研究人員使用機器學習發掘地下Instagram

點贊，分享，關注者和評論是在線社交網絡的流行。具有較高參與度的帖子將通過內容策劃算法進行優先級排序，從而使社交網絡“影響者”能夠通過其受眾的規模和忠誠度獲利。

紐約大學坦登工程學院和德雷克塞爾大學的一組研究人員認為，并不是所有的參與都是有機的，他們首次發表了對“豆莢”的強大地下生態系統的分析。這些用戶組通過一種稱為“互惠濫用”的策略來操縱策展算法并人為地提高內容的受歡迎程度(無論是增加所推廣內容的覆蓋面還是擴大言論)，即每個成員與該組其他成員發布的內容進行交互。

研究人員還開發了一種機器學習工具，可以檢測通過吊艙參與獲得歡迎的可能性很高的帖子。該工具可以部署為內??容管理算法的一部分。

紐約大學丹登分校計算機科學與工程副教授雷切爾·格林斯塔特(Rachel Greenstadt)說：“最令人驚訝的發現是，互惠行為不僅有效提高了職位的知名度，而且還增加了真正的有機參與度??。” “ The Pod People：通過對等濫用理解社交媒體流行的操縱”一文，發表在萬維網會議上。該團隊包括紐約大學丹頓分校計算機科學與工程學教授Damon McCoy博士。學生Janith Weerasinghe，以及Drexel大學研究人員Bailey Flanigan和Aviel Stein。

該項目的第一個特征是豆莢生態系統的一部分的區別特征，使用模式和操作規則，該項目涉及分析屬于111,455個獨特Instagram帳戶的180萬個Instagram帖子，并在Twitter的即時消息上托管的400多個Instagram豆莢中做廣告消息傳遞服務Telegram。

該團隊從Pod組中收集元數據，收集與Pod和控制站相關的Instagram數據，以訓練分類器(一種用于為特定數據點分配標簽的機器學習功能)，以檢測Pod的參與度，然后分析Pod的功效發現使用豆莢是否可以增加有機互動。

研究人員使用機器學習模型來高精度地預測Instagram帖子是否是pod的一部分，而不管交互和參與的程度如何。通過研究與帖子的互動在用戶個人資料中隨時間變化的方式，他們發現Pod中的帖子促進了自然的帖子互動。

格林斯塔特說：“推動我們探索的主要發現是，豆莢通常在其他豆莢的留言板上做廣告，這使我們可以在豆莢留言板上搜索以發現新的豆莢。” “可能有很多我們沒有觀察到的豆莢集中在諸如時裝，攝影或企業家精神之類的特殊興趣主題上，還有根據追隨者人數而定的進入要求的豆莢。”