Distinctiveness Centrality in Social Networks
节点中心性的确定是社会网络研究中的一个基本问题。作为对现有指标的补充，这些指标根据中心节点的经纪能力、连接的数量和权重以及快速到达所有其他节点的能力来识别中心节点，我们引入了五种新的独特性中心性指标。这些新的指标将更高的分数归因于与网络外围保持连接的节点。它们惩罚连接到高度连接节点的链接，并为识别具有更独特网络关系的社会行为者服务。我们讨论了这些新引入的度量的一些可能的应用和性质，例如它们的上界和下界。独特性中心性提供了一个中心性的观点，替代既定的指标。
2020-05-22 cs.SI physics.soc-ph
Node-Centric Detection of Overlapping Communities in Social Networks
我们提出了NECTAR，一个社区发现算法，推广了鲁汶方法的局部搜索启发式重叠社区结构。NECTAR根据调用的网络动态选择要优化的目标函数。我们的综合基准图和现实世界的网络，地面真相社区的基础上，实验评估表明，NECTAR提供了优秀的结果相比，最先进的社区发现算法。
2016-07-06 cs.SI physics.soc-ph
Interplay between Social Influence and Network Centrality: A Comparative Study on Shapley Centrality and Single-Node-Influence Centrality
我们研究了社交网络中基于动态影响传播模型的网络中心性。为了说明我们理解动态影响过程和静态网络结构之间的基本相互作用的集成算法方法，我们专注于两个基本的中心性度量：（a）单节点影响（SNI）中心性，它通过影响传播来度量每个节点的重要性; Shapley中心性，它使用影响扩散函数的Shapley值--基于基本的合作博弈理论概念制定--来衡量节点的重要性。我们提出了一个全面的比较研究，这两个中心的措施。在数学上，我们提出了公理化的特征，这恰恰抓住了这两个中心的措施和他们的根本区别的本质。从数学上讲，我们提供了可扩展的算法来近似一个大家庭的社会影响力的实例。从经验上讲，我们证明了他们的相似性和差异，在一些现实世界的社交网络，以及我们的可扩展算法的效率。我们的研究结果揭示了它们的适用性：SNI中心性适合于评估孤立的个人影响力，而Shapley中心性评估个人在群体影响力环境中的表现。
2017-03-01 cs.SI physics.soc-ph
EMH: Extended Mixing H-index centrality for identification important users in social networks based on neighborhood diversity
社交网络的迅速扩张为用户提供了一个合适的信息传递平台。通过社交网络，我们可以在很短的时间内收获资源和分享信息。社交网络的发展给我们带来了巨大的便利。然而，组成网络的节点具有不同的传播能力，这受到许多因素的制约，而网络的拓扑结构是主要的因素。为了更准确地计算网络中节点的重要性，根据相邻节点的多样性定义了改进的H指标中心度（IH），然后利用累积中心度（MC）将所有相邻节点考虑在内，提出了扩展的混合H指标中心度（EMH）。我们评估所提出的方法的易感性-感染-扩散（SIR）模型和单调性，这是用来评估的准确性和分辨率的方法，分别。实验结果表明，该方法优于现有的识别不同网络中的节点的措施。
2020-03-07 cs.SI physics.soc-ph
Information Coverage Maximization in Social Networks
社交网络由于其流行性，近年来得到了广泛的研究。这些研究的丰富主体与影响力最大化有关，其目的是选择一组种子节点，以使过程结束时的活动节点的预期数量最大化。然而，主动节点集并不能完全代表信息传播的真实覆盖范围。当节点的任何邻居变得活跃并且尝试激活它时，节点可以被通知该信息，尽管该节点（即被通知的节点）仍然是不活跃的。因此，在研究网络中信息传播的覆盖时，需要同时考虑主动节点和知道信息的知情节点。沿着这条线，在本文中，我们提出了一个新的问题，称为信息覆盖最大化，旨在最大限度地提高预期数量的活跃节点和知情的。在证明了该问题在独立级联模型和线性阈值模型下是NP难的和次模块化的之后，我们设计了两个算法来解决该问题，并在三个真实数据集上进行了大量的实验，验证了所提算法的性能。
2015-10-13 cs.SI physics.soc-ph
Using Proximity to Predict Activity in Social Networks
社交网络的结构包含了可用于预测其演变的信息。从某种意义上说，“近”的节点比更远的节点更有可能在未来连接起来。我们表明，结构信息也可以帮助预测节点的活动。我们使用接近度来捕捉网络中两个节点彼此“接近”的程度。除了在链接预测任务中使用的标准邻近度量，如邻域重叠，我们引入了新的度量模型，不同类型的网络节点之间可能发生的相互作用。我们认为，“更接近”的节点在社会网络中，更相似的是他们的活动。我们研究这种说法使用的数据在社交媒体网站Digg和Twitter上的URL推荐。我们表明，在追随者图中的两个用户的结构接近度与他们的活动的相似性有关，即，两人推荐了多少个URL。我们还表明，给定朋友的活动，知道他们与用户的接近程度可以帮助更好地预测用户将推荐哪些URL。我们比较了不同的接近度指标的活动预测任务的性能，并发现一些指标导致实质性的性能改善。
2011-12-13 cs.SI physics.soc-ph
Rethinking Centrality: The Role of Dynamical Processes in Social Network Analysis
在社会网络分析中使用的许多流行的测量方法，包括中心性，都是基于随机游走的。随机游走是一个随机过程的模型，其中一个节点每次与另一个节点交互。然而，随机游走可能不适合于建模社会现象，包括流行病和信息扩散，其中一个节点可能同时与许多其他节点交互，例如，通过向其邻居广播病毒或信息。为了产生有意义的结果，社会网络分析算法必须考虑节点之间的交互性质。在本文中，我们将动态过程分为保守和非保守，并将它们与网络分析中使用的著名中心性度量：PageRank和Alpha-Centrality。我们证明，通过对用于广播信息的在线社交网络中的用户进行排名，非保守的阿尔法中心性通常会导致比保守的PageRank更好地与经验排名方案达成一致。
