Topic-Driven Characterization of Social Relationships for the Analysis of Social Influence
Übersetzter Titel:
Topic-gestützte Charakterisierung von sozialen Beziehungen für die Analyse von sozialem Einfluß
Autor:
Hauffa, Jan Lukas
Jahr:
2023
Dokumenttyp:
Dissertation
Fakultät/School:
TUM School of Computation, Information and Technology
Betreuer:
Groh, Georg (Prof. Dr.)
Gutachter:
Groh, Georg (Prof. Dr.); Großklags, Jens (Prof. Dr.)
Sprache:
en
Fachgebiet:
DAT Datenverarbeitung, Informatik
TU-Systematik:
DAT 500
Kurzfassung:
How can we learn about the nature of relationships that people form online? We argue that topic models can produce content-based representations of social relationships that are human-interpretable and useful for computational analysis. Given communication data (Twitter, Facebook, e-mail), we attempt to detect social influence at two levels of aggregation. At the micro level, we explore the connection between influence and Granger-causality. At the meso level, testing for influence is reframed as predicting a person's behavior using information from the social environment.
«
How can we learn about the nature of relationships that people form online? We argue that topic models can produce content-based representations of social relationships that are human-interpretable and useful for computational analysis. Given communication data (Twitter, Facebook, e-mail), we attempt to detect social influence at two levels of aggregation. At the micro level, we explore the connection between influence and Granger-causality. At the meso level, testing for influence is reframed a...
»
Übersetzte Kurzfassung:
Wie kann man soziale Beziehungen analysieren, die im Netz entstehen? Topic-Modelle können inhaltsbasierte Repräsentationen sozialer Beziehungen hervorbringen, die von Menschen interpretierbar und für die rechnergestützte Auswertung tauglich sind. Anhand von Kommunikationsdaten (Twitter, Facebook, E-Mail) versuchen wir, sozialen Einfluß auf zwei verschiedenen Ebenen zu erkennen. Auf der Mikro-Ebene untersuchen wir den Zusammenhang zwischen Einfluß und Granger-Kausalität. Auf der Meso-Ebene wird die Erkennung von Einfluß als die Vorhersage zukünftigen Verhaltens mittels Information aus dem sozialen Umfeld ausgedrückt.
«
Wie kann man soziale Beziehungen analysieren, die im Netz entstehen? Topic-Modelle können inhaltsbasierte Repräsentationen sozialer Beziehungen hervorbringen, die von Menschen interpretierbar und für die rechnergestützte Auswertung tauglich sind. Anhand von Kommunikationsdaten (Twitter, Facebook, E-Mail) versuchen wir, sozialen Einfluß auf zwei verschiedenen Ebenen zu erkennen. Auf der Mikro-Ebene untersuchen wir den Zusammenhang zwischen Einfluß und Granger-Kausalität. Auf der Meso-Ebene wird d...
»