Hierarchical classification of e-commerce related social media
Stanford University（斯坦福大学）
在本文中，我们试图使用一组带有浏览节点ID标签的推文，一组更大的没有标签的推文和一组亚马逊评论将推文分类到亚马逊浏览节点层次结构的根类别中。研究twitter数据面临着独特的挑战，因为样本很短（少于140个字符），而且经常包含拼写错误或缩写，这些对人类来说微不足道，但对计算机来说很难解析。各种各样的查询和文档扩展技术的实现，以努力提高信息检索适度的成功。
2015-11-26 cs.CL cs.IR cs.LG
Socialbots on Fire: Modeling Adversarial Behaviors of Socialbots via Multi-Agent Hierarchical Reinforcement Learning
Penn State University（宾夕法尼亚州立大学）；University of Warwick（华威大学）
Socialbots是社交平台上软件驱动的用户帐户，自主行动（模仿人类行为），旨在影响其他用户的意见或为特定目标传播有针对性的错误信息。由于社交机器人破坏了社交平台的生态系统，它们通常被认为是有害的。因此，已经有一些计算工作来自动检测社交机器人。然而，据我们所知，这些社交机器人的对抗性质尚未被研究。这就引出了一个问题：“控制社交机器人的对手能否利用人工智能技术来为自己谋利？”“对于这个问题，我们成功地证明了对手确实有可能利用强化学习（RL）等计算学习机制来最大限度地发挥社交机器人的影响力，同时避免被检测到。我们首先将对抗性socialbot学习表示为两个功能分层RL代理之间的合作游戏。当一个代理策划一系列可以避免检测的活动时，另一个代理旨在通过选择性地与正确的用户连接来最大化网络影响力。我们提出的策略网络使用大量的合成图进行训练，并且在强大的bot检测器（检测准确率为90%）下，在最大化网络影响力（高达+18%）和可持续的隐蔽性（高达+40%的不可检测性）方面，都比看不见的现实生活图的基线更好。在推理过程中，我们的方法的复杂性线性扩展，独立于网络的结构和新闻的病毒式传播。这使得我们的方法在现实环境中部署时成为实用的对抗攻击。
2022-02-26 cs.AI cs.CR cs.LG
Hierarchical and Incremental Structural Entropy Minimization for Unsupervised Social Event Detection
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；Beihang University（北京航空航天大学）；Kunming University of Science and Technology（昆明理工大学）
针对现有基于GNN的社交事件检测方法存在的遗漏消息关联、需人工标注和预定义事件数等问题，提出无监督框架HISEvent，通过分层增量式结构熵最小化实现事件检测，在两种设置下均达新SOTA且高效鲁棒。
2023-12-19 cs.LG cs.SI
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
Self-falsifiable Hierarchical Detection of Overlapping Communities On Social Networks
任何社区发现算法都不可能对所有可能的网络都是最优的，因此识别该算法是否适用于给定的网络是很重要的。我们提出了一个多步骤的算法解决方案重叠社区发现的基础上，先进的标签传播过程，它模仿社区形成过程的社交网络。我们的算法是无参数的，并且能够揭示图中社区的层次顺序。我们的解决方案的独特属性是自证伪性;检测后进行自动质量检查的结果，并报告了特定网络的算法的适应性。大量的实验表明，我们的算法是自洽的，可靠的网络范围广泛的大小和不同的种类，是更强大的比现有的算法在稀疏和大规模的社交网络。结果进一步表明，我们的解决方案可以揭示网络的内在社区结构的功能。
2019-12-05 cs.SI cs.SY eess.SY
Private Hierarchical Clustering in Federated Networks
分析社交网络的结构属性，例如识别其聚类或找到其最中心的节点，有许多应用。然而，这些应用不受允许用户在其终端设备上本地存储其社交链接的联合社交网络的支持。在联邦制度中，用户希望访问个性化服务，同时也保持他们的社交联系私密。在本文中，我们采取了一个步骤，使联邦网络上的分析与差分隐私保证保护网络中的用户链接或联系人。具体来说，我们提出的第一项工作，计算层次聚类树使用本地差分隐私。我们计算它们的算法是新颖的，并且对学习到的树的质量具有理论上的界限。私有分层聚类树使得服务提供商能够以各种粒度查询用户周围的社区结构，而用户不必与提供商共享其原始联系人。我们证明了这种查询的效用，重新设计的国家的最先进的社会推荐算法的联邦设置。我们的推荐算法明显优于不使用社交联系人的基线，并与使用联系人的非隐私算法相当。
2021-05-19 cs.CR cs.SI
Detecting Hierarchical Ties Using Link-Analysis Ranking at Different Levels of Time Granularity
