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
Matching Community Structure Across Online Social Networks
网络中社团结构的发现是近年来引起人们极大兴趣的一个问题。在在线社交网络中，用户经常同时参与多个社交媒体站点，其中一些共享共同的社交关系。在这些网络中发现一个共享的社区结构是非常有趣的。然而，在现实中，用户通常在社交媒体网站上使用不同的用户名来标识自己。这就给探测群落结构带来了很大的困难。在本文中，我们探讨了几种方法，社区发现在线社交网络与有限的知识，跨网络的用户名对齐。我们将已知的用户名对齐称为种子。我们研究了种子选择策略及其对具有不同重叠顶点比例的网络的影响。我们的目标是研究网络拓扑结构和种子选择策略之间的相互作用，并了解它如何影响检测到的社区结构。我们还提出了几种措施来评估社区发现的性能，并使用它们来衡量Twitter-Twitter网络和Twitter-Instagram网络中检测到的社区的质量。
2016-08-03 cs.SI physics.soc-ph
Preparation of Improved Turkish DataSet for Sentiment Analysis in Social Media
Sentis Software（Sentis软件公司）；Firat University（菲拉特大学）
为了能够成功地执行分析研究，需要具有适合情感分析[1]、事件预测、趋势检测和其他文本挖掘应用的各种属性的公共数据集。社交媒体上的绝大多数数据都是基于文本的，不可能直接将机器学习过程应用于这些原始数据，因为在实施算法之前需要几个不同的过程来准备数据。例如，同一个词的不同拼写错误不必要地扩大了词向量空间，从而导致降低算法的成功率并增加计算能力需求。本文提出了一种改进的土耳其语数据集，并基于Hadoop [2]提出了一种有效的拼写校正算法。收集的数据记录在Hadoop分布式文件系统上，基于文本的数据由MapReduce编程模型处理。该方法适用于基于大文本的社交媒体数据的存储和处理。在这项研究中，电影评论已被自动记录与Apache ManifoldCF（MCF）[3]和数据集群已被创建。各种方法比较，如Levenshtein和模糊字符串匹配已经提出了从收集的数据创建一个公共数据集。实验结果表明，该算法能够有效地检测和纠正文本中的拼写错误，可作为情感分析研究的开源数据集。
2018-01-31 cs.CL cs.IR cs.SI
Using Social Media to Promote STEM Education: Matching College Students with Role Models
STEM（科学，技术，工程和数学）领域已成为美国经济竞争力和增长的核心。STEM劳动力的短缺使促进STEM教育成为当务之急。社交媒体使用的快速增长提供了一个独特的机会，可以从在线文本和照片中预测用户的真实身份和兴趣。在本文中，我们提出了一种创新的方法，利用社交媒体来促进STEM教育：匹配Twitter的大学生用户与不同的LinkedIn STEM专业人士使用排名算法的基础上，他们的人口统计和兴趣的相似性。我们相信，通过引入具有相似兴趣和人口统计学特征的职业榜样来增加STEM的存在，将激发学生对STEM相关领域的兴趣，并模仿他们的模型。我们对2,000名真实大学生的评估证明了我们的排名算法的准确性。我们还设计了一个新的实现，推荐匹配的榜样给学生。
2016-07-01 cs.CY cs.MM cs.SI
Matching Entities Across Online Social Networks
在线社交网络（OSN），如Facebook和Twitter，已成为我们日常生活中不可或缺的一部分。有数百个OSN，每个都有自己的重点，每个都提供特定的服务和功能。最近的研究表明，许多OSN用户使用相同或不同的个人信息在多个OSN上创建多个帐户。从多个OSN收集个人的所有可用数据并将其融合到单个配置文件中可以用于许多目的。在本文中，我们介绍了新的机器学习为基础的方法来解决实体解析（ER），一个问题，在多个OSN匹配用户简档。所提出的方法能够基于监督学习技术在来自两个不同OSN的两个用户简档之间进行匹配，该技术使用从用户简档中的每一个中提取的特征。通过使用提取的特征和监督学习技术，我们开发了分类器，可以在以下情况下在两个配置文件之间执行实体匹配：（a）在两个OSN上匹配实体;（b）通过相似的名称搜索用户;以及（c）对用户的身份进行去匿名化。通过使用从两个流行的OSN，Facebook和Xing收集的数据来测试所构造的分类器。然后，我们使用各种评估指标评估分类器的性能，例如真阳性率和假阳性率，准确性和接收器操作曲线下的面积（AUC）。对构建的分类器进行了评估，其分类性能由AUC测量是相当显着的，AUC高达0.982和高达95.9%的准确率在识别用户简档在两个OSN。
