Birçok araştırmacı, kullanıcı yorumlarının uzunluğunun, sosyal ağlarda görünmeyen bağlantıları ortaya çıkarabileceğini göstermiştir. Teksas Üniversitesi Austin kampüsünden Yan Leng’in başlattığı ekip, Melbourne Üniversitesi’nden Yijun Chen ile Oxford, Hong Kong’un Çinli Üniversitesi ve Sydney Üniversitesi araştırmacılarıyla birlikte “Homophilous Network Learning” (HNL) adlı bir model geliştirdi. Model, kullanıcıların birbirlerini takip edip etmediğini değil, hangi işletmelere yorum yaptıklarını ve yorum uzunluklarını inceleyerek sosyal bağları geriye doğru tahmin ediyor.
Yelp’in New Orleans ve Pittsburgh bölgelerindeki açık veri seti üzerinde test edilen HNL, Louisiana örneklemi 2 065 yorumcu ve 6 994 işletmeden, Pennsylvania örneklemi ise 2 234 yorumcu ve yaklaşık 16 000 işletmeden oluşuyordu. Yelp’in yayımladığı gerçek arkadaş ağı sayesinde modelin tahminleri gerçek bağlantılarla karşılaştırıldı. Sonuçlar, algoritmanın %60’ı aştığını ve sosyal bağlantıları oldukça başarılı bir şekilde tahmin ettiğini gösterdi. Araştırmacılar, düşük isabet oranlarının bile geniş çaplı oltalama saldırılarını ekonomik açıdan cazip kılabileceğini vurguladı.
Bu bulgular, elde edilen sosyal ağ bilgilerinin hedefli “spear‑phishing” saldırılarında kullanılabileceğini ortaya koyuyor. Araştırmacılar, sonuçların yalnızca Yelp’e sınırlı kalmayabileceğine dikkat çekerek, Amazon, YouTube gibi platformlarda da benzer bir sosyal veri sızıntısının teorik olarak mümkün olabileceğini belirtti; ancak bu veri türlerini henüz test etmediklerini ifade etti.