社交网络包含隐式知识，该隐式知识可用于推断在可用数据中未显式存在的层级关系。交互模式通常受用户的社会关系影响。我们提出了一种方法来推断这样的信息，适用于链接分析排名算法在不同级别的时间粒度。此外，一个投票计划是用于获得的层次关系。该方法在两个数据集上进行评估：安然电子邮件数据集，其目标是推断管理者-下属关系，以及合著者数据集，其目标是推断博士论文-论文关系。实验结果表明，该方法优于传统的方法来推断层次关系的社交网络。
2017-01-24 cs.SI physics.soc-ph
Hierarchical community structure in complex (social) networks
网络中社区结构的研究在许多学科中是一项非常重要的任务，即物理学，社会学，生物学和计算机科学，其中系统通常表示为图。其中一个挑战是在没有全局信息的图中从局部视点找到局部社区，以便再现每个顶点的主观层次视觉。本文提出了一种信息动力学算法的改进，其中节点的标签传播基于认知启发约束下网络中的马尔可夫信息流\cite{Massaro2012}。在这个框架中，我们引入了两个更复杂的算法，使算法能够从一个源顶点或社区采用固定值的模型的参数来检测网络的多分辨率层次社区结构。实验结果表明，所提出的方法是有效的和良好的行为在现实世界和合成网络。
2014-03-10 cs.SI physics.soc-ph
Hierarchical Fuzzy Opinion Networks: Top-Down for Social Organizations and Bottom-Up for Election
本文提出分层模糊意见网络，分别通过自上而下模型研究领导者意见的渗透与收敛、自下而上模型模拟选举中意见的逐层聚合，证明了分层小群体结构能显著提升收敛速度。
2018-12-07 cs.MA cs.SI cs.SY
Hierarchical Information Enhancement Network for Cascade Prediction 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）
针对现有级联预测方法未能利用不同模态间分层语义关联的问题，提出分层信息增强网络HIENet，融合级联序列、社交图和子级联图，有效提升了预测性能。
2024-03-22 cs.AI cs.SI
HNP3: A Hierarchical Nonparametric Point Process for Modeling Content Diffusion over Social Media
Sharif University of Technology（谢里夫理工大学）
本文介绍了一种新的框架，用于建模的时间事件与复杂的纵向依赖，产生的依赖源。该框架利用多维点过程对事件时间进行建模。所提出的过程的强度函数是强度的混合，其复杂性随着数据的时间模式的复杂性而增长。此外，它利用了一个分层依赖的非参数方法来模型标记的事件。这些功能允许所提出的模型，以适应其时间和主题的复杂性，根据数据的复杂性，这使得它成为一个合适的候选人为现实世界的场景。一个在线推理算法也提出了，使该框架适用于广泛的应用。该框架被应用到一个现实世界的应用程序，模拟网络上的内容的扩散。大量的实验表明，与国家的最先进的方法相比，所提出的框架的有效性。
2016-10-02 cs.LG cs.SI stat.ML
Hierarchical Propagation Networks for Fake News Detection: Investigation and Exploitation
从社交媒体上消费新闻正变得越来越受欢迎。然而，社交媒体也使假新闻得以传播。由于社交媒体带来的不利影响，虚假新闻检测越来越受到关注。然而，仅从新闻内容中检测假新闻的性能通常是有限的，因为假新闻被编写为模仿真实新闻。在现实世界中，新闻通过社交媒体上的传播网络传播。新闻传播网络通常涉及多个层次。在本文中，我们研究了具有挑战性的问题，调查和利用社会媒体上的新闻分层传播网络的假新闻检测。为了理解新闻传播网络与假新闻之间的相关性，本文首先从宏观和微观两个层面构建了假新闻和真新闻的层次传播网络，然后对假新闻和真新闻的传播网络的语言、结构和时间特征进行了对比分析，展示了利用这些特征检测假新闻的潜力。第三，我们展示了这些传播网络特征对虚假新闻检测的有效性。我们进一步验证了这些功能的有效性，从功能的重要性分析。总而言之，这项工作提出了分层传播网络和假新闻的数据驱动视图，并为更健康的在线新闻生态系统铺平了道路。
2019-03-21 cs.SI
Semi-Supervised Hierarchical Graph Classification
Hong Kong University of Science and Technology (Guangzhou)（香港科技大学（广州））；Hong Kong University of Science and Technology（香港科技大学）；Tsinghua University（清华大学）；Tencent AI Lab（腾讯人工智能实验室）
节点分类和图分类是两个图学习问题，分别预测节点的类标签和图的类标签。图的节点通常表示真实世界的实体，例如，社交网络中的用户或文档引文网络中的文档。在这项工作中，我们考虑一个更具挑战性但实际上有用的设置，其中节点本身是一个图形实例。这导致了一个层次图的观点，出现在许多领域，如社会网络，生物网络和文档收集。我们研究层次图中的节点分类问题，其中“节点”是图实例。由于标签通常是有限的，我们设计了一个新的半监督解决方案命名为SEAL-CI。SEAL-CI采用迭代框架，轮流更新两个模块，一个工作在图实例级别，另一个工作在层次图级别。为了保证层次图中不同层次之间的一致性，提出了层次图互信息（HGMI），并给出了一种有理论保证的HGMI计算方法。我们证明了这种层次图建模和建议的SEAL-CI方法对文本和社交网络数据的有效性。
