A Query-Driven System for Discovering Interesting Subgraphs in Social Media
社交媒体数据通常被建模为具有多种类型的节点和边的异构图。我们提出了一种发现算法，首先选择一个“背景”图的基础上，用户的分析兴趣，然后自动发现子图，结构和内容方面明显不同的背景图。该技术结合了图上的\texttt{group-by}操作的概念和主观兴趣度的概念，从而自动发现有趣的子图。我们的社会政治数据库上的实验表明，我们的技术的有效性。
2021-02-18 cs.SI
Semantic Query Reformulation in Social PDMS
我们认为社会对等数据管理系统（PDMS），其中每个对等体保持其模式和一些熟人之间的语义映射，并与对等朋友的社会联系。在这种情况下，从一个对等体的模式到其他对等体的模式重新制定一个查询是一个困难的问题，因为它可能会产生尽可能多的重写作为一组映射从该对等体到外部和传递，最终遍历整个网络。然而，并非所有获得的重写都与给定查询相关。在本文中，我们通过检查语义映射和社会联系来解决这个问题，只找到相关的重写。我们提出了一个新的概念的“相关性”的查询相对于映射，并在此基础上，一个新的语义查询重构方法的社会PDMS，它实现了很大的准确性和灵活性。为了快速找到最有趣的映射，我们结合了几种技术：（一）社会链接表示为FOAF（朋友的朋友）的链接，以表征同行的友谊和紧凑的映射摘要被用来获得映射描述;（二）本地语义视图是特殊的视图，包含有关外部映射的信息;和（iii）八卦技术提高了相关映射的搜索。我们的实验评估，基于原型上的PeerSim和模拟网络表明，我们的解决方案产生更大的召回，相比传统的查询翻译方法在文献中提出的。
2011-11-25 cs.DB cs.SI
Rumor Source Detection under Querying with Untruthful Answers
社交网络是大多数人通过互动交流对新产品、社会趋势和政治问题的看法的主要途径。找出最初传播信息的人通常是非常重要的，即找到谣言来源或趋势设定者。众所周知，这样的任务是非常具有挑战性的和源检测概率不能超过31%的规则树，如果我们只是从一个给定的扩散快照估计的源。在实践中，寻找来源往往需要询问“你是谣言来源吗？或者“谁告诉你的谣言？““这将增加发现源头的机会。在本文中，我们考虑两种查询：（a）简单的批量查询和（b）交互式查询的方向下，查询可以是不真实的概率的假设。我们提出了这些查询的估计算法，并量化其检测性能和由于不真实的额外预算的金额，分析表明，查询显着提高检测性能。我们进行了广泛的模拟，以验证我们的理论研究结果在合成和现实世界的社交网络拓扑结构。
2020-10-26 cs.SI
A Nearly-Linear Time Algorithm for Minimizing Risk of Conflict in Social Networks
伴随着在线社交媒体平台的巨大普及，个人之间的互动空前增强。人们可以自由地与熟人互动，通过在线社交媒体上的评论、点赞、转发等方式表达和交流自己的观点，从而引发了对有争议的社会问题的抵制、争议等重要现象，这也是近期许多作品的主题。本文研究了社交网络中通过修改少量节点的初始意见来最小化冲突风险的问题。我们证明了该组合优化问题的目标函数是单调的和超模的。然后，我们提出了一个天真的贪心算法与$(1-1/e)$近似比，解决了问题的立方时间。为了克服大型网络的计算挑战，我们进一步整合了几个有效的近似策略，以提供一个几乎线性的时间算法与$(1-1/e-ε)$近似比的任何错误参数$ε>0$。在各种真实数据集上的大量实验证明了我们算法的效率和有效性。特别是，快速的一个扩展到超过200万个节点的大型网络，并实现了$20\times$的速度比最先进的算法。
2023-01-13 cs.CY cs.SI
Towards Efficient Path Query on Social Network with Hybrid RDF Management
资源描述框架（RDF）模型的可扩展性和灵活性使其非常适合表示在线社交网络（OSN）。OSN中的一个基本操作是查找关系链，例如k-Hop朋友。SPARQL中的属性路径查询可以表示这种类型的操作，但它的实现受到性能问题考虑到不断增长的数据规模和复杂性的OSN.本文提出了一种基于主存/磁盘的混合RDF数据管理框架，有效的属性路径查询.在这个混合框架中，我们实现了一个高效的内存中代数运算符的属性路径查询使用图遍历，并估计成本的操作，以配合现有的成本为基础的优化。在基准数据集和真实数据集上的实验表明，该方法能够在数据负载开销和在线查询性能之间取得较好的折衷。
