Com os resultados obtidos nessa pesquisa, foi possível compreender melhor como os usuários se comportam na rede social Twitter. Entretanto, o desejo de alcançar um modelo que possa prever quando um conteúdo será influente não foi alcançado, tampouco provocar a viralização de um conteúdo próprio. Como trabalhos futuros, pretende-se:
• Aplicar diferentes métricas de redes complexas a fim de comparar se os resultados dessas técnicas são compatíveis com o resultado de influência baseado na contagem de retuítes e menções;
• Aplicar novas técnicas de mineração de dados, como redes neurais, a fim de reduzir a taxa de falsos-positivos e poder ter em mãos um modelo que faça a predição de conteúdos que se tornarão influentes, baseado nas variáveis que são coletadas dos tuítes;
• Entender melhor a relação entre usuários intermediários que fazem com que um conteúdo se torne viral, visto que foi constatado que nem sempre o usuário que criou um conteúdo viral foi o responsável por essa viralização;
• Comparar esses novos resultados obtidos nos diferentes temas que foram coletados para entender se há diferença entre eles ou se são compatíveis, ou seja, saber se é possível criar um padrão único que aborde todos os temas ou se cada tema deve ser estudado separadamente;
• Acompanhar vídeos postados no YouTube que possuem poucas visualizações e solicitar a alguns usuários que compartilhem este vídeo. Esses usuários devem se encaixar em um perfil de usuários influentes que deverá ser descoberto com as técnicas citadas acima. Dessa forma, saberemos em qual momento específico e qual postagem
foi a principal responsável pela viralização do vídeo e aumento de visualizações no YouTube;
• Semelhante à visualização de vídeos no YouTube, acompanhar URLs específicas para identificar se, em algum momento, elas serão muito visitadas graças a alguma postagem no Twitter;
• Construir um padrão que identifique que um tuíte será viral;
• Induzir o comportamento viral de um conteúdo próprio que se adeque aos padrões de usuário influente e conteúdo viral descobertos anteriormente;
• Aplicar este estudo em outras redes sociais, como o Facebook, Pinterest e Instagram, a fim de validar se as descobertas a partir do Twitter se aplicam em diferentes redes sociais online, adaptando-se às diferentes funcionalidades que cada uma possui.
Referências
ARTHUR, D. et al. Pricing strategies for viral marketing on social networks. In: Internet
and Network Economics. [S.l.]: Springer, 2009. p. 101–112.
BAKSHY, E. et al. Everyone’s an influencer: quantifying influence on twitter. In: ACM.
Proceedings of the fourth ACM international conference on Web search and data mining.
[S.l.], 2011. p. 65–74.
BARABÁSI, A.-L.; ALBERT, R. Emergence of scaling in random networks. science, American Association for the Advancement of Science, v. 286, n. 5439, p. 509–512, 1999.
BOCCALETTI, S. et al. Complex networks: Structure and dynamics. Physics Reports, v. 424, n. 4-5, p. 175–308, 2006.
BORGATTI, S. P.; EVERETT, M. G. A graph-theoretic perspective on centrality. Social
networks, Elsevier, v. 28, n. 4, p. 466–484, 2006.
BOYD, D. Friends, friendsters, and myspace top 8: Writing community into being on social network sites. Citeseer, 2006.
BRODER, A. et al. Graph structure in the web. Computer networks, Elsevier, v. 33, n. 1, p. 309–320, 2000.
CHA, M. et al. Measuring user influence in twitter: The million follower fallacy. ICWSM, v. 10, p. 10–17, 2010.
CHANG, F. et al. Bigtable: A distributed storage system for structured data. ACM
Transactions on Computer Systems (TOCS), ACM, v. 26, n. 2, p. 4, 2008.
DOMINGOS, P. Mining social networks for viral marketing. IEEE Intelligent Systems, v. 20, n. 1, p. 80–82, 2005.
ELLISON, N. B. et al. Social network sites: Definition, history, and scholarship. Journal of
Computer-Mediated Communication, Wiley Online Library, v. 13, n. 1, p. 210–230, 2007.
GABIELKOV, M.; RAO, A.; LEGOUT, A. Studying social networks at scale: macroscopic anatomy of the twitter social graph. In: ACM. The 2014 ACM international conference
on Measurement and modeling of computer systems. [S.l.], 2014. p. 277–288.
HAND, D. J.; MANNILA, H.; SMYTH, P. Principles of data mining. [S.l.]: MIT press, 2001.
HILL, S.; PROVOST, F.; VOLINSKY, C. Network-based marketing: Identifying likely adopters via consumer networks. Statistical Science, JSTOR, p. 256–276, 2006.
JUNIOR, O. d. S. Investigação de Predição de Fluxos em Redes de Computadores. Dissertação (Mestrado) — UFABC, 2014.
KIMURA, M. et al. Extracting influential nodes on a social network for information diffusion. Data Mining and Knowledge Discovery, Springer, v. 20, n. 1, p. 70–97, 2010.
KWAK, H. et al. What is twitter, a social network or a news media? In: ACM. Proceedings
of the 19th international conference on World wide web. [S.l.], 2010. p. 591–600.
LESKOVEC, J.; ADAMIC, L. A.; HUBERMAN, B. A. The dynamics of viral marketing.
ACM Transactions on the Web (TWEB), ACM, v. 1, n. 1, p. 5, 2007.
LIU, L. et al. Learning influence from heterogeneous social networks. Data Mining and
Knowledge Discovery, v. 25, n. 3, p. 511–544, 2012.
MEEDER, B. et al. We know who you followed last summer: inferring social link creation times in twitter. In: ACM. Proceedings of the 20th international conference on World wide
web. [S.l.], 2011. p. 517–526.
MINHANO, R. Descoberta de Conexões Ocultas em Redes de Recomendações Usando
Redes Sociais Online. Dissertação (Mestrado) — UFABC, 2010.
NEWMAN, M. E. Assortative mixing in networks. Physical review letters, APS, v. 89, n. 20, p. 208701, 2002.
NEWMAN, M. E. A measure of betweenness centrality based on random walks. Social
networks, Elsevier, v. 27, n. 1, p. 39–54, 2005.
NEWMAN, M. E. J. The structure and function of complex networks. SIAM Review, v. 45, n. 2, p. 167–256, 2003.
PAL, A.; COUNTS, S. Identifying topical authorities in microblogs. In: ACM. Proceedings
of the fourth ACM international conference on Web search and data mining. [S.l.], 2011. p.
45–54.
SHARMA, N. K. et al. Inferring who-is-who in the twitter social network. ACM
SIGCOMM Computer Communication Review, ACM, v. 42, n. 4, p. 533–538, 2012.
STROGATZ, S. H. Exploring complex networks. Nature, Nature Publishing Group, v. 410, n. 6825, p. 268–276, 2001.
SUN, J.; TANG, J. Models and algorithms for social influence analysis. In: ACM.
Proceedings of the sixth ACM international conference on Web search and data mining.
[S.l.], 2013. p. 775–776.
TOGNERI, R. M. A Importância das Localidades Geográficas na Difusão Online de
Informação. Dissertação (Mestrado) — UFABC, 2013.
WATTS, D. J.; STROGATZ, S. H. Collective dynamics of ‘small-world’networks. nature, Nature Publishing Group, v. 393, n. 6684, p. 440–442, 1998.
WENG, J. et al. Twitterrank: finding topic-sensitive influential twitterers. In: ACM.
Proceedings of the third ACM international conference on Web search and data mining.