通过转发增加用户人气的策略:实证研究

抽象的

基于web的社交网络(W-bSNs)最近经历了一个关于用户和他们之间关系数量的显著增长。Twitter是W-bSN的一个例子，发布的评论的相关性影响用户创建新关系的方式。用户的声誉直接影响到他人的感知和意见，并可以适当地利用它来获取优势。一个有影响力的用户所表达的想法，作为一种效果，可以使其他用户改变对某个话题的看法。在这项工作中，我们展示了实证研究的设计和结果，以分析用户之间的交叉影响，为他们的兴趣，他们发布的消息，以及这些消息在我们如何创建新的关系中是如何相关的。这种方法的主要贡献之一是分析用户的行为和话题多样化的影响，以及在tweet中添加额外资源(如视频、图片或url)。最后，实验结果表明，所提出的策略对所有帐户都是有效的。

1.介绍

自90年代后期黎明以来，基于网络的社交网络（W-BSN）非常进化。许多人有一个相对成功，如微软©的MySpace®或Hi5®，但最终，他们消失了。但是，他们建立了开发新一代W-BSN的基础。最近，在全球的两个最常用的W-BSN中兴趣了：Twitter®和Facebook®。每个人都有相当数量的用户，他们的活动代表每天交换的许多信息[1］.

Twitter被认为是W-BSN;但是，由于其特征，它被命名为微博[2］.微博是一种简短的文字信息，用来谈论他们的定期活动，寻找或分享信息[3.］.

它实现了一个不对称操作模型，因为对于给定用户，不需要协议或授权，以创建与另一个用户的新关系。在Twitter中，这一关系称为“关注”。愿意接收其他用户发布的评论更新的用户，称为推文，只需要“遵循”她，后者没有任何操作。这样，推特上的用户的主要活动正在发布和共享推文，这是长期140个字符的短消息，表达思想，想法，感受或意见[4.］.另一个可以在Twitter上执行的动作叫做retweet (RT)，它对应的是在消息被推特或被其他用户转发之前传播消息。需要注意的是，转发用户不一定要跟随某个特定用户才能转发一条推文。然而，大多数情况下，用户会转发他们所关注的账户发布的推文。这种用户行为存在于用户可以在线进行的各种社交活动中，比如内容发布、转发、个人资料浏览、评论等等。这些操作帮助我们了解用户对不同活动的兴趣。在我们的案例中，主要关注的是理解跨RT的连接性和交互方面[5.］.

因此，这个模型产生了一些tweet，考虑到它们可能代表其他用户，这些tweet可以被广泛传播，最终成为病毒式传播，使用Twitter术语，可以成为一个趋势话题(TT)。因此，TT是许多人感兴趣的话题，因此，他们决定传播它。鉴于这些特点，Twitter已经成为一个合适的平台，人们可以通过它变得流行，也就是每天或在短时间内获得更多的关注。因为这是绝对的意图，一个给定的用户会尝试发布关于有趣或有争议的话题的tweet，这样人们(追随者)就可以对这些tweet感兴趣，最终成为他的追随者[6.］.此外，还有被动用户只想继续通知他们遵循的人的推文，并且在Twitter上没有积极存在。活跃的用户成为学习的主题，以确定最终可以让用户尽可能多地获得许多追随者的因素。具有大量追随者的用户可以被视为有影响力的追随者，并且具有以不同方式引起效果的能力。这意味着他表达的每个想法都将自动达到社交网络的大量用户。

在本文中，我们呈现了我们工作的结果，该结果包括分析可能导致用户获得更多追随者的因素，并以这种方式变得流行。

本文组织如下。节2我们描述了与我们的研究相关的工作和其他作者的建议。节3.我们介绍了我们实验的支持4.开始我们实验的必要元素5.我们的实验结果。节6.得出了一些结论，并对未来的研究提出了合理的方向。最后，给出了参考文献。