2014-06-10 cs.DB cs.SI
NETR-Tree: An Eifficient Framework for Social-Based Time-Aware Spatial Keyword Query
全球定位系统的发展促进了基于位置的社交网络服务的普及。随着包含位置、文本、签到信息和社会关系的大量数据的出现，LBSN中的空间关键字查询变得越来越复杂。在本文中，我们确定和解决基于社会的时间感知空间关键字查询（STSKQ），返回前k个对象，考虑地理空间得分，关键字相似性，访问时间得分，社会关系的影响。为了解决STSKQ问题，我们提出了一种两层的混合索引结构，称为网络嵌入时间感知R树（NETR-Tree）。在用户层，我们采用网络嵌入策略来衡量用户关系网络中的关系效应。在定位层，考虑空间对象的时空签到信息，构建了时间感知的R树（TR树），并给出了相应的查询处理算法。最后，两个不同的现实生活中的LBSN的广泛的实验证明了我们的方法的有效性和效率，与现有的国家的最先进的方法相比。
2022-02-18 cs.IR cs.SI
Optimal Active Social Network De-anonymization Using Information Thresholds
在本文中，去匿名的互联网用户主动查询他们的组成员在社交网络被认为是。在这个问题中，匿名受害者访问攻击者的网站，攻击者使用受害者的浏览器历史记录来查询她的社交媒体活动，以便使用最少的查询次数进行去匿名化。一个随机模型的问题被认为是攻击者有部分先验知识的组成员关系图，并收到嘈杂的响应，其实时查询。受害者的身份被假定为随机选择的基础上，一个给定的分布模型的用户访问恶意网站的风险。提出了一种基于信息阈值的去匿名化算法，并分析了其在有限和渐近大社会网络状态下的性能。此外，提供了一个相反的结果，证明了所提出的攻击策略的最优性。
2018-01-19 cs.SI
Social Network Analysis of yahoo web-search engine query logs
Web现在是无可争议的信息仓库。它现在可以为现代问题提供大部分答案。搜索引擎做了一个伟大的工作，结合和排名的最佳结果时，用户试图搜索任何特定的信息。然而，正如我们所知，“能力越大，责任越大”，数据分析师要找到与查询最相关的信息并不是一件容易的事情。一个主要的挑战是，网络搜索引擎面临的困难，认识到用户的具体搜索兴趣，他的初始查询。在这个项目中，我们尝试从Web搜索引擎的查询日志中构建查询网络，其中节点表示查询，边表示查询之间的语义相关性。
2017-05-02 cs.IR cs.SI
Detecting Outlier Patterns with Query-based Artificially Generated Searching Conditions
在社会计算时代，发现有趣的网络模式或图案对于决策智能、入侵检测、医疗诊断、社会网络分析、假新闻识别、国家安全等各个领域都是重要和关键的。然而，子图匹配仍然是一个具有计算挑战性的问题，更不用说识别其中的特殊图案了。这在大型异构现实世界网络中尤其如此。在这项工作中，我们提出了一个有效的解决方案，发现和排名人类的行为模式的基础上，网络图案探索用户的查询智能的方式。我们的方法利用了用户查询提供的语义，这反过来又提供了数学约束，这对于更快的检测是至关重要的。我们提出了一种方法来生成查询条件的基础上，用户的查询。特别是，我们使用节点之间的Meta路径来定义目标模式，以及它们的相似性，从而有效的主题发现和排名在同一时间。该方法在现实世界的学术网络上进行了研究，使用不同的节点之间的相似性度量。实验结果表明，该方法可以识别出感兴趣的主题，并且对相似性度量的选择具有鲁棒性。
2022-04-06 cs.SI
Semantic and Influence aware k-Representative Queries over Social Streams
