Couvreur, Professeur a l’universite d’orleans

Encadre par :Frederic Moal, Maıtre de conferences a l’Universite d’OrleansAnthony Perez, Maıtre de conferences a l’Universite d’Orleans

29 juin 2015

INTRODUCTION HASHTAGS DEDIES VISIBILITE : ROLES COMMUNAUTAIRES INFLUENCE PERCUE CONCLUSION

Twitter

Reseau social numerique

Cree en 2006302 millions d’utilisateurs mensuelsProfils publicsConnexions entre utilisateursmicro-blogging

2/63N. Dugue


Twitter - Systeme d’abonnements

3/63N. Dugue


Twitter - Timeline

4/63N. Dugue


Twitter - Hashtags

5/63N. Dugue


Twitter - Mentions

6/63N. Dugue


7/63N. Dugue


Un outil massivement utiliseUn milliard de tweets sont postes tous les deux jours et demiUn usage abondant dans les medias94% des 100 plus grandes compagnies (classement Interbrand) :au moins un par jourBarack Obama pour sa campagne [HHSS14]Plus de 260 publications recensees sur le site de Danah Boyd

8/63N. Dugue


Recherche academiqueDiffusion de l’informationFouille de donneesVisibilite, influenceDetection des utilisateurs malicieux

8/63N. Dugue


Le capitalisme social sur Twitter

9/63N. Dugue


Capital social ?

Bourdieu : ”l’ensemble des ressources actuelles ou potentielles quisont liees a la possession d’un reseau durable de relations”

10/63N. Dugue


Capital social ?

Bourdieu : ”l’ensemble des ressources actuelles ou potentielles quisont liees a la possession d’un reseau durable de relations”

Capital social sur Twitter

Acceder a une information pertinenteDiffuser de l’informationLier de nouveaux contactsSe sentir visible

10/63N. Dugue


Capital social sur Twitter [GVK+12]

Introduit par Ghosh et al. : Utilisateurs ”reels” qui suivent le plus lesspammeurs.

Liste de 100.000 utilisateurs.

11/63N. Dugue


Capital social sur Twitter [GVK+12]

Introduit par Ghosh et al. : Utilisateurs ”reels” qui suivent le plus lesspammeurs.

Liste de 100.000 utilisateurs.

Maximiser le nombre d’abonnes pour maximiser le capital social

11/63N. Dugue


Strategies des capitalistes sociaux

I Follow You, Follow Me (IFYFM)

Follow Me, I Follow You (FMIFY)

in out

in out

12/63N. Dugue



Figure : Figure issue de Lee et al. [LEC11]

IFYFM

Utilisateurregulier

12/63N. Dugue


Objectifs

Spam [LCKC12]Narcissime [MKD12]Obtenir de la visibiliteVendre de la visibilite

13/63N. Dugue


Les capitalistes sociaux

Collecte de jeux de donnees sur le phenomeneDetection automatiqueEvaluation de la visibilite qu’ils obtiennentModelisation de ces utilisateursPonderation de l’influence attribuee a ces utilisateurs

14/63N. Dugue


1 Introduction

2 Capitalisme social : des methodes efficacesDes hashtags dediesCapitalisme social automatiqueDetection topologiqueEvolution des capitalistes sociaux entre 2009 et 2013

3 Visibilite : roles communautairesStructure de communautesRoles communautairesPosition des capitalistes sociaux

4 Influence percueMesurer l’influence sur TwitterInfluence des capitalistes sociauxPonderer leur influence

5 Conclusion

15/63N. Dugue


#TeamFollowBack

16/63N. Dugue


#TeamFollowBack

725.000 tweets recoltes en fevrier 2013Nombre de hashtags moyen par tweet : 5,8Nombre de mentions moyen par tweet : 125.000 hashtags differents

Quelles sont les sources des tweets ?Quels sont les autres hashtags utilises ?L’automatisation de cette methode est elle efficace ?

16/63N. Dugue


Les hashtags

Figure : Les 10 hashtags les plus utilises (50% du jeu de donnees).

17/63N. Dugue


Les sources

Figure : Sources utilisees pour 90% des tweets du jeu de donnees. Sourcesautomatiques en haut a droite.

