摘要

近年来，由于区块链技术的进步，基于区块链的在线社交媒体（BOSM）平台发展迅速。BOSM通过去中心化的治理结构和基于加密货币的激励模型相结合，可以有效克服传统社交媒体平台存在的单点信任、用户激励不足等问题，从而吸引大量用户，使其成为 Web3 的重要组成部分。 BOSM 允许用户对低质量内容投反对票，旨在通过投票对低质量内容进行排序和过滤来降低低质量内容的可见度。 但这一特性可能会被部分用户恶意利用，破坏激励的公平性，降低高可见度内容的质量，进一步降低用户创作内容的热情和平台的吸引力。 在本文中，我们使用从最大的 BOSM 平台 Steemit 收集的四年数据来研究和分析投票行为。 我们发现大量的机器人账户正在积极地对内容投反对票。 此外，我们发现大约 9% 的反对票活动可能是报复性的。 我们没有发现任何对特定主题的内容进行否决的重要实例。 我们相信本文的研究结果将有助于 BOSM 和 Web3 中用户行为分析和激励模式设计的未来发展。

关键词——区块链、在线社交媒体、Steemit、downvote、bot account

一、介绍

传统的在线社交媒体（OSM）平台，例如 Facebook [1] 和 Twitter [2]，有两个主要问题。 首先，这些平台高度集中，因此受到单一信任点的约束。 用户被迫相信平台不会滥用或泄露他们的数据，他们的帖子和评论不会被篡改或删除，他们的账户不会被强制限制或封锁。 然而，这些情况在现实中屡屡发生[3]，其根本原因是用户没有平台管理权。 其次，这些平台依靠用户创造有价值的内容来盈利，但作为内容的提供者，用户很少能得到足够的回报[4]。 这种传统的商业模式缺乏对用户提供高质量内容的有效激励，导致努力与回报之间的不匹配，从而降低了动力和创造力。

近年来，区块链技术促进了基于区块链的在线社交媒体 (BOSM) 平台的快速增长。 区块链是一种分布式账本，通过对等网络管理用户交易，具有防篡改和去中心化等特性 [5]。 基于这些特性，区块链可以有效保护BOSM平台免受单点故障、平台内容不真实等问题。 在此基础上，区块链让用户参与BOSM平台的管理，赋予用户管理平台的权利，从而克服单点信任问题。此外，基于区块链的经济属性，BOSM 平台可以使用加密货币来激励用户，从而鼓励他们生产高质量的内容。 在过去的几年里，出现了一些 BOSM 平台，如 Sapien1、Peepeth2、Steemit3、Indorse4、Hive blog5 等，这些平台都具有去中心化的平台管理和底层加密货币网络与社交网络相结合的特点 [6]。

BOSM允许用户否决低质量的内容。BOSM中投票的本质是通过将内容质量筛选的任务众包给用户，并赋予内容适当的可见性，从而根据质量对内容进行高效排名，从而提高高质量内容的可见性以吸引用户阅读，降低低质量内容的可见度以过滤垃圾邮件。但是，有些用户可能会滥用此功能。例如，用户可能比正常情况下更频繁地投反对票。用户可能会因为与内容质量无关的原因（如发布者的身份或行为）而投反对票。此外，用户可以组织来否决与反对主题或观点相关联的信息，以限制其可见性。这些否决权滥用削弱了激励措施的公平性，降低了高可视性内容的质量，并进一步降低了用户对内容创作的热情和平台的吸引力。

本文利用从最大的BOSM平台Steemit[7]收集的四年数据，首次对BOSM平台中的否决权进行了实证研究。具体而言，我们首先评估了个人的向下投票行为，以识别活跃的向下投票者和可疑的机器人账户。我们发现，有相当多的可疑机器人账户在积极地降低投票内容。其次，我们研究了用户之间的向下投票行为。我们的调查结果表明，大约9%的否决可能是报复性的。最后，我们确定了研究了被否决的帖子中的主题。根据调查结果，没有明显的例子表明某个特定主题的内容被否决。我们相信，本文的研究结果将有助于BOSM和Web3中用户行为分析和激励模式设计的未来发展。

我们将本文的其余部分组织如下：第二节首先介绍了BOSM平台的背景。然后，我们在第三节中描述了数据收集的方法。在第四节中，我们从个人投票、相互投票和被投票帖子主题三个方面分析了被投票。最后，我们在第五节中讨论了相关工作，并在第六节中结束。