社交平台上不断产生的海量数据，成为用户重要的信息源。从社会流中获取新鲜和有价值的信息的主要方法是\emph{social search}。虽然社会化搜索已经有了广泛的研究，但现有的方法只关注查询结果的\emph{relevance}，而忽略了\emph{representativeness}。在本文中，我们提出了一种新的语义和影响意识的$k$ -代表（$k$ -SIR）查询的社会流的基础上的主题建模。具体来说，我们认为用户查询和元素都表示为主题空间中的向量。$k$ -SIR查询检索在查询时间w.r. t在滑动窗口上具有最大值\emph{representativeness}的$k$元素的集合。查询向量。元素集的代表性包括由主题模型计算的语义和影响力分数。随后，我们设计了两个近似算法，即\textsc{Multi-Topic ThresholdStream}（MTTS）和\textsc{Multi-Topic ThresholdDescend}（MTTD），实时处理$k$ -SIR查询。这两种算法都利用了在每个主题上维护的排名列表，用于具有理论保证的$k$ -SIR处理。在真实数据集上的大量实验证明了$k$ -SIR查询与现有方法相比的有效性以及我们提出的$k$ -SIR处理算法的效率和可扩展性。
2019-01-29 cs.DB cs.SI
Finding Densest Subgraphs with Edge-Color Constraints
研究带边色约束的最密子图问题，证明其判定版本为NP完全，并为稀疏图提出了线性时间常数因子近似算法。
2024-02-14 cs.SI
Universality, criticality and complexity of information propagation in social media
社交媒体中的信息雪崩通常与大脑中神经元活动的雪崩类似。虽然大量的文献揭示了存在一个独特的过程，表征神经元活动在生物体之间的基本协议，在网上社交媒体的信息动态是远远不够理解。在以前的研究中发现，信息雪崩的统计规律在整个系统中并不稳健，并且使用完全不同的过程来表示信息传播的合理驱动机制。在这里，我们分析了从众多在线平台（包括Telegram，Twitter和微博）收集的近10亿个时间戳事件，观察时间超过10年，以表明社交媒体中的信息传播是一个普遍而关键的过程。普适性来自于对跨平台的相同宏观模式的观察，而不管手头特定系统的细节如何。从幂律分布和相应的超标度关系推导出临界行为，表征信息雪崩的大小和持续时间。神经元活动可以被建模为一个简单的传染过程，其中只有一个单一的暴露于活动可能足以使其扩散。相反，对我们数据的统计测试表明，简单和复杂的传染混合在一起，其中一个人的参与需要多个熟人的曝光，这是社交媒体中信息传播的特征。我们表明，该过程的复杂性与传播的信息的语义内容。关于音乐、电影和电视节目的对话话题往往以简单的传染过程传播，而关于政治/社会主题的有争议的讨论则遵循复杂传染的规则。
2021-10-06 cs.SI physics.soc-ph
LiveRank: How to Refresh Old Datasets
本文考虑了数据集的刷新问题。更准确地说，给定一个节点集合（网页、来自在线社交网络的用户）以及一些结构（超链接、社交关系），我们希望识别出当前仍然存在的节点的重要部分。旧节点的活性可以通过当前的在线查询来测试。我们将LiveRank称为旧页面的排名，以便活动节点更有可能首先出现。LiveRank的质量是通过使用LiveRank顺序时识别给定部分活动节点所需的查询数量来衡量的。我们研究了不同的场景，从静态设置，在任何查询之前计算的Liv-eRank，到动态设置，在处理查询时可以更新LiveRank。我们的研究结果表明，建立在PageRank可以导致有效的LiveRanks，Web图形以及在线社交网络。
2016-01-06 cs.SI
Social Group Query Based on Multi-fuzzy-constrained Strong Simulation
