A Review of Latent Space Models for Social Networks
本文对社交网络和潜在空间建模的基本原理进行了综述。前者讨论了与网络描述相关的重要主题，包括顶点特征和网络结构;而后者阐述了网络建模的相关进展，包括随机图模型，广义随机图模型，指数随机图模型和社会空间模型。我们详细讨论了文献中提供的几个潜在的空间模型，特别注意的距离，类和特征模型的无向，二进制网络的背景下。此外，我们还使用20多个流行的网络文献数据集，从预测和拟合优度方面对这些模型的行为进行了实证研究。
2020-12-03 cs.SI stat.ME
The latent cognitive structures of social networks
本文提出一种基于低秩非负Tucker分解的方法，通过将认知社交结构建模为三维张量来识别跨网络感知的潜在认知结构，并分析社交与认知结构的一致性。
2024-03-22 cs.SI
Latent Sentiment Detection in Online Social Networks: A Communications-oriented View
在本文中，我们考虑的问题，潜在的情感检测在线社交网络，如Twitter。我们展示了使用底层社交网络作为伊辛之前执行网络辅助情感检测的好处。我们表明，使用的底层网络的结果在大大降低检测出错率相比，严格的基于特征的检测。在这样做时，我们引入了一个新的通信为导向的框架，描述错误的概率，基于信息理论分析。我们研究了几个程式化的网络拓扑结构，如完整的网络，星形网络和闭链网络的计算误差指数的变化，并显示在确定检测性能的网络结构的重要性。
2014-01-09 cs.SI
Convexity in complex networks
度量图的性质是复杂网络分析的核心，而在本文中，我们通过凸子图的数学定义来研究它们的凸性。一个子图是凸的，如果子图的每个节点之间的测地线路径完全位于子图内。根据我们对凸性的理解，凸网络是这样的网络，其中每个连通的节点子集都导出一个凸子图。我们发现，凸性是许多网络的固有属性，是不存在于随机图。大多数凸的是空间基础设施网络和社会协作图，因为它们的树状或类树状结构，而食物网是唯一被研究的真正非凸的网络。核心-外围网络是区域性凸的，因为它们可以被分成由凸外围包围的非凸核心。然而，随机图仅是局部凸的，这意味着任何尺寸小于节点之间的平均测地线距离的连通子图几乎肯定是凸的。提出了网络凸性的不同度量方法，并讨论了其在网络研究中的应用。
2017-05-11 cs.SI math.MG physics.soc-ph
Latent Space Model for Multi-Modal Social Data
University of Southern California（南加州大学）
随着社交网络服务的出现，研究人员享受越来越多的大规模异构数据集捕获在线用户交互和行为的可用性。传统的技术社会系统数据分析主要集中在描述社会互动的动态，或用户的属性和行为。然而，压倒性的经验证据表明，这两个方面相互影响，因此，他们应该共同建模和分析的多模态框架。这种方法的好处包括能够构建更好的预测模型，利用社交网络信息以及用户行为信号。为此，在这里，我们提出了约束潜在空间模型（CLSM），一个广义的框架，它结合了混合成员随机块模型（MMSB）和潜在狄利克雷分配（LDA），其中包含一个约束，迫使潜在空间同时描述多个数据模态。我们推导出一种基于变分期望最大化的高效推理算法，该算法的计算成本与网络的大小呈线性关系，从而使分析大量社会数据集成为可能。我们验证了所提出的框架上的两个问题：从用户属性和行为的社会互动的预测，以及利用网络信息的行为预测。我们使用各种多模式社会系统进行实验，包括基于位置的社交网络（Gowalla）、社交媒体服务（Instagram、Orkut）、电子商务和评论网站（Amazon、Ciao），以及引文网络（Cora）。结果表明，在预测精度的最先进的方法，并证明了所提出的方法的灵活性，以解决各种不同的学习问题，通常发生与多模态的社会数据显着改善。
2015-10-18 cs.LG cs.SI physics.data-an
Using Linear Dynamical Topic Model for Inferring Temporal Social Correlation in Latent Space
丰富的在线用户数据导致了使用计算方法来理解社会关系动态的兴趣激增。利用用户的项目采用数据，我们开发了一种新的方法来计算用户之间的Granger因果关系（GC）。为了处理采用数据的高维性和稀疏性，我们建议在潜在空间而不是原始数据空间中建模用户之间的关系。我们设计了一个线性动态主题模型（LDTM），可以捕捉用户的项目采用行为在潜在（主题）空间的动态。使用LDTM学习的时间主题分布的时间序列，我们进行格兰杰因果关系检验来衡量用户对之间的社会相关关系。我们把LDTM和Granger因果关系检验的组合称为时间社会相关性。通过对书目数据进行广泛的实验，作者类似于用户，我们表明，作者的名字在他们的出版物上的排序在作者之间的研究主题的相互作用中起着统计上显着的作用。我们还提出了一个案例研究来说明作者对之间的相关关系。
2015-01-06 cs.SI
Rebalancing Social Feed to Minimize Polarization and Disagreement
Sapienza University（罗马第一大学）；CENTAI（CENTAI研究所）；KTH Royal Institute of Technology（瑞典皇家理工学院）；Eurecat（Eurecat技术中心）
本文针对社交媒体极化问题，提出通过重加权关注账号重要性来平衡信息流相关性与多样性的方法，设计了可扩展投影梯度下降算法，经实验验证效果优于基线，可助力构建更健康的在线社区。
2023-08-28 cs.CY cs.LG cs.SI
Social Discrete Choice Models
人类决策是多个应用领域数据生成过程的基础，解释和预测个人选择的模型需求量很大。离散选择模型在经济学和计算社会科学中得到了广泛的研究。由于数字社交网络促进了个人之间的信息流动和影响力的传播，除了影响个人选择的特征之外，还需要在建模方面取得新的进展，将社会信息纳入这些模型。在本文中，我们提出了两个新的模型与可扩展的训练算法：局部物流图正则化（LLGR）和潜在类图正则化（LCGR）模型。我们添加了社会正则化来表示朋友之间的相似性，我们引入潜在类来解释不同社会群体之间可能的偏好差异。LLGR模型的训练使用交替方向乘法器（ADMM）执行，并且LCGR模型的训练使用专门的蒙特卡罗期望最大化（MCEM）算法执行。通过在期望和最大化步骤中并行计算来实现对大型图的可扩展性。LCGR模型是第一个潜在类别分类模型，它包含了由给定图表示的个体之间的社会关系。为了评估我们的两个模型，我们考虑三类数据来说明互联网和社交媒体应用程序中的典型大规模用例。我们在合成数据集上进行实验，以经验性地解释所提出的模型何时优于不利用图结构的香草分类模型。我们还在真实世界的数据上进行了实验，包括小规模和大规模的真实世界数据集，以证明我们的模型在哪些类型的数据集上的性能有望超过最先进的模型。
2017-11-02 cs.SI physics.soc-ph