2.相关工作

自2006年创立以来，Twitter就声名狼藉，广受欢迎。目前，它的月活跃用户约为3.13亿。它已经成为一种在世界范围内广泛使用的近乎实时的信息传播方式，其相关性也有了巨大的增长。如前所述，一些用户往往有更多的关注者，因为其他用户会看他们的意见;换句话说，他们创造了声誉。这些用户被认为是有影响力的用户。这里要分析的相关元素知道哪些因素对某些用户获得更多粉丝来说是重要的，以及它是如何影响其他用户的粉丝数量的。一些作品研究有影响力或有价值的用户[7.-9.，推特和转发的影响[10.-13.，病毒式营销[14.-16.[其他用于了解信息的传播和用户影响水平的其他人。

查等人[17.]提出了一项关于受欢迎用户的影响模式的实证研究。他们考虑了三个关键特征:程度，即关注分析用户的用户数量，一些RTs和许多提及;换句话说，它代表了用户的受欢迎程度。作者指出，关注者数量并不是衡量影响的唯一属性;必须考虑RTs和提及内容。他们认为存在有影响力的用户，即那些能够让自己的推文被广泛转发并获得大量提及的用户。根据他们的分析，他们得出结论，这些用户倾向于发布关于争议话题的推文。此外，他们的研究还显示，将推文限制在单个话题上的用户，其影响力评级会有更大的提升。

Romero等人。[18.]实现一些用户更加困难地影响的直观的想法，因为它们不感兴趣地创建或共享信息，并争辩说，推特用户的更大部分是被动的。根据作者，被动是传播的障碍;虽然一些用户转发很多，但其他人不经常这样做。作者提到了以下假设：（a）用户的影响分数取决于影响和其被动的人数;（b）影响可能是几种碎片，例如转派和含量的其他联合收缩。他们提出了一种类似于超链接引起的主题搜索（命中）和PageRank的算法，以衡量考虑粉丝数量的影响，也可以测量追随者的数量，也可以测量RTS和提到。他们发现有影响的用户非常有效，因此根据用户活动确定了一种新的影响措施。

转发，如[19.，在Twitter中有着举足轻重的重要性，因为执行这样的行动不仅表明了用户对某条推文的兴趣，还表明了用户对原始发布者的信任程度以及与内容的协议。这是一个重要的结论，可以帮助我们支持以后的工作。

另一种情况，介绍在[20.]，确认信息的传播往往由过去已经有影响力的用户发生，并且还具有大量追随者。他们提出了一种允许测量用户影响的公式，考虑到他们所拥有的RTS数量和提升数量。

其他研究人员专注于提供有关具有类似主题的受试者中用户的影响的方法。Anagnostopoulos等。[21.]定义影响水平，因为一个人可以诱发另一个人的事实。这些类型的用户称为“活动”。它们提出了一个概率模型，当用户在一段时间内变得活跃时，他们认为他们的朋友（这就是作者指的是追随者的方式）增加了他们也增加了变得活跃的概率。他们得出结论，人们每次离散时间都会影响对方并估计最大可能性。

在[22.Crandall等人基于同质性研究了用户的影响。这个术语指的是人们在互动时的相似程度[23.］.他们分为社会影响力和选择。首先是人们拿起与他们与之互动的人相关的行为，并且选择是他们寻求类似用户互动的时候。它们通过考虑每个用户感兴趣的主题来量化用户的相似性。作者提出了一种用户行为的模型，其中单个用户可以与他人交互，然后选择具有更高数量的活动和作为有影响力的交互的用户。

翁等人的工作[24.]包括在Twitter上识别有影响的用户。该策略类似于PageRank算法。所提出的算法考虑了从推文中提取的主题。主要贡献之一是，它们根据使用LDA的推文计算每个用户的主题分布，显示连接用户的主题是显着相关的。

莱维特等人[25]基于对12个受欢迎账户的分析结果提出了一种新方法，这允许确定对Twitter的影响措施。他们审查了134,654名推文，15,866,629名粉丝的生态系统，在10天内，89,773名追随者。作者将影响定义为用户可以说服另一个用户启动后续行动，转发和/或注释的动作。

在[5.Jin等人通过关注者数量、转发数和PageRank来衡量用户的人气。显而易见的事实是，像演员、运动员、音乐家等名人或新闻报道都是最受欢迎的。作者得出的结论是，与关注者数量相关的度量指标不足以反映用户的影响力。转发量和PageRank指标显示，名人用户和新闻账户位居榜首。作者提到，这些指标都与用户的受欢迎程度有关。

