Finding Influencers on Twitter with Using Machine Learning Classification Algorithms

Mehmet ŞİMŞEK; Abdullah Talha KABAKUŞ

Makale detayları

Finding Influencers on Twitter with Using Machine Learning Classification Algorithms

Yazarlar:

Mehmet ŞİMŞEK | Abdullah Talha KABAKUŞ

Yayıncı:

Aydın KARAPINAR

Ana Başlıklar:

Veri işleme & bilgisayar bilimi

Dergi:

Gazi Journal of Engineering Sciences 2018 Vol.4 Issue 3, pp.183-196

Belge Tipi:

Makale

Yayın Tarihi:

12/2018

Belge Dili:

İngilizce

Document ID (Org No.):

2000425925

eISSN:

2149-9373

Özet:

 


Microblog sites are environments
where people follow people. With this feature, a microblog site is a convenient
environment for spreading an opinion or introducing a new product. The key
point is determination of individuals who maximize the spreading. This problem is known as Influence
Maximization (IM) and has attracted attention of many researchers. Many studies
in the literature have modeled IM problem on graphs for different propagation
models such as Independent Cascade (IC) and Linear Threshold (LT). However,
microblogs like Twitter have their own features. Many works on IM in Twitter
derive new metrics from user and tweet features; apply a greedy approach for
selecting influencers. In this study, we adopted different approach for IM
problem, and we dealt it as a classification problem. Firstly, we collected
data on International Women Day 2018;
empirically we labeled the users as either influencer candidates or
non-influencers; then we applied classification methods for classifying users
into one class with using features of users. By this way, we obtained an
influencer candidates set, which is very smaller than entire dataset. Experimental
results show that making selection with using same heuristic (namely MF) from
the reduced influencer candidates set outperforms making selection from entire
dataset.


.

 


Mikroblog siteleri insanların
birbirlerini takip ettikleri ortamlardır. Bu özellikleri ile bir microblog
sitesi bir fikrin ya da yeni bir ürünün yayılması için elverişli bir ortamdır.
Buradaki anahtar nokta, yayılımı maksimize edecek bireylerin tespitidir. Bu
problem, Etki Maksimizasyonu (EM) olarak bilinir ve birçok araştırmacının
ilgisini çekmiştir. Literatürdeki birçok çalışma EM problemini graflar üzerinde
Independent Cascade (IC) ve Linear Threshold (LT) yayılım modelleri için ele
almıştır. Ne var ki, Twitter gibi microblog sitelerinin kendi özellikleri ve vardır.
Twitter üzerinde EM problemini ele almış olan birçok çalışma, kullanıcı ve
tweet özelliklerinden yeni ölçütler geliştirme ve bu ölçütleri kullanan bir aç
gözlü algoritma ile etkin bireyleri seçme yolunu izler. Bu çalışmada biz EM
problemi farklı bir yaklaşım uyguladık ve problemi bir sınıflandırma problemi
olarak ele aldık. İlk olarak, 2018 Uluslararası Kadınlar Gününde veri topladık;
kullanıcıları deneysel olarak etkili bireyler ve etkili olmayan bireyler olarak
etiketledik; son olarak bireyleri etkili ya da etkili olmayan diye sınıflara
ayırmak için sınıflandırma algoritmalarını kullandık. Bu şekilde, ana
verisetinden oldukça küçük olan bir etkili bireyler kümesi elde ettik. Deneysel
sonuçlar, aynı parametreyi kullanarak indirgenmiş kümeden seçim yapılmasının,
bütün veriseti üzerinden seçim yapılmasına göre çok daha başarılı sonuçlar
verdiğini göstermiştir.


.

Makale detayları

Finding Influencers on Twitter with Using Machine Learning Classification Algorithms

Yazarlar: Mehmet ŞİMŞEK | Abdullah Talha KABAKUŞ

Yayıncı: Aydın KARAPINAR

Ana Başlıklar: Veri işleme & bilgisayar bilimi

Dergi: Gazi Journal of Engineering Sciences 2018 Vol.4 Issue 3, pp.183-196

Belge Tipi: Makale

Yayın Tarihi: 12/2018

Belge Dili: İngilizce

Document ID (Org No.): 2000425925

eISSN: 2149-9373

Sayı

Yazarlar:

Mehmet ŞİMŞEK | Abdullah Talha KABAKUŞ

Yayıncı:

Aydın KARAPINAR

Ana Başlıklar:

Veri işleme & bilgisayar bilimi

Dergi:

Gazi Journal of Engineering Sciences 2018 Vol.4 Issue 3, pp.183-196

Belge Tipi:

Makale

Yayın Tarihi:

12/2018

Belge Dili:

İngilizce

Document ID (Org No.):

2000425925

eISSN:

2149-9373