18/63N. Dugue


1 Introduction




5 Conclusion

19/63N. Dugue


Compte automatise

Une IA digne de DeepBlue

Rejoue les tweets du jeu de donnees”Follow back”S’abonne aux utilisateurs qui le mentionnentS’abonne aux utilisateurs qui le retweetent

20/63N. Dugue


Compte automatise

20/63N. Dugue


Retweets quotidiens

●●

●●●●

●

●

●●

●

●

●●

●●●

●●

●●

●

●●

●

●●

●

●

●●●

●

●

●

●

●

●

●●●

●●

●●

●

●●

●

●●

●●

●

●

●●

●

●●

●

●

●●

●

●

●

●

●

●

●

●●

●●

●

●

●

●

●

●

●

0 20 40 60 80

010

020

030

040

050

060

070

0

day

num

ber

of r

etw

eets

21/63N. Dugue


Nouveaux abonnes quotidiens

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●●

●

●●

●

●

●

●

●

●

●

●

●

●●

●

●

●

●

●

●

●

●●

●

●

●●

●

●

●

●

●

●

●●

●

●

●●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●●

●

●

●

0 20 40 60 80

050

100

150

200

250

day

num

ber

of n

ew fo

llow

ers

22/63N. Dugue


1 Introduction




5 Conclusion

23/63N. Dugue



I Follow You, Follow Me (IFYFM)

Follow Me, I Follow You (FMIFY)

in out

in out

24/63N. Dugue


Detection topologique

Indice de chevauchement

Ic(A,B) =|A ∩ B|

min {|A|, |B|}

25/63N. Dugue


Detection topologique

Indice de chevauchement

Ic(A,B) =|A ∩ B|

min {|A|, |B|}

●● ● ● ●

●

●

●

●

●

●

0.0 0.2 0.4 0.6 0.8 1.0

0.0

0.2

0.4

0.6

0.8

1.0

overlap index

Cum

ulat

ive

user

s pr

opor

tion

0.74

25/63N. Dugue


Evolution

Une capture du reseau de Twitter

Un graphe collecte par Kwak et. al en 2009 [KLPM10] :41 millions d’utilisateurs1,4 milliard d’arcs

Capitalistes sociaux

145.000 detectes

⇒ Echantillon de 75% en 2013

26/63N. Dugue


Les abonnements

●

●

●

●

●

●●

● ● ● ● ● ● ● ● ● ● ● ● ● ●

0 5000 10000 15000 20000

0.0

0.2

0.4

0.6

0.8

1.0

in degree

Cum

ulat

ive

user

s pr

opso

tion

● 20092013

●

●

●

●

●

●●

● ● ● ● ● ● ● ● ● ● ● ● ● ●

0 5000 10000 15000 20000

0.0

0.2

0.4

0.6

0.8

1.0

out degree

Cum

ulat

ive

user

s pr

opso

tion

● 20092013

27/63N. Dugue


Ratio / Indice de chevauchement

● ● ● ●●

●

●

●

●

●

●

●

●

●●

● ● ● ● ● ● ● ● ● ● ●

0.0 0.5 1.0 1.5 2.0 2.5

0.0

0.2

0.4

0.6

0.8

1.0

ratio

Cum

ulat

ive

user

s pr

opor

tion

● 20092013

● ● ● ● ● ● ● ● ● ● ● ● ● ● ●

●

●

●

●

●

●

0.0 0.2 0.4 0.6 0.8 1.0

0.0

0.2

0.4

0.6

0.8

1.0

overlap index

Cum

ulat

ive

user

s pr

opso

tion

● 20092013

28/63N. Dugue


Username out- in- ratio Ic

@ladygaga 636929 73274 8.69 0.97@BarackObama 1882889 770155 2.44 0.91@BritneySpears 2674874 406238 6.58 0.95@paulocoelho 75423 48446 1.56 0.98@paulpierce34 815197 524 1555.72 0.95

Username out- in- ratio Ic

@ladygaga 136386 37485540 0.00 0.82@BarackObama 680428 30836226 0.02 0.77@BritneySpears 412703 27763836 0.01 0.81@paulocoelho 98 7721670 0.00 0.86@paulpierce34 85 2804060 0.00 0.78

29/63N. Dugue


1 Introduction




5 Conclusion

30/63N. Dugue


Le graphe de TwitterLes utilisateurs sont des sommetsLes liens d’abonnement sont des arcs orientes.

31/63N. Dugue



Visibilite des capitalistes sociaux

Au centre du reseau ?A la marge du reseau ?Connectes a qui ?