2014-03-27 cs.SI physics.soc-ph
Sampling from Social Networks with Attributes
从大型网络中取样是社会网络研究的一个基本挑战。在本文中，我们探讨了不同的采样技术（节点采样，边采样，随机游走采样，雪球采样）的敏感性社交网络的属性。我们考虑网络的特殊情况（i），其中我们有一个属性有两个值（例如，在性别的情况下为男性和女性），（ii）当两个组的大小不相等时（例如，男性多数和女性少数），以及（iii）具有相同或不同属性值的节点相互吸引或排斥（即，同性恋或异性恋行为）。我们评估不同的采样技术方面保存节点的位置和群体在这样的网络中的可见性。实验在合成的和经验的社交网络上进行。我们的研究结果提供的证据表明，不同的网络采样技术是高度敏感的捕获预期的中心节点，其准确性取决于相对组大小的差异和同质性的水平，可以在网络中观察到。我们的结论是，不知情的采样从社交网络的属性，从而可以显着损害的能力，研究人员得出有效的结论，节点的中心性和社交网络中的群体的可见性或不可见性。
2017-02-17 cs.SI physics.soc-ph
Social Diffusion and Global Drift on Networks
本文研究了一个对称加权网络上的社会扩散数学模型，在这个网络中，各个节点的状态逐渐被其邻居的平均状态所形成的局部社会规范所同化。与物理扩散不同，该过程不是状态守恒的，因此网络的全局状态（即，节点状态的总和）将漂移。渐近平均节点状态将是由其强度加权的初始节点状态的平均值。在这里，我们表明，虽然在这个过程中的全局状态是不保守的，强度和状态向量的内积是保守的，而不是，和完美的正相关节点状态和本地平均值的自我/邻居的强度比总是导致向上（或至少中性）的全球漂移。我们还表明，强度的负向影响均匀化的速度。基于这些发现，我们提出了一个自适应的链接权重调整方法，以实现最高的向上的全局漂移，通过增加强度状态的相关性。该方法的有效性，通过数值模拟和现实世界的社会应用的影响进行了讨论。
2015-03-04 cs.SI physics.soc-ph
Hierarchical sequencing of online social graphs
在在线通信中，个体行为者的行为模式和在此过程中情感的使用可以导致呈现多层次结构和中观社区的复杂社会图。利用图的单纯复形表示，我们深入研究了基于MySpace对话框的在线社交网络的拓扑结构。该网络具有原始的社区结构。此外，我们模拟情绪传播在这个网络中，使识别两个情绪传播层。分析结果在三个结构向量量化的图形的架构在不同的拓扑结构水平。值得注意的是，通过共享链接，三角形和四面体面出现的结构经常出现，范围从树状到最大的5-团及其各自的复合体。另一方面，只传播消极或积极情绪信息的结构似乎具有由链接和三角形组成的简单得多的拓扑结构。此外，我们引入了节点的结构向量，它代表了节点所在的每个拓扑层次上的单形数。这样的单形的总数决定了我们定义的节点的拓扑维数。所提出的结果表明，节点的拓扑维数提供了一个合适的措施，社会资本的措施，代理人的能力，作为一个经纪人在紧凑的社区，所谓的Simmelian经纪。我们还将结果推广到更广泛的一类计算机生成的网络。调查网络层节点向量的组成部分表明，相同的节点发展不同的社会情感关系，有影响力的节点通过结合不同层的连接来建立社会资本。
2014-10-27 cs.SI physics.soc-ph
Random Walk Sampling in Social Networks Involving Private Nodes
针对社会网络中私有节点不公开邻居数据导致现有随机游走估计算法存在偏差的问题，提出一种扩展的随机游走采样框架及校正估计器，将网络规模、平均度数等属性的估计偏差降低高达92.6%。
2023-05-21 cs.SI
Community Detection in Social Network using Temporal Data
社交网络促进了参与者或用户之间有联系的社交空间。这种联系及其模式是基于他们的生活方式和交流方式。同样，在Facebook、Twitter、Myspace等在线社交媒体网络中，多个用户属于多个特定社区。社交网络表示大型现实世界定向社交图。从这些图中检测社区或集群是一个相当大的研究兴趣的问题。使用具有共同边和共同属性的相邻节点形成社区。现有的大多数社区发现算法通常考虑节点内容来分析社区的属性。一些算法使用节点之间的链接来确定图中的密集区域。但是，由于传统的顶点和边数据提取方法没有考虑节点间的连通性，同时利用边内容和顶点内容来检测社区还有待研究和验证。本文提出了一种互联空间聚类模型（Interlinked Spatial Clustering Model，ILSCM），该模型提供相关内容选择和时间主题提取，用于基于上下文关键字识别节点之间的介数，从而检测社区。
2019-04-10 cs.SI physics.soc-ph
Uncovering nodes that spread information between communities in social networks
从在线社交网络中收集的许多数据集中，已经观察到定义明确的社区结构。大量的用户参与这些网络，所产生的图形的大小带来了计算上的挑战。在识别负责社区之间信息流的节点方面有特别的需求;例如，在时间Twitter网络中，当社区之间的连接稀疏并且不同节点集群之间存在很少的边缘时，社区之间的边缘在传播活动峰值方面发挥着关键作用。这里提出的新算法的目的是通过测量一个节点到另一个社区节点的邻近程度来揭示这些关键连接。我们看看在一个以上的社区和他们周围的节点，影响接收到的信息和广播给他们的地方的边缘的节点。该方法依赖于一个选定的固定数量的步骤，从一个以上的社区与边缘的节点起源的独立随机游走。对于我们所考虑的大型网络，现有的度量（如介数中心性）很难计算，即使使用最新的方法来近似所需的大量操作。因此，我们设计了一种算法，可扩展到当前的大数据需求的需求，并有能力利用并行处理能力。新算法在合成数据上进行了说明，可以仔细判断结果，也可以在真实的大规模Twitter活动数据上进行说明，可以获得新的见解。
2014-01-14 cs.SI physics.soc-ph
Predicting Node Degree Centrality with the Node Prominence Profile
