The Internet has made it easier for social scientists to study human behavior by analyzing their interactions on social media platforms. Many of these platforms characterize conversations among users via threads, which induce a tree-like structure. The structural properties of these discussion trees, such as their width, depth, and size, can be used to make inferences regarding user discussion patterns and conversation dynamics. In this paper, we seek to understand the structure of these online discussions on Reddit. We characterize the structure of these discussions via a set of global and local discussion-tree properties. The global features constitute information regarding the community/subreddit of a given post, whereas the local features are comprised of the properties of the post itself. We perform various statistical analyses on a year's worth of Reddit data containing a quarter of a million posts and several million comments. These analyses allow us to tease apart the relative contribution of a discussion post's global and local properties and characterize the importance of specific individual features in determining the discussions' structural patterns. Our results indicate that both local and global features explain a significant amount of structural variation. Local features are collectively more important as they explain significantly more variation in the discussion trees' structural properties than global features. However, there is significant heterogeneity in the impact of the various features. Several global features, e.g., the topic, age, popularity, and the redundancy of content in a subreddit, also play a crucial role in understanding the specific properties of discussion trees.


翻译:互联网使社会科学家更容易通过分析他们在社交媒体平台上的互动来研究人类行为。许多这些平台将用户之间通过线条进行的对话描述成树形结构。这些讨论树的结构特性,如其宽度、深度和大小等,可以用来推断用户讨论模式和对话动态。在本文中,我们试图了解这些在线讨论的关于Reddit的结构。我们通过一套全球和地方的讨论树特性来描述这些讨论的结构。全球特点构成了关于某一职位的社区/子化的信息,而当地特点则包含该职位本身的特性。我们对一年价值的Reddit数据进行了各种统计分析,其中包括25万个员额的宽度、深度和大小,这些分析可以用来推断用户的讨论模式和谈话动态。我们试图通过一系列全球和地方的讨论特征来理解这些在线讨论的结构结构结构结构结构结构结构。我们的结果表明,地方和全球的特征都解释了一个显著的结构差异。当地特征在解释某一职位的特性方面更为重要,而地方特征则包括该职位本身的特性。我们对于一年价值的数据进行了各种统计分析,其中包括25万个员额的特性,以及几百万种年龄特性的特性的特性。但是,这些特性的显著的特性是全球范围的特性的特性。 。 各种主题的特性的一个专题的特性的特性的特性的特性的大小。

0
下载
关闭预览

相关内容

不可错过!《机器学习100讲》课程,UBC Mark Schmidt讲授
专知会员服务
73+阅读 · 2022年6月28日
100+篇《自监督学习(Self-Supervised Learning)》论文最新合集
专知会员服务
164+阅读 · 2020年3月18日
专知会员服务
159+阅读 · 2020年1月16日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
征稿 | International Joint Conference on Knowledge Graphs (IJCKG)
开放知识图谱
2+阅读 · 2022年5月20日
IEEE ICKG 2022: Call for Papers
机器学习与推荐算法
3+阅读 · 2022年3月30日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium1
中国图象图形学学会CSIG
0+阅读 · 2021年11月3日
【ICIG2021】Latest News & Announcements of the Plenary Talk2
中国图象图形学学会CSIG
0+阅读 · 2021年11月2日
【ICIG2021】Latest News & Announcements of the Industry Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年7月28日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
国家自然科学基金
4+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Arxiv
0+阅读 · 2022年11月3日
Arxiv
12+阅读 · 2022年1月26日
Arxiv
22+阅读 · 2021年12月19日
Arxiv
19+阅读 · 2018年10月25日
VIP会员
相关VIP内容
不可错过!《机器学习100讲》课程,UBC Mark Schmidt讲授
专知会员服务
73+阅读 · 2022年6月28日
100+篇《自监督学习(Self-Supervised Learning)》论文最新合集
专知会员服务
164+阅读 · 2020年3月18日
专知会员服务
159+阅读 · 2020年1月16日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
相关资讯
VCIP 2022 Call for Demos
CCF多媒体专委会
1+阅读 · 2022年6月6日
征稿 | International Joint Conference on Knowledge Graphs (IJCKG)
开放知识图谱
2+阅读 · 2022年5月20日
IEEE ICKG 2022: Call for Papers
机器学习与推荐算法
3+阅读 · 2022年3月30日
ACM MM 2022 Call for Papers
CCF多媒体专委会
5+阅读 · 2022年3月29日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium1
中国图象图形学学会CSIG
0+阅读 · 2021年11月3日
【ICIG2021】Latest News & Announcements of the Plenary Talk2
中国图象图形学学会CSIG
0+阅读 · 2021年11月2日
【ICIG2021】Latest News & Announcements of the Industry Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年7月28日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
相关基金
国家自然科学基金
4+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Top
微信扫码咨询专知VIP会员