31/63N. Dugue



Niveau intermediaire du reseau

31/63N. Dugue


1 Introduction




5 Conclusion

32/63N. Dugue


Structure de communautes

DefinitionPartition du graphe telle que les noeuds d’une partie sont plusconnectes entre eux qu’avec le reste du graphe.

61510

192

4

9

2114

85

22

16

18 12

1

7

3 1311

1720

33/63N. Dugue



Modularite [GN02]

Q =1

2m

∑i,j

(Aij −d(i)d(j)

2m)δ(ci , cj)

d(i) le degre du noeud im le nombre d’aretes du reseauAij le poids de l’arete entre i et j ou 0 s’il n’y en a pasci la communaute du noeud iδ(ci , cj ) egal a 1 si i et j sont dans la meme communaute, 0 sinon.

34/63N. Dugue



Modularite orientee [LN08]

Qo =1

2m

∑i,j

(Aij −d−(i)d+(j)

2m)δ(ci , cj)

d−(i) le degre entrant du noeud id+(i) le degre entrant du noeud im le nombre d’aretes du reseauAij le poids de l’arete entre i et j ou 0 s’il n’y en a pasci la communaute du noeud iδ(ci , cj ) egal a 1 si i et j sont dans la meme communaute, 0 sinon.

34/63N. Dugue



Modularite orientee [LN08]

Qo =1

2m

∑i,j

(Aij −d−(i)d+(j)

2m)δ(ci , cj)

Algorithme de Louvain [BGLL08]

Optimisation : NP-difficile→ Louvain : Algorithme glouton

34/63N. Dugue


1 Introduction




5 Conclusion

35/63N. Dugue


Role communautaire

ObjectifSont ils hubs dans lescommunautes ?Sont ils isoles dans leurscommunautes ?Sont ils tres connectes auxcommunautes exterieures ?

36/63N. Dugue


Methode de Guimera & Amaral [GA05]

Principe :Caracteriser la position d’unnœud en fonction de saconnectivite communautaireConnectivite communautairedecrite par 2 mesures

Processus :1 Identification des

communautes2 Calcul des 2 mesures

nodales3 Partition de l’espace 2D

obtenu4 Mise en correspondance des

roles

37/63N. Dugue








roles 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0

-10

12

3W

ithin

-Com

mun

ity D

egre

e z

Participation Coe�cient P

37/63N. Dugue








roles 0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0

-10

12

3W

ithin

-Com

mun

ity D

egre

e z


Provincial Hubs

Peripheral Non-HubsUltr

a-Pe

riphe

ral N

on-H

ubs

Conn

ecto

r Non

-Hub

s

Kinless Non-Hubs

Connector Hubs Kinless Hubs

37/63N. Dugue


Mesures de role

Connectivite internez(u) = dint (u)−µi (dint)

σi (dint ), u ∈ Ci

z-score du degre interne dintz=0.27

z=0.27 z=0.27

z=0.27

z=1.07

z=–2.14

z=–0.45

z=–0.45

z=–0.45

z=–0.45

z=–0.45

z=2.24

38/63N. Dugue


Mesures de role

Connectivite externeP(u) = 1−

∑i

(di (u)d(u)

)2

di : degre pour CiP(u) = 0 :

Une seule communauteP(u) ≈ 1 :

NombreusescommunautesMeme nombre de liens

P=0.19 P=0.89

38/63N. Dugue


Les roles

Seuils Universels8 reseaux du reel8 reseaux artificielsDistribution des mesures de connectivite

39/63N. Dugue


Les roles

Seuils Universels8 reseaux du reel8 reseaux artificielsDistribution des mesures de connectivite

Degre intra-communautaire Coefficient de ParticipationHub z ≥ 2,5 Provincial P ≤ 0,30

Connecteur P ∈]0,30; 0,75]Orphelin P > 0,75

Non-Hub z < 2,5 Ultra-peripherique P ≤ 0,05Peripherique P ∈]0,05; 0,62]Connecteur P ∈]0,62; 0,80]Orphelin P > 0,80