与之前的作品相比，我们的作品可以看作是一个实验框架，允许我们使用真实的数据来分析推文、RTs和提及在Twitter用户流行程度上可能产生的真实影响。我们假设即时战略和有影响力的用户的提及会影响给定用户的关注者数量。

3.基本实验框架

影响力是个人或一群人必须修改其他人对给定主题的感知或信念的能力。用户的声誉直接影响了其他人的感知和意见，并且实际上可以用于获得优势。由有影响力的用户表达的想法可以表明其他用户以前所说的想法。最后，在社会学，政治和营销中，关于专家或认可的人在特定领域的影响，诸如社会学，政治和营销的领域有研究，以了解为什么出现某些趋势。例如，如果与其变得病毒的消息，则广告系列变得更有效。传统通信理论[26那27]肯定，少数属于一个群体的人，这些人具有分支，尊重和有影响力，成为具有说服他人的能力的自然领导者。布朗等人。[28]提出了一项两阶段研究的结果，旨在调查社交网络中的传统交流;他们的结果表明，传统模型可能不太适合这些案例研究。

在W-BSN，特别是Twitter中，我们还可以在某些地区找到优秀的用户，以及一些追随者，他们对他们的想法或意见保持或多或少的永久性兴趣。这些用户成为参与实体，提及他们对他们对他们的追随者分享这些想法或意见的用户。

我们的主要兴趣在于分析Twitter用户之间的影响模式，以及作为特定领域专家的用户如何促进关注者数量的增长，并通过RTs进行定位。

考虑到[29，我们假设有18个主题类别的主要感兴趣的主题(艺术和设计、书籍、商业、慈善和交易、时尚、食品和饮料、健康、假期和约会、幽默、音乐、政治、宗教、科学、体育、技术、电视和电影、其他新闻等)。然后我们为给定用户的关注者数量定义了6个语言学值，如表所示1。事实上，我们正在使用[中提出的算法29决定每条推特属于哪个类别。

从表中可以看出1在美国，“未知”的语言价值代表的要么是刚刚创建了自己的账户的用户，要么是几乎没有活跃度、对其他用户几乎没有吸引力的用户，他们的出版物的关注者少于1000人。“普通”用户是那些开始获得一些人气，因此开始有新的关注者，这些人对他们的时间线感兴趣，并转发他们。关于“杰出”用户，我们根据他们的关注者数量定义了三个不同的级别，代表活跃用户账户在一天内实现不同的帖子，获得更多用户决定关注他们，从而获得比“普通”和“未知”更多的RTs。根据我们的结果，我们可以推断，这类用户的意见是受到尊重的，因此他们的影响可以被认为是重要的。最后，对于“著名”用户，我们考虑的是那些拥有大量粉丝的用户。这类用户有@katyperry(95,462,792)、@justinbieber(91,380,536)、@BarackObama(83,150,841)、@youtube(66,255,785)。

目前，Twitter大约有3.13亿活跃用户;尽管有人计算出“Famous”这样的描述是最小值，但每种提到的语言值所占的百分比仍然不确定。为此，我们随机抽取100万用户作为样本，计算账户的比例;那么98%对应的是“未知”语言值，1.53%对应的是“普通”和“优秀1”为0.35%，“优秀2”为0.072%，“优秀3”为0.040，仅0.008%对应的是“著名”账户。它是一个具有代表性的示例，允许在Twitter中可视化百分比。

4.实验设计

在本节中，我们将介绍实证研究的设计，以分析Twitter用户模式的重要性，以及他们如何通过使用RTs来支持其他用户的关注者数量的增加。

与第一部分一样，我们选择了一个用户作为分析的主题，接下来我们将调用该用户作为Root用户。使用Twitter API，我们提取了关于Root活动的所有信息，即tweet、RTs、提及和新追随者。在观察之初，Root用户共有3.253名关注者，其tweets主要归类于技术类。对于这个用户来说，自从我们创建他的Twitter账户以来，关注者的增长有一个相对稳定的行为，平均每周获得2到3个新关注者。这些新的追随者也属于技术类。