二、背景

区块链是一种去中心化的分布式账本，用于维护链上所有交易的记录[8]。区块链是去中心化和防篡改的，因为P2P网络中的每个节点都有相同的副本[9]。此外，区块链还具有独特的经济属性。因此，最近出现了大量的区块链在线社交媒体（BOSM）平台[10]。这些BOSM平台解决了传统OSM平台的关键问题，包括单一故障点和缺乏激励，同时也抵制审查，并提高平台上提交内容的真实性和真实性。接下来，我们将介绍Steemit和其他一些活跃的BOSN平台。

A.Steemit

Steem是一个基于委托权益证明（DPoS）共识协议的社交区块链。Steemit是建立在Steem区块链上的BOSM平台。

与其他通常不奖励用户的社交媒体平台不同，Steemit提供三类奖励：（1）制作人奖励、（2）作者奖励和（3）策展人奖励。Steemit回复了一个由21名用户组成的委员会，共同管理平台，并利用制作人奖励来激励用户参与委员会的选举。为了激励用户创建高质量的内容，Steemit定期向根据这些帖子获得的投票结果创建帖子的用户分配作者奖励。此外，为了鼓励用户投票支持帖子，Steemit定期向投票支持帖子的用户分配策展奖励[11]。

在Steemit平台上，用户可以发布内容并对其他用户的内容发表评论。内容可以由其他人投票决定，以证明其质量。用户投票分为赞成票和反对票，赞成票表示赞成票，反对票表示反对票。得票最多的帖子将有机会被提升到主页，这也将为作者和策展人带来更多奖励。此外，Steemit还包括一个声誉系统，在该系统中，用户的声誉分数随着获得更多的赞成票而增加，随着获得更多反对票而降低。

表一操作投票方案

B.其他BOSMs

Sapien是一个基于以太坊的社交新闻网络，利用区块链技术为大众制作社交新闻Sapien上共享的内容可以公开或保密，确保一定程度的社交数据可见性。

Peepeth是一个类似于Twitter的基于以太坊的在线社交网络平台。它由两部分组成：由以太坊[12]和IPFS[13]组成的数据库；和Peepeth前端。在Peepeth上发帖、点赞和关注等行为需要支付Gas费用才能在链上打包。为了鼓励用户创建高质量和真实的内容，Peepeth为每个用户提供了每天一次的“点赞”功能，并且是不可撤销的。

Indorse是一个基于区块链技术的去中心化专业社交网络。用户可以通过多次分享自己的技能和为他人的技能背书来获得奖励，广告商可以使用IND代币在平台上购买广告位。此外，Indorse寻求通过区块链技术提供类似LinkedIn的功能。

Hive Blog是一个基于蜂巢区块链的在线社交媒体。它是Steem区块链的分支，与Steem有许多相似之处。

除了这些BOSM，还有许多其他突出的平台，包括Minds、Appics等。

三、数据收集

使用Steem区块链提供的交互式应用程序编程接口（API），我们收集了2016年4月至2020年3月（四年期）的交易。获得的数据可分为以下几类：社会运作数据、选举运作数据和转账运作数据[14]。在我们的实验中，我们主要利用社会运营数据，包括运营投票和运营评论。在表一中，我们展示了操作投票的模式，这是我们研究中最重要的操作类型。可以看出，此操作包括五个字段。

它表示一个人在帖子或评论上以特定的权重进行了投票。用户可以将投票权重$vw$设置为-100%和100%之间的任何值。具体而言，如果用户希望对帖子投反对票，则$vw$ 应在-100%和0%之间进行调整，以减少被投反对票的帖子的累积投票权。相反，为了给帖子投赞成票，用户应该将$vw$ 设置在0%和100%之间，从而增加由投赞成票的帖子获得的累积投票权。例如，用户，比如$u_a$ ，可能会因为关于一个标题为$title$ 的帖子感到不舒服，它是由另一个用户$u_b$ 写的。然后，用户$u_a$ 可以决定通过向区块链提交一个包含信息$u_a$ 、$u_b$ 、$title$ 、$-100$ 的操作来否决这篇帖子。如果该操作包含在编号为$bn$ 的区块中，则区块链中记录的最终操作将为$vote=\left\{bn，u_a，u_b，title，-100\right\}$ ，如表I所示。此外，Steemit利用投票权vp来限制用户每天的加权投票数。每个用户以$vp=100\%$ 开头。如果用户继续投票，那么他或她的v$vp$ 将继续减少。每天回收20%的$vp$ 。直观地说，用户可以每天投满投票权重$vw=100\%$的k票，包括$k_u$ 赞成票和$k_d$ 反对票，其中$k=k_u+k_d$ 。