A Latent Social Approach to YouTube Popularity Prediction
当前关于信息中心网络的工作假设最近最少/频繁使用（LRFU）方案下的高速缓存策略的频谱作为事实标准，这是由于这种策略的容易实现和更容易分析。在本文中，我们预测的流行分布的YouTube视频在校园网络。我们探索了两种广泛的方法来预测网络中视频的流行度：基于网络中聚合行为的共识方法，以及基于隐式网络上信息扩散的社会方法。我们在一个简单的缓存框架下通过根据我们预测的分布挑选k个最受欢迎的视频并计算缓存的命中率来衡量我们的方法的性能。我们首先将视频到达间隔时间（基于无标度网络中相同消息的两个接收者之间的传输时间的幂律分布）结合到基线（LRFU），然后结合信息扩散模型，推断出潜在的社交图，控制网络中视频的扩散。我们应用潜在的社会网络推理技术来学习网络中用户之间的共享概率，并应用从数学流行病学中借来的病毒传播模型来估计视频在未来被访问的次数。我们的方法比基线提高了14%的命中率。
2013-08-06 cs.MM cs.NI cs.SI
Interlayer Link Prediction in Multiplex Social Networks Based on Multiple Types of Consistency between Embedding Vectors
在线用户通常活跃在多个社交媒体网络（SMN）上，这构成了多元化的社交网络。确定不同SMN上的给定帐户是否属于同一用户变得越来越具有挑战性;这可以表示为复用网络中的层间链路预测问题。为了解决预测层间连接的挑战，利用特征或结构信息。使用网络嵌入技术来解决这个问题的现有方法专注于学习映射函数，以将所有节点统一到一个公共的潜在表示空间中进行预测;不匹配的节点和它们的公共匹配邻居（CMN）之间的位置关系没有被利用。此外，这些层通常被建模为未加权图，忽略了节点之间关系的强度。为了解决这些限制，我们提出了一个基于多种类型的嵌入向量（MulCEV）之间的一致性的框架。在MulCEV中，传统的基于嵌入的方法被用来获得代表不匹配节点的向量之间的一致性程度，并提出了一种基于节点在每个潜在空间中的位置的距离一致性指数，为预测提供了额外的线索。通过将这两类一致性关联起来，充分利用了潜在空间中的有效信息。此外，MulCEV将层建模为加权图以获得表示。通过这种方式，节点之间的关系强度越高，它们在潜在表示空间中的嵌入向量将越相似。我们在几个真实数据集上的实验结果表明，所提出的MulCEV框架明显优于当前基于嵌入的方法，特别是当训练迭代次数很小时。
2021-11-09 cs.SI physics.soc-ph
Characterizing Polarization in Social Networks using the Signed Relational Latent Distance Model
Technical University of Denmark（丹麦技术大学）
图表示学习已经成为表征和理解网络结构的重要工具，特别是社交网络。通常，这些表示学习方法将网络嵌入到低维空间中，其中每个个体的角色可以根据其潜在位置来表征。社交网络目前的一个主要问题是出现两极分化和过滤泡沫，促进“我们与他们”的心态，这种心态可能由被认为最终导致政治暴力和民主侵蚀的极端立场所界定。这种极化网络通常以反映喜欢和不喜欢的有符号链接来表征。我们提出了潜在的符号关系潜在距离模型（SLIM），首次使用的似然函数的符号网络和扩展的建模，以不同的极端位置的特征，通过限制嵌入空间的多面体。在四个真实的社会符号极化网络上，我们证明了该模型提取了低维特征，可以很好地预测友谊和敌意，同时提供了可解释的可视化定义的极端位置时，赋予模型的嵌入空间限制到多面体。
2023-03-03 cs.LG cs.SI stat.ML
Shared data granularity: A latent dimension of privacy scoring over online social networks
隐私评分旨在衡量用户在在线社交网络（OSN）上的隐私侵犯风险。该领域现有的工作依赖于可能有偏见或情绪化的调查数据，并且只关注像Facebook这样的个人目的OSN。与现有的工作相比，在这篇论文中，我们使用从LinkedIn收集的真实世界的OSN数据，LinkedIn是最流行的专业用途的OSN（ProOSN）。为此，我们开发了一个广泛的爬虫程序来收集5，389个LinkedIn用户的所有相关个人资料数据，使用关系数据库和图形数据库对这些数据进行建模，并定量分析了文献中的所有隐私风险评分方法。此外，我们提出了一种新的评分方法，考虑粒度的数据OSN用户在她的个人资料页面上的份额。现有的和建议的评分方法进行了广泛的实验评估表明，所提出的解决方案的有效性。
2021-05-01 cs.CR cs.SI
A Multi-Modal Latent-Features based Service Recommendation System for the Social Internet of Things
针对现有社交物联网服务推荐方法未挖掘多模态内容下潜在物品-物品结构的问题，本文提出基于潜在特征的推荐系统，通过多模态聚合构建潜在物品图并结合图卷积优化物品表示，性能优于现有方法。
2024-04-13 cs.IR cs.SI
Learning Social Influence with Unobserved Attention
Complex Systems Institute, University of Vermont（佛蒙特大学复杂系统研究所）；Department of Applied Mathematics, University of Colorado Boulder（科罗拉多大学博尔德分校应用数学系）；Honors College Applied Mathematics, Texas Tech University（德克萨斯理工大学荣誉学院应用数学）；Department of Mathematics and Computational Data Science, Hamline University（哈姆林大学数学与计算数据科学系）；Department of Mathematics and Statistics, Eastern Kentucky University（东肯塔基大学数学与统计系）；Department of Computer Science, Middlebury College（明德学院计算机科学系）；Department of Mathematics, Harvey Mudd College（哈维穆德学院数学系）
该研究提出含未观测注意力机制的社会影响力模型，采用最大似然算法拟合观点轨迹，在多数数据集上提升了预测能力，揭示了潜在机制对交互核的影响。
2026-10-12 cs.SI physics.soc-ph stat.AP
Deriving Latent Social Impulses to Determine Longevous Videos
