We present an in-depth study of co-

We present an in-depth study of co-following on Twitter based on the observation that two Twitter users whose followers have simi- lar friends are also similar, even though they might not share any direct links or a single mutual follower. We show how this observa- tion contributes to (i) a better understanding of language-agnostic user classification on Twitter, (ii) eliciting opportunities for Com- putational Social Science, and (iii) improving online marketing by identifying cross-selling opportunities.
We start with a machine learning problem of predicting a user’s preference among two alternative choices of Twitter friends. We show that co-following information provides strong signals for di- verse classification tasks and that these signals persist even when the most discriminative features are removed.
Going beyond mere classification performance optimization, we present applications of our methodology to Computational Social Science. Here we confirm stereotypes such as that the country singer Kenny Chesney (@kennychesney) is more popular among @GOP followers, whereas Lady Gaga (@ladygaga) enjoys more support from @TheDemocrats followers.
In the domain of marketing we give evidence that celebrity en- dorsement is reflected in co-following and we demonstrate how our methodology can be used to reveal the audience similarities be- tween not so obvious entites such as Apple and Puma.

ผลลัพธ์ (ไทย) 1:

เรานำเสนอการศึกษาเชิงลึกร่วมติดตามบน Twitter ตามสังเกตว่า ผู้ใช้ Twitter ที่มีผู้ติดตามมีเพื่อน simi lar ก็คล้ายกัน แม้ว่าพวกเขาอาจใช้ร่วมกันการเชื่อมโยงโดยตรงหรือผู้ติดตามกันเดียว เราแสดงวิธีนี้ observa-ทางการค้าก่อให้เกิดการ (i) เข้าใจการจัดประเภทผู้ใช้ภาษา agnostic บน Twitter, (ii) eliciting โอกาสสำหรับ Com - putational สังคมศาสตร์ และ (iii) การปรับปรุงการตลาดออนไลน์ โดยการระบุโอกาสในการขายข้ามเราเริ่มต้น ด้วยเครื่องเรียนรู้ปัญหาของการคาดคะเนลักษณะของผู้ใช้ระหว่างสองทางเลือกของเพื่อน ๆ ในทวิตเตอร์ เราแสดงที่ร่วมติดตามข้อมูลให้สัญญาณแรงงานจำแนกข้อดี และว่า สัญญาณเหล่านี้ยังคงอยู่แม้เมื่อมี discriminative มากที่สุดจะถูกเอาออกเราไปนอกเหนือจากประเภทที่เพียงเพิ่มประสิทธิภาพ นำเสนองานของวิธีการของเราเพื่อสังคมศาสตร์เชิงคำนวณ นี่เรายืนยันตนเช่นนักร้องประเทศเคนนี Chesney (@kennychesney) นิยมมากในหมู่ผู้ติดตาม @GOP ในขณะที่เลดี้กาก้า (@ladygaga) เมืองสนับสนุนเพิ่มเติมจากผู้ติดตาม @TheDemocratsในโดเมนของการตลาด เราให้หลักฐานว่า ชื่อเสียงสั้น-dorsement ประกอบร่วมต่อไปนี้ และแสดงให้เห็นถึงวิธีใช้วิธีการของเราให้เหมาะกับกลุ่มเป้าหมายที่คล้ายคลึงกันได้แต่ entites ไม่ชัดเจนเช่นแอปเปิ้ลและเสือพูมา

ผลลัพธ์ (ไทย) 2:

เรานำเสนอการศึกษาในเชิงลึกของผู้ร่วมต่อไปนี้บนทวิตเตอร์อยู่บนพื้นฐานของการสังเกตว่าสองผู้ใช้ทวิตเตอร์ที่มีผู้ติดตามที่มีเพื่อน LAR simi- นอกจากนี้ยังมีที่คล้ายกันถึงแม้ว่าพวกเขาอาจจะไม่แบ่งปันการเชื่อมโยงโดยตรงหรือเป็นลูกศิษย์ร่วมกันเพียงครั้งเดียว เราแสดงให้เห็นว่าการ observa- นี้ก่อให้เกิดการ (i) ความเข้าใจที่ดีของการจำแนกประเภทผู้ใช้ภาษาไม่เชื่อเรื่องพระเจ้าบนทวิตเตอร์ (ii) การหาความรู้โอกาสในการกระทัด putational สังคมศาสตร์และ (iii) การปรับปรุงการตลาดออนไลน์ด้วยการระบุโอกาสในการขายข้าม
เราเริ่มต้นด้วยปัญหาการเรียนรู้เครื่องในการคาดการณ์การตั้งค่าของผู้ใช้ในหมู่สองทางเลือกทางเลือกของเพื่อนทวิตเตอร์ เราแสดงให้เห็นว่าข้อมูลร่วมต่อไปนี้ให้สัญญาณที่แข็งแกร่งสำหรับดิงานกลอนจำแนกและว่าสัญญาณเหล่านี้ยังคงมีอยู่แม้ในขณะที่คุณสมบัติจำแนกส่วนใหญ่จะถูกลบออก.
จะเกินกว่าการเพิ่มประสิทธิภาพการจัดหมวดหมู่เพียงเรานำเสนอการประยุกต์ใช้วิธีการของเราในการคำนวณสังคมศาสตร์ ที่นี่เรายืนยันแบบแผนเช่นว่านักร้องประเทศ Kenny Chesney (@kennychesney) เป็นที่นิยมมากขึ้นในหมู่สาวก @GOP ขณะที่เลดี้กาก้า (@ladygaga) สนุกกับการสนับสนุนเพิ่มเติมจากผู้ติดตาม @TheDemocrats.
ประสิทธิภาพของการตลาดที่เราให้หลักฐานที่มีชื่อเสียง en - dorsement สะท้อนให้เห็นในร่วมต่อไปและเราแสดงให้เห็นว่าวิธีการของเราสามารถใช้ในการแสดงให้เห็นถึงความคล้ายคลึงกันของผู้ชมกรทวี entites ไม่ชัดเจนดังนั้นเช่นแอปเปิ้ลและ Puma