2022-09-05 cs.AI cs.LG cs.SI
Collective Link Prediction Oriented Network Embedding with Hierarchical Graph Attention
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网站。结盟的社交网络提供了更多的信息，以缓解数据不足的问题。在本文中，我们的目标是集体链接预测问题，旨在预测网络内的社会链接，以及跨多个对齐的社交网络的网络间的锚链接。这不是一件容易的事情，主要的挑战涉及网络特性差异问题以及要预测的社交链接和锚链接的不同方向性。为了解决这个问题，我们提出了一个面向应用的网络嵌入框架，层次图注意力为基础的网络嵌入（HGANE），集体链接预测定向对齐网络。与传统的一般网络嵌入模型不同，HGANE有效地将集体链接预测任务目标纳入考虑。它通过聚合来自网络内邻居（通过社交链接连接）和网络间合作伙伴（通过锚链接连接）的信息来学习节点的表示。此外，我们还分别为网络内邻居和网络间伙伴引入了层次图注意力机制，有效地解决了网络特性差异和链路方向性的挑战。在现实世界的对齐网络数据集上进行了大量的实验，以证明我们的模型在解决集体链接预测问题方面优于最先进的基线方法。
2019-10-13 cs.SI physics.soc-ph
HAT4RD: Hierarchical Adversarial Training for Rumor Detection on Social Media
National Cheng Kung University（国立成功大学）
随着社交媒体的发展，社交方式发生了变化。这在方便人们沟通和获取信息的同时，也为谣言的传播提供了理想的平台。在正常或危急情况下，谣言会影响人们的判断，甚至危害社会安全。然而，自然语言是高维稀疏的，同一条谣言在社交媒体上可能有上百种表达方式。因此，目前的谣言检测模型的鲁棒性和泛化能力受到质疑。我们提出了一种新的\textbf{h}原型\textbf{a}对抗性\textbf{t}训练方法，用于社交媒体上的\textbf{r} umor \textbf{d}检测（HAT4RD）。具体来说，HAT4RD基于梯度上升，通过向后级和事件级模块的嵌入层添加对抗性扰动来欺骗检测器。同时，检测器使用随机梯度下降来最小化对抗风险，以学习更鲁棒的模型。通过这种方式，增强了后级和事件级样本空间，并且我们已经验证了我们的模型在各种对抗攻击下的鲁棒性。此外，视觉实验表明，该模型漂移到一个区域与平坦的损失景观，导致更好的泛化。我们在来自两个常用社交平台（Twitter和微博）的三个公共谣言数据集上评估了我们提出的方法。实验结果表明，我们的模型取得了更好的结果比国家的最先进的方法。
2022-08-29 cs.CL cs.SI
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
Sustainable Online Communities Exhibit Distinct Hierarchical Structures Across Scales of Size
在线社区以多种形式和规模存在，对个人和组织具有相当大的影响力。然而，对于为什么一些在线社区是可持续的，而另一些则不复存在，人们的见解有限。我们发现，社区，未能保持一个典型的分层的社会结构，跨规模的凝聚力平衡不生存，可以区分社区表现出这种平衡，并在长期内占上风。此外，在对10，122个真实在线社区（共有134，747名成员）的分析中，我们发现，在其生命周期的前30天绘制社区社交圈结构足以预测社区未来10年的生存。通过改变校准时间框架，允许预测能力的社会结构的各个方面在社区生命的最初几个月内出现并固定。
2018-03-20 cond-mat.stat-mech cs.SI physics.soc-ph
An Investigation into the Causal Mechanism of Political Opinion Dynamics: A Model of Hierarchical Coarse-Graining with Community-Bounded Social Influence
本研究提出基于社区边界社会影响的分层粗粒化模型，利用CODA模型模拟政治舆论动态，发现高层次连通性通过向下因果驱动全局共识，为理解极化现象提供了新视角。
2025-04-03 cs.MA cs.SI
A Survey of Hierarchy Identification in Social Networks
The City University of New York（纽约城市大学）
人类天生是社会性的。纵观历史，人们形成了社区并建立了关系。大多数与同事、朋友和家人的关系都是在面对面的互动中发展起来的。这些关系是通过明确的通信手段，如文字和隐含的，如语调，肢体语言等，通过分析人类的互动，我们可以得到有关的关系和对话参与者之间的影响力的信息。然而，随着互联网的发展，人们开始在在线社交网络中通过文本进行交流。有趣的是，他们把自己的交流习惯带到了互联网上。许多社交网络用户彼此形成关系，并与领导者和追随者建立社区。识别这些等级关系是一项重要的任务，因为它将有助于了解社交网络并预测未来趋势，改进推荐，更好地定位广告，并通过识别匿名恐怖组织的领导人来改善国家安全。在这项工作中，我提供了一个概述，目前在这一领域的研究，并提出了国家的最先进的方法来处理识别层次关系的问题，在社交网络。