在线视频网站每天都会收到来自世界各地用户的大量视频。如何为观众提供有价值的推荐，无论是视频网站还是相关的第三方，如搜索引擎，都是一项重要的任务。以前的工作对视频的观看次数进行了大量的分析，这些分析衡量了视频在受欢迎程度方面的价值。然而，一个网络视频的长久价值，即长寿，隐藏在一段视频通过时间积累“热度”的历史背后。一般来说，一个长时间的视频往往会不断引起社会的关注。本文以领先的视频网站Youtube为研究对象，提出了一种量化视频寿命的评分机制。评估视频的寿命不仅可以改进视频推荐系统，还可以帮助我们发现具有更大广告价值的视频，以及调整视频网站的存储策略以缩短其响应时间。为了准确地量化寿命，我们引入了潜在的社会冲动的概念，以及如何使用它们来衡量视频的寿命。为了获得潜在的社会冲动，我们把视频网站看作是一个数字信号过滤器，并把这个任务描述为一个凸最小化问题。所提出的寿命计算是基于派生的社会冲动。不幸的是，获得社交冲动所需的信息并不总是公开的，这使得第三方无法直接评估每个视频的寿命。为了解决这个问题，我们制定了一个半监督学习任务，使用已知的寿命分数的视频预测未知的寿命分数。我们提出了一个高斯随机马尔可夫模型与循环信念传播来解决这个问题。在Youtube上进行的实验表明，与基线相比，该方法显著提高了预测结果。
2013-12-26 cs.MM cs.SI
Improving Latent User Models in Online Social Media
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Indian Institute of Technology Kharagpur（印度理工学院卡拉格普尔分校）
现代社交平台的特征在于存在与文本内容的发布、共享和消费相关联的丰富的用户行为数据。用户在复杂而动态的社交环境中与内容交互，并相互交互，同时随着时间的推移而发展。为了有效地描述用户并预测他们在这种环境中的未来行为，有必要克服几个挑战。行为数据的内容异构性和时间不一致性导致了用户级的严重稀疏性。在本文中，我们提出了一种新的相互增强的框架，同时分区和学习用户的潜在活动配置文件。我们提出了一种灵活的用户划分方法，以有效地发现罕见的行为和解决用户级稀疏。我们广泛评估了来自现实世界平台的海量数据集的拟议框架，包括问答网络和互动在线课程（MOOC）。我们的研究结果表明，在不同的任务范围内，我们的收益显着超过最先进的行为模型（平均15%），并且对于交互数据有限的用户，我们的收益进一步放大。所提出的算法适合并行化，线性扩展数据集的大小，并提供灵活性，以模拟用户行为的不同方面。
2019-02-07 cs.AI cs.LG cs.SI
Dual Graph Attention Networks for Deep Latent Representation of Multifaceted Social Effects in Recommender Systems
Shanghai Key Laboratory of Scalable Computing and Systems, Department of Computer Science and Engineering, Shanghai Jiao Tong University（上海交通大学计算机科学与工程系可扩展计算与系统上海市重点实验室）；WeChat, Tencent Inc.（腾讯公司微信）；UM-SJTU Joint Institute, Shanghai Jiao Tong University（上海交通大学密西根大学联合学院）
社会化推荐利用社会信息解决传统协同过滤方法中的数据稀疏性和冷启动问题。然而，大多数现有的模型假设来自朋友用户的社会效应是静态的，并且在恒定权重或固定约束的形式下。为了放松这个强假设，在本文中，我们提出了双图注意力网络来协作学习双重社会效应的表示，其中一个由用户特定的注意力权重建模，另一个由动态和上下文感知的注意力权重建模。我们还将用户域中的社会效应扩展到项目域，以便可以利用相关项目的信息来进一步缓解数据稀疏问题。此外，考虑到两个领域中不同的社会效应可能相互作用，共同影响用户对物品的偏好，提出了一种基于上下文多臂强盗的策略融合策略，以权衡各种社会效应之间的相互作用.在一个基准数据集和一个商业数据集上的实验验证了我们模型中关键组件的有效性。实验结果表明，与其他最先进的社会化推荐方法相比，我们的模型在推荐准确率上有了很大的提高。
2019-03-25 cs.IR cs.LG cs.SI
GhostLink: Latent Network Inference for Influence-aware Recommendation
社交影响力在塑造用户在处理电影、食物和啤酒等品味项目的在线社区中的行为方面起着至关重要的作用。对于在线推荐，这意味着用户的偏好和评级受到其他个体的影响。如果只给出用户评论的时间戳，我们能找出谁影响谁，以及潜在影响网络的特征吗？我们可以利用这个网络来改进推荐吗？虽然社交感知推荐中的先前工作通过考虑观察到的用户社交网络来利用社交交互，但许多社区（如Amazon，Beeradvocate和Ratebeer）没有明确的用户-用户链接。因此，我们提出了GhostLink，一个无监督的概率图形模型，来自动学习评论社区背后的潜在影响网络--只考虑用户帖子及其内容的时间轨迹（时间戳）。基于对四个真实世界数据集（包含1300万条评论）的广泛实验，我们发现GhostLink比不考虑这种影响的最先进方法提高了约23%的项目推荐。作为额外的用例，我们表明，GhostLink可用于区分用户的潜在偏好和受影响的偏好，以及基于学习的影响图检测有影响力的用户。
2019-05-15 cs.IR cs.SI
Independent Asymmetric Embedding for Information Diffusion Prediction on Social Networks
Southwest University（西南大学）
对社交网络上的信息扩散进行预测，对于市场营销和舆论控制具有重要的现实意义。它旨在预测可能在社交网络上转发消息的个人。一类方法是基于人口统计学、复杂网络等先验知识建立可解释的模型来模拟和预测传播过程，另一类方法是完全数据驱动的，将节点映射到潜在空间进行传播预测。现有的潜空间设计和嵌入方法缺乏对用户间干预的考虑。本文提出了一种独立的非对称嵌入方法，将每个个体嵌入到一个潜在影响空间和多个潜在易感性空间中。基于信息扩散与热扩散现象的相似性，利用热扩散核建立嵌入规则。此外，我们的方法捕捉级联用户组合的同现规律，以提高计算效率。在真实世界数据集上进行的大量实验结果验证了我们方法的预测准确性和成本效益。
2022-05-26 cs.LG cs.SI
Graph-Hist: Graph Classification from Latent Feature Histograms With Application to Bot Detection
Carnegie Mellon University（卡内基梅隆大学）
神经网络越来越多地用于各种上下文中的图分类。社交媒体是这个领域的一个关键应用领域，然而社交媒体图的特征与大多数流行的基准数据集不同。社交网络往往是大而稀疏的，而基准则是小而密集的。传统上，大型稀疏网络通过研究局部属性的分布来分析。受此启发，我们引入了Graph-Hist：一种端到端的架构，它可以提取图的潜在局部特征，沿着特征空间的一维横截面将节点合并在一起，并基于此多通道直方图对图进行分类。我们表明，Graph-Hist在真实的社交媒体基准数据集上提高了最先进的性能，同时在其他基准上仍然表现良好。最后，我们通过在社交媒体中进行机器人检测来展示Graph-Hist的性能。虽然复杂的机器人和电子人账户越来越多地避开传统的检测方法，但它们在会话图中留下了人工伪像，这些伪像通过图分类来检测。我们应用Graph-Hist对这些会话图进行分类。在这个过程中，我们确认社交媒体图与大多数基线不同，并且Graph-Hist优于现有的机器人检测模型。