39/63N. Dugue


Limitations de l’approche

Hypothese : Seuils universels

0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0

-10

12

3W

ithin

-Com

mun

ity D

egre

e z


Provincial Hubs


a-Pe

riphe

ral N

on-H

ubs

Conn

ecto

r Non

-Hub

s

Kinless Non-Hubs


40/63N. Dugue




0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0

-10

12

3W

ithin

-Com

mun

ity D

egre

e z


Provincial Hubs


a-Pe

riphe

ral N

on-H

ubs

Conn

ecto

r Non

-Hub

s

Kinless Non-Hubs


Seuils Universels8 reseaux du reelUne seule methode de detection de communautesProportion de hubs : 2%→ 0,35% dans notre reseau

40/63N. Dugue




0.0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0

-10

12

3W

ithin

-Com

mun

ity D

egre

e z


Provincial Hubs


a-Pe

riphe

ral N

on-H

ubs

Conn

ecto

r Non

-Hub

s

Kinless Non-Hubs


Orientation des liens ignoree

Systemes a relations asymetriquesTwitter : followers / followees→ Quels seuils utiliser en oriente ?

40/63N. Dugue



P = 0.58

40/63N. Dugue



P = 0.58

Interpretation de la mesure de connectivite externe

Degre, nombre de communautes, distribution des liensLiens externes, mais aussi internes

40/63N. Dugue


Connectivite externe : nouvelle approche

Restriction aux communautes externes3 aspects distincts consideres :

Diversite Dε(u) : nombre de communautes externesD(u) : z-score de ε

Intensite externe Iext

dext : nombre de liens externesIext(u) : z-score de kext

Heterogeneite HDispersion des liens externesλ(u) : ecart type de ki

H(u) : z-score de λ

ε = 2, dext = 5, λ = 1.5

ε = 2, dext = 6, λ = 2

ε = 3, dext = 4, λ = 0.541/63

N. Dugue


Identification non-supervisee des roles

Apprentissage non-supervisedes seuilsChaque groupe obtenucorrespond a un role

R1R1 R2R2R3R3

R5R5R6R6

R4R4

42/63N. Dugue


1 Introduction




5 Conclusion

43/63N. Dugue


Donnees & outils

Reseau etudieCollecte en 2009 [CHBG10]55 millions de nœuds (utilisateurs)2 milliards de liens orientes (liens d’abonnements)

44/63N. Dugue


Donnees & outils

MethodologieDetection des capitalistes sociauxDetection de communautes : Louvain orienteCalcul des mesuresAnalyse de regroupement : k-moyennes distribue [Lia09]Selection des groupes : indice Davies-Bouldin [DB79]

44/63N. Dugue


Proprietes des groupes

45/63N. Dugue


Les capitalistes sociaux sont visibles !

Presence dans des groupes bien specifiques

Hubs, connecteurs et tres connecteurs

→ Seulement 15% de noeuds peripheriques et non hubs.

46/63N. Dugue


1 Introduction




5 Conclusion

47/63N. Dugue


Faux Evenements

Tweet du 4 septembre 2013Information dementie par l’AFP le lendemain

48/63N. Dugue


Faux Evenements

Figure : Evolution des 5 evenements les plus populaires, detectes au coursdes 24 heures precedant le 1er mars 2014 a 8h30.

Mention-Anomaly-Based Event Detection : MABED [GF14]

Vagues regulieres en mars : 6 mois apres→ Une majorite decapitalistes sociaux

48/63N. Dugue


Hashtags populaires

Figure : Hashtags les plus correles au hashtag #fathersday d’apreshttp://hashtagify.me/

49/63N. Dugue


Hashtags populaires

Figure : Hashtags les plus populaires d’apres http://hashtags.org/

49/63N. Dugue


Klout

Outil de mesure de l’influenceKlout achete par Lithium Technology 200 millions de dollars enmars 2014”Your Klout Score : Why You Can’t Afford to Ignore It”, consultantnumerique”Identifying and Measuring Influencers in Social Marketing with@Klout”, Simply Measured

50/63N. Dugue


Klout

Outil de mesure de l’influenceKlout achete par Lithium Technology 200 millions de dollars enmars 2014”Your Klout Score : Why You Can’t Afford to Ignore It”, consultantnumerique”Identifying and Measuring Influencers in Social Marketing with@Klout”, Simply Measured

Principalement base sur le nombre d’interactions

50/63N. Dugue


Influence des capitalistes sociaux

51/63N. Dugue



Compte automatise [MSOB13]51/63

N. Dugue



51/63N. Dugue


Influents ?