2018-12-20 cs.AI cs.CL cs.SI
An Error-Correction Model for Information Transmissions of Social Networks
研究了社会网络中两个顶点之间通信的纠错问题。将编码理论的概念应用于社会网络分析（SNA），建立了编码社会网络模型，为社会网络中信息传递的正确性提供了一种有效的保证。本研究的结果可应用于社会科学的各种研究。
2023-03-30 cs.IT cs.SI math.IT
A methodology for analyzing financial needs hierarchy from social discussions using LLM
TCS Research（塔塔咨询服务研究院）
本文提出利用大语言模型分析社交媒体中财务需求层级结构，通过计算验证其层级组织特征，并提供新的在线财务讨论内容洞察。
2026-02-06 cs.AI cs.IR cs.SI
Perceptual Effects of Hierarchy in Art Historical Social Networks
网络表征是历史社会网络分析中的一个重要课题。由人文主义学者领导的关于它们的价值和内涵的争论，今天比以往任何时候都更有意义，因为这些表征作为历史分析的支持是多么普遍。力导向网络尤其受欢迎，因为它们可以相对快速地开发，并揭示数据中的模式和结构。底层算法虽然在揭示隐藏模式方面很强大，但并没有保留历史社交网络中有意义的结构和现有的层次结构。在这篇文章中，我们质疑这种结构的外国方面，力导向布局在历史数据集中创建。我们探讨了社交网络中层次结构的重要性，并调查了层次结构-强烈存在于我们的社会结构模型中-是否会影响我们对社会网络数据的感知。我们的用户评估结果表明，分层网络表示减少认知负荷，并导致更频繁和更深入的洞察历史社交网络。我们还发现，用户报告的层次图表示的偏好。我们分析了这些研究结果，在人文研究中的力量导向的网络表征的价值更广泛的讨论，并介绍了开放的问题，为今后的工作在这方面的研究。
2022-01-23 cs.HC cs.SI
Hierarchical Knowledge Distillation on Text Graph for Data-limited Attribute Inference
Pennsylvania State University（宾夕法尼亚州立大学）；Wright State University（莱特州立大学）
针对社交媒体文本属性推断中标注数据有限且文本图内存开销大的问题，本文提出基于文本图的少样本学习模型，通过流形学习构建文本图并引入层次知识蒸馏，显著提升了少样本属性推断性能。
2024-01-10 cs.CL cs.LG cs.SI
Enhancing Temporal Link Prediction with HierTKG: A Hierarchical Temporal Knowledge Graph Framework
提出HierTKG框架，结合时序图网络与分层池化，建模谣言传播动态，提升时序链接预测性能，在多个数据集上取得高MRR，支持实时干预。
2024-12-16 cs.AI cs.SI
Is Twitter a Public Sphere for Online Conflicts? A Cross-Ideological and Cross-Hierarchical Look
Twitter的流行引发了关于其对公众舆论影响的辩论。乐观主义者预计，由于社交媒体的个人化和互动性，在线参与和民主化将有所增加。另一方面，网络悲观主义者解释了社交媒体如何导致选择性曝光，并可被当权者用作传播偏见信息的伪装。为了实证地调查这场辩论，我们使用四个指标来评估Twitter作为公共领域：平等，多样性，互惠和质量。使用这些测量，我们分析了不同层次和意识形态的个人之间的通信模式。我们在三个不同冲突的背景下这样做：以色列-巴勒斯坦，美国民主党-共和党，以及巴塞罗那-皇家马德里。在所有情况下，我们都围绕代表两个主要政党的一对中心Twitter帐户收集数据。我们的研究结果以定量的方式表明，Twitter不是民主对话的理想公共领域，等级效应是其原因的一部分。
2014-10-02 cs.SI physics.soc-ph
Hierarchical self-organization of non-cooperating individuals
等级制度是许多自然、技术和社会制度的最显著特征之一。基本结构通常是复杂的，它们最相关的组织原则是根据显示层次特征的网络对组成它们的单元之间的关系进行排序。尽管存在大量的等级制度，但对于多层次、以知识为基础的社会网络的起源，没有定量的理论解释。在这里，我们介绍了一种方法，它是能够再现出现的多级网络结构的基础上，合理的假设，即个人（代表网络的节点）可以作出正确的估计，他们的不断变化的环境的状态在不同程度上。我们的模型解释了知识型组织的一个基本特征：能力较差的个人倾向于追随那些更善于解决他们所面临的问题的人。我们发现，相对简单的规则导致分层自组织和特定的结构，我们获得拥有两个，也许是最重要的特点，复杂系统：同时存在的适应性和稳定性。此外，新兴网络的表现（成功分数）明显高于个人的平均预期分数，而不会让他们复制其他人的决定。我们的计算结果与相关的实验是一致的，可以是有用的，从设计的最佳条件，构建一个给定的复杂的社会结构，以及理解的层次组织的生物结构的重要性，如调节途径或动态的神经网络。
2013-07-31 cs.SI physics.bio-ph physics.soc-ph