然后，我们决定通过他的主要发布兴趣和使用额外资源来修改他的行为，并将额外的资源（如图像，网址或视频）。该用户新参与的新类别包括体育和音乐。我们必须明确提一下，即使这位用户主要用于技术，发布在其他领域的推文都没有包含相关信息，因此其他用户忽略了它们。在此上下文中，通过算法分析具有这些其他类别作为主要拍摄类别的推文[29］.一旦我们确定他们对应于所需的类别，我们就会在实验时包括一个常用的HASHTAG（HT）。

这样做的目的是，他的推文被包含在当前已有的对话线程中，以便讨论这些主题的用户可以看到他的帖子。

我们提出的通过转发实现粉丝增长的策略如下:

(1)改变账号的正常行为:话题多样化并发布，保持其他用户对时间轴的兴趣，让他们分享自己认为有吸引力的出版物

（2）包括额外内容，如图像，URL和视频，如图所示：我们注意到除了文本之外，还有更多的其他类型内容的兴趣，通过转关支持增长

（3）适当使用HT的大小伴随着内容：通过这种方式，我们可以达到用户在所用的HT确定的主题中交互的用户

以下是上述策略的结果，以及它们对账户增长的影响。

5.实验结果

根据之前的信息分析，我们首先说明了（图1）在七周内有常规用户的常规行为的事实（）直到实验开始的轻微行为（）对应于四周，然后，修改了该行为永久增加了推文的数量（）并使用户方法的受试者进行多样化。行动通过一个时间（一周）变化和一些新的粉丝。在平均相应失效期间，可以观察到每周两到四个新的粉丝（点）（三角形）的生长。数字1给出了一个图的摘录，显示了上面解释的一般行为;数字2描绘了对应的行为来。

在图2，从实验开始的那一刻起(）直到我们最终确定它（）持续时间为十四周，对粉丝数量的增长的行为发生了变化。主题的多样化主要延伸到体育，政治，企业和其他类别。

在图2，新追随者的数量增加了根在先前提到的类别中发布了推文。在图中，P对应于政治类别，T到Technology，B到Business和O给他人。每次root用户在特定类别上发布新的推文时，由所选类别的字母带来的垂直线表示，在下面的图表中，我们考虑了与每个推文关联的新粉丝数量。在背景技术中，一些新用户在实验的特定时刻，独立于它们与之相关的推文。可以观察到，政治类别的推文获得了追随者数量的大幅增加，因为有“出色”语言价值的用户转发了原始推文，他们的追随者认为它是相关的。

图中的水平线2片段是否与图相对应3.，我们可以观察RT操作和后续操作之间的相关性。因此，这些最后的用户中的一些人认为Root用户的评论足够有趣，因此开始关注他。类似于图2P代表政治范畴，T代表技术范畴，B代表商业范畴，O代表其他范畴。

在这种情况下，我们可以看到每次root用户推文都转发（以灰色为灰色），尤其是具有大量粉丝的用户，新粉丝的数量增加了。

作为我们实验的抵押结果，请注意，并非每个用户都转发给定的根用户推文决定跟随他。RT基本上是用户支持他们已阅读并喜欢重新发布他们的追随者的帖子的简单方法。作者提到了对信息的信心投票[30.]，直推的句号数量直观地确定了出版物的质量。更有数量的转发结果对用户更具吸引力。

这些用户通过他们遵循的RT到达，然后他们认为原来的意见足以扩散它，但是在第一次，他们没有考虑root用户，这足以让他对他开始跟进关系。在所有与RT 37.5％的用户的用户决定启动以下一项;重要的是要提到一些用户开始root，最后他们决定退出与root用户的关系。

在图4.我们只在Root的用户发布的RT之后显示跟随Root的用户。通过使用不同的符号，我们代表了用户类型的语言价值。图中央的星号表示Root用户。这里可以看到，例如，Outstanding 1(三角形)用户与Root产生的新连接(追随者)比Unknown(圆形)用户产生的新连接(追随者)更多。在与主题多样化相对应的实验中，我们发现了与tweets互动的用户的一些偏好，因此，我们决定研究可能的增长策略。在这方面，我们发现有两种可能的斜率可以帮助我们寻找更多的RTs:在tweet中包含额外资源和确定HT的最佳大小。因此，推文对其他用户来说可能更有趣，并可以通过RT或提及传播，以增加认为该出版物相关的关注者数量。