四、 投票率下降的分析

在本节中，我们使用第三节中介绍的数据集研究和分析了BOSM中的投票率下降。最近的研究表明，许多社交网络功能可能会被滥用，从而对平台的生态系统造成严重危害[15]。例如，作者和策展人可能会从其他用户或机器人账户购买支持票，以提高他们帖子的累积投票权，从而增加他们获得更高作者和策策展人奖项的机会。然而，投反对票的动机可能与投赞成票的动机大不相同。投票人可能会因为投赞成票的帖子而获得策划奖励，但投反对票并没有明确的好处。如第三节所述，每个用户每天可以投的赞成票和反对票的总数可以被视为一个固定值k。因此，在某种程度上，反对票可能被认为是以牺牲用户的个人利益为代价进行的。为了理解否决权，本节重点讨论了三个方面，即个人否决权、相互否决权和被否决帖子的主题。

图1.个人否决权统计

A.个人否决权

在本节中，我们提取并分析了2016年第二季度至2020年第一季度的个人否决权和选民人数。结果如图1所示。

首先，我们注意到，每个季度都有很大比例的选民投了一票，占选民总数的45.71%。我们注意到，大多数用户（占选民总数的82.56%）投票不超过10票。我们认为拥有100张以上选票的用户是积极的向下投票者，他们可能更喜欢投负面票。据统计，投过的用户数量超过100个投票，即主动投票，仅占用户总数的3.55%。

在获得统计结果后，我们将重点放在了积极的选民上。具体来说，根据他们的身份证，我们首先手动分析了这些活跃的选民。我们发现了大量类似名称的账户，其ID通常由一个单词和一个数字组成，例如“cheetah01”。因此，我们将这些账户定义为疑似机器人用户，并筛选出ID为上述形式的机器人用户。我们进一步将ID包含相同单词（例如“cheetah”“sheetah01”）的疑似机器人用户定义为由单个实体控制的一组Sybil机器人。然后，通过观察Sybi机器人的投票，我们发现了一些有趣的例子，其中一群Sybi机器人跟随一位领导人否决了一组帖子，以及不存在这样的领导人的例子。此外，通过比较活跃的投票人和机器人用户，我们发现只有一小部分机器人用户是每月投票超过100票的活跃投票人。图2显示了活跃下投票者、活跃机器人用户和非活跃机器人用户的数量统计。可以看出，活跃的机器人用户约占所有活跃的向下投票人的14.07%，而机器人用户约占据所有投票人中的2.6%。

根据我们的分析，我们可以得出结论，大多数投反对票的用户只投过一次。虽然在某些情况下，大量的落选者也投票支持其他选项，但我们发现，这可能是由于那段时间职位数量的增加。此外，机器人做出了大量的否决票。在机器人数量较少的季度，投票率下降的总体趋势是下降的。然而，在机器人存在率较高的地区，投票活动出现了一些高峰。因此，为了维持一个健康的生态系统，我们的研究结果表明，Steemit应该采取措施解决机器人的使用问题。例如，它可以考虑禁止机器人用户投票或限制他们访问平台的活动。

图2.活跃下投票者、活跃机器人用户和非活跃机器人用户的数量统计。

图3.相互否决率和自我否决率统计。

B.相互否决

在我们对收集的数据进行观察的过程中，我们发现了相互否决的例子，即两个用户相互否决的行为。为了了解这种行为的根本原因，我们对相互否决进行了分析。具体而言，我们试图了解用户是否通过否决另一用户的帖子来进行报复，或者他们是否参与了其他类型的相互投票行为。例如，用户可能只是因为另一个用户早些时候否决了他们的帖子而否决了该用户的帖子。用户也可以对内容与自己相似的帖子投下否决票，以增加对自己帖子的奖励。