Klout Score: Measuring Influence Across Multiple Social Networks
在这项工作中，我们提出了Klout分数，一个影响力评分系统，每天为9个不同社交网络的7.5亿用户分配分数。我们提出了一个分层的框架，为每个用户产生的影响力得分，通过将来自多个网络和社区的用户的信息。超过3600个功能，捕捉有影响力的互动信号，聚集在多个维度为每个用户。这些特征是通过每天处理来自社交网络的超过450亿次交互，以及通过整合指示现实世界影响的因素而可扩展地生成的。从标记数据训练的监督模型确定特征的权重，最终的Klout得分通过分层组合社区和网络获得。我们通过显示具有较高分数的用户能够在网络中更有效地传播信息来验证分数的正确性。最后，我们使用了几个比较其他排名系统，以显示在不同领域的高度影响力和可识别的用户有很高的Klout分数。
2015-10-28 cs.IR cs.SI
Multilevel compression of random walks on networks reveals hierarchical organization in large integrated systems
为了理解大型集成系统的层次结构，我们引入了层次映射方程，它揭示了网络中的多级结构。在这种信息理论的方法中，我们利用压缩和模式检测之间的对偶性;通过压缩随机步行者作为网络上真实流的代理的描述，我们在网络中发现了诱导这种系统范围的流的干扰。因此，找到随机游走器的最短多级描述可以为我们提供网络的最佳层次聚类，最佳的层数和每层的模块划分，以及网络上的动态。通过一种新的搜索算法，我们提取并说明了几个大型社会和生物网络的丰富的多级组织。例如，从全球空中交通网络中，我们发现了国家和大陆，从科学传播模式中，我们揭示了四大学科中的100多个科学领域：生命科学，物理科学，生态学和地球科学以及社会科学。一般来说，我们在全球互联的系统（如神经网络）中发现了浅层次结构，在具有高度分离区域的系统（如道路网络）中发现了丰富的多级组织。
2011-04-10 cs.SI physics.comp-ph physics.soc-ph
Collective Dynamics of Hierarchical Networks
在一个日益复杂、流动和相互关联的世界中，我们面临着越来越多的灾害威胁，无论是偶然的还是故意的。由于组织、技术、程序、随机或蓄意攻击而造成的协调反应和恢复努力的中断，可能导致大规模生命损失的风险。这就需要采取紧急行动，探索建立最佳的信息共享环境，利用多辖区分级网络促进集体救灾和备灾。信息流建模和分析的创新方法，以应对跨多层次机构结构协调的挑战，以及通过使用社交媒体分析的社会系统开发早期预警，可能是及时应对大规模灾害的关键，应对战略需要被视为共同责任。如何在多管辖区环境中促进发展集体救灾？我们如何开发和测试共享的多管辖区层级网络的水平和有效性，以改善备灾和应对？多层次的培训和演习在建立集体备灾和救灾的共享学习空间方面有何作用？因此，这样做的目的是确定可能影响救灾工作的因素。
2015-03-28 cs.CY cs.SI
Balancing User Preferences by Social Networks: A Condition-Guided Social Recommendation Model for Mitigating Popularity Bias
Jilin University（吉林大学）；The Hong Kong Polytechnic University（香港理工大学）；Griffith University（格里菲斯大学）
本文提出CGSoRec模型，通过去噪社交网络和调整用户偏好权重，缓解推荐中的流行偏见。模型包含条件引导的社交去噪和扩散推荐模块，在三个真实数据集上验证了有效性。
2026-04-10 cs.LG cs.SI
Hierarchical community detection via maximum entropy partitions and the renormalization group
本文提出层次聚类熵（HCE）框架，通过最大化熵与社区数目的权衡选择最优分辨率，无需边级统计，适用于多种聚类算法，在合成与真实网络中均能识别与真实结构一致的层次社区。
2025-08-06 cs.SI physics.data-an physics.soc-ph
Sub-Story Detection in Twitter with Hierarchical Dirichlet Processes
社交媒体现在已经成为现实世界事件的事实上的信息源。然而，由于社交媒体流的高容量和速度性质，挑战在于如何随着时间的推移跟踪与给定事件有关的所有帖子，这是一项称为故事检测的任务。此外，通常有几个不同的故事属于一个给定的事件，我们称之为子故事和相应的任务，他们的自动检测子故事检测。本文提出了层次狄利克雷过程（HDP），概率主题模型，作为一种有效的方法自动子故事检测。HDP可以学习与子故事相关联的子主题，这使得它能够处理子故事中的微妙变化。它是比较国家的最先进的故事检测方法的基础上局部敏感哈希和谱聚类。我们展示了优越的性能HDP子故事检测真实世界的Twitter数据集，使用各种评估措施。HDP学习子主题的能力有助于它以高精度回忆子故事。本文的另一个贡献是证明了Twitter流中的会话结构可以用来显着提高子故事检测性能。
2016-06-11 cs.IR cs.SI
Introducing Graph Cumulants: What is the Variance of Your Social Network?