第一个策略是在推特中加入额外的内容;这可以以图像、视频或URL的形式表示。在图5.我们可以观察到，根据推文中包含的资源类型，RTS的数量获得了影响。以这种方式，相关顺序，可以观察到当附加URL时，当图像相关联时获得更高的冲击，最后当推文没有包括任何资源时。事实上，当视频被包含时，与其他替代方案相比，影响最小，吸引了注意力。我们可以肯定我们同意Zarrella的断言[31]，他说包含图像或URL吸引更多用户到推文。然而，根据我们的结果，不可能确认包含视频对推文的普及产生了真正的影响。

第二次策略是通过包含HTS来达到更多的用户。有了这个，我们获得了不属于root用户网络的用户可以通过显式搜索使用的HTS来发现它。我们探讨了从一到四个字中纳入HTS。

在图6.，具有重大验收的人是使用一个单词，并且RTS少的人是使用HT与四个连接词。从这个意义上讲，我们不同意Weng等人。[24.在那里他们提到包括HTS对RT无关紧要，表明使用适当大小的HT对用户更有趣。在这些预备之后，可以推断出简单性是关键元素。

在之前的图表中，我们展示了在tweet中包含一个或多个连接词的HT时，RTs的增长情况;ht的使用为我们提供了推文的主要传播途径。因此，我们同意并确认[32[chang [33， HT是实现可见性的必要关键，成为那些对有关该主题的tweet感兴趣的用户的搜索词。他们的分析结果还表明，HT作为一个搜索词被更多的人使用。我们的增长是由于推文的扩散，包括帮助我们接触到那些有趣的用户的内容，语言价值“杰出的”，他们认为这些推文与与他们的追随者分享相关。前面提到的策略在Root用户中进行，为了确认建议的方法，我们将分析扩展到12个随机用户(a1到a12)，每个语言值对应两个。行为被认为正常的账户主要在相同的类别上发布推文，很少包含额外的内容;这些账户的粉丝数量增长缓慢。当行为永久改变并添加ht时，内容的关注者数量会显著增加。

桌子2显示对应于一个月的扩展分析结果，其中具有语言价值“Famous”的用户通常由于其拥有的关注者数量而有稳定的增长行为。在另一种情况下，没有额外内容的正常行为的用户没有显著增长，有两种情况(斜体字体)他们失去了关注者。特别是a3和a5用户开始在tweets中加入更多的附加内容，主要是图片和url。

我们的实验的主要目的是探索理解粉丝增长和内容兴趣的不同方法。

6.结论和未来的工作

考虑到Twitter是一个社交网络，长期短消息长，用户需要简明扼要。出于这个原因，推文必须对其他用户感兴趣。虽然人们知道，到达更多用户的最佳方式是通过推文的传播，提及或RT，这不是那么明显，我们的提案提出了一些策略，发布更多有趣的推文来吸引用户分类的用户“优秀“或”着名“。我们的研究结果表明，主题的多样化和具有合适尺寸的HTS的多样化达到了更多的用户在追随者网络之外的用户，使得可以将被认为是有影响力的用户实现更多的用户。我们的调查的目标是通过基于包含内容的策略来展示通过推文来展示增长，以便与用户“出色”和“名”和“着名”的用户联系，当与用户共享时，增加价值出版物的兴趣。拟议的策略可用于任何类型的账户，如果是个人，品牌，幽默等，并不重要。我们的调查提供了继续研究用户的影响和增长标准的指导方针。

