Zusammenfassung
Das Studium allgemeiner Aufmerksamkeit ist ein Hauptthemengebiet im Bereich der Internetwissenschaft, da wir wissen wollen, wie die Beliebtheit eines bestimmten Nachrichtenthemas oder Memes im Laufe der Zeit zu- oder abnimmt. Neueste Forschungen konzentrierten sich auf die Entwicklung von Methoden zur Quantifizierung von Erfolg und Beliebtheit von Themen und untersuchten ihre Dynamiken im Laufe der Zeit. Allerdings wurde das gesamtheitliche Nutzerverhalten über Inhaltserstellungsplattformen größtenteils ignoriert, obwohl die Beliebtheit von Nachrichtenartikeln auch mit der Art verbunden ist, wie Nutzer Internetplattformen nutzen. In dieser Abhandlung zeigen wir ein neuartiges Framework, dass die Verlagerung der Aufmerksamkeit von Bevölkerungsgruppen in Hinblick auf Nachrichtenblogs untersucht. Wir konzentrieren uns auf das Kommentarverhalten von Nutzern bei Nachrichtenbeiträgen, was als Stellvertreter für die Aufmerksamkeit gegenüber Internetinhalten fungiert. Wir nutzen Methoden der Signalverarbeitung und Ökonometrie, um Verhaltensmuster von Nutzern aufzudecken, die es uns dann erlauben, das Verhalten einer Bevölkerungsgruppe zu simulieren und schlussendlich vorherzusagen, sobald eine Aufmerksamkeitsverlagerung auftritt. Nach der Untersuchung von Datenreihen von über 200 Blogs mit 14 Millionen Nachrichtenbeiträgen, haben wir zyklische Gesetzmäßigkeiten im Kommentarverhalten identifiziert: Aktivitätszyklen von 7 Tagen und 24 Tagen, die möglicherweise im Zusammenhang zu bekannten Dimensionen von Meme-Lebenszeiten stehen.
This is a preview of subscription content, log in via an institution to check access.
Access this chapter
Tax calculation will be finalised at checkout
Purchases are for personal use only
Preview
Unable to display preview. Download preview PDF.
Literatur
[1] C. Bauckhage, “Insights into internet memes.” in Proc. of ICWSM, 2011.
[2] A. Vespignani, “Modelling dynamical processes in complex sociotechnical systems,” Nature Physics, vol. 8, no. 1, 2012.
[3] J. Leskovec, L. Backstrom, and J. Kleinberg, “Meme-tracking and the dynamics of the news cycle,” in Proc. of ACM SIGKDD, 2009.
[4] J. Yang and J. Leskovec, “Modeling information diffusion in implicit networks,” in Proc. of ICDM, 2010.
[5] Y. Matsubara, Y. Sakurai, B. A. Prakash, L. Li, and C. Faloutsos, “Rise and fall patterns of information diffusion: model and implications,” in Proc. of ACM SIGKDD, 2012.
[6] A.-L. Barabasi, “The origin of bursts and heavy tails in human dynamics,” Nature, May 2005.
[7] R. Sifa, C. Bauckhage, and A. Drachen, “The Playtime Principle: Largescale Cross-games Interest Modeling,” in Proc. of IEEE CIG, 2014, pp. 365–373.
[8] F. Wu and B. A. Huberman, “Novelty and collective attention,” Proceedings of the National Academy of Sciences, vol. 104, no. 45, 2007.
[9] L. Weng, A. Flammini, A. Vespignani, and F. Menczer, “Competition among memes in a world with limited attention,” Scientific reports, vol. 2, 2012.
[10] M. Goetz, J. Leskovec, M. McGlohon, and C. Faloutsos, “Modeling blog dynamics.” in Proc. of ICWSM, 2009.
[11] M. McGlohon, J. Leskovec, C. Faloutsos, M. Hurst, and N. Glance, “Finding patterns in blog shapes and blog evolution,” in Proc. of ICWSM, 2007.
[12] D. A. Dickey and W. A. Fuller, “Distribution of the estimators for autoregressive time series with a unit root,” Journal of the American statistical association, vol. 74, no. 366a, 1979.
[13] R. F. Engle, “Autoregressive conditional heteroscedasticity with estimates of the variance of united kingdom inflation,” Econometrica: Journal of the Econometric Society, 1982.
[14] D. G. Manolakis, V. K. Ingle, and S. M. Kogon, Statistical and adaptive signal processing: spectral estimation, signal modeling, adaptive filtering, and array processing. ArtechHouseNorwood,2005,vol.46.
[15] C. T. Brownlees, R. F. Engle, and B. T. Kelly, “A practical guide to volatility forecasting through calm and storm,” Available at SSRN 1502915, 2011.
[16] A. J. Patton and K. Sheppard, “Evaluating volatility and correlation forecasts,” in Handbook of financial time series. Springer,2009,pp. 801–838.
[17] E. S. Herman and N. Chomsky, Manufacturing consent: The political economy of the mass media. RandomHouse,2008.
[18] M. Newman, “Power laws, pareto distributions and zipf’s law,” Contemporary Physics, vol. 46, no. 5, 2005.
[19] G. Szabo and B. Huberman, “Predicting the Popularity of Online Content,” Comm. of the ACM, vol. 53, no. 8, 2010.
[20] R. D. Malmgren, D. B. Stouffer, A. E. Motter, and L. A. Amaral, “A poissonian explanation for heavy tails in e-mail communication,” 2008.
[21] J. Ratkiewicz, S. Fortunato, A. Flammini, F. Menczer, and A. Vespignani, “Characterizing and modeling the dynamics of online popularity,” Phys. Rev. Lett., vol. 105, Oct 2010.
[22] J. D. Hamilton, Time series analysis. Princeton university press Princeton, 1994, vol. 2.
[23] H. Akaike, “A new look at the statistical model identification,” IEEE Transactions on Automatic Control, vol. 19, no. 6, pp. 716–723, 1974.
[24] B. Ulicny and K. Baclawski, “New metrics for newsblog credibility,” in Proc. of ICWSM, 2007.
[25] R. G. King and S. T. Rebelo, “Low frequency filtering and real business cycles,” Journal of Economic dynamics and Control, vol. 17, no. 1, 1993.
Author information
Authors and Affiliations
Corresponding author
Editor information
Editors and Affiliations
Rights and permissions
Copyright information
© 2017 Springer Fachmedien Wiesbaden GmbH
About this paper
Cite this paper
Bauckhage, C., Ojeda, C., Sifa, R. (2017). Investigating and Forecasting User Activities in Newsblogs: A Study of Seasonality, Volatility and Attention Burst. In: Haber, P., Lampoltshammer, T., Mayr, M. (eds) Data Science – Analytics and Applications. Springer Vieweg, Wiesbaden. https://doi.org/10.1007/978-3-658-19287-7_2
Download citation
DOI: https://doi.org/10.1007/978-3-658-19287-7_2
Published:
Publisher Name: Springer Vieweg, Wiesbaden
Print ISBN: 978-3-658-19286-0
Online ISBN: 978-3-658-19287-7
eBook Packages: Computer Science and Engineering (German Language)