2014-11-04 cs.SI
Profile Matching Across Unstructured Online Social Networks: Threats and Countermeasures
在这项工作中，我们提出了一个配置文件匹配（或deanonymization）攻击的非结构化在线社交网络（OSN），在图形结构的相似性不能用于配置文件匹配。我们考虑由用户公开共享的不同属性。这样的属性包括诸如用户名的明显标识符和诸如用户在不同平台中的不同帖子之间的兴趣相似性或情感变化的非明显标识符两者。我们研究了使用这些属性的不同组合的配置文件匹配，以显示在一个广泛的方式隐私威胁的效果。我们提出的框架主要依赖于机器学习技术和优化算法。我们在两个由我们构建的真实数据集上评估了所提出的框架。我们的研究结果表明，配置文件的用户在不同的OSN可以匹配的概率很高，只使用公开共享的属性，而不使用底层的图形结构的OSN。我们还提出了可能的对策，以减轻这种威胁，在减少的准确性（或效用）的用户共享的属性的费用。我们制定的用户的隐私和配置文件效用之间的权衡作为一个优化问题，并显示如何轻微的变化，在配置文件的用户将减少攻击的成功。我们相信，这项工作将是一个有价值的一步，建立一个隐私保护工具，为用户对配置文件匹配攻击之间的OSN。
2017-11-06 cs.CR cs.SI
Efficient Quantification of Profile Matching Risk in Social Networks
在当今互联的数字世界中，匿名数据共享变得越来越具有挑战性，特别是对于同时具有匿名和已识别在线活动的个人。当今这种数据共享平台的最突出的例子是在线社交网络（OSN）。许多个人在不同的OSN中有多个配置文件，包括匿名和已识别的配置文件（取决于OSN的性质）。在这里，隐私威胁是配置文件匹配：如果攻击者将个人的匿名配置文件与他们的真实身份相关联，它可以获得隐私-敏感信息，这可能会产生严重的后果，例如歧视或勒索。因此，量化并向OSN用户显示这种隐私风险的程度非常重要。现有的尝试在OSN中对配置文件匹配进行建模是不充分的，并且对于实时风险量化来说计算效率低下。因此，在这项工作中，我们开发的算法，有效地建模和量化的配置文件匹配攻击OSN的实时隐私风险量化的一步。为此，我们建模的配置文件匹配问题，使用图和开发一个基于置信传播（BP）的算法来解决这个问题，在一个显着更有效和准确的方式相比，国家的最先进的。我们评估了三个现实生活中的数据集（包括数据从四个不同的社交网络），并显示如何在不同的OSN的用户配置文件可以有效地匹配，并具有很高的概率所提出的框架。我们表明，所提出的模型生成具有线性复杂度的用户对的数量，这是显着更有效的比国家的最先进的（具有立方复杂度）。此外，与最先进的技术相比，它提供了相当的准确性，精确度和召回率。
2020-09-07 cs.CR cs.SI
Price of Anarchy in Algorithmic Matching of Romantic Partners
配对网站为用户提供了前所未有数量的潜在伴侣。然而，他们也提出了一个潜在的道德风险的委托代理问题。代理人的兴趣是最大限度地利用网站，而校长的兴趣是找到最好的浪漫伴侣。这就产生了利益冲突：最佳匹配的用户将导致稳定的夫妇和更少的单身使用该网站，这对在线约会行业是不利的。在这里，我们借用博弈论中的无政府状态价格的概念来量化代理人的自我利益所造成的在线约会网站的社会效率的下降。我们推导出理论上的价格无政府状态的界限，表明它可以由一个常数，不依赖于用户的约会网站的数量。这表明，随着在线约会网站的发展，它们的潜在好处在不牺牲社会效率的情况下扩大。此外，我们进行了实验，涉及人类受试者在匹配市场，并比较了社会福利实现的最佳匹配服务对自我利益匹配算法。我们表明，通过引入竞争的交友网站，自私的行为的代理人与其用户一致，社会效率提高。
2019-02-15 cs.CY cs.GT cs.SI
Peer Effects and Stability in Matching Markets