52/63N. Dugue


Influents ?

Sont-ils reellement influents ?L’influence qui leur est accordee est elle legitime ?

52/63N. Dugue


1 Introduction




5 Conclusion

53/63N. Dugue


Ponderer leur influence

Collecte d’un jeu de donneesCreation d’un outil de detection qui ne necessite pas tout le reseauImplementation en ligne

54/63N. Dugue


Jeu de donnees

Exemples positifs

Utilisateurs ayant tweete au moins trois tweets contenant le hashtag :#TeamFollowBack, #instantfollowback ou #teamautofollow.

→ 23.000 instances crawlees.

Exemples negatifs

1 Choix d’ids Twitter aleatoires2 Recuperation de leurs abonnements (friends, followees)

→ 54.000 instances crawlees.

55/63N. Dugue


Les attributs

Topologie localeL’activite de l’utilisateurLes caracteristiques des tweetsLe retweetLes sources utilisees pour tweeter

56/63N. Dugue


Les attributs

20 40 60 80 100 120 140AVERAGE NUMBER OF CHARACTERS PER TWEET

0

500

1000

1500

2000

2500

NUM

BER

OF U

SERS

RANDOM USERS' FRIENDSSOCIAL CAPITALISTS

0 1 2 3 4 5 6AVERAGE NUMBER OF HASHTAGS PER TWEET

0

5000

10000

15000

20000

25000

NUM

BER

OF U

SERS


10-3 10-2 10-1 100 101 102 103 104 105

AVERAGE NUMBER OF RETWEETS PER TWEET0

500

1000

1500

2000

2500

3000

NUM

BER

OF U

SERS


0 20 40 60 80 100PERCENTAGE OF RETWEETS AMONG TWEETS

0

1000

2000

3000

4000

5000

6000

7000

8000

9000

NUM

BER

OF U

SERS


56/63N. Dugue


Regression Logistique

Principe

Classification binaire en estimant les parametres Θ de la fonctionVΘ(X ) = 1

1+exp(ΘT X)

AvantagesBonne performanceUne estimation de la probabilite d’etre un capitaliste social estobtenuePortabilite : seulement quelques coefficients a stocker

57/63N. Dugue



0.0 0.2 0.4 0.6 0.8 1.0

PREDICTED PROBABILITY OF BEING A SOCIAL CAPITALIST

0

1

2

3

4

5

6N

UM

BER

OF

US

ER

S (

NO

RM

ALI

ZED

)RANDOM USERS' FRIENDSSOCIAL CAPITALISTS

F-score de 91% en coupant a 0.5 57/63N. Dugue



Groupe Fs

Activite 90,06%Topologie locale 89,16%

Contenu des tweets 89,55%Caracteriques des tweets 86,03%

Sources 89,65%

Table : Resultats obtenus en supprimant un seul groupe d’attributs.

57/63N. Dugue


Ponderer leur influence

SDDP =

{SKlout if PKsoc ≤ 0.5

2(1− PKsoc)SKlout if PKsoc > 0.5

0.0 0.2 0.4 0.6 0.8 1.0PROBABILITY OF BEING A SOCIAL CAPITALIST

0.0

0.2

0.4

0.6

0.8

1.0

HAND

ICAP

FAC

TOR

58/63N. Dugue


Application en ligne

59/63N. Dugue



Attributs supplementaires

Polarite des tweetsSimilarite des tweetsCaracteristiques des tweetsTopologie locale

59/63N. Dugue



Fonctionnalites utilisateurConnexion via compte TwitterRecuperation et visualisation des attributsPonderation du score KloutRecuperation du jeu de donnees

59/63N. Dugue



Fonctionnalites administrateurMode batchEtiquetage manuel des utilisateurs testesRenforcement du classifieur

59/63N. Dugue


1 Introduction




5 Conclusion

60/63N. Dugue


Conclusion


Mise en lumiere du phenomeneEvaluation des methodes des capitalistes sociauxMethode de detection topologiqueEvaluation de la visibilite des capitalistes sociauxPonderation d’une mesures d’influence globaleCollecte de plusieurs jeux de donnees

61/63N. Dugue


Conclusion


Mise en lumiere du phenomeneEvaluation des methodes des capitalistes sociauxMethode de detection topologiqueEvaluation de la visibilite des capitalistes sociauxPonderation d’une mesures d’influence globaleCollecte de plusieurs jeux de donnees