传统的社会群体分析大多使用交互模型、事件模型或其他方法来识别和区分群体。这种类型的方法可以基于社交参与者的地理位置、社交关系和/或相关事件将社交参与者划分为不同的组。但在某些应用中，需要对组成员以及组成员之间的交互进行更具体的限制。通常，图模式匹配（GPM）被用来解决这个问题。然而，现有的GPM方法很少考虑节点和边的丰富上下文信息来衡量成员之间的可信度。提出了一种需要考虑群体成员之间信任的社会群体查询问题。针对这一问题，提出了一种基于模式节点拓扑有序序列的强模拟GPM算法（NTSS）。针对NTSS算法在匹配具有多个入度为零的节点的模式图时效率低下以及多个匹配子图共享匹配边的重复计算问题，提出了两种优化策略。最后，在实际应用的四个社交网络数据集上对NTSS算法和优化策略下的算法的有效性和效率进行了验证实验。实验结果表明，NTSS算法的性能明显优于现有的多约束GPM算法，而结合了两种优化策略的NTSS_Inv_EdgC算法大大提高了NTSS算法的效率。
2021-03-17 cs.CC cs.DB cs.SI
FLASH: Federated Learning-Based LLMs for Advanced Query Processing in Social Networks through RAG
Southern Illinois University（南伊利诺伊大学）；University of Texas at El Paso（得克萨斯大学埃尔帕索分校）
本文提出FLASH系统，将联邦学习GPT与RAG结合，在保护隐私的前提下聚合多源社交媒体数据，通过个性化聊天机器人实现高效查询处理与知识分发。
2024-08-06 cs.DC cs.IR cs.LG
Targeted Social Mobilisation in a Global Manhunt
社会动员，即通过社交网络动员大量人员以完成高度分散的任务的能力，近年来受到了极大的关注。在现代通信技术的推动下，这种不断增长的能力与需要寻找掌握稀有信息或技能的个人的努力高度相关，例如在灾难中寻找医生或寻找失踪人员。一个悬而未决的问题是，在时间紧迫的情况下，人们是否能够以有针对性的方式进行招募，或者他们是否采取所谓的盲目搜索，通过广播通信招募尽可能多的熟人。为了探索这个问题，我们研究了我们最近在美国国务院的标签挑战中取得成功的数据，该挑战要求在不到12小时的时间内在美国和欧洲的5个不同城市定位和拍摄5个目标人物，仅基于一张面部照片。我们发现，即使在时间压力越来越大的情况下，人们也能够以有针对性的方式始终如一地传递信息。我们推导出一个全球动员的分析模型，并用它来量化人们在招聘过程中针对他人的程度。我们的模型估计，在最具时间敏感性的挑战期间，大约有三分之一的消息是有针对性的。这是在如此短的时间尺度上的一个新观察，并呼吁有机会设计病毒式激励计划，提供距离或时间敏感的奖励，以更快地接近目标地理位置，并应用于从应急准备到政治动员的多个领域。
2014-04-06 cs.CY cs.SI physics.soc-ph
Empowering Evolving Social Network Users with Privacy Rights
在社交网络上存在着对隐私的相当大的关注，并且关于如何扩展用户需要的构件以有效地保护他们的隐私权的巨大争论持续存在。虽然已经提出了许多有趣的想法，但似乎没有一种方法足够全面，可以成为领跑者。在本文中，我们提出了一个全面的和新颖的参考概念模型的隐私在不断发展的社交网络，并建立其新颖性，通过简要对比它与当代的研究。我们还提出了一个可能的查询语言，我们可以开发的参考模型的理想功能的轮廓，并参考一个新的查询语言，{ \em PiQL}，开发的基础上，这个模型的目的是支持用户驱动的隐私政策的创作和执行。我们的模型的优势在于，通过开发适当的语言结构作为查询语言（如SQL）的一部分，这种扩展现在是可能的，正如PiQL中所展示的那样。
2013-12-01 cs.CR cs.DB cs.SI
Social-Inverse: Inverse Decision-making of Social Contagion Management with Task Migrations
University of Delaware（特拉华大学）
考虑两个决策任务$A$和$B$，每个都希望为给定的\textit{query} $X$计算有效的\textit{decision} $Y$，{我们可以通过使用$A$的查询-决策对$(X, Y)$来解决任务$B$而不知道潜在的决策模型吗？}这种问题，称为\textit{inverse decision-making with task migrations}，感兴趣的是，现实世界中的应用程序的复杂性和随机性往往会阻止代理完全知道底层系统。在本文中，我们介绍了这样一个新的问题与正式的配方，并提出了一个通用的框架，以解决决策任务的社会传染管理。在理论方面，我们提出了一个泛化分析证明我们的框架的学习性能。在实证研究中，我们进行了合理性检查，并与其他可能的基于学习和基于图的方法比较所提出的方法。我们已经获得了令人鼓舞的实验结果，首次证实了通过使用与另一个相关联的解决方案来解决一个决策任务是可能的。