节点的中心性衡量其在网络中的相对重要性。中心性有许多应用，包括推断个人在社交网络中的影响力或成功，以及由此产生的社交网络动态。虽然我们可以计算给定网络快照中任何节点的中心性，但许多应用程序也有兴趣了解个人在未来的潜在重要性。然而，当前的中心性不一定是未来中心性的有效预测。虽然有不同的度量中心性，我们集中在本文的程度中心性。我们开发了一种方法，调和优先附件和三元封闭捕捉节点的突出配置文件。我们表明，建议的节点显着配置文件的方法是一个有效的预测度中心。值得注意的是，我们的分析表明，在进化的早期阶段的个人显示出独特的和强大的签名的程度中心化的趋势，充分预测他们的突出配置文件。我们在四个真实世界的社交网络中评估我们的工作。我们的研究结果具有重要的意义，需要预测的应用程序，一个节点的未来度中心，以及社会网络动力学的研究。
2014-12-06 cs.SI physics.soc-ph
Characterizing Nodes and Edges in Dynamic Attributed Networks: A Social-based Approach
如何基于社会方面来刻画动态属性网络中的节点和边？我们解决这个问题，探索演员和他们的相关属性随着时间的推移之间的联系的强度，从而捕捉演员的社会角色和他们在不同的社会网络场景中的动态互动的意义。为此，我们应用社会概念，以促进更好地理解涉及行为者及其社会动机的潜在复杂性。更具体地说，我们探讨的概念，社会资本的战略定位的一个特定的演员在社会结构的经纪人的概念，创造桥梁的能力与多样化的模式，和封闭，聚合节点的能力与类似的模式。因此，我们揭示了不同的学术合作网络和问答社区的社会互动的差异。我们还统计验证我们的社会定义考虑的重要性，节点和边缘的社会结构，通过网络属性。
2022-07-14 cs.SI
A Socio-Informatic Approach to Automated Account Classification on Social Media
社交媒体上的自动账户变得越来越成问题。我们提出了一个关键特征，结合现有的方法来改进机器人检测的机器学习算法。我们成功地提高了分类性能，通过包括建议的功能。
2019-04-27 cs.SI physics.soc-ph
Identify Influential Nodes in Online Social Network for Brand Communication
近年来，在线社交网络变得非常流行，这促使越来越多的公司通过社交媒体推广他们的品牌和产品。提出了一种识别在线社会网络中品牌传播影响力节点的方法。我们首先构建一个加权网络模型的用户和他们的关系提取的品牌相关的内容。我们从网络结构和品牌参与度两个方面对社区中节点的个体价值进行了定量度量。然后提出了一种从虚拟品牌社区中识别有影响力节点的算法。该算法通过节点的个体值以及其周围节点的个体值来评估节点的重要性。我们提取和构建一个虚拟的品牌社区，为一个特定的品牌从现实生活中的在线社交网络作为数据集，并实证评估所提出的方法。实验结果表明，该方法能够识别在线社交网络中有影响力的节点。该方法可以得到更高的用户认证率和用户覆盖率。
2020-06-24 cs.SI
On the Shoulders of Giants: Incremental Influence Maximization in Evolving Social Networks
识别最有影响力的个人可以为开发和部署有效的病毒式营销策略提供宝贵的帮助。以前的研究主要集中在设计有效的算法或算法来找到给定的静态社会网络上的前K个有影响力的节点。然而，事实上，现实世界的社交网络随着时间的推移而不断发展，并且对改变的网络的重新计算不可避免地导致长的运行时间，从而显著影响效率。本文从真实世界的痕迹中观察到，社会网络的演化遵循优先依附规则，影响力节点主要是从高度节点中选择出来的。这样的观察揭示了IncInf的设计，IncInf是一种增量方法，可以根据以前的信息而不是从头开始计算，在不断发展的社交网络中有效地定位前K个有影响力的个人。特别是，IncInf通过将拓扑演化的影响局限于局部区域来定量分析节点的影响扩散变化，并进一步提出了一种剪枝策略，有效地将搜索空间缩小到经历重大增长或度高的节点。我们在真实世界的动态社交网络（包括Facebook、NetHEPT和Flickr）上进行了广泛的实验。实验结果表明，与最先进的静态启发式算法相比，IncInf算法在保持影响扩散匹配性能的同时，在执行时间上实现了高达21倍的加速。
2015-08-05 cs.SI physics.soc-ph
Analysis of Neighbourhoods in Multi-layered Dynamic Social Networks
存在于各种IT系统的员工、客户或用户之间的社交网络已成为日益重要的研究领域之一。社交网络由节点-社交实体和连接节点对的边组成。在常规的单层社交网络中，两个节点-即人与单个边缘连接，而在多层社交网络中，对于一对节点可能存在许多不同类型的链接。如今，存在于所有社交媒体中的关于人及其互动的数据提供了关于一个网络中许多不同类型关系的信息。分析这些数据，不仅可以获得有关网络结构和特征的知识，还可以了解人际关系的语义。他们是直接还是不直接？人们倾向于与一个特定的人保持单一或多重关系吗？什么样的沟通方式对他们最重要？对这些和更多问题的回答使我们能够得出关于人类交互的语义的结论。遗憾的是，大多数用于社会网络分析（SNA）的方法可能仅适用于单层社交网络。为此，本文提出了一些新的多层社交网络的结构测度，特别是：跨层聚类系数、跨层度中心性和各种版本的多层度中心性。作者还研究了社会网络中五个不同层的多层邻里的动态。在现实世界的数据集上提出的概念的评价。本文提出的度量方法可直接应用于各种集合分类方法，即根据节点的结构输入特征为节点分配标签。
2012-07-18 cs.SI physics.soc-ph
Extracting real social interactions from social media: a debate of COVID-19 policies in Mexico
Universidad Nacional Autónoma de México (UNAM)（墨西哥国立自治大学）；Instituto de Investigaciones en Matemáticas Aplicadas y en Sistemas, Universidad Nacional Autónoma de México (UNAM)（墨西哥国立自治大学应用数学和系统研究所）；Instituto de Investigaciones Biomédicas, Universidad Nacional Autónoma de México (UNAM)（墨西哥国立自治大学生物医学研究所）；Centro de Ciencias de la Complejidad, Universidad Nacional Autónoma de México（墨西哥国立自治大学复杂科学中心）；Lakeside Labs GmbH（湖畔实验室有限公司）