2019-10-02 cs.LG cs.SI stat.ML
Finding low-tension communities
受在线社交媒体和协作网络中出现的应用程序的启发，社区搜索和团队组建问题已经有了很多工作。在前一类问题中，目标是找到满足一定连通性要求并包含给定种子节点集合的子图。另一方面，在后一类问题中，目标是找到集体拥有任务所需技能的个体，并形成具有某些属性的连通子图。在本文中，我们扩展了社区搜索和团队形成的问题相关联的个人资料。个人资料是一个数字分数，量化了个人在某个主题上的位置。我们采用一个模型，每个人都从一个潜在的个人资料开始，并通过一个动态的构象过程，考虑到个人的社会互动和趋势，以符合一个人的社会环境，达到一个符合的个人资料。在这一框架下，社会紧张关系产生于相邻个体的一致性特征之间的差异，以及个体的一致性特征与潜在性特征之间的差异。给定一个网络的个人，他们的潜在配置文件和这个构象的过程中，我们扩展了社区搜索和团队形成的问题，要求输出子图具有低的社会张力。从技术的角度来看，我们研究这些问题的复杂性，并提出有效解决这些问题的算法。我们在一些社交网络的实验评估揭示了我们的方法的有效性和效率。
2017-01-19 cs.SI physics.soc-ph
DeepWalk: Online Learning of Social Representations
Stony Brook University（石溪大学）
我们提出了DeepWalk，这是一种用于学习网络中顶点潜在表示的新方法。这些潜在表征在连续向量空间中编码社会关系，这很容易被统计模型利用。DeepWalk概括了语言建模和无监督特征学习（或深度学习）的最新进展，从单词序列到图形。DeepWalk使用从截断随机游走中获得的本地信息，通过将游走视为句子的等价物来学习潜在表示。我们展示了DeepWalk在多个多标签网络分类任务上的潜在表示，这些任务用于社交网络，如BlogCatalog，Flickr和YouTube。我们的研究结果表明，DeepWalk优于具有挑战性的基线，这些基线允许对网络进行全局查看，特别是在存在缺失信息的情况下。当标记数据稀疏时，DeepWalk的表示可以提供比竞争方法高出10%的$F_1$分数。在一些实验中，DeepWalk的表示能够优于所有基线方法，同时使用少60%的训练数据。DeepWalk也是可扩展的。它是一个在线学习算法，建立有用的增量结果，是平凡的并行化。这些特性使其适用于广泛的现实世界应用，如网络分类和异常检测。
2014-06-27 cs.LG cs.SI
Understanding User Topic Preferences across Multiple Social Networks
近年来，社交网络在功能和应用上呈现出多样性。人们开始同时使用多个在线社交网络来满足不同的需求。发现用户的潜在主题和社交网络偏好的能力对于跨社交网络的社区发现、推荐和个性化服务至关重要。不幸的是，目前大多数工作都集中在单一网络上，需要新的技术和模型来解决这个问题。提出了一种多社交网络上的用户偏好发现模型。首先定义了全局和局部主题概念，然后采用潜在语义主题发现方法获取全局和局部主题词分布，以及用户主题和社交网络偏好。在此之后，不同的社交网络的主题分布特征进行了检查，以及用户选择一个网络，而不是另一个创建一个职位的原因。其次，采用Gibbs抽样算法获得模型参数。在实验中，我们从Twitter、Instagram和Tumblr网站收集数据，构建多个社交网络的数据集。最后，将本文的研究与前人的研究进行了比较，定性和定量的评价结果都证明了本文的有效性。
2021-09-10 cs.SI
Topic Lifecycle on Social Networks: Analyzing the Effects of Semantic Continuity and Social Communities
Twitter上的话题生命周期分析是研究Twitter话题从诞生到生命周期直至消亡的一个分支，已经获得了巨大的主流研究人气。在文献中，主题通常被视为（a）主题标签（独立于其他主题标签），（b）短时间内的关键字突发或（c）由高级文本分析方法（如潜在狄利克雷分配（LDA））捕获的潜在概念空间之一。前两种方法无法识别不同用户使用不同主题标签来表达相同概念（语义相关）的主题，而第三种方法错过了用户通过主题标签表达的明确意图。在我们的工作中，我们使用一个基于词嵌入的方法来聚类不同的主题标签在一起，和时间并发的主题标签的使用，从而形成主题（一组语义和时间相关的主题标签）。我们描述了社会团体在主题集群中的参与，并分析了主题集群的生命周期与这种参与。我们获得了关于社区和时间上主题复杂演变的第一种新颖见解：社区内主题在标签上的时间变形，标签如何在某些社区中死亡，但在其他一些社区中变形为其他一些标签（这是一种社区级现象），以及特定社区如何采用特定的标签。我们的工作是在社区中的主题生命周期建模和理解的空间的基础：它重新定义了我们对主题生命周期的理解，并表明主题生命周期的社会边界是根深蒂固的社区行为。
2018-01-18 cs.SI physics.soc-ph
Latent Network Models to Account for Noisy, Multiply-Reported Social Network Data
社交网络数据通常通过合并来自多个人的报告来构建。然而，如何调和来自个人的不一致反应并不明显。如果人们的反应反映了规范性的期望，例如对平衡、互惠关系的期望，那么多重报告的数据可能会有特别的风险。在这里，我们提出了一个概率模型，它结合了多个人报告的关系，以估计未观察到的网络结构。除了为每个报告者估计一个与他们的过度或低估报告关系的倾向有关的参数外，该模型还明确地纳入了一个术语“相互性”，即在涉及相同改变的两个方向上报告联系的倾向。我们的模型的算法实现是基于变分推理，这使得它高效和可扩展到大型系统。我们将我们的模型应用于从75个印度村庄收集的数据，名称生成器的设计，和一个基于名册的设计收集的社区。我们在两个数据集中都观察到了“相互性”的强有力证据，并发现这个值因关系类型而异。因此，我们的模型估计的网络的互惠值与标准确定性聚合方法产生的互惠值有很大不同，这表明在收集、构建和分析基于调查的网络数据时需要考虑这些问题。
2022-12-12 cs.SI
A Social Dynamical System for Twitter Analysis
提出潜在社会动力系统（LSDS）框架，结合图神经网络与图神经常微分方程建模社交媒体用户潜在意见动态，并在Twitter数据集上验证其有效性。
2025-03-28 cs.SI
Estimating Social Influence from Observational Data
Mila-Quebec AI Institute（米拉-魁北克人工智能研究所）；Université de Montréal（蒙特利尔大学）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Columbia University（哥伦比亚大学）