2022-09-21 cs.LG cs.SI
Representing Social Networks as Dynamic Heterogeneous Graphs
Muma College of Business University of South Florida
过去，现实世界社交网络的图形表示缺少两个重要元素：连接的多样性以及表示时间。为此，在本文中，我们提出了一种新的动态异构图表示的社交网络，其中包括时间在每个单一的组成部分，即，节点和边，每一种都是不同的类型，它们捕获了异质性。我们通过提出四个时间相关查询和深度学习问题来说明这种表示的强大功能，这些问题在常用的传统同构图表示中无法轻松处理。作为概念的证明，我们提出了一个新的社交媒体平台（Steemit），我们用它来说明动态查询能力以及预测任务，使用图神经网络（GNNs）的详细表示。实验结果表明了动态异构图表示对社交网络建模的强大功能。鉴于这是一个相对欠研究的领域，我们还说明了未来的工作机会，在查询优化以及新的动态预测任务异构图结构。
2022-09-12 cs.AI cs.SI
A Network-Aware Approach for Searching As-You-Type in Social Media (Extended Version)
我们在本文中提出了一种新的方法，作为你类型的顶部- $k$关键字搜索社会媒体。我们采用了一个自然的“网络感知”的信息相关性的解释，即更接近搜索者的用户所产生的信息被认为是更相关的。在实践中，这种查询模型对在线搜索的有效性和效率提出了新的挑战，即使当一个完整的查询作为输入在一个搜索引擎中。这主要是因为它需要联合探索社会空间和经典的IR索引，如倒排列表。我们描述了一个内存效率和增量前缀为基础的检索算法，它也表现出随时的行为，允许输出任何选择的运行时间限制内最有可能的答案。我们通过对几个应用程序和搜索场景进行广泛的实验来评估它，包括在微博（Twitter和Tumblr）中搜索帖子，以及基于Yelp中的评论搜索企业。他们表明，我们的解决方案在回答社交媒体上的实时搜索时是有效的。
2015-07-29 cs.IR cs.SI
Real-Time Influence Maximization on Dynamic Social Streams
影响力最大化（Influence Maximization，IM）是一个基本问题，它选择一组$k$用户（称为种子）来最大化在社交网络上的影响力，广泛应用于病毒式营销和网络监控。现有的IM解决方案未能考虑社会影响的高度动态性质，这导致网络演化时种子质量差或处理时间长。为了解决这个问题，我们定义了一个新的IM查询命名为流影响力最大化（SIM）的社会流。技术上，SIM采用滑动窗口模型，并维护一组对最近的社交行为具有最大影响值的$k$种子。接下来，我们提出了影响检查点（IC）框架，以促进连续SIM查询处理。IC框架为每个窗口幻灯片创建检查点，并确保获得$\varepsilon$近似解。为了提高其效率，我们进一步设计了一个稀疏影响检查点（SIC）框架，选择性地保持$O(\frac{\log{N}}β)$检查点的大小$N$的滑动窗口，并保持一个$\frac{\varepsilon(1-β)}{2}$近似的解决方案。在真实世界和合成数据集上的实验结果证实了我们提出的框架对最先进的IM方法的有效性和效率。
2017-02-06 cs.DS cs.SI
An Information Theoretic Framework for Active De-anonymization in Social Networks Based on Group Memberships
在本文中，一个新的数学公式的问题去匿名的社会网络用户，积极查询他们在社会网络组的成员。在这个公式中，攻击者可以访问社交网络中每个用户的组成员的嘈杂观察。当身份不明的受害者访问恶意网站时，攻击者使用浏览器历史记录嗅探来查询受害者的社交媒体活动。特别地，它可以对受害者的组成员身份和受害者的身份进行极性查询。攻击者会收到对她的查询的嘈杂响应。目标是以最少的查询次数对受害者进行去匿名化。从一个严格的数学模型，这个主动去匿名化问题，上界的攻击者的预期查询成本的推导，并提出了新的攻击算法，实现这一界限。这些算法在计算成本和性能方面各不相同。结果表明，以前的启发式方法，这个问题提供了次优的解决方案。