本文通过分析社交媒体中朋友和敌人的动态网络，揭示了新冠政策辩论中真实社交互动的结构特征。
2021-06-16 cs.SI physics.soc-ph
Communication dynamics in finite capacity social networks
在通信网络中，结构和动态是紧密耦合的。该结构控制着信息流，其本身由节点之间交换信息的动态过程所塑造。为了协调结构和动力学，一个通用的模型，基于节点之间的局部相互作用，被认为是在大型社交网络的通信。在协议的数据从一个大型的人类组织，我们表明，流量是非马尔可夫和个人的时间限制控制。我们确认我们的模型的通用性，同时预测度相关的节点活动，信息输入和输出的节点和度分布之间的平衡。最后，我们量化网络分析的局限性时，它是基于在一个有限的时间段内采样的数据。
2012-09-07 cs.SI physics.soc-ph
A Linear Circuit Model For Social Influence Analysis
了解信息传播行为对于有效利用社交网络中的社会影响力至关重要。然而，现有的影响力模型是既听话，有效地描述信息传播过程和定量测量的社会影响力。为此，在本文中，我们开发了一个线性的社会影响力模型，命名为电路，由于它的密切关系的电路网络。基于预定义的社会影响力的四个公理，我们首先证明了我们的模型可以有效地测量任何一对节点之间的影响力强度。沿着这条线，识别节点的影响的上限以用于潜在的使用，例如，减小了搜索空间。此外，我们还提供了电路模型的物理含义，并深入分析了它与现有方法（如PageRank）的关系。然后，我们提出电路模型提供了一个自然的解决方案，计算每个节点的权威，并找到一组节点的社会影响力最大化的问题。最后，该模型的有效性进行了评估，在现实世界的数据。大量的实验结果表明，电路模型始终优于国家的最先进的方法，可以大大减轻影响力最大化问题的计算负担。
2012-09-10 cs.SI physics.soc-ph
Influence Maximization With Deactivation In Social Networks
在本文中，我们考虑一个著名的社会网络中的影响力最大化问题的扩展，该问题涉及找到一组k个节点来启动扩散过程，使得在该过程结束时受影响的节点的总数最大化。该扩展集中在一个竞争的变种，其中涉及两个决策者。第一个，领导者，试图通过选择最有影响力的节点来最大化总的影响力传播，第二个，追随者，试图通过停用其中的一些节点来最小化它。制定的双层模型解决了完全枚举的小规模的情况下，大规模的情况下，通过一个数学。在这两种情况下，较低级别的问题，这是一个随机优化问题，近似通过样本平均近似方法。
2019-04-18 cs.SI physics.soc-ph
Critical Node Detection in Temporal Social Networks, Based on Global and Semi-local Centrality Measures
本研究关注时态社交网络中的关键节点检测，提出了三种新度量方法，并基于 SIR 流行病模型验证其能更准确地识别影响节点，可应用于控制流行病传播或加速信息传播。
2024-09-23 cs.SI physics.soc-ph
Robustness of Social Networks: Comparative Results Based on Distance Distributions
给定一个社交网络，它的哪个节点在决定它的结构方面有更大的影响力？更正式地说：哪个节点移除顺序对网络结构的影响最大？我们第一次在结合网络图和社交网络的设置中处理这个众所周知的问题，使用的数据集比以前的文献中出现的数据集大几个数量级，这要归功于最近开发的一些算法和软件工具，这些算法和软件工具使我们能够准确地近似可达对的数量和图中距离的分布。我们的实验突出了社交网络和网络图的结构的深刻差异，显示了以前的实验结果的显着局限性，并在同一时间揭示了标签传播作为一种新的和非常有效的方式定位节点，从结构的角度来看是重要的聚类。
2011-10-20 cs.SI physics.soc-ph
Signed Node Relevance Measurements
在本文中，我们进行了初步的和全面的研究问题的测量节点的相关性签署社交网络。我们设计了许多相关性测量签署社交网络从本地和全球的角度来看，并调查签署相关性测量，平衡理论和签署网络属性之间的联系。实验结果进行了研究与四个现实世界的数据集上签署的网络分析任务的签署相关性测量的影响。
2017-10-25 cs.SI physics.soc-ph
Fast and Scalable Analysis of Massive Social Graphs
图分析是在线社交网络、生物网络中的蛋白质相互作用和互联网流量分析等应用的关键组成部分。具有数亿个节点的大规模图（例如社交图）的到来对图分析应用提出了独特的挑战。这些应用程序中的大多数依赖于计算节点对之间的距离，对于大型图，使用传统算法（如广度优先搜索（BFS））可能需要几分钟才能计算出来。在本文中，我们研究了如何在当今的海量图形上实现可扩展的图形处理。我们探索了图坐标系的设计空间，这是一种通过将图嵌入坐标空间来在恒定时间内精确近似节点距离的新方法。我们表明，双曲线嵌入产生相对较低的失真误差，并提出参宿七，双曲线图坐标系，适合于高效的并行化跨计算集群。Rigel产生的结果比以前的系统要精确得多，并且在计算集群之间自然地可并行化，使其能够为多达4300万个节点的图形提供准确的结果。最后，我们表明，参宿七的功能可以很容易地扩展到定位（近）节点对之间的最短路径。在一次性预处理成本之后，Rigel在10微秒内回答节点距离查询，并且还产生最短路径结果，其速度比具有类似准确度的先前最短路径系统快18倍。
2011-07-30 cs.SI physics.soc-ph
A Model of Consistent Node Types in Signed Directed Social Networks