在一个日益相互关联的世界中，理解和总结这些网络的结构变得越来越重要。然而，这项任务是不平凡的;拟议的汇总统计是不同的网络，他们所描述的，和一个标准化的层次结构尚未建立。相反，向量值随机变量允许根据其累积量进行这样的描述（例如，均值、（协）方差、偏斜、峰度）。在这里，我们引入了网络累积量的自然模拟，基于越来越多的连接之间的相关性构建分层描述，无缝地结合额外的信息，如有向边，节点属性和边权重。这些图累积量提供了一个原则性和统一的框架，用于量化网络显示任何感兴趣的子结构（如测量聚类的集团）的倾向。此外，它们产生了网络的最大熵模型的自然分层家族（即，ERGMs），不遭受“简并问题”，一个共同的实际陷阱，其他ERGMs。
2020-04-14 cs.DM cs.SI math.ST
Social Network Integration: Towards Constructing the Social Graph
在这项工作中，我们制定的社会网络整合的问题。它将多个观察到的社交网络作为输入，并返回一个集成的全局社交图，其中每个节点对应于一个真实的人。社会网络集成的关键挑战是发现不同社交网络之间的对应关系或相互联系。我们对AMiner、Linkedin和Videolectures这三个在线社交网络进行了深入分析，以解决揭示用户社交身份的因素，不同社交网络之间的社交因素是否一致，以及我们如何利用这些信息进行整合。我们提出了一个统一的社会网络集成任务的框架。它从多个社交网络中抓取数据，并进一步从所获得的网络中发现与同一个真实人物相对应的帐户。我们使用一个概率模型来确定这种对应关系，它结合了不同社会地位和社会关系的一致性，以及一对一映射约束和逻辑传递性等特征来共同进行预测。实验结果验证了该方法的有效性。
2014-01-21 cs.SI physics.soc-ph
Social Network Fusion and Mining: A Survey
从全球范围来看，在线社交网络的格局高度分散。出现了大量的在线社交网络，可以为用户提供各种类型的服务。通常，这些在线社交网络中可用的信息具有不同的类别，其可以形式化地表示为异构社交网络（HSN）。同时，在这样一个在线社交媒体时代，用户通常同时参与多个在线社交网络以享受更多的社交网络服务，他们可以充当将不同网络连接在一起的桥梁。因此，多个HSN不仅可以代表单个网络中的信息，而且可以融合来自多个网络的信息。形式上，共享共同用户的在线社交网络被称为对齐的社交网络，并且这些充当对齐网络的锚的共享用户被称为锚用户。用户在多个对齐的社交网络中的社交活动所产生的异构信息为社交网络从业者和研究者提供了同时研究多个社交平台上单个用户的社交行为的机会。本文综述了基于广义学习背景的多对齐HSNs研究的最新进展，包括5个主要研究任务，即：网络对齐、链路预测、社区检测、信息扩散和网络嵌入。
2018-05-02 cs.CY cs.SI
Influence Activation Model: A New Perspective in Social Influence Analysis and Social Network Evolution
是什么推动了社会网络动态的倾向？社会影响力被认为是推动离线和在线人类行为的驱动力，但它并没有被认为是社会网络进化的驱动力。我们的分析表明，虽然网络结构影响了社交网络中影响力的传播，但网络反过来又受到社会影响力活动的影响（即，一个人的态度和行为影响另一个人的社会影响过程。为此，我们开发了一种新的网络演化模型，其中网络的动态遵循影响力传播的机制，这是现有网络演化模型所不能捕捉的。我们的实验证实了我们的模型的预测，并证明了社会影响力在网络演化过程中可以发挥的重要作用。在探索社会网络演化的原因的同时，不同类型的社会影响力对网络动态产生了不同的影响。这些发现和方法对于我们理解推动网络进化的机制以及我们了解社会影响力在塑造网络结构中的作用至关重要。
2016-05-26 cs.SI physics.soc-ph
Evolving Social Networks via Friend Recommendations
一个社交网络在一段时间内随着新的联系和关系的形成而成长。近年来，我们目睹了Facebook、Twitter等在线社交网络的大规模增长。因此，了解这些网络的命运已成为一个极其重要的问题。因此，预测社交网络的发展是一个极其重要的问题。一个好的社会网络演化模型可以帮助理解网络结构中发生变化的属性。在本文中，我们提出了这样一个社交网络的演化模型。我们将社交网络建模为无向图，其中节点表示人，边表示他们之间的友谊。我们将进化过程定义为一组规则，这些规则非常类似于社交网络在现实生活中的发展。我们模拟的演变过程，并显示，如何从一个初始的网络，一个网络的演变使用这个模型。我们还讨论了我们的模型如何可以用来模拟各种复杂的社交网络以外的在线社交网络，如政治网络，各种组织等。
2015-09-24 cs.SI
The Influence of Social Networks on Human Society
本报告简要概述了社交网络的起源及其在现代最流行的表现形式-在线社交网络（OSN）或社交媒体。并进一步讨论了OSN对人类社会的积极和消极影响。数据科学和社交媒体的结合（社交媒体挖掘）是克服当前挑战并为未来发展铺平道路的有力工具
2021-03-24 cs.SI
Measuring social mobility in temporal networks
本文定义层级流动性等时序相关统计量，衡量节点度增长倾向随时间的变化，并在人工模型和26个真实时序网络上验证其能揭示网络结构动态并区分不同领域网络。
2025-02-04 cs.SI physics.soc-ph