2017-10-11 cs.CR cs.IT cs.SI
Community Search in Time-dependent Road-social Attributed Networks
School of Computer Science and Technology, Anhui University（安徽大学计算机科学与技术学院）；School of Computer Science and Technology, Harbin Institute of Technology（哈尔滨工业大学计算机科学与技术学院）
针对现有社区搜索未同时兼顾关键词、位置及出行时间变化且遍历全网络效率低的问题，提出语义-空间感知k核发现问题，设计两种局部扩展算法及大语言模型语义相似度计算方法，在多项内聚性指标上优于基线。
2025-05-18 cs.AI cs.SI
Real-Time Community Detection in Large Social Networks on a Laptop
对于广泛的研究，政府和商业应用，重要的是要了解社区，社区和社会中主要参与者的结构。提取这些信息的一个有希望的方向是利用数字社交网络（社交图）中丰富的关系数据。由于社交媒体数据集非常大，因此大多数方法为此目的利用分布式计算系统。分布式图形处理需要解决许多困难的工程问题，这使得一些研究人员考虑更快，更容易维护的单机解决方案。在这篇文章中，我们提出了一个单机实时的【形】大规模图形处理系统，允许分析师交互式地探索图形结构。其关键思想是，大量用户的聚合动作可以被压缩到一个数据结构中，该数据结构封装了用户的相似性，同时对噪声具有鲁棒性，并且可以实时的【形】查询。我们实现了单机实时的【形】性能，通过使用minhash签名压缩每个顶点的邻域，并通过局部敏感哈希方便快速查询。这些技术将查询时间从使用工业台式机在完整图上运行的数小时减少到标准笔记本电脑上的毫秒。我们的方法允许在笔记本电脑上实时的【形】探索大型图的强关联区域（即社区）。它已被部署在社交网络分析师积极使用的软件中，并为媒体所有者提供了另一个将其数据货币化的渠道，帮助他们继续提供全球数十亿人重视的免费服务。
2016-09-04 cs.SI stat.ML
Finding Experts in Social Media Data using a Hybrid Approach
在计算机科学的研究中，出现了几种解决专家发现问题的方法。在这项工作中，三个这些方法-内容分析，社会图分析和使用语义Web技术进行检查。然后开发一套集成的系统需求，在一个混合方法中使用所有三种方法。为了展示这种混合方法的实用性，使用现代函数式程序设计语言（Clojure）开发了一个名为ExpertQuest的可用原型专家发现系统来查询社交媒体数据和关联数据。对该系统进行了评价和讨论。最后，讨论和结论描述的优点和缺点的混合方法和在这项工作中使用的技术。
2021-04-01 cs.AI cs.SI
Differentially Private Data Analysis of Social Networks via Restricted Sensitivity
我们引入了限制敏感性的概念，作为全局和平滑敏感性的替代方案，以提高差异隐私数据分析的准确性。受限敏感度的定义与全局敏感度的定义类似，不同之处在于，我们不是对所有可能的数据集进行量化，而是利用查询者可能拥有的关于数据集的任何信念来量化受限的一类数据集。具体来说，给定一个查询f和一个关于数据集D的结构的假设H，我们一般地展示了如何将f转换成一个新的查询f_H，其全局灵敏度（在所有数据集上，包括那些不满足H的数据集）匹配查询f的受限灵敏度。此外，如果查询者的信念是正确的（即，D在H中）则f_H（D）= f（D）。如果信念是不正确的，那么f_H（D）可能是不准确的。我们通过考虑回答关于社交网络的查询的任务来证明这个概念的有用性，我们将社交网络建模为图和其顶点的标签的组合。特别是，虽然我们的通用程序是计算效率低下，为特定的定义H的有界度的图形，我们展示了有效的方法，使用不同的投影为基础的技术来构建f_H。然后，我们分析了两个重要的查询类：子图计数查询（例如，三角形的数目）和局部简档查询（例如，一个间谍和一个计算机科学家互相认识的人数）。我们证明，这种查询的限制的敏感性可以显着低于其平滑的敏感性。因此，使用受限敏感度，我们可以保持隐私，无论D是否在H中，同时在H为真的情况下提供更准确的结果。