作为未来的工作，我们认为专注于分析“优秀”和“着名”用户的特殊行为，从而定义了他们发布的内容的威胁和有效性。

的利益冲突

作者声明他们在这篇论文的发表上没有利益冲突。

参考文献

1. F. Morstatter，J.Pfeffer，H Liu和K. M. Carley，“样品足够好吗？将Twitter流API与Twitter的Firehose进行比较，“https://arxiv.org/abs/1306.5204。查看在：谷歌学术
2. S. Milstein，B. Lorica，R. Magoulas，G. Hochmuth，A. Chowdhury和T. O'Reilly，推特和微信革命：一次通信，连接和立即-140个字符，奥莱利媒体，2008年。
3. B. J. Jansen，M. Zhang，K. Sobel和A. Chowdury，“微博尔格作为在线词汇烙画，”第27届国际会议的诉讼程序在计算系统中的人为因素（Chi '09）中扩展了摘要，PP。3859-3864，ACM，Boston，Mass，USA，2009年4月。查看在：出版商的网站|谷歌学术
4. H. Kwak, C. Lee, H. Park, S. Moon，“什么是Twitter，社交网络还是新闻媒体?“在第19届国际万维网大会论文集，PP。591-600，ACM，Raleigh，NC，2010年4月。查看在：出版商的网站|谷歌学术
5. 王涛，金磊，陈勇，“网络社交网络用户行为的研究”，《中国社会科学》，IEEE通讯杂志，卷。51，不。9，pp。144-150,2013。查看在：出版商的网站|谷歌学术
6. D. Murthy，“Twitter：群众麦克风？”媒体，文化和社会第33卷第3期5, pp. 779-789, 2011。查看在：出版商的网站|谷歌学术
7. C. Lee，H.Kwak，H. Park和S. Moon，“在Twitter中采用的信息通过时，”发现有影响力“第19届万维网国际会议论文集，PP。1137-1138，ACM，Raleigh，NC，2010年4月。查看在：出版商的网站|谷歌学术
8. J. Clerk Maxwell，关于电力和磁力的论文英国牛津克拉伦登出版社，第2卷，第3版，1892年。
9. D. Quercia, J. Ellis, L. Capra，和J. Crowcroft，“在情绪上影响推特情绪”IEEE隐私，安全，风险和信托国际会议的诉讼程序（Passat '11）和IEEE社会计算会议（Sowiscom Comcom），pp。307-314，2011年10月。查看在：出版商的网站|谷歌学术
10. B. Suh，L. Hong，P. Pirolli和E. H. Chi，“想要转发？影响Twitter网络中转扬的因素的大规模分析，“IEEE第二国际社会计算机会议的诉讼程序（SoameCom'10），pp.177-184，2010年8月。查看在：出版商的网站|谷歌学术
11. I. Foster和C.Kesselman，网格：新计算基础设施的蓝图，摩根考夫曼出版社，旧金山，加利福尼亚，美国，1999。
12. D. Boyd，S. Golder和G. Lotan，“Tweet，Tweet，Retweet：Twitter上的转发的会话方面，”第43届夏威夷国际系统科学会议论文集，第1-10页，IEEE, 2010年1月。查看在：出版商的网站|谷歌学术
13. I. Foster，C.Kesselman，J. Nick和S. TueCke，“网格的生理学：分布式系统集成的开放网格服务架构，”Tech。代表，全球网格论坛，2002年。查看在：谷歌学术
14. J. Leskovec，L. A. Adamic和B. A. Huberman，“病毒营销的动态”，网络上的ACM事务（TWEB）， vol. 1, no. 12007年第5条第1款。查看在：出版商的网站|谷歌学术
15. B. J. Jansen，M. Zhang，K. Sobel和A. Chowdury，“Twitter Power：推文作为嘴巴的电子话语”美国信息科学与技术学会杂志，卷。60，否。11，PP。2169-2188,2009。查看在：出版商的网站|谷歌学术
16. A. De Bruyn和G. L. Lilien，《通过病毒营销的口碑影响的多级模型》，国际营销研究杂志，第25卷，第2期3，页151-163,2008。查看在：出版商的网站|谷歌学术