我们考虑估计社会影响力的问题，即一个人的行为对同龄人未来行为的影响。关键的挑战是，朋友之间的共享行为可以用影响或其他两个混杂因素来解释：1）导致人们成为朋友并参与行为的潜在特征，以及2）对行为的潜在偏好。本文通过三个贡献解决了估计社会影响力的挑战。首先，我们将社会影响正式定义为一种因果效应，这需要对假设的干预措施进行推断。其次，我们开发了泊松影响因子（PIF），一种从观察数据中估计社会影响力的方法。PIF将概率因子模型拟合到网络和行为数据中，以推断出作为混淆潜在特征的替代品的变量。第三，我们开发的假设下，PIF恢复社会影响力的估计。我们从Last.fm的半合成和真实数据实证研究PIF，并进行敏感性分析。我们发现，PIF估计社会影响力最准确的相关方法相比，仍然是强大的一些违反其假设。
2022-03-24 cs.AI cs.LG cs.SI
Hazard Exposure Heterophily: A Latent Characteristic in Socio-Spatial Networks Influencing Community Resilience
本研究提出灾害暴露异质性作为社会-空间网络的潜在特征，通过休斯顿案例揭示其空间变化，并指出低收入地区因同质性高而韧性低，强调其重要性。
2023-06-22 cs.SI
What are People Talking about in #BlackLivesMatter and #StopAsianHate? Exploring and Categorizing Twitter Topics Emerging in Online Social Movements through the Latent Dirichlet Allocation Model
Duke Kunshan University（杜克-昆山大学）；Data Science Research Center（数据科学研究中心）；Social Science Division Duke Kunshan University（社会科学系杜克-昆山大学）
本研究采用潜在狄利克雷分配模型和开放式编码的混合方法，分析超过一百万条BLM和SAH推文，发现社会正义、社会运动和情感情绪是共同话题，但各有独特子话题，为社交媒体社会运动主题分析做出贡献。
2022-09-19 cs.CL cs.CY cs.IR
Social networks, happiness and health: from sentiment analysis to a multidimensional indicator of subjective well-being
本文采用了一种新的技术，社会媒体数据的意见分析的目的是提出一个新的指标的感知和主观幸福感。这个新的指数，即SWBI，检查个人和社会生活的几个方面。该指标已与意大利其他一些现有的福祉和健康状况指标进行了比较：BES（Benessere Equo Sostenibile），流感发病率和城市环境中PM10的丰度。SWBI是省一级的日常措施。目前仅提供2013年和2014年的BES数据，这些数据是年度数据，可在区域一级获得。流感数据每周发布一次，并作为区域数据分发，每天收集不同城市的PM10。由于不同指标的时间尺度和空间粒度不同，我们采用一种新的统计技术来发现临近预报特征和经典的潜在分析来研究它们之间的关系。初步分析表明，环境和健康状况预期的几个方面的福祉的看法衡量的SWBI。此外，BES中的一套指标代表了福祉的一个潜在层面，与SWBI所代表的潜在层面有相似之处。
2015-12-03 cs.CY cs.SI physics.soc-ph
Not All Bonds Are Created Equal: Dyadic Latent Class Models for Relational Event Data
针对关系事件建模中行动者层面潜结构限制邻接矩阵表达的问题，本文提出DLC-REM，在二元层面刻画未观测异质性，并通过模拟和国际冲突数据验证其通用性与适用性。
2025-01-08 cs.SI
Multi-Modal Bayesian Embeddings for Learning Social Knowledge Graphs
Tsinghua University（清华大学）；Carnegie Mellon University（卡内基梅隆大学）
我们研究在线社交网络可以连接到开放的知识库的程度。这个问题被称为学习社会知识图谱。我们提出了一个多模态贝叶斯嵌入模型，GenVector，学习潜在的主题，生成词和网络嵌入。GenVector利用嵌入的大规模未标记数据，并表示两种模态的数据-即，社交网络用户和知识概念--在共享的潜在主题空间中。三个数据集上的实验表明，该方法明显优于国家的最先进的方法。然后，我们将该方法部署在AMiner上，AMiner是一个大型在线学术搜索系统，拥有38，049，189名研究人员的网络，拥有35，415，011个概念的知识库。我们的方法显着降低了出错率在一个在线的A/B测试与现场用户。
2016-04-20 cs.CL cs.SI
Efficient Online Inference for Infinite Evolutionary Cluster models with Applications to Latent Social Event Discovery
Carnegie Mellon University（卡内基梅隆大学）；Northeastern University（东北大学）
经常性中国餐馆过程（RCRP）是一种强大的统计方法，用于在大规模社交媒体数据中建模不断变化的集群。使用RCRP，可以允许模型中的聚类数量和聚类参数随时间变化。然而，RCRP的应用在很大程度上受到限制，由于集群进化先验和多项式似然之间的非共轭。这种非共轭性使得推理困难，并限制了使用RCRP的模型的可扩展性，导致RCRP仅适用于简单的问题，例如可以通过单个高斯发射近似的问题。在本文中，我们提供了一个新的解决方案的非共轭问题的RCRP和一个例子，如何利用我们的解决方案的一个特定的问题-社会事件发现问题。通过在推理中使用顺序蒙特卡罗方法，我们的方法可以大规模地扩展，并且具有高度的可扩展性，可以在数千万文档上工作。我们能够生成高质量的主题和位置分布的集群，可以直接解释为真实的社会事件，我们的实验结果表明，所提出的方法实现更好的预测性能比以前的工作中报告的技术。我们还展示了我们开发的技术可以用于更一般的方式来解决类似的问题。
2017-08-20 cs.AI cs.CL cs.SI
Latent Multi-group Membership Graph Model
我们开发了潜在多组成员关系图（LMMG）模型，一个具有丰富节点特征结构的网络模型。在LMMG模型中，每个节点属于多个组，每个潜在组对链接的出现以及节点特征结构进行建模。LMMG可用于概括网络结构，预测节点之间的链接，以及预测节点的缺失特征。我们推导出有效的推理和学习算法，并评估了几个社会和文档网络数据集上的LMMG的预测性能。
2012-05-21 cs.SI physics.soc-ph stat.ML
The Bayesian Echo Chamber: Modeling Social Influence via Linguistic Accommodation