2013-02-01 cs.CR cs.SI physics.soc-ph
GeoReach: An Efficient Approach for Evaluating Graph Reachability Queries with Spatial Range Predicates
图被广泛用于在许多应用领域中对数据建模。由于启用GPS的设备的广泛使用，许多应用将空间属性分配给图顶点（例如，地理标记的社交媒体）。用户可以发出具有空间范围谓词（abbr. RangeReach）。RangeReach查找输入顶点是否可以到达位于输入空间范围内的任何空间顶点。RangeReach查询的一个例子是：给定一个社交图，查找Alice是否可以到达位于亚利桑那州立大学地理区域内的任何场所。本文提出了GeoReach的一种方法，增加了空间数据感知的图形数据库管理系统（GDBMS）。GeoReach允许高效执行RangeReach查询，但不会对整体系统的可扩展性（以存储大小和初始化/维护时间衡量）造成很大影响。为了实现这一点，GeoReach配备了一个轻量级的数据结构，即SPA-Graph，它通过空间索引目录增强了底层图形数据。当发出RangeReach查询时，系统采用修剪图遍历方法。基于Neo4j内部真实系统实现的实验证明，GEOREACH的查询响应时间比最先进的空间和可达性索引方法提高了两个数量级，存储量减少了四倍。
2016-03-17 cs.DB cs.SI
The Flexible Group Spatial Keyword Query
我们提出了一种新的服务类基于位置的社交网络，称为灵活的组空间关键字查询，它使一组用户共同找到一个兴趣点（POI），优化了聚合成本函数相结合的空间距离和关键字相似性。此外，我们的查询服务允许用户考虑获得整个组的次优解决方案和获得优化的解决方案，但只为一个子群之间的权衡。我们提出了处理查询的三种变体的算法：（i）具有关键字的组最近邻查询，其找到优化大小为n的整个组的聚合成本函数的POI，（ii）具有关键字的子组最近邻查询，其找到最优子组和优化给定子组大小m（m <= n）的聚合成本函数的POI，以及（iii）具有关键字的多个子组最近邻查询，其为范围[m，n]中的每个子组大小找到最优子组和对应的POI。我们设计的查询处理算法的基础上分支定界和最佳优先范式。最后，我们给出了理论界，并进行了广泛的实验，两个真实的数据集，验证了所提出的算法的有效性和效率。
2017-04-24 cs.DB 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
Scalable Social Coordination using Enmeshed Queries
社交协调允许用户超越对朋友的认识，有效地协调与他人的身体活动。虽然可以在Evite，Meetings和Groupon等工具中看到特定形式的社交协调，但我们引入了一个更通用的模型，使用我们称之为嵌入式查询。网络化查询允许用户通过指定社交属性（如所需的组大小和谁/什么/何时）来声明性地指定协调意图，并且数据库返回匹配查询。纠缠查询是连续的，但新的查询（而不是数据）回答旧的查询;可变的组大小也使纠缠查询不同于纠缠查询，搜索订阅系统和约会服务。我们发现，即使离线组协调使用交织查询是NP难的。然后，我们引入高效的搜索引擎，使用选择性的索引，如位置和时间，以减少可能的匹配空间，我们还添加了改进，如延迟评估和使用用户的相对匹配性，以确定搜索顺序。我们描述了一个集中的实现和评估其性能对最佳算法。我们表明，不过早停止（找到匹配后）和延迟评估的结果相结合，发现86%的最佳算法发现的匹配的算法，并采取平均40 usec每个查询使用1个核心的2.5 GHz的服务器机器。此外，该算法具有良好的延迟，对大组大小的请求相当公平，并且可以使用多个核心和多个服务器扩展到全局工作负载。最后，我们描述了潜在的概括，增加价格，建议，和数据采掘的基本交织查询。
2012-08-17 cs.DB cs.SI physics.soc-ph