Apports methodologiques

Validation empirique de la modularite orienteeRoles communautairesDetection des capitalistes sociaux

61/63N. Dugue


Perspectives

Un reel commerce ?Quantifier les valeurs echangeesQuantifier l’impact reelLee et al. [LTC13] : ”Crowdturfers”

62/63N. Dugue


Perspectives

Roles communautairesImpact de la methode de detection de communautesImpact de l’apprentissageEtude d’autres reseauxCorrelation roles et mesures de centralite

62/63N. Dugue


Perspectives

Fouilles des donnees TwitterAssainir le reseauAiguille dans une botte de foinNouvelle mesure d’influence

62/63N. Dugue


Revues internationales avec comite de lecture

N. DUGUE, V. LABATUT et A. PEREZ – “A community role approach to assess social capitalists visibility in the twitternetwork”, Social Network Analysis and Mining 5 (2015), no. 1, p. 1–13.

N. DUGUE et A. PEREZ – “Social capitalists on Twitter: detection, evolution and behavioral analysis”, Social NetworkAnalysis and Mining 4 (2014), no. 1, p. 1–15, Springer Vienna.

Conferences internationales avec actes et comite de lecture

M. DANISCH, N. DUGUE et A. PEREZ – “On the importance of considering social capitalism when measuring influence ontwitter”, 2014 IEEE/ACM International Conference on Behavioral, Economic, and Socio-Cultural Computing, 2014.

N. DUGUE, V. LABATUT et A. PEREZ – “Identifying the community roles of social capitalists in the twitter network”, 2014IEEE/ACM International Conference Advances in Social Networks Analysis and Mining, Aug 2014, p. 371–374.

N. DUGUE et A. PEREZ – “Detecting social capitalists on Twitter using similarity measures”, Complex Networks IV, Studiesin Computational Intelligence, vol. 476, 2013, p. 1–12.

Travaux soumis

J.-V. COSSU, N. DUGUE et V. LABATUT – “Detecting Real-World Influence Through Twitter”, 2015.

N. DUGUE, A. PEREZ, M. DANISCH, F. BRIDOUX, A. DAVIAU, T. KOLUBAKO, S. MUNIER et H. DURBANO – “A reliable andevolutive web application to detect social capitalists”, 2015.

63/63N. Dugue

References I

[BGLL08] Vincent Blondel, Jean-Loup Guillaume, Renaud Lambiotte, andEtienne Lefebvre.Fast unfolding of communities in large networks.J. Stat. Mech., 10:P10008, Oct 2008.

[CHBG10] Meeyoung Cha, Hamed Haddadi, Fabricio Benevenuto, andKrishna Gummadi.Measuring user influence in twitter: The million follower fallacy.In international AAAI Conference on Weblogs and Social Media,2010.

[DB79] David Davies and Donald Bouldin.A cluster separation measure.IEEE Transactions on Pattern Analysis and Machine Intelligence,1(2):224–227, 1979.

64/63N. Dugue

References II

[GA05] R. Guimera and L. Amaral.Functional cartography of complex metabolic networks.Nature, 433:895–900, 2005.

[GF14] Adrien Guille and Cecile Favre.Une methode pour la detection de thematiques populaires surtwitter.In EGC, pages 83–88, 2014.

[GN02] M. Girvan and M. E. J. Newman.Community structure in social and biological networks.Proceedings of the National Academy of Sciences,99(12):7821–7826, 2002.

65/63N. Dugue

References III

[GVK+12] Saptarshi Ghosh, Bimal Viswanath, Farshad Kooti, NaveenSharma, Gautam Korlam, Fabricio Benevenuto, Niloy Ganguly, andKrishna Gummadi.Understanding and combating link farming in the twitter socialnetwork.In 21st International Conference on WWW, pages 61–70, 2012.

[HHSS14] C.P.M.C.J.A. Hendricks, J.A. Hendricks, A.P.C.S.D. Schill, andD. Schill.Presidential Campaigning and Social Media: An Analysis of the2012 Campaign.Oxford University Press, 2014.

66/63N. Dugue

References IV

[KLPM10] Haewoon Kwak, Changhyun Lee, Hosung Park, and Sue Moon.What is Twitter, a social network or a news media?In Proc. of the 19th int. conference on World wide web, WWW ’10,pages 591–600, 2010.

