Temporal novelty quantification: a new approach to quantify novelty in social networks

Abstract

Com o aumento na adoção e uso das Redes Sociais, há um maior volume de dados online produzidos por usuários, que podem ser empregados para analisar seu comportamento nessas plataformas. Estas analises são úteis para, por exemplo, partidos políticos e empresas privadas, permitindo-lhes examinar como os usuários reagem a novas informações. Técnicas das áreas de Teoria dos Grafos, Séries Temporais e Aprendizado de Máquina estão entre as usadas para analisar o comportamento dos usuários. Ainda assim, essas técnicas produzem resultados melhores quando modelam certos aspectos desse comportamento, como a relação temporal ou a dependência entre termos utilizados nas publicações dos usuários. Este projeto considerou esses aspectos e hipotetizou que a adoção de grafos temporais, em conjunto com técnicas de Mineração de Texto e Series Temporais, permitem detectar mudanças de comportamento em usuários de Redes Sociais. Assim, para validar esta hipótese, foi desenvolvida uma nova abordagem que identifica pontos de mudança no comportamento dos usuários. Este procedimento utiliza técnicas de Mineração de Texto para encontrar termos, que serão utilizados posteriormente na criação de grafos temporais, mantendo seus relacionamentos nos textos originais e suas dependencias temporais. Em seguida, uma nova medida (Temporal Novelty Quantification), desenvolvida neste trabalho, é aplicada para quantificar como as opiniões dos usuários mudam com o tempo por meio de variações nas palavras usadas por eles. A utilização dessa medida em pares sequenciais de janelas de tempo gera uma série temporal que modela o comportamento dos usuários para um período observado. Finalmente, foi apresentado um método para detectar automaticamente mudanças de comportamento, visando identificar os pontos em que ocorrem estas mudanças. Além da abordagem apresentada, este trabalho contém um estudo de caso com sua utilização, a partir de um evento histórico no Brasil: as eleições presidenciais de 2018, que tiveram volume expressivo de publicações e efetivamente estabeleceram as Redes Sociais como o principal mecanismo para publicidade e ativismo político. Os resultados obtidos destacam eventos relevantes ocorridos na corrida presidencial, que podem ter levado a mudanças de comportamento nos usuários, mostrando o valor da abordagem desenvolvida. Este resultado também introduz novas possibilidades de pesquisa com base neste trabalho como, por exemplo, a identificação de bots que propagam fake news.

With the increase in adoption and usage of Social Networks, there is an uptick in the volume of user data produced online, which can be employed to analyze their behavior on these platforms. This information is useful, for example, to political parties and private companies, allowing them to examine how users react to new content. Techniques from the Graph Theory, Time Series, and Machine Learning fields are among the ones used to analyze user behavior. Still, methods from these fields provide better results by modeling certain aspects, such as the temporal relationship or dependency between terms present in user's publications. This project considered these aspects and hypothesized that the adoption of temporal graphs, in conjunction with techniques from the Text Mining and Time Series fields, allows the detection of changes in behavior on users of Social Networks. Thus, to validate this hypothesis, a new approach was developed that identifies changing points in users’ behavior. This procedure uses Text Mining techniques to find terms, which will be used later in the creation of temporal graphs, maintaining their relationships in the original texts and their temporal dependencies. Then, a new measure (Temporal Novelty Quantification), developed in this work, is applied to quantify how users’ opinions mutate over time through variations in words used by them. The utilization of this measure in sequential pairs of time windows generates a time series that models users' behavior for an observed period. Finally, a method for automatic detection of behavior change was presented, which aims to identify points when these changes occur. Besides the designed approach, this work also contains a case study for it, based on a remarkable event in Brazil: the 2018 presidential elections, which had an abnormal volume of publications and effectively established Social Networks as the leading mechanism for political activism and advertising. The results obtained highlight relevant events that happened in the presidential race, which could lead to changes in behavior for the users, and shows the value of the designed approach. This outcome also introduces new research possibilities based on this work, such as the identification of bots that propagate fake news.