17. M.Cha，H. Haddadi，F. Benevenuto，K.P.Gummadi，“衡量推特用户的影响：百万追随者谬误”第四届国际博客和社交媒体会议的诉讼程序（ICWSM '10），pp。10-17，2010年5月。查看在：谷歌学术
18. D. M. Romero，W.Galuba，S. Asur和B. A. Huberman，“社交媒体的影响和被动，”数据库中的机器学习和知识发现，第18-33页，施普林格，柏林，德国，2011。查看在：谷歌学术
19. P. Metaxas, E. Mustafaraj, K. Wong, L. Zeng, M. O'Keefe, S. Finn，“转发意味着什么?来自用户调查和meta-review研究的结果第9届国际AAAI关于网络和社交媒体会议的诉讼程序，牛津，英国，2015年5月。查看在：谷歌学术
20. E. Bakshy，W. A. Mason，J. M. Hofman和D. J. Watts，“每个人都是影响者：量化对Twitter的影响，”第四届ACM网络搜索与数据挖掘国际会议论文集，第65-74页，ACM, 2011年2月。查看在：出版商的网站|谷歌学术
21. A.Anagnostopoulos，R. Kumar和M. Mahdian，“社交网络的影响和相关”，第十四届ACM SIGKDD知识发现与数据挖掘国际会议论文集(KDD’08)，第7-15页，ACM, 2008年8月。查看在：出版商的网站|谷歌学术
22. D. Crandall，D.Cosley，D.Huttenlocher，J.Kleinberg和S. SURI，“在线社区的相似性和社会影响之间的反馈效果”第十四届ACM SIGKDD知识发现与数据挖掘国际会议论文集(KDD’08)，第160-168页，ACM，美国内华达州拉斯维加斯，2008年8月。查看在：出版商的网站|谷歌学术
23. M. Mcpherson，L. Smith-Lovin和J. M. Cook，“羽毛之鸟：在社交网络中同心，”社会学年度回顾，卷。27，不。1，pp。415-444,2001。查看在：出版商的网站|谷歌学术
24. j .翁E.-P。Lim, J. Jiang, Q. He，《TwitterRank:寻找话题敏感的有影响力的推特者》第三届ACM国际网络搜索和数据挖掘会议的诉讼程序（WSDM '10），PP。261-270，ACM，纽约，纽约，美国，2010年2月。查看在：出版商的网站|谷歌学术
25. A.莱维特，E.伯查德，D.费舍尔和S.吉尔伯特，《影响者:分析推特影响力的新方法》，网络生态项目，第4卷，第4期。2，第1-18页，2009。查看在：谷歌学术
26. e·m·罗杰斯创新的扩散西蒙和舒斯特，2010年。
27. G. R. Miller和M. Burgoon，《说服研究:评论和评论》，通信年鉴，卷。2，pp。29-47,1978。查看在：谷歌学术
28. J. Brown，A. J. Broderick和N. Lee，“在线社区内的口碑通信：概念化在线社交网络，”互动营销杂志，卷。21，不。3，pp。2-20,2007。查看在：出版商的网站|谷歌学术
29. K. Lee, D. Palsetia, R. Narayanan, M. M. A. Patwary, A. Agrawal, and A. Choudhary，《Twitter热门话题分类》第十一届IEEE国际数据挖掘研讨会论文集(ICDMW’11)，pp.251-258，IEEE，温哥华，加拿大，2011年12月。查看在：出版商的网站|谷歌学术
30. H. W.劳、A. Ntoulas和K. Kenthapadi，《估计实时网络发帖的质量》2010年SSM会议论文集，2010年2月。查看在：谷歌学术
31. D. Zarrella，“转推的科学”，2009年。查看在：谷歌学术
32. r·佩奇(R. Page)的《推特上自我品牌和微名人的语言学:话题标签的作用》(The linguistics of self-branding and micro-celebrity in Twitter: The role of hashtags)，话语和沟通，第6卷，第2期2，页181-201,2012。查看在：出版商的网站|谷歌学术
33. H. C. Chang，“推特标签使用的新视角:创新理论的扩散”，美国信息科学与技术协会的诉讼程序，第47卷，第47期。1，第1 - 4页，2010。查看在：谷歌学术

版权

版权所有©2017 YecelyAridaídíaz-Beristain等。这是分布下的开放式访问文章知识共享署名许可协议如果正确引用了原始工作，则允许在任何媒体中的不受限制使用，分发和再现。