Understanding the impact of socialbot attacks in online social networks
像Twitter或Facebook这样的在线社交网络（OSN）是流行和强大的，因为它们允许在线接触数百万用户。它们也是社交机器人攻击的热门目标。如果不深入了解这种攻击的影响，在线社交网络作为促进对话或民主进程的工具的潜力就会受到威胁。在这个扩展的摘要中，我们提出了来自现场实验室实验的见解，其中社交机器人旨在操纵在线社交网络的社交图，在我们的案例中是Twitter。我们探索了目标人类用户之间的链接创建行为，我们的结果表明，社交机器人可能确实有能力塑造和影响在线社交网络中的社交图谱。然而，我们的研究结果也表明，外部因素可能发挥了重要作用，在创造社会联系的OSN。
2014-02-25 cs.SI physics.soc-ph
Social-LLM: Modeling User Behavior at Scale using Language Models and Social Network Data
University of Southern California（南加州大学）
针对大规模社交网络建模的可扩展性挑战，提出Social-LLM方法，结合局部社交网络交互与大型语言模型，在七个真实数据集上验证了其在用户检测任务中的有效性。
2023-12-31 cs.AI cs.SI
From Social Network to Semantic Social Network in Recommender System
由于新兴的Web 2.0的成功，以及不同的社交网络网站，如亚马逊和电影镜头，推荐系统正在创造前所未有的机会，以帮助人们浏览网页时，寻找相关的信息，并作出选择。通常，这些推荐系统分为三类：基于内容的推荐系统、协同过滤推荐系统和基于混合的推荐系统。通常，这些系统采用标准推荐方法，例如人工神经网络、最近邻或贝叶斯网络。然而，这些方法与基于web应用（诸如社交网络或语义web）的方法相比是有限的。在本文中，我们提出了一种新的方法，称为语义社会推荐系统，提高了利用语义社会网络分析的力量的社交网络的分析。在亚马逊的真实数据上进行的实验检验了我们推荐方法的质量和推荐算法的性能。
2015-07-17 cs.IR cs.SI
Self-Organizing Map and social networks: Unfolding online social popularity
本研究使用Kohonen自组织图（SOM）来表示的流行模式的Myspace音乐艺术家从他们的属性在平台上，他们在社会网络中的位置。该方法适用于聚类的配置文件（社会网络的节点）和最佳的友谊链接（边）。这表明，SOM是一个有效的工具来解释观众和音乐家的影响力之间的复杂联系。最后给出了一个在线社交网络行为的鲁棒分类器。
2013-01-28 cs.SI physics.soc-ph
A method to evaluate the reliability of social media data for social network analysis
为了研究在线社交网络（OSN）活动对现实世界离线事件的影响，研究人员需要访问OSN数据，其可靠性对社会网络分析具有特殊意义。这不仅关系到任何收集的数据集的完整性，而且关系到从这些数据集构建有意义的社会和信息网络。在这个多学科的研究中，我们考虑的问题，从OSN数据构建传统的社交网络，然后提出了一个测量的案例研究，显示OSN数据的可靠性如何影响社会网络分析。为此，我们开发了一种系统的比较方法，并将其应用于从Twitter收集的两个并行数据集。我们发现使用不同工具收集的数据集存在相当大的差异，这些差异显著改变了后续分析的结果。我们的研究结果为计划收集在线数据流以推断社交网络的研究人员提供了一套指导方针。
2020-10-17 cs.SI
A Social Network Analysis of Articles on Social Network Analysis
一系列关于社交网络的统计建模和推理的文章以网络的方式进行分析。这些文章的参考文献被用来构建一个引文网络数据集，这几乎是一个有向无环图，因为只有现有的文章可以被引用。然后将混合隶属度随机块模型应用于该数据集以软聚类文章。从吉布斯采样器获得的结果让我们深入了解这些文章的影响和分类。
2018-10-29 cs.SI physics.soc-ph stat.AP
Inferring hierarchical structure of spatial and generic complex networks through a modeling framework
我们最近的论文[Grauwin et al. Sci. Rep. 7（2017）]表明，人类互动网络的社区和层次结构在很大程度上决定了最小的，在建模时应该考虑到它们。在本概念验证预印本中，考虑了相反的问题：是否可以推断出层次结构本身与网络模型最佳对齐？通过基于层次和（如果定义）地理距离的模型，为空间网络和一般的复杂网络提供了推理机制。该机制允许在复杂网络中以任何期望的分辨率发现分层和社区结构，特别是空间网络的空间独立结构。以美国州际人口迁移网络为例说明了该方法。
2017-12-15 cs.SI physics.soc-ph
A categorization scheme for socialbot attacks in online social networks