[LCKC12] Kyumin Lee, James Caverlee, Krishna Y Kamath, and ZhiyuanCheng.Detecting collective attention spam.In Proceedings of the 2nd Joint WICOW/AIRWeb Workshop onWeb Quality, pages 48–55. ACM, 2012.

[LEC11] Kyumin Lee, Brian David Eoff, and James Caverlee.Seven months with the devils: A long-term study of contentpolluters on twitter.Citeseer, 2011.

67/63N. Dugue

References V

[Lia09] Wei-Keng Liao.Parallel k-means data clustering, Oct 2009.

[LN08] E. A. Leicht and M. E. J. Newman.Community structure in directed networks.Phys. Rev. Lett., 100(11):118703, 2008.

[LTC13] Kyumin Lee, Prithivi Tamilarasan, and James Caverlee.Crowdturfers, campaigns, and social media: Tracking andrevealing crowdsourced manipulation of social media.2013.

[MKD12] Bruce C. McKinney, Lynne Kelly, and Robert L. Duran.Narcissism or openness?: College students use of facebook andtwitter.Communication Research Reports, 29(2):108–118, 2012.

68/63N. Dugue

References VI

[MSOB13] J. Messias, L. Schmidt, R. Oliveira, and F. Benevenuto.

You followed my bot! transforming robots into influential users inTwitter.

First Monday, 18(7), 2013.

69/63N. Dugue

Les capitalistes sociaux dans le graphe ?

IntuitionLes strategies de capitalisme social devraient mieux marcher si lescibles de ces strategies sont des capitalistes sociaux.

70/63N. Dugue


IntuitionLes strategies de capitalisme social devraient mieux marcher si lescibles de ces strategies sont des capitalistes sociaux.

Un ensemble de sommets tres connectesUne composante faiblement connexeUn coefficient de clustering superieur a la moyenneUn voisinage de capitalistes sociaux

70/63N. Dugue


Coefficient de Clustering

Soit G = (V ,E) un graphe, et v ∈ V n’importe quel de ses sommets.Le coefficient de clustering ccv de v est defini comme :

ccv = 2 · nedges/(dv (dv − 1))

ou nedges est le nombre d’aretes entre les voisins de v , et dv le nombrede voisins de v .

71/63N. Dugue

Coefficient de Clustering

●

●

●

● ● ● ● ● ● ● ● ● ●

0.0 0.1 0.2 0.3 0.4 0.5 0.6

0.0

0.2

0.4

0.6

0.8

1.0

Local clustering coefficient

Cum

ulat

ive

user

s pr

opor

tion

● Not social capitalistsSocial capitalists

72/63N. Dugue

Voisinage entrant

●●

●●

●

●

●

●

●

●

●

●

●

●

●

●

●

●● ● ●

0.0 0.2 0.4 0.6 0.8 1.0

0.0

0.2

0.4

0.6

0.8

1.0

Percentage of social capitalist followers

Cum

ulat

ive

user

s pr

opso

tion

0.32

0.5

Figure : Pourcentage de capitalistes sociaux parmi les followers descapitalistes sociaux.

73/63N. Dugue

Proprietes des groupes

Groupe Taille Proportion Role1 24543667 46,68% Non-Hub ultra-peripherique2 304 < 0,01% Hub tres connecteur (entrant)3 303674 0,58% Hub connecteur4 11929722 22,69% Non-Hub peripherique (entrant)5 10828599 20,59% Non-Hub peripherique (sortant)6 4973717 9,46% Non-Hub connecteur

Taille des groupes

74/63N. Dugue

Observation sur le positionnement descapitalistes sociaux

Presence dans des groupes bien specifiques

Constituent 38% de G2 et 14% de G3Forte concentration dans G6 (60% des faibles degres) et G3 (90%des degres eleves)Hubs : G2 et G3Connecteurs : G3 et G6Tres connecteurs : G2→ capitalistes sociaux passifs

Confirmation mode passif : 31% de G2 (mesures entranteselevees)Connecteurs et tres connecteurs : Connectes au reste du grapheDiversite sortante elevee (G3, G6)→ suivre de nombreusescommunautes 75/63

N. Dugue

76/63N. Dugue

Analyse du capitalisme social sur Twitter

Data & Analytics

Transcript of Analyse du capitalisme social sur Twitter