多对一匹配市场以多种不同的形式存在，例如大学招生，将医学实习生与医院进行住院实习，为大学生分配住房，以及经典的公司和工人市场。在所有这些市场中，外部性，如互补性和同行效应严重复杂的偏好排序的每个代理。此外，研究表明，外部性导致严重的问题，市场稳定性和开发有效的算法，以找到稳定的匹配。在本文中，我们观察到，同行效应往往是潜在的社会联系的结果，我们探讨了制定多对一的匹配市场，同行效应来自一个潜在的社会网络。我们的模型的主要特点是，它捕捉同行的影响和互补性使用效用函数，而不是传统的偏好排序。在此模型下，考虑一个较弱的稳定性概念，即双边交换稳定性，我们证明了稳定匹配总是存在的，并从社会福利的角度刻画了稳定匹配集.我们还给出了分布式算法，保证收敛到双边交换稳定匹配。为了评估这些算法的竞争比，并更普遍地描述匹配市场的效率与外部性，我们提供了一般的界限，福利的最坏情况下的稳定匹配可以从福利的最佳匹配，并发现社会网络的结构（例如，如何以及集群的网络）起着很大的作用。
2011-07-22 cs.GT cs.SI physics.soc-ph
Message in a Sealed Bottle: Privacy Preserving Friending in Social Networks
许多基于接近度的移动社交网络被开发来促进任何两个人之间的连接，或者帮助用户在一定距离内找到具有匹配简档的人。在这些应用中，一个具有挑战性的任务是保护参与者的个人资料和个人利益的隐私。在本文中，我们设计了新的机制，当给定的偏好配置文件提交的用户，搜索一个人与匹配配置文件在分散的多跳移动社交网络。我们的机制是保护隐私的：没有参与者的个人资料和提交的偏好配置文件被暴露。我们的机制在发现匹配用户的同时，在发起者和匹配用户之间建立了一条安全的通信通道，严格的分析表明，我们的机制是安全的、隐私保护的、可验证的，并且在通信和计算上都是有效的。使用真实的社交网络数据进行的广泛评估和智能手机上的实际系统实现表明，我们的机制比现有的解决方案更有效。
2012-07-31 cs.CR cs.SI
Profile Matching Across Online Social Networks
在这项工作中，我们研究的隐私风险，由于配置文件匹配在线社交网络（OSN），其中匿名配置文件的OSN用户匹配到他们的真实身份，使用辅助信息。我们考虑由用户公开共享的不同属性。这样的属性包括诸如用户名的强标识符和诸如用户在不同平台中的不同帖子之间的兴趣或情感变化的弱标识符两者。我们研究了使用这些属性的不同组合，以显示在一个广泛的方式隐私威胁的配置文件匹配的效果。所提出的框架主要依赖于机器学习技术和优化算法。我们评估了三个数据集（Twitter - Foursquare，Google+ - Twitter和Flickr）的建议框架，并显示如何配置文件的用户在不同的OSN可以匹配的概率很高，通过使用公开共享的属性和/或底层的图形结构的OSN。我们还表明，与依赖于机器学习技术的最新技术相比，所提出的框架显着提供了更高的精度值。我们相信，这项工作将是一个有价值的一步，为OSN用户建立一个工具，以了解他们的隐私风险，由于他们的公共共享。
2020-08-20 cs.CR cs.SI
Digital Stylometry: Linking Profiles Across Social Networks
MIT Media Lab（麻省理工学院媒体实验室）
越来越多的用户在多个社交媒体和社交网站上拥有账户。因此，对跨不同社交网络匹配用户账户和简档以便创建用户的聚合简档的兴趣日益增加。在本文中，我们提出了数字Stylometry，这是一种匹配用户通过风格启发技术的模型。我们使用标准和新颖的技术，尝试了语言、时间和时间-语言组合模型来匹配用户帐户。使用公开的数据，我们的最佳模型，一个结合时间语言的模型，能够正确匹配Twitter和Facebook上5,612个不同用户中31%的账户。
2016-05-17 cs.AI cs.CL cs.IR
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
Partial Network Alignment with Anchor Meta Path and Truncated Generic Stable Matching