签名定向社交网络越来越普遍，其中用户之间的关系可以是积极的（表示信任等关系）或消极的（表示不信任等关系）。因此，积极和消极的关系之间的相互作用，在这样的网络已成为一个重要的研究课题。最近的研究集中在边缘符号推理的结构平衡理论或社会地位理论。然而，这两种理论都不能很好地解释当由该边连接的两个节点不共享共同邻居时观察到的边符号（例如，共同的朋友）。在本文中，我们开发了一种新的方法来处理这种情况，通过应用一个新的模型的节点类型。首先，我们分析了一个完全观察到的有向网络中的局部节点结构，推断出底层节点类型。两个节点之间的边的符号必须与它们的类型一致;这很好地解释了边的符号，即使没有共同的邻居。此外，我们表明，我们的方法可以扩展到包括定向三合会，当它们存在时，就像在基于结构平衡或社会地位理论的模型。我们基于部分观察到的Wikipedia、Slashdot和Epperly网络，在实证研究中计算贝叶斯节点类型，其中最大的网络（Epperly）有119 K个节点和841 K条边。我们的方法产生更好的性能比国家的最先进的方法，这三个签署有向网络。
2014-08-28 cs.SI physics.soc-ph stat.AP
A Community-aware Network Growth Model for Synthetic Social Network Generation
本文提出了一种新的网络增长模型ComAwareNetGrowth，旨在模拟现实世界中社交网络的演化过程。该模型在离散时间内工作。在每个时间步，基于（i）随机图模型，（ii）偏好连接模型，（iii）三角形闭合模型，或（iv）四边形闭合模型，在（a）现有节点之间或（b）现有节点和新节点之间创建（I）社区内或（II）网络中任何地方的新链接。参数控制在链接创建中采用特定机制的概率。在Karate和Caltech社交网络上的实验结果表明，该模型在聚类系数、模块度、平均路径长度、直径和幂律指数等方面都能很好地模拟真实世界的社交网络.进一步的实验表明，ComAwareNetGrowth模型能够生成具有不同统计量的各种合成网络。
2019-01-11 cs.SI physics.soc-ph
De-anonymizing scale-free social networks by percolation graph matching
我们解决的问题时，人与人之间的关系描述的无标度图的社交网络去匿名化。特别是，我们提出了一个严格的，渐近的数学分析网络去匿名化问题，同时捕捉幂律节点度分布的影响，这是一个基本的和相当普遍的特点，许多复杂的系统，如社交网络。通过应用自举渗透和一种新的图切片技术，我们证明了大的不均匀性的节点度导致显着减少的初始节点集，必须是已知的先验（种子），以成功地识别所有其他用户。我们的特点是使用不同的标准选择种子时，这一套的大小，我们表明，他们的数量可以小到$n^ε$，任何小${ε>0}$。我们的研究结果是通过一个真实的社会网络图上的模拟实验进行验证。
2014-11-26 cs.SI physics.soc-ph
On the Convexity of Latent Social Network Inference
在许多现实世界中，几乎不可能收集明确的社交网络数据。在这种情况下，整个网络必须从基础观测中推断出来。在这里，我们制定的问题，推断潜在的社交网络的基础上网络扩散或疾病传播数据。我们考虑传染在未观察到的社交网络的边缘传播，在那里我们只观察节点被感染的时间，但不观察谁感染了它们。给定这样的节点感染时间，我们然后确定最能解释观测数据的最佳网络。我们提出了一个最大似然方法的基础上凸规划的l1-like惩罚项，鼓励稀疏。对真实数据和合成数据的实验表明，我们的方法几乎完美地恢复了底层网络结构以及传染传播模型的参数。此外，我们的方法可扩展性很好，因为它可以在几分钟内推断出数千个节点的最佳网络。
2010-10-26 cs.SI physics.soc-ph
Seed Selection for Spread of Influence in Social Networks: Temporal vs. Static Approach
在社会网络中寻找影响他人的最优用户集的问题已经得到了广泛的研究。由于它是NP难的，一些算法被提出来寻找次优解。尽管如此，一个常用的假设是种子是在静态网络上选择的，而不是动态网络。这种静态方法实际上与现实世界的网络相去甚远，在现实世界的网络中，新节点可能会出现，而旧节点会随着时间的推移动态地消失。本文的主要目的是分析影响力传播的典型模型之一-线性阈值-的结果如何根据稍后用于选择种子的构建社交网络的策略而有所不同。为了显示网络创建策略对受影响节点的最终数量的影响-影响传播的结果，研究了三种方法的结果：一种是静态的，两种是具有不同粒度的时间窗口，即不同数量的时间窗口。每个时间窗口的社交网络封装了网络结构的动态变化。度或介数等各种节点结构性度量的计算通过遗忘机制尊重这些变化--更新的数据对节点度量值的影响更大。这些措施，反过来，用于节点排名和选择播种。所有的概念都适用于实验验证五个真实的数据集。结果表明，时间的方法总是优于静态的时间社会网络中的粒度越高，种子，最终影响的节点越多。此外，如果用于种子候选排名，具有指数遗忘的outdegree度量通常优于其他时间相关的结构度量。
2014-11-21 cs.SI physics.soc-ph
Modeling Spread of Preferences in Social Networks for Sampling-based Preference Aggregation
在人口众多的情况下，收集个人对一组备选方案的偏好并得出总体或集体偏好是一项密集的任务。我们表明，社会网络的人口基础可以利用有效地完成这一任务，通过采样的一个小的子集的代表性节点的偏好。我们首先开发了一个Facebook应用程序来创建一个由节点偏好和底层社交网络组成的数据集，使用该数据集，我们开发了一个模型，该模型可以捕获偏好在典型社交网络中的节点之间的分布情况。因此，我们提出了一个适当的目标函数的问题，选择最佳代表节点。我们设计了两个算法，即，Greedy-min提供了一个广泛的流行的投票规则类的性能保证，和Greedy-sum在实践中表现出优异的性能。我们比较了这些算法对随机轮询和流行的中心性措施的性能，并提供了一个详细的分析所获得的结果。我们的分析表明，使用社交网络信息选择代表有利于聚合与个人话题相关的偏好（例如，生活方式），而具有合理样本大小的随机轮询足以聚集与社会话题相关的偏好（例如，政府政策）。
2017-11-15 cs.SI physics.soc-ph
Botnet Detection using Social Graph Analysis