我们计算了相互否决票（即“共同否决票”）与总否决票的比率，以及自我否决票（如“自我否决票””）与总体否决票的比例，结果如图所示。3。在图中，红色短划线表示每个季度的相互否决率，蓝色短划线表示各个季度的自我否决率。由于样本量有限，前几个季度相互否决的比例约为22%。然而，随着样本量的增加，相互否决的百分比往往会降至平均约9%。自我否决率的趋势与相互否决率的走势相当，相互否决率随着样本量增加约1%而趋于平均值。

在对用户自投和互投进行彻底的手动分析后，我们发现许多用户在自己的帖子中投了反对票来测试系统。这是可以理解的，因为没有人愿意遭受损失。我们还发现，用户之间的相互否决行为并不总是遵循预期的模式。这种行为可能会受到对方回复中的矛盾、对方被否决，甚至多个帖子被否决的影响。此外，我们观察到机器人被用来多次否决同一账户的情况。

C.被否决帖子的主题

在[16]中，作者使用潜在y Latent Dirichlet Allocation（LDA）对Steemit上的用户帖子主题进行自然语言处理，以识别Steemit用户感兴趣的内容。为了弄清楚某些内容是否有针对性的否决票，我们还检查了获得否决票的帖子的主题，并将其与总体主题分布进行了比较。LDA是一个主题模型。它是一个三Bayesian概率模型，考虑了单词、主题和文档结构[17]。该模型可以以文档主题的概率分布的形式呈现，LDA可以用于检测文档或语料库是否具有潜在的主题信息。

我们选择LDA来提取所有被否决的帖子的主题。我们手动将类别数量设置为6，并输出与主题对应的单词，如下表II所示，我们在数据预处理过程中没有过滤数字数据，因此类别中存在数字单词。

表二.被否决的职位的主题

在图4中，将本文中测量的被否决帖子的主题的概率与[16]中测量的所有帖子的主题概率进行了比较。由于[16]中没有年份主题，因此我们的主题0的数据从比较中删除。尽管被否决的帖子与主题的总体分布略有不同，但主题的整体分布具有可比性。而且，考虑到我们在估计[16]的概率时有很小的误差，我们的结果可能表明，对特定主题没有针对性的否决票。

五、相关工作

在过去的几年里，许多研究从多个角度对BOSM平台进行了研究。在[18]中，指出机器人用户通常不如人类用户活跃。此外，由于机器人的普遍声誉很高，我们无法根据声誉对其进行筛选。此外，在[19]中，开发了机器人和欺诈活动的自动检测技术，发现了数千个机器人账户（超过平台上30%的账户）和一些真实世界的攻击（301个被攻击的账户）。最近一项关于Steemit经济因素的研究[4]显示，平台上最富有的用户并不是通过成为平台上最活跃的用户来获得财富，而是通过外部机制购买加密货币。该研究还评估了基础加密货币对平台用户行为的影响。研究结果显示，当Steem的价格较低时，人们不太鼓励发布内容和评论。尽管如此，用户参与度对Steem的价格没有显著影响。此外，研究表明与制作出更好的内容相比，成功的用户更了解如何获得更多奖励。

除了识别Steemit中的异常社会操作行为外，最近的工作还研究了用户在DPoS共识过程中的活动。在[20]中，发现了去中心化系统逐渐演变为垄断，以及具有类似投票行为的异常投票团伙。在[21]中，作者分析了比特币和Steem的去中心化程度。与Steem相比，正如他们的研究所表明的那样，比特币在顶级矿工中往往更分散，但总体上分散程度较低。

以往的研究要么研究用户角色，要么从经济角度分析用户行为，有的从STEEM共识机制角度分析用户的行为。本文在现有对机器人用户研究的基础上，通过分析用户的投票否决行为，结合影响用户行为的内外部因素，进一步识别用户存在的异常行为及其原因。

图4.DownvoteD帖子的主题概率与所有帖子的主题可能性的比较。

六、结论

本文首次对 BOSM 平台上的投票进行了实证研究。 我们评估了个人的反对票行为，检查了用户之间的反对票行为，并从被反对票的帖子中识别和分析了主题。我们的主要调查结果包括大量可疑的机器人账户，这些账户积极对内容进行投票，大约 9% 的投票可能是报复性的，并且没有针对特定主题的内容投票的显着实例。我们的研究结果表明，BOSM 平台上的投票可能被少数用户滥用，但并未大规模滥用。 我们相信本文的研究结果将促进 BOSM 和 Web3 中用户行为分析和激励模式设计的未来发展。