为了享受更多的社交网络服务，现在的用户通常同时参与多个在线社交网络。不同网络之间的共享用户称为锚用户，而其余未共享的用户称为非锚用户。不同网络中的锚用户的账户之间的连接被定义为锚链接，并且通过锚链接部分对齐的网络可以被表示为部分对齐的网络。在本文中，我们要预测部分对齐的社交网络之间的锚链接，这是正式定义为部分网络对齐问题。由于以下两个挑战，部分网络对齐问题非常难以解决：（1）缺乏锚链路的一般特征，以及（2）锚链路上的“一对一$_\le$“（一对至多一个）约束。为了解决这两个问题，本文提出了一种新的方法PNA（Partial Network Aligner）。PNA（1）基于锚Meta路径概念和张量分解技术提取锚链接的显式锚邻接特征和潜在拓扑特征;（2）利用通用稳定匹配识别非锚用户，并修剪附着在其上的冗余锚链接。在两个真实世界的部分对齐社交网络上进行的大量实验表明，PNA可以很好地解决部分网络对齐问题，并优于所有其他比较方法，具有显着的优势。
2015-06-16 cs.SI
Impact of Clustering on the Performance of Network De-anonymization
最近，图匹配算法已被成功地应用到网络去匿名化的问题，其中节点（用户）参与到一个以上的社会网络被识别，只有通过他们的链接到其他成员的结构。这个过程利用了一组初始的种子节点，这些节点足够大，可以触发一个渗透过程，这个过程可以正确地匹配不同社交网络中几乎所有的其他节点。我们的主要贡献是展示聚类所发挥的关键作用，这是现实社会网络图（和许多其他系统）的一个无处不在的功能。聚类既有使匹配算法更容易出错的效果，也有可能大大减少触发渗透所需的种子数量，这要归功于波浪式传播效应。我们证明了这些事实，考虑一个相当普遍的类的随机几何图形与可变聚类水平，并显示如何聪明的算法可以实现令人惊讶的良好性能，同时包含匹配错误。
2015-08-09 cs.SI
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
Collective Animal Behavior from Bayesian Estimation and Probability Matching
生活在群体中的动物做出的运动决定，除了其他因素外，还取决于与其他群体成员的社会互动。我们目前对动物群体中社会规则的理解主要是基于对观察结果的经验拟合，较少强调获得允许其推导的第一原理方法。在这里，我们表明，集体决策的模式可以从动物的基本能力，使概率估计存在的不确定性。我们建立了一个决策模型，分为两个阶段：贝叶斯估计和概率匹配。在第一阶段，每只动物都要根据环境的个人信息和通过观察其他动物的行为收集到的社会信息，对哪种行为最好进行贝叶斯估计。在概率匹配阶段，每只动物选择一个概率等于贝叶斯估计概率的行为，这个行为是最合适的。这个模型推导出动物群体中非常简单的互动规则，这些规则只依赖于两种类型的可靠性参数，一种是每只动物分配给其他动物的，另一种是由非社会信息的质量给出的。我们测试我们的模型，从理论上获得一组丰富的观察到的集体模式的决定，在三棘鱼，Gasterosteus aculeatus，浅水鱼类。概率估计和集体行为规则之间的定量联系，允许更好地与其他领域，如觅食，择偶，神经生物学和心理学的联系，并给出预测的实验直接测试之间的关系估计和集体行为。
2011-11-07 cs.SI nlin.AO physics.data-an
Multi-level Graph Convolutional Networks for Cross-platform Anchor Link Prediction
University of Technology Sydney（悉尼科技大学）；The University of Queensland（昆士兰大学）；Southeast University（东南大学）
跨平台帐户匹配在社交网络分析中起着重要作用，并且有利于广泛的应用。然而，现有的方法要么严重依赖于高质量的用户生成内容（包括用户简档），要么只关注网络拓扑，存在数据不足的问题，这给研究者带来了难以解决的模型选择难题。在本文中，为了解决这个问题，我们提出了一个新的框架，认为在一个统一的方式在本地网络结构和超图结构的多级图卷积。该方法克服了现有工作中数据不足的问题，不一定依赖于用户的人口统计信息。此外，为了适应所提出的方法能够处理大规模的社交网络，我们提出了一个两阶段的空间协调机制，以对齐嵌入空间在两个网络划分为基础的并行训练和帐户匹配不同的社交网络。在两个大规模的现实生活中的社交网络上进行了广泛的实验。实验结果表明，该方法优于国家的最先进的模型有很大的差距。
2020-06-02 cs.LG cs.SI