基于签名的僵尸网络检测方法通过识别命令和控制（C\&C）流量来识别僵尸网络，并且对于使用新的和可扩展的机制进行此类通信的僵尸网络可能无效。为了解决这些局限性，我们提出了一种新的僵尸网络检测方法，分析节点之间的社会关系。该方法由两个阶段组成：（i）在节点之间的“交互”图中使用度分布上的大偏差结果进行异常检测，以及（ii）在社交“相关”图中进行社区发现，该社交“相关”图的边缘连接具有高度相关通信的节点。后一阶段使用了一个精致的模块化措施，并制定了一个非凸优化问题，为适当的松弛策略的问题。我们将我们的方法应用于现实世界的僵尸网络流量，并将其性能与其他社区发现方法进行比较。实验结果表明，该方法是有效的，改进的模块性度量提高了检测精度。
2015-03-08 cs.SI physics.soc-ph
Homophily and Triadic Closure in Evolving Social Networks
我们提出了一个新的网络模型会计多维的可追溯性。每个节点的特点是由一些功能和两个节点之间的链接的概率取决于共同的功能。我们并不先验地确定可能特征的总数。节点和特征的二分网络根据随机动力学演化，该随机动力学依赖于三个参数，这三个参数分别调节特征向节点的传输中的优先附着、每个节点的新特征的数量以及观察到的特征的总数的幂律行为。我们的模型还考虑了三元封闭机制。我们提供的理论结果和模型的参数的统计估计。我们验证我们的方法通过模拟和实证分析的网络科学合作。
2016-01-16 cs.SI physics.soc-ph
Influence Maximization in Social Networks using Discretized Harris Hawks Optimization Algorithm and Neighbour Scout Strategy
影响力最大化（IM）是使用传播模型确定社交网络中的k个最佳影响力节点以最大化影响力传播的任务。IM是病毒式营销的一个突出问题，并在社交媒体广告中有很大帮助。然而，为现实世界的社交网络开发具有最小时间复杂度的有效算法仍然是一个挑战。虽然传统的启发式方法已被应用于IM，他们往往会导致最小的性能增益计算昂贵的贪婪为基础的方法和反向影响采样为基础的。在本文中，我们提出了离散化的自然启发式哈里斯霍克斯优化元启发式算法，使用社区结构的种子节点的最佳选择的影响力传播。除了哈里斯老鹰的情报之外，我们还采用了邻居侦察策略算法来避免盲目性并增强老鹰的搜索能力。此外，我们使用基于候选节点的随机种群初始化方法，这些候选节点有助于加速整个种群的收敛过程。我们评估了我们提出的DHHO方法的有效性六个社交网络使用独立级联模型的信息扩散。我们观察到，DHHO是可比的或优于竞争的元启发式方法的影响力最大化在五个指标，并执行明显优于竞争的启发式方法。
2022-11-17 cs.SI physics.soc-ph
Adversarial Coordination on Social Networks
分散的协调是社会和组织面临的根本挑战之一。虽然从各种角度进行了广泛的探讨，但受到有限关注的一个问题是在对抗性代理人存在的情况下的人类协调。我们通过将人类受试者定位为网络上的节点来研究这个问题，并赋予每个人一个角色，要么是常规的（目标是在所有常规玩家之间达成共识），要么是对抗性的（旨在防止常规玩家之间达成共识）。我们证明了对抗节点确实在阻止共识方面非常成功。然而，我们证明了在网络邻居之间进行通信的能力可以大大提高协调的成功率，以及对抗节点的弹性。我们对通信的分析表明，敌对节点试图利用这种能力来达到他们的目的，但这样做的方式有些有限，可能是为了防止常规节点识别他们的意图。此外，我们表明，可信节点的存在通常具有有限的价值，但当存在许多敌对节点并且玩家可以进行通信时确实有帮助。最后，我们使用实验数据来开发一个人类行为的计算模型，并探索了一些额外的参数变化，如网络拓扑结构的功能，使用由此产生的数据驱动的基于代理的模型。
2018-08-03 cs.SI physics.soc-ph
Homophily and Long-Run Integration in Social Networks
我们建模网络的形成时，异构节点依次进入，并通过随机会议和基于网络的搜索，但与类型依赖的偏见形成连接。我们表明，有“长期的整合”，即组成的类型在足够老的节点的社区接近全球类型分布，提供了基于网络的搜索是公正的。然而，年轻节点的连接仍然反映了有偏见的会议过程。当存在两种类型和基于位置的偏差时，我们得到了基于类型的度分布和群体水平的同质性模式。最后，我们说明了模型的实证应用物理学期刊的引文数据方面。
2012-04-07 cs.SI physics.soc-ph
Dimensionality of social networks using motifs and eigenvalues
我们考虑社交网络的维度，并开发旨在预测该维度的实验。我们发现，一个社会网络模型的节点和链接采样从一个$m$维度量空间与幂律分布的影响区域最适合的样本从现实世界的网络时，$m$规模与网络的节点数的几何。这支持了对数维假设，我们提供了两个不同的社交网络，Facebook和LinkedIn的证据。此外，我们采用了两种不同的方法来确认的假设：第一个使用的模体计数的分布，第二个利用本征值分布。
2014-05-01 cs.SI physics.soc-ph
Information Spread Over an Internet-mediated Social Network: Phases, Speed, Width, and Effects of Promotion
在这项研究中，我们通过跟踪新闻文章在社交网络上的传播，研究了促进信息在互联网上传播的速度和宽度的效果。传播速度是指新闻在给定时间内达到的读者数量，而传播宽度是指新闻在社交网络中从新闻发布者传播到多远。在分析了30小时内的六个故事后，我们发现，一个故事在社交网络成员中的流行度有三个阶段：扩张，头版和饱和。当故事被发布并且文章从源节点传播到社交网络的连接组件内的节点时，扩展阶段开始。当新闻聚合器在其首页推广故事时，头版阶段发生，导致故事在连接的节点之间传播的速度更快，同时将文章传播到社交网络的原始连接组件之外的节点。饱和阶段是指故事老化，其在社交网络中的传播速度减慢，表明节点之间的流行饱和。在这三个阶段中，我们观察到的信息传播的宽度变化最小，这是由社交网络中传播直径的宽度相对较低的增加所暗示的。我们看到，本文提供了各种利益相关者的第一手经验数据建模，设计和改进当前的基于Web的服务，特别是IT教育工作者设计和改进学术课程，并提高当前的网络使能部署的知识和在线评估的技能。
2015-07-23 cs.SI physics.soc-ph
On-off Threshold Models of Social Contagion
