用户定义的社区是许多Web平台的重要组成部分，用户表达了他们的想法，意见和分享信息。尽管有积极的好处，但在线社区也有可能成为冲突和反社会行为的滋生理由。
在这里，我们使用了40个月的Reddit评论和帖子（可在Pushshift.io提供，非常感谢Jason Michael Baumgartner！）检查互通冲突案件（＆＃39;战争＆＃39;或＆＃39; raids＆＃39;） ，其中一个reddit社区的成员，叫做＆＃34; supreddit＆＃34;，集体动员参加或攻击另一个社区。
我们通过搜索一个社区发布到另一个社区的超链接的情况来发现这些冲突事件，专注于这些超链接与负面情绪相关的情况（例如，＆＃34;看看社区X＆＃34中的所有白痴;）并导致目标社区中的反社会活动增加。我们分析了36,000个社区之间的137,1133个交叉链路。
我们的分析揭示了许多与Reddit冲突相关的重要趋势，对网络互动冲突有一般影响。例如，我们发现少数社区发起最大部分冲突，其中1％的社区中的所有冲突中的74％ 。上面的图像显示了各种红线社区的二维图。该地图中的红色节点/社区发起大量冲突。
局部相似，但具有反对意识形态，团体战斗：我们可以看到这些发生节点的这些冲突在某些社会区域中罕见并聚集在一起。这些社区攻击了其他类似主题的社区，但在观点中不同。
冲突由活动社区成员发起，但由不太活跃的用户执行。通常是高度活跃的用户，这些用户将超链接到目标社区，但它是更加遵循这些链接和共分冲突的外围用户。
冲突由＆＃34的形成标记;回声室＆＃34;，讨论线程中的用户主要与他们自己社区的其他成员互动（即＆＃34;攻击者＆＃34;与＆＃34互动;攻击者＆＃34;和＆＃34;捍卫者＆＃34;与＆＃34;捍卫者＆＃34;）。
冲突对目标社区成员的参与有长期的不利影响，但是当＆＃34;捍卫＆＃34时减轻了这些不利影响;社区成员参与加热，与＆＃34直接辩论;攻击者＆＃34;
当攻击的社区直接与（＆＃39;反击＆＃39;）攻击用户时，可能会捍卫冲突。
预测冲突：我们开发了一种新的深度学习（基于LSTM的）模型，以预测从一个社区到另一个社区的链接将导致冲突。在我们的模型中，我们学习矢量表示，或嵌入的用户和社区优化以捕获用户和社区之间的社交关系，我们使用这些嵌入式来为我们提供预测的社交环境提供我们的LSTM模型信息。我们的方法优于许多强大的基线，可用于创建A＆＃39; RAID＆＃39;适用于主持人的早期预警系统，以通知他们潜在的省风涌入有毒用户。