Duke University（杜克大学）；UCL（伦敦大学学院）；Microsoft Research（微软研究院）
我们提出了贝叶斯回声室，一个新的贝叶斯生成模型的社会互动数据。该模型通过对人们语言使用随时间的演变进行建模，发现它们之间潜在的影响关系。与以前的工作推断的影响，这主要集中在简单的时间动态证明通过话轮转换行为，我们的模型捕捉到更微妙的影响关系，证明通过语言的适应模式的互动内容。该模型是基于离散模拟的多变量霍克斯过程，允许一个完全的贝叶斯推断算法。我们验证了我们的模型的能力，发现潜在的影响模式，使用美国最高法院和电影“12愤怒的人”听到的辩论成绩单。“我们展示了我们的模型的能力，通过使用它来推断联邦公开市场委员会会议记录的潜在影响模式，展示了在小组讨论中发现社会动态的最先进性能。
2015-01-27 cs.CL cs.LG cs.SI
A Neural Influence Diffusion Model for Social Recommendation
精确的用户和项目嵌入学习是构建成功推荐系统的关键。传统上，协同过滤（CF）提供了一种从用户-项目交互历史中学习用户和项目嵌入的方法。然而，由于用户行为数据的稀疏性，性能受到限制。随着在线社交网络的出现，社会推荐系统已经被提出来利用每个用户的本地邻居的偏好来减轻数据稀疏性以更好地进行用户嵌入建模。我们认为，对于社交平台的每个用户，她的潜在嵌入受到她信任的用户的影响。随着社会影响力在社会网络中的递归传播和扩散，每个用户的兴趣在递归过程中发生变化。然而，目前的社交推荐模型只是利用每个用户的本地邻居建立静态模型，而没有模拟全局社交网络中的递归扩散，导致推荐性能不佳。在本文中，我们提出了一个深度影响传播模型，以刺激用户如何影响社会推荐的递归社会扩散过程。对于每个用户，扩散过程从融合相关特征的初始嵌入和捕获潜在行为偏好的自由用户潜在向量开始。我们提出的模型的核心思想是，我们设计了一个逐层的影响传播结构，以模拟用户的潜在嵌入如何随着社会扩散过程的继续而演变。我们进一步表明，我们提出的模型是通用的，可以应用时，用户~（项目）属性或社会网络结构是不可用的。最后，在两个真实数据集上的大量实验结果清楚地表明了我们提出的模型的有效性，与最佳基线相比，性能提高了13%以上。
2019-04-20 cs.IR cs.SI
Discovering Latent Themes in Social Media Messaging: A Machine-in-the-Loop Approach Integrating LLMs
Purdue University（普渡大学）
针对传统话题分析粒度粗、人工主题发现方法扩展性差等问题，本研究提出融合LLMs的机器在环方法，在两个Facebook广告数据集上验证了其在潜在主题发现上更准确可解释的效果，并揭示了社交媒体主题的动态变化规律。
2024-07-15 cs.AI cs.CL cs.CY
Uncovering Latent Arguments in Social Media Messaging by Employing LLMs-in-the-Loop Strategy
Purdue University（普渡大学）
本文提出一种通用的LLMs-in-the-Loop策略，利用大型语言模型从社交媒体信息中提取特定主题的潜在论点，并在气候和COVID-19疫苗运动数据集上验证了其有效性，同时设计了立场预测下游任务并分析了人口统计定向。
2025-01-27 cs.AI cs.CL cs.CY
Successful New-entry Prediction for Multi-Party Online Conversations via Latent Topics and Discourse Modeling
随着社交媒体的日益普及，在线人际沟通在人们的日常信息交流中发挥着至关重要的作用。由于其在许多场景中的应用，新人是否以及如何更好地参与社区引起了人们的极大兴趣。虽然一些早期社会化研究取得了显著的成果，但这些研究主要集中在基于小群体的社会学调查上。为了帮助个人度过早期的社会化时期，并参与在线对话，我们研究了一个新的任务，以预测新来者的消息是否会被其他参与者在多方对话（以下简称成功的新进入预测）。这项任务将成为在线助理和社交媒体研究的重要组成部分。为了进一步研究这种参与成功的关键因素，我们采用了一个无监督的神经网络，变分自动编码器（VAE），检查的主题内容和话语行为从新人的聊天历史和会话的持续的背景。此外，两个大规模的数据集，从Reddit和Twitter，收集支持新条目的进一步研究。在Twitter和Reddit数据集上进行的大量实验表明，我们的模型显著优于所有基线和流行的神经模型。对新进入行为的其他可解释和视觉分析揭示了如何更好地参与他人的讨论。
2022-02-09 cs.SI
Joint Inference of Diffusion and Structure in Partially Observed Social Networks Using Coupled Matrix Factorization
Sharif University of Technology（谢里夫理工大学）
针对社交网络数据不完整问题，本文提出概率生成模型 DiffStru，利用耦合低维潜在因子联合推断缺失的扩散活动与隐藏网络结构，并在合成及真实数据集上验证有效。
2023-03-22 cs.LG cs.SI
SocialGCN: An Efficient Graph Convolutional Network based Model for Social Recommendation
Hefei University of Technology（合肥工业大学）；Missouri University of Science and Technology（密苏里科技大学）；Microsoft Research Asia（微软亚洲研究院）
协同过滤是推荐系统中最成功的方法之一。随着在线社交网络的出现，社会化推荐成为一个热门的研究方向。这些社会推荐模型大多利用每个用户的本地邻居的偏好，以减轻CF中的数据稀疏性问题。然而，他们只考虑了每个用户的本地邻居，而忽略了用户的偏好的过程中，作为社会网络中的信息扩散。最近，图卷积网络~（GCN）通过利用图的结构和节点特征信息对图中的信息扩散过程进行建模，显示出很好的结果。为此，在本文中，我们提出了一个有效的图卷积神经网络为基础的社会推荐模型。基于经典的CF模型，我们提出的模型的核心思想是，我们借用GCN的优势，以捕捉用户的偏好是如何影响的社会扩散过程中的社交网络。用户偏好的扩散建立在逐层扩散的方式上，初始用户嵌入是当前用户特征和不包含在用户特征中的自由基用户特征向量的函数。类似地，每个项的隐向量也是项的自由隐向量及其特征表示的组合。此外，我们表明，我们提出的模型是灵活的，当用户和项目功能不可用。最后，在两个真实数据集上的大量实验结果清楚地表明了我们提出的模型的有效性。
2019-07-11 cs.IR cs.LG cs.SI
Temporal Identification of Latent Communities on Twitter