我们研究了社会网络中的二元状态传染动力学，其中节点的行为是对邻居的平均状态的响应。我们通过在标准阈值行为模型中加入一个阈值外模型来模拟模仿和不一致的竞争倾向。通过这种方式，我们试图捕捉时尚和一般社会趋势的重要方面。在网络和节点响应中允许不同数量的随机性，我们发现模型的随机和确定性版本中有不同的结果。然而，在一个大的，密集的网络的限制，我们表明，这些动态一致。该系统的动力学行为从稳态到混沌依赖于网络的连通性和更新同步性。我们构造了一般随机网络的平均场论。在无向情况下，平均场论预测网络上的动态是平均节点响应动态的平滑版本。我们将我们的理论与泊松随机图上的大量模拟进行比较，这些随机图的节点响应平均为混沌帐篷图。
2012-09-10 cs.SI physics.soc-ph
Convex relaxation for finding planted influential nodes in a social network
我们考虑在社会网络中的影响力最大化的问题。我们重点研究的情况下，社会网络是一个有向的二部图，其弧连接到接收器的节点。我们考虑的情况下，确定性网络和概率图形模型，即所谓的“级联”模型。这个问题是要找到一个集合的$k$最有影响力的整数$k$。虽然这个问题是NP难的，但Kempe、Kleinberg和Tardos提出了一个多项式时间近似算法。在这项工作中，我们考虑凸松弛的问题。我们证明了凸优化可以恢复的情况下，网络是根据生成模型，其中有影响力的节点被种植，但随后被噪声掩盖。我们还证明了计算凸松弛可以成功的一个更现实的生成模型称为“森林火灾”模型。
2013-07-15 cs.SI math.OC physics.soc-ph
The role of emotional variables in the classification and prediction of collective social dynamics
本研究以2012年奥运会期间英国推文为对象，考察情绪变量对集体社会动态分类与预测的影响，发现其能提升分类准确率却会降低预测性能。
2014-12-11 cs.SI physics.soc-ph
Interlayer link prediction in multiplex social networks: an iterative degree penalty algorithm
在线社交网络（OSN）应用程序提供不同的体验;例如，在Twitter上发布短文本和在Instagram上分享照片。多个OSN构成复用网络。出于隐私保护和使用目的，属于不同OSN中的同一用户的帐户可能具有不同的用户名、照片和介绍。多重网络中的层间链接预测旨在识别不同OSN中的帐户是否属于同一个人，这可以帮助包括网络犯罪行为建模和客户兴趣分析在内的任务。许多现实世界的OSN表现出无标度分布，因此，不同程度的邻居可能会对不同OSN之间的节点匹配度产生不同的影响。提出了一种迭代度惩罚（IDP）算法用于多路复用网络中的层间链路预测.首先，我们提出了一个度惩罚原则，分配更大的权重给一个共同的匹配邻居与较少的连接。其次，我们应用节点邻接矩阵乘法，以有效地获得所有不匹配的节点对的匹配度。之后，我们使用经批准的最大值法从匹配度矩阵获得层间链接预测结果。最后，将预测结果插入先验层间节点对集合中，迭代进行上述过程，直至一层中所有不匹配节点都匹配或所有不匹配节点对的匹配度都等于0。实验结果表明，当复用网络平均度和节点重叠率较低时，改进的IDP算法的性能明显优于现有的基于网络结构的方法。
2020-02-06 cs.SI physics.soc-ph
Algorithms for Influence Maximization in Socio-Physical Networks
给定一个有向图（表示一个社交网络），影响力最大化问题是找到k个节点，当这些节点受到影响（或被激活）时，将最大化被激活的剩余节点的数量。在本文中，我们考虑了一个更一般的版本的问题，包括一个额外的一组节点，称为物理节点，这样的一个节点在社会网络中的一个或多个物理节点覆盖。物理节点在任何时候都以两种状态之一存在，打开或关闭，并且可以打开的物理节点的最大数量有限制。在该设置中，如果社交网络中的不活动节点在社交网络中具有足够的活动邻居并且如果它被开放的物理节点中的至少一个覆盖，则社交网络中的不活动节点变为活动的。这个问题出现在灾难恢复中，在灾难发生后，只有在其社交网络中的足够多的群体返回并且其附近的一些基础设施组件得到修复后，流离失所的社会群体才决定返回。一般的问题是NP-难近似在任何常数因子，因此，我们的特点是最佳和近似算法的特殊情况下的问题。
2020-11-30 cs.SI
Analyzing resilience of interest-based social networks against node and link failures
在典型的在线社交网络中，用户通过对称的朋友关系链接，并且可以基于共享的兴趣来定义朋友圈。在本文中，我们将研究社交网络，在这些网络中，用户根据友谊和共同兴趣建立链接。我们的目标是了解当节点和链路都允许失败时，这些网络在连接方面的弹性。我们推导出零-一定律以及节点和链路故障下连通性的渐近精确概率结果。结果回答了如何设置网络参数，使可靠的消息传播可以实现的问题。我们正式证明的结果，并通过实验确认的结果。
2019-11-02 cs.SI
On Budgeted Influence Maximization in Social Networks
给定用于选择每个节点的预算和任意成本，预算影响力最大化（BIM）问题涉及选择一组种子节点来传播一些信息，该信息以不超过预算的总成本最大化社交网络中受影响的节点的总数（称为影响扩散）。我们提出的BIM问题的种子选择算法保证了近似比（1 - 1/sqrt（e））。种子选择算法需要计算候选种子集的影响扩散，这是已知的#P-复合。识别贝叶斯网络中的边缘概率的计算和影响传播之间的联系，我们设计了有效的启发式算法后一个问题。使用大规模社交网络和合成生成的网络的实验表明，该算法具有优越的性能与适度的计算成本。此外，合成数据集允许我们改变网络参数，并获得关于图结构对不同算法性能的影响的重要见解。
2013-01-22 cs.SI physics.soc-ph
Jointly Predicting Links and Inferring Attributes using a Social-Attribute Network (SAN)
