Anticipating Viral Topics on Twitter by Detecting Micro-Influencers, Using a Combination of Social Network Analysis and AI

Abstract

Detecting potentially viral topics on Twitter has been the subject of numerous studies, and several monitoring platforms offer alerts for emerging topics to their users. However, solutions based on semantic analysis of publications are often imprecise and ineffective. In this article, which results from a research project, we propose a methodology based on the application of AI to metrics from Social Network Analysis, which analyses the dynamics of exchanges on social networks. We identified ‘microinfluencers’ who are active on six societal topics. Micro-influencers are interested in new topics ahead of opinion leaders, and their activism allows them to be picked up outside their communities: they are therefore precursors to the virality of new emerging topics in the public sphere. By applying AI to the dozens of metrics offered by the Gephi Social Network Analysis software, we defined a machine learning model capable of successfully identifying these micro-influencers. To do this, we used an innovative tool that makes it possible to compare the effectiveness of several dozen machine learning modelsStreszczenieWykrywanie potencjalnie popularnych tematów na Twitterze było przedmiotem wielu badań, kilka zaś platform monitorujących oferuje swoim użytkownikom alerty dotyczące pojawiających się tematów. Jednakże, rozwiązania oparte na analizie semantycznej publikacji są często nieprecyzyjne i nieskuteczne. W artykule, powstałym w związku z prowadzonym projektem badawczym, proponujemy metodologię opartą na zastosowaniu sztucznej inteligencji do metryk z Social Network Analysis, która analizuje dynamikę wymiany w sieciach społecznościowych. Zidentyfikowaliśmy “mikroinfluencerów”, przejawiających aktywność w sześciu tematach społecznych. Mikroinfluencerzy są zainteresowani nowymi tematami przed liderami opinii, a ich aktywność pozwala im być odbieranym poza ich społecznościami: są zatem prekursorami wiralności nowych pojawiających się tematów w sferze publicznej. Stosując sztuczną inteligencję do dziesiątek wskaźników oferowanych przez oprogramowanie Gephi Social Network Analysis, zdefiniowaliśmy model uczenia maszynowego zdolny do skutecznej identyfikacji tych mikroinfluencerów. W tym celu wykorzystaliśmy innowacyjne narzędzie, które umożliwia porównanie skuteczności kilkudziesięciu modeli uczenia maszynowegoResumenLa detección de temas potencialmente populares en Twitter ha sido objeto de numerosas investigaciones; diversas plataformas de monitorización ofrecen a sus usuarios alertas sobre temas emergentes. Ahora bien, las soluciones basadas en el análisis semántico de las publicaciones suelen ser imprecisas e ineficaces. En el presente artículo, que es el producto de un proyecto de investigación, proponemos una metodología basada en la aplicación de la inteligencia artificial a las métricas del Social Network Analysis, que examina la dinámica de los intercambios en las redes sociales. Identificamos “microinfluenciadores” activos en seis temas sociales. Los microinfluenciadores se interesan por los nuevos temas antes que los líderes de opinión, y su activismo les permite ser percibidos fuera de sus comunidades: son, por tanto, los precursores de la viralidad de los nuevos temas emergentes en la esfera pública. Al aplicar la inteligencia artificial a las decenas de indicadores que ofrece el software Gephi Social Network Analysis, definimos un modelo de aprendizaje automático capaz de identificar eficazmente a estos microinfluenciadores. Con este fin, hemos utilizado una herramienta innovadora que permite comparar la eficacia de decenas de modelos de aprendizaje automáticoZusammenfassungDie Erkennung der potenziell populärer Themen auf Twitter ist der Gegenstand zahlreicher Forschungsarbeiten, und mehrere Überwachungsplattformen bieten ihren Nutzern Warnmeldungen zu aufkommenden Themen. Lösungen, die auf der semantischen Analyse von Veröffentlichungen basieren, sind jedoch oft ungenau und ineffektiv. In diesem Artikel, der das Ergebnis eines laufenden Forschungsprojekts ist, wird eine Methodik vorgeschlagen, die auf der Anwendung der künstlicher Intelligenz auf Metriken aus Social Network Analysis basiert, die die Dynamik des Austauschs in sozialen Netzwerken analysiert. Wir haben Mikro-Influencer identifiziert, die sich in sechs sozialen Themenbereichen engagieren. Microinfluencer interessieren sich für neue Themen noch vor den Meinungsbildnern, und ihre Aktivität ermöglicht es ihnen, außerhalb ihrer Gemeinschaften aufgegriffen zu werden: Sie sind daher Vorläufer der Viralität von neu aufkommenden Themen in der Öffentlichkeit. Durch die Anwendung von künstlicher Intelligenz auf die Dutzenden von Indikatoren, die von der Software Gephi Social Network Analysis angeboten werden, haben wir ein maschinelles Lernmodell definiert, das in der Lage ist, diese Mikro- Influencer effektiv zu identifizieren. Dazu haben wir ein innovatives Tool verwendet, mit dem wir die Wirksamkeit von Dutzenden von maschinellen Lernmodellen vergleichen könnenРезюмеВыявление потенциально популярных тем в социальной сети Twitter является предметом многочисленных исследований, а ряд мониторинговых платформ предлагает своим пользователям сообщения о появлении новых тем. Однако решения, основанные на семантическом анализе сообщений, часто оказываются неточными и неэффек- тивными. В данной статье, являющейся результатом проводимого исследовательского проекта, мы предлагаем методику, основанную на применении искусственного интеллекта к метрикам Social Network Analysis, которая исследует динамику обмена информацией в социальных сетях. Мы выявили микроинфлюенсеров, проявляющих активность по шести социальным темам. Микроинфлюенсеры интересуются новыми темами раньше чем лидеры обсуждений, и их активность позволяет им быть замеченными вне своих сообществ: таким образом, они явля- ются прекурсорами вирусности новых появляющихся тем в публичном пространстве. Применив искусственный интеллект к десяткам показателей, предлагаемых программой Gephi Social Network Analysis, мы определили модель машинного обучения, способную эффективно выявлять таких микрофлюенсеров. Для этого мы использовали инновационный инструмент, позволяющий сравнивать эффективность десятков моделей машинного обучения