社交网络中的用户社区通常通过考虑用户之间的显式结构化社交联系来识别。虽然这样的社区可以揭示有关其成员的重要信息，如家庭或友谊关系和地理位置，但它们不一定能成功地将志同道合的用户聚集在一起。在本文中，我们感兴趣的是识别社区的用户，随着时间的推移，共享类似的主题兴趣，无论他们是否明确地连接到彼此的社交网络。更具体地说，我们解决了从Twitter中识别基于时间主题的社区的问题，即，对Twitter上当前出现的话题有类似时间倾向的用户社区。我们将每个主题建模为在推文中观察到的高度相关的语义概念的集合，并通过基于每个概念随时间推移的观察频率构建的基于时间序列的每个概念的表示进行聚类来识别它们。基于在一个给定的时间段内确定的新兴主题，我们利用多变量时间序列分析模型的贡献，每个用户对确定的主题，这使我们能够检测潜在的用户社区。通过对Twitter数据的实验，我们证明了i）我们的主题检测方法检测真实世界主题的有效性，ii）与社区发现的成熟方法相比，我们的方法的有效性。
2015-09-14 cs.SI
Latent space approaches to aggregate network data
大规模的网络数据可能会带来计算挑战，获取成本高昂，并危及社交网络中个人的隐私。我们发现，潜在的空间集群模型的位置和规模可以推断出组之间的连接数。我们使用合成数据演示了这种建模方法，并将其应用于作为添加健康研究的一部分收集的学生之间的友谊，消除了对节点级连接数据的需要。因此，该方法保护了个人的隐私并简化了数据共享。它还提供了节点级潜在空间模型的性能优势，因为计算成本与集群的数量而不是节点的数量有关。
2023-03-15 cs.SI physics.soc-ph stat.ME
A Hierarchical Attention Model for Social Contextual Image Recommendation
基于图像的社交网络是近年来最流行的社交网络服务之一。随着每天上传的大量图像，了解用户对用户生成的图像的偏好并提出建议已成为迫切需要。事实上，已经提出了许多混合模型来融合各种边信息（例如，图像视觉表示、社交网络）和用户项历史行为来增强推荐性能。然而，由于社交图像平台中用户生成图像的独特性，以往的研究未能在一个统一的框架中捕捉影响用户偏好的复杂方面。此外，大多数混合模型都依赖于预定义的权重来组合不同类型的信息，这通常会导致推荐性能不佳。为此，在本文中，我们开发了一个层次化的注意力模型的社会背景图像推荐。除了流行的基于矩阵分解的推荐中的基本潜在用户兴趣建模之外，我们还确定了三个关键方面（即，上传历史、社交影响力和所有者赞赏），这些因素影响每个用户的潜在偏好，其中每个方面都总结了用户和图像之间复杂关系的上下文因素。在此之后，我们设计了一个层次化的注意力网络，它自然地反映了用户潜在兴趣与识别出的关键方面的层次关系（每个方面级别中的元素，以及方面级别）。具体来说，通过从针对每种数据量身定制的最先进的深度学习模型中嵌入，分层注意力网络可以学习以不同的方式关注更多或更少的内容。最后，在真实数据集上的大量实验结果清楚地表明了我们提出的模型的优越性。
2019-04-15 cs.IR cs.SI
A Latent Space Model for Multilayer Network Data
在这项工作中，我们提出了一个贝叶斯统计模型，同时表征两个或两个以上的社交网络定义在一个共同的演员集。该模型的关键特征是分层先验分布，使我们能够联合表示整个系统，实现依赖和独立网络之间的折衷。除此之外，这样的规范很容易让我们在低维欧氏空间中可视化多层网络数据，生成反映参与者之间共识亲和力的加权网络，建立网络之间相关性的度量，评估主体对参与者之间关系的认知判断，并在不同的社会实例中执行聚类任务。我们的模型的能力说明使用几个现实世界的数据集，考虑到不同类型的演员，大小和关系。
2021-02-18 cs.SI stat.ML
Statistical Tests for Contagion in Observational Social Network Studies
目前社会网络研究中的传染测试容易受到潜在同性恋的混淆效应（即，联系优先在具有相似隐藏特征的个体之间形成）。我们展示了一种通用的方法，以降低观察性社会网络研究中因果效应的强度，即使是在存在任意的，未观察到的个人特征。我们的测试不需要参数假设，每个测试都与代数证明相关联。我们证明了我们的方法的有效性，通过正确推导的因果关系的例子，以前显示暴露现有方法的缺陷。最后，我们讨论了初步结果的数据取自心脏研究。
2013-04-15 cs.SI physics.soc-ph stat.ME
Latent Viral Marketing, Concepts and Control Methods
Numerus研究社交网络中信息传播的作品包括一种传播机制，其中一组节点最初被感染（即播种），然后是病毒过程，该过程通过网络的节点自发地传播消息。这些模型用于描述谣言的传播以及新产品和服务的传播。然而，在现实中，一个产品或服务仅仅通过病毒式的力量在社交网络中传播是非常罕见的。更常见的是，传播者将投入其销售代表的持续积极努力，以提高传播。潜在病毒式营销模式是一种适合这一现实的传播模式。沿着该模型的描述，本文继续，并提出了一个简单的播种调度算法，它建议在每个周期的节点种子。大量的实证模拟研究表明，在广泛的现实初始条件下，与现有的最先进的播种方法相比，调度播种方法将产品采用率提高了29%-94%。
2017-04-06 cs.SI
Bayesian Parameter Estimation for Latent Markov Random Fields and Social Networks
University of Oxford（牛津大学）
无向图模型在统计学、物理学和机器视觉等领域有着广泛的应用。然而，无向模型的贝叶斯参数估计是极具挑战性的，因为后验的评估通常涉及到一个棘手的归一化常数的计算。这个问题已经得到了很大的关注，但很少集中在重要的实际情况下，数据包括噪音或不完整的观察潜在的隐藏结构。本文专门针对这个问题，比较两种替代方法。在这些方法的第一种中，粒子马尔可夫链蒙特卡罗（Andrieu等人，2010）用于有效地探索参数空间，结合交换算法（Murray et al.，2006），以避免计算棘手的归一化常数（证明这种组合的目标是正确的分布，可以在在线补充附录中找到）。该方法与近似贝叶斯计算（Pritchard等人，1999年）。应用估计伊辛模型和指数随机图的参数从噪声数据。由于使用MCMC从潜在图形模型进行模拟，本文中使用的每个算法都以接近真实后验为目标，而不是能够在一般情况下准确地做到这一点。补充附录还说明了由此得出的近似值的性质。
2012-03-14 cond-mat.stat-mech cs.AI cs.SI
Latent patterns of urban mixing in mobility analysis across five global cities