在过去，像Facebook和Twitter这样的在线社交网络（OSN）成为沟通和网络的强大工具。不幸的是，它们也成为社交机器人攻击的受欢迎目标。因此，深入了解此类攻击的性质对于保护OSN的生态系统非常重要。在这个扩展的摘要中，我们提出了一个社交机器人攻击的分类方案，旨在概述这一新兴领域的技术现状。最后，我们证明了我们的分类方案的有用性，根据我们的分类方案表征最近的socialbot攻击。
2014-02-25 cs.SI physics.soc-ph
Scalable Analysis for Large Social Networks: the data-aware mean-field approach
对社交网络的研究已经证明，影响动态的因素有内、外生因素。在解释社交网络的动态性方面存在两种建模流：1）通过网络属性预测链接的模型，以及2）考虑社会属性影响的模型。在这项跨学科的研究中，我们努力克服这些当前模型中的一些计算限制。我们采用了平均场模型，它允许构建一个特定于人群的社会知情模型，用于预测大型社交网络中的网络和社会属性的链接。该模型进行了测试人口的会议合著行为，考虑到一些参数，从现有的Web数据。我们解决如何大的社交网络可以保持网络和社会参数建模。我们证明，平均场模型，使用数据感知的方法，使我们能够克服计算负担，从而在网络和社会参数方面的大型社交网络建模的可扩展性问题。此外，我们确认，大型社交网络的发展，通过网络和社会选择的决定，断言网络的动态不能单独从一个单一的角度来研究，但必须考虑社会参数的影响。
2012-10-18 cs.PF cs.SI math.PR
An Introduction to Community Detection in Multi-layered Social Network
社会社区的提取及其动态变化是当今社会网络分析的重要问题之一。近年来，许多研究者提出了自己的社交网络群体发现方法。但是，几乎没有人注意到，现代社交网络比几年前复杂得多。由于IT系统中存在大量关于各种用户活动的不同数据，因此可以区分称为多层社交网络的新类别的社交网络。为此，本文提出了一种利用多层边聚类系数的多层社会网络社区发现新方法。
2012-09-26 cs.SI physics.soc-ph
Modeling Information Diffusion in Online Social Networks with Partial Differential Equations
Twitter和Facebook等在线社交网络在信息交流方面获得了极大的普及。空前数量的数字数据的可用性加速了在线社交网络中信息扩散的研究。然而，由于在线社交网络的快速变化和社会互动的复杂性，在线社交网络中的信息传播机制仍然是难以捉摸的。关于在线社交网络上的信息扩散的许多先前工作基于经验和统计方法。在线社交网络上信息扩散的动力学模型大多涉及仅依赖于时间的常微分方程。在最近的一些论文中，作者提出使用偏微分方程（PDE）来描述在线社交网络上信息扩散的时间和空间模式。建立在直观的网络距离，如友谊跳在线社交网络，反应扩散方程考虑到各种外部的网络外的来源，如主流媒体的影响，并提供了一个新的分析框架，研究结构和主题的影响，在网上社交网络的信息扩散的相互作用。在本调查中，我们讨论了一些基于偏微分方程的模型，这些模型是用从流行的在线社交网络（如Digg和Twitter）收集的真实数据集进行验证的。介绍了在线社交网络中信息流守恒定律和基于行波解的信息传播速度等新进展，以巩固PDE模型的基础，并强调在线社交网络中数学家、计算机科学家和研究人员面临的新机遇和挑战。
2013-10-01 cs.SI physics.soc-ph
Hierarchical Community Detection in Bipartite Networks
University of Houston（休斯顿大学）
本文提出了一种基于模ularity的新型目标函数，用于双网络中的分层社区发现，通过可调分辨率参数揭示多尺度社区结构，适用于加权双网络。
2026-04-09 cs.SI physics.comp-ph
Evolution of Coordination in Social Networks: A Numerical Study
协调博弈对于解释有效的和可取的社会行为很重要。在这里，我们研究这些游戏的网络社会结构，使用进化的方法进行广泛的数值模拟。我们发现，局部网络效应可能会促进选择的有效均衡，在纯粹的和一般的协调游戏，可以解释社会极化。这些结果被放入角度相对于已知的理论结果。我们得到的主要见解是，集群，特别是社区结构在社交网络有一个积极的作用，促进社会效率的结果。
2010-11-04 cs.SI physics.soc-ph
Topics in social network analysis and network science
本章介绍了用于分析社交网络和快速发展的并行领域网络科学的统计方法。虽然最近出现了一些社会网络分析在卫生服务研究中的例子，但大多数只涉及最基本的方法，因此只涉及可能实现的表面。尖端的方法，使用相关的例子和插图在卫生服务研究提供。
2014-03-31 cs.SI physics.soc-ph
Are Social Networks Really Balanced?
长期以来，人们一直认为，在同时存在友好/敌对互动的社交网络（签名网络）中，普遍存在全球平衡的趋势。平衡代表了网络中没有争议的情况。在这里，我们介绍一种方法来量化任何签名（社交）网络的平衡程度。它考虑了网络中所有有符号圈的贡献，并与经验证据相一致，对较短的圈比对较长的圈给予更多的权重。我们发现，与人们所认为的相反，许多签名的社交网络--特别是非常大的定向在线社交网络--一般来说是非常不平衡的。我们还表明，不平衡的状态可以通过调整网络中的代理之间的社会互动的权重来改变。
2014-06-09 cs.SI physics.soc-ph