社会影响和同质性的影响表明，网络结构和节点属性信息都应该通知链接预测和节点属性推理的任务。最近，Yin等人提出了一种属性增强的社会网络，即社会属性网络（SAN），它将网络结构和节点属性相结合，以执行链接预测和属性推理。他们专注于将带重启的随机游走算法推广到SAN框架，并展示了改进的性能。在本文中，我们扩展了SAN框架与几个领先的监督和无监督的链接预测算法，并证明了性能的改善，每个算法的链接预测和属性推理。此外，我们提出了新的观察，即属性推断可以帮助通知链接预测，即，通过首先推断丢失的属性，进一步提高了链接预测的准确性。我们全面评估这些算法，并使用一个新的，大规模的Google+数据集，我们公开提供与其他现有的算法进行比较。
2012-06-22 cs.SI physics.soc-ph
Community Detection with Node Attributes and its Generalization
社区发现算法是理解社交网络中组织原则的基本工具。随着社交媒体平台的日益强大，当检测社区时，存在可以用途：社交网络的结构和节点属性的两个可能的信息源。然而，在社区发现的研究中，社交网络的结构和节点属性往往被分开解释。当这两个来源同时解释，一个共同的假设共享以前的研究是，节点属性与社区。本文提出了一种模型，该模型能够将拓扑信息和节点属性信息相结合，而无需假设相关性。该模型在节点属性与社区不相关的情况下，仍能以较高的精度恢复社区。我们推导出该模型的可检测性阈值，并使用置信传播（BP）进行推理。该算法是最佳的，因为它可以恢复社区的所有方式下降到阈值。这种新模型也有可能处理边缘内容和动态设置。
2016-04-12 cs.SI physics.soc-ph stat.ML
Estimating Node Influenceability in Social Networks
影响分析是社会网络分析和挖掘中的一个基本问题。影响力分析在社交网络中的重要应用包括病毒式营销的影响力最大化、寻找最具影响力的节点、在线广告等。对于这些应用中的许多应用，评估节点的影响力是至关重要的。本文在广泛应用的影响力传播模型--独立级联模型的基础上，研究了社会网络中节点影响力的评价问题。由于这个问题是P-完全的，大多数现有的工作是基于朴素蒙特卡罗（\nmc）采样。然而，\nmc估计量通常会导致较大的方差，这会显著降低其有效性。为了克服这个问题，我们提出了两个家庭的新的估计的思想的基础上分层抽样。本文首先提出了两种基本的分层抽样（\bss）估计量，即\bssi估计量和\bssii估计量，它们分别通过选择$r$边缘将整个总体划分为$2^r$和$r+1$两个分层。其次，为了进一步减小方差，我们发现\bssi和\bssii估计都可以在每个层上递归地执行，因此我们提出了两个递归分层抽样（\rss）估计，即\rssi估计和\rssii估计。从理论上讲，我们所有的估计是无偏的，他们的方差显着小于\nmc估计的方差。最后，我们在合成数据集和真实数据集上的广泛实验结果证明了我们新估计的效率和准确性。
2012-07-04 cs.DB cs.SI physics.soc-ph
Estimating Properties of Social Networks via Random Walk considering Private Nodes
准确分析社交网络的图属性是一项具有挑战性的任务，因为对图数据的访问限制。为了解决这一挑战，已经研究了几种通过随机游走从少量样本中获得无偏估计的算法。然而，现有的算法没有考虑真实社交网络中隐藏邻居的私有节点，导致了一些实际问题。在这里，我们设计了基于随机行走的算法来准确地估计属性，而不会出现私有节点引起的任何问题。首先，我们设计了一个基于随机行走的抽样算法，包括邻居选择，以获得具有马尔可夫性质的样本和计算权重，为每个样本，以纠正抽样偏差。此外，对于两个图属性估计器，我们提出了加权方法，以减少不仅采样偏差，但由于私人节点的估计误差。所提出的算法提高了现有算法的估计精度高达92.6%的真实世界的数据集。
2020-07-12 cs.SI
SLPA: Uncovering Overlapping Communities in Social Networks via A Speaker-listener Interaction Dynamic Process
重叠是社交网络的特征之一，在这种网络中，一个人可能属于一个以上的社会群体。因此，发现重叠结构对于现实的社会分析是必要的。在本文中，我们提出了一种新的，一般的框架来检测和分析个人重叠节点和整个社区。在这个框架中，节点根据动态交互规则交换标签。一个具体的实现称为扬声器-听众标签传播算法（SLPA 1）在识别重叠节点和重叠社区具有不同程度的多样性表现出优异的性能。
2011-11-10 cs.DS cs.SI physics.soc-ph
Attributed Social Network Embedding
将网络数据嵌入到低维向量空间中对于许多现实世界的应用，如节点分类和实体检索，表现出良好的性能。然而，大多数现有的方法只集中在利用网络结构。对于社交网络，除了网络结构之外，还存在关于社会行为者的丰富信息，例如友谊网络的用户简档和引文网络的文本内容。社会行动者丰富的属性信息揭示了同质性效应，对社交网络的形成产生了巨大的影响。本文探讨了社交网络中丰富的属性证据源，以提高网络嵌入能力。我们提出了一个通用的社会网络嵌入框架（SNE），它学习社会参与者的表示（即，节点）通过保持结构接近度和属性接近度两者。虽然结构接近捕捉全球网络结构，属性接近占同质性效应。为了证明我们的建议，我们在四个现实世界的社交网络上进行了广泛的实验。与最先进的网络嵌入方法相比，SNE可以学习更多的信息表示，在链接预测和节点分类的任务上实现了实质性的收益。具体来说，SNE显著优于node2vec，在链接预测任务上有8.2%的相对改进，在节点分类任务上有12.7%的增益。
2017-05-14 cs.SI
Multi-perspective Memory Enhanced Network for Identifying Key Nodes in Social Networks
University of Science and Technology of China（中国科学技术大学）；CETC Academy of Electronics and Information Technology Group Co（中国电子科技集团公司电子科学研究院）
针对现有方法视角单一且泛化能力不足的问题，提出多视角记忆增强网络（MMEN），结合用户属性与传播结构双视角及记忆网络识别关键节点，显著提升了未知场景下的泛化性能与识别效果。
2024-03-22 cs.AI cs.SI