Department of Geography, The University of Hong Kong（香港大学地理系）；Institute of Marine Sustainable Development, Liaoning Normal University（辽宁师范大学海洋可持续发展研究院）；Senseable City Lab, Massachusetts Institute of Technology（麻省理工学院感知城市实验室）；ABC Department, Politecnico di Milano（米兰理工大学ABC部门）；Network Science Institute and Department of Physics, Northeastern University（东北大学网络科学研究院和物理系）；Media Lab, Massachusetts Institute of Technology（麻省理工学院媒体实验室）
研究通过大规模出行调查揭示五个全球城市中社会混合模式，发现 socioeconomic 状态和年龄对混合影响不同，构建了空间时间场所网络。
2026-04-14 cs.AI cs.SI
Nonnegative Multi-level Network Factorization for Latent Factor Analysis
非负矩阵分解（Nonnegative Matrix Factorization，NMF）的目的是将一个矩阵分解为两个优化的非负矩阵，并已被广泛用于无监督学习任务，如基于评级矩阵的产品推荐。然而，尽管具有相同性质的节点之间的网络存在，但标准NMF忽略了它们，例如，用户之间的社交网络。这个问题导致相对较低的推荐准确性，因为这些网络也反映了节点的性质，例如社交网络中用户的偏好。此外，社交网络作为复杂网络，具有许多不同的结构。每个结构都是节点之间的链接组成，反映了节点的性质，因此保留不同的网络结构会导致推荐性能的差异。为了研究这些网络结构对因子分解的影响，本文提出了四种基于标准NMF的多级网络因子分解算法，该算法集成了垂直网络（例如，评级矩阵）与水平网络的结构（例如，用户社交网络）。这些算法经过精心设计，并具有相应的收敛性证明，以保留四种所需的网络结构。在合成数据上的实验表明，所提出的算法能够保持所需的网络结构的设计。在真实数据上的实验结果表明，考虑水平网络可以提高标准NMF的文档聚类和推荐的准确率，不同的结构在这两个任务上表现出不同的性能。这些结果可以直接用于文档聚类和推荐系统。
2015-04-01 cs.IR cs.SI
DeepInf: Social Influence Prediction with Deep Learning
Tsinghua University（清华大学）；Microsoft Research（微软研究院）；HEC Montreal（蒙特利尔高等商学院）；Montreal Institute for Learning Algorithms（蒙特利尔学习算法研究所）
社交和信息网络活动，如Facebook，Twitter，微信和微博已成为我们日常生活中不可或缺的一部分，我们可以轻松地访问朋友的行为，并反过来受到他们的影响。因此，有效的社会影响力预测每个用户是至关重要的各种应用，如在线推荐和广告。传统的社交影响力预测方法通常设计各种手工制作的规则来提取用户和网络特定的特征。然而，它们的有效性在很大程度上依赖于领域专家的知识。因此，通常很难将它们推广到不同的领域。受深度神经网络最近在广泛计算应用中取得成功的启发，我们设计了一个端到端框架DeepInf，用于学习用户的潜在特征表示，以预测社会影响力。一般来说，DeepInf将用户的本地网络作为图神经网络的输入，以学习她的潜在社交表征。我们设计策略，将网络结构和用户特定的特征结合到卷积神经和注意力网络中。在Open Academic Graph、Twitter、Weibo和Digg上进行的大量实验表明，所提出的端到端模型DeepInf显著优于传统的基于特征工程的方法，表明了表示学习在社交应用中的有效性。
2018-07-15 cs.LG cs.SI
Mining Reaction and Diffusion Dynamics in Social Activities
Osaka University（大阪大学）
大量的在线用户活动数据，如每周的网络搜索量，与几个查询和位置的相互影响共同发展，作为一个重要的社会传感器。通过从这些数据中发现潜在的相互作用来准确地预测未来的活动是一项重要的任务，即，每个查询之间的生态系统和每个区域之间的影响流。然而，这是一个困难的问题，在数据量和复杂的模式覆盖的动态。为了解决这个问题，我们提出了FluxCube，这是一种有效的挖掘方法，预测大量的共同发展的在线用户活动，并提供良好的可解释性。我们的模型是两个数学模型的组合的扩展：反应扩散系统提供了一个框架，用于模拟局部区域组之间的影响流，生态系统模型每个查询之间的潜在相互作用。此外，通过利用物理信息神经网络的概念，FluxCube实现了从参数和高预测性能中获得的高可解释性。在真实数据集上的大量实验表明，FluxCube在预测精度方面优于同类模型，FluxCube中的每个组件都有助于提高性能。然后，我们展示了一些案例研究，FluxCube可以提取有用的潜在的查询和区域组之间的相互作用。
2022-09-19 cs.AI cs.LG cs.SI
CML-COVID: A Large-Scale COVID-19 Twitter Dataset with Latent Topics, Sentiment and Location Information
作为一个平台，Twitter一直是讨论COVID-19疫情的重要公共空间。Twitter等公共社交媒体平台是参与大流行病的重要网站，这些数据可供研究团队用于社会、健康和其他研究。了解公众对COVID-19的看法以及信息如何在社交媒体上传播对政府和研究机构非常重要。Twitter是一个无处不在的公共平台，因此在了解公众对COVID-19的看法、行为和态度方面具有巨大的效用。在这项研究中，我们展示了CML-COVID，这是一个COVID-19 Twitter数据集，包含来自5，977，653个独立个体的19，298，967百万条推文，并总结了这些数据的一些属性。这些推文是在2020年3月至2020年7月期间使用与COVID-19相关的冠状病毒、COVID和口罩等查询词收集的。我们使用主题建模、情感分析和描述性统计来描述我们收集的与COVID-19相关的推文以及推文的地理位置（如有）。我们提供有关如何访问我们的tweet数据集的信息（使用twarc存档）。
2021-01-28 cs.CY cs.HC cs.SI
Inferring Multilateral Relations from Dynamic Pairwise Interactions
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
异常活动模式之间的相关性可以产生关于复杂社会过程的相关信息：多对行为者同时表现出的与正常行为的显著偏离，为涉及这些行为者的某种潜在关系提供了证据，即，多边关系。我们引入了一个新的非参数贝叶斯潜变量模型，明确捕获异常的相互作用计数之间的相关性，并使用这些共享的偏离正常的活动模式，以确定和表征多边关系。我们使用新策划的事件，位置和音调全球数据库展示了我们模型的功能，该数据集在社会科学和大众媒体中引起了相当大的兴趣，但机器学习社区基本上没有探索过。我们提供了一个详细的分析，我们的模型推断的潜在结构，并表明，多边关系对应于重大国际事件和长期的国际关系。这些发现使我们推荐我们的模型用于任何交互网络的数据驱动分析，其中边缘上的动态交互为潜在的社会结构提供了证据。
2013-11-15 cs.AI cs.SI
