Datasets for Information Diffusion Tasks|信息扩散数据集|社交网络分析数据集

这是一个关于信息扩散任务的数据集集合，涵盖了信息扩散预测、社交机器人检测和错误信息检测等多个子任务及其相互关系。

This is a dataset collection pertaining to information diffusion tasks, encompassing various subtasks such as information diffusion prediction, social bot detection, and misinformation detection, along with their interrelationships.

原始信息汇总

信息扩散任务数据集概述

数据集分类与属性

• 任务分类

  • 信息扩散预测
  • 社交机器人检测
  • 虚假信息检测

• 六大属性

  • 用户属性
    • 用户信息
    • 机器人标签
    • 社交网络
  • 内容属性
    • 传播内容
    • 真实性标签
    • 传播网络

数据集详情

信息扩散预测

宏观扩散预测

• Cascade Size Prediction

  • Twitter-casflow
    • 来源：Twitter
    • 下载链接：https://github.com/Xovee/casflow
    • 论文：https://doi.org/10.1109/TKDE.2021.3126475
    • 时间范围：2012.3 ~ 2012.4
  • APS
    • 来源：American Physical Society
    • 下载链接：https://github.com/Xovee/casflow
    • 论文：https://doi.org/10.1109/TKDE.2021.3126475
    • 时间范围：1893 ~ 2009

• Popularity Prediction

  • SMPD
    • 来源：Flickr
    • 下载链接：https://smp-challenge.com/download.html
    • 论文：https://doi.org/10.1145/3343031.3356084
    • 时间范围：2015.3 ~ 2016.7

• User Attitudes Prediction

  • COVID-19-rumor
    • 来源：Twitter, news websites
    • 下载链接：https://github.com/MickeysClubhouse/COVID-19-rumor-dataset
    • 论文：https://doi.org/10.3389/fpsyg.2021.644801
    • 时间范围：2018 ~ 2020

微观扩散预测

• Next User Prediction

  • Twitter-FOREST
    • 来源：Twitter
    • 下载链接：https://github.com/albertyang33/FOREST/tree/master/data
    • 论文：https://doi.org/10.24963/ijcai.2019/560
    • 时间范围：2010.10

• Social Influence Prediction

  • OAG-DeepInf
    • 来源：Microsoft Academic Graph, AMiner
    • 下载链接：https://github.com/xptree/DeepInf
    • 论文：https://doi.org/10.1145/3219819.3220077
    • 时间范围：2018.11 ~ 2019.1

社交机器人检测

• User-based Bot Detection
  • cresci-2017
    • 来源：Twitter
    • 下载链接：https://botometer.osome.iu.edu/bot-repository/datasets.html
    • 论文：https://doi.org/10.1145/3041021.3055135
    • 时间范围：2015 ~ 2017

AI搜集汇总

数据集介绍

构建方式

该数据集的构建基于对信息扩散任务的系统分类，采用了“5W模型”框架。研究团队将信息扩散任务细分为十个子任务，涵盖信息扩散预测、社交机器人检测和虚假信息检测三大主要任务。每个子任务均定义明确，并附有相关数据集的分析和代表性方法。此外，数据集的收集基于六个与用户和内容相关的属性：用户信息、社交网络、机器人标签、传播内容、传播网络和真实性标签。这些属性不仅丰富了数据集的内容，还为后续研究提供了多维度的分析视角。

特点

该数据集的显著特点在于其多维度的属性分类和丰富的数据来源。通过六个关键属性，数据集能够全面捕捉信息扩散过程中的用户行为和内容特征。此外，数据集涵盖了多个公开可用的数据源，包括Twitter、Sina Weibo、arXiv等，确保了数据的多样性和广泛性。这些特点使得该数据集不仅适用于信息扩散预测，还可用于社交机器人检测和虚假信息检测等多个研究领域。

使用方法

该数据集的使用方法简便且灵活。研究者可以通过提供的URL直接下载所需数据集，并根据具体研究需求选择合适的子任务和属性进行分析。数据集的README文件中详细列出了每个数据集的来源、下载链接、相关论文和时间范围，为研究者提供了全面的参考信息。此外，数据集的结构化设计使得数据处理和模型训练更加高效，有助于研究者在信息扩散领域的深入探索和创新研究。

背景与挑战

背景概述

信息扩散任务数据集（Datasets for Information Diffusion Tasks）是由郭福霞等研究人员在天津大学创建的，旨在支持信息扩散领域的研究。该数据集的构建基于“5W模型”框架，涵盖了信息扩散预测、社交机器人检测和虚假信息检测三大主要任务，并细分为十个子任务。数据集的创建不仅为研究人员提供了丰富的资源，还通过系统化的分类和分析，推动了信息扩散领域的理论与实践发展。该数据集的发布标志着信息扩散研究进入了一个新的阶段，为相关领域的研究提供了坚实的基础。

当前挑战

信息扩散任务数据集面临的主要挑战包括数据集的多样性和复杂性。首先，信息扩散任务涉及多个平台和多种数据类型，如用户信息、社交网络、机器人标签、传播内容等，这要求数据集在构建时需考虑多维度的数据整合。其次，数据集的构建过程中，如何确保数据的准确性和时效性也是一个重要挑战。此外，随着信息扩散任务的不断演进，数据集需要不断更新和扩展，以适应新的研究需求和技术发展。最后，数据集的开放性和可访问性也是当前面临的一个挑战，确保研究人员能够方便地获取和使用这些数据，是推动该领域研究的关键。

常用场景

经典使用场景

在信息传播任务领域，该数据集的经典使用场景主要集中在信息扩散预测、社交机器人检测和虚假信息检测三大任务中。通过分析用户信息、社交网络、机器人标签、传播内容、传播网络和真实性标签等六个属性，研究者能够深入理解信息在社交网络中的传播路径和影响机制。例如，在信息扩散预测中，研究者可以利用该数据集预测信息在社交网络中的传播规模和速度，从而为信息传播策略的制定提供科学依据。

衍生相关工作

基于该数据集，研究者们已经开展了一系列经典工作，包括信息扩散预测模型、社交机器人检测算法和虚假信息识别技术。例如，CasFlow模型利用该数据集探索了信息传播的层次结构和不确定性，显著提升了信息扩散预测的准确性。此外，DeepInf模型则通过深度学习技术，有效预测了社交网络中的影响力传播，为社交机器人检测和虚假信息识别提供了新的思路和方法。

数据集最近研究

最新研究方向

在信息扩散任务领域，最新的研究方向主要集中在信息扩散预测、社交机器人检测和虚假信息检测三个主要任务上。这些研究通过分析用户信息、社交网络、机器人标签、传播内容、传播网络和真实性标签等六个属性，深入探讨了信息扩散的动态过程。特别是，研究者们正在利用深度学习和图神经网络等先进技术，提升对信息扩散路径和用户行为的预测精度。此外，随着社交媒体上虚假信息和社交机器人的增加，检测和预测这些现象的方法也在不断演进，以提高信息传播的透明度和可信度。这些研究不仅有助于理解信息扩散的复杂机制，还为制定有效的信息管理策略提供了科学依据。