Communication activity in a social network: relation between long-term correlations and inter-event clustering
人类在社交网络中交流的时间模式并不是随机的。相反，沟通是由新兴的统计规律，如非平凡的相关性和集群。最近，我们发现用户在社交社区中的活动存在长期相关性。在这里，我们将这项工作扩展到研究整个社区的集体行为。我们的目标是了解集群和长期持久性的起源。在个人层面上，我们发现，在活动的相关性是一个副产品的聚类表示在幂律分布的事件间的时间的单个用户。相反，整个社区的活动呈现出长期的相关性，这是系统真正的涌现属性，即它们与事件间时间的分布无关。这一结果表明，存在的集体行为，可能产生于非平凡的通信模式，通过嵌入的社会网络。
2012-05-08 cs.SI physics.soc-ph
Mining Concurrent Topical Activity in Microblog Streams
社交媒体中的用户生成内容流表现出不同主题的集体注意模式，其时间结构由外源因素和内源因素决定。从微博流中提取知识的一个关键挑战是区分不同的主题并解决它们各自的、并发的活动时间线。面对这一挑战，需要使用通过使用帖子之间和时间上的术语相关性来暴露潜在信号的方法。在这里，我们重点关注2012年伦敦奥运会期间发布到Twitter上的内容，其中详细的事件时间表是独立提供的，可供参考。我们使用两种基于非负矩阵分解的方法来挖掘话题活动的时间结构。我们发现，在奥运会的时间表，可以语义匹配到Twitter的主题的事件，提取的Twitter活动时间轴密切匹配已知的时间轴从时间表。我们的研究结果表明，适当的技术来检测潜在的信号，Twitter可以被用来作为一个社会传感器，以提取高时间分辨率的现实世界中的事件的主题时间信息。
2014-03-06 cs.SI physics.soc-ph
Memory effects induce structure in social networks with activity-driven agents
活动驱动建模是近年来提出的一种时变网络的增长机制，它在时间聚集表示中显示幂律度分布。这种方法假设无记忆的代理开发随机连接，从而导致随机网络无法再现两个节点的度相关性和在真实社交网络中广泛观察到的高聚类系数。在这项工作中，我们介绍了这些缺失的拓扑功能，占时间聚合网络的动态演化的记忆效应。为此，我们提出了一个活动驱动的网络增长模型，包括一个三元组关闭步骤作为主要的连接机制。我们表明，这种机制提供了一些基本的拓扑功能预期的社交网络。我们推导出分析结果，并进行了广泛的数值模拟，在政权和人口增长。最后，我们提出了两个案例的研究，一个包括面对面的接触，在一个封闭的聚会，而另一个从一个在线的社会友谊网络。
2014-04-18 cs.SI physics.soc-ph
Online Social Activity Reflects Economic Status
国内生产总值（GDP）、产业结构和收入增长等指标被广泛应用于经济发展的表征和经济健康状况的诊断。然而，基于传统的经济普查计算这些指数通常是昂贵的，消耗资源，更重要的是，有很长的时间延迟。本文通过对中国最大的社交网络新浪微博近2亿用户连续四年的在线社交活动进行分析，旨在探讨网络社交活动与当地经济状况之间的潜在关系。结果表明，在线社交活动与当地经济发展和产业结构有很强的相关性，更有趣的是，它可以在几乎没有成本的情况下即时揭示宏观经济结构。此外，本文的研究也为识别地方经济结构中的风险信号提供了一个新的途径。
2015-09-22 cs.SI physics.soc-ph
Constructing a taxonomy of fine-grained human movement and activity motifs through social media
得益于网络规模的社会数据集的出现，许多最近的研究系统地探讨了大人口和大时间尺度上的人类流动模式。然而，相对较少的注意力已经支付给流动性和活动在较小的时间尺度，如一天。在这里，我们使用Twitter来识别人们经常访问的位置以及他们可能的活动，作为一天中的时间和一周中的一天的函数，利用消息的内容和地理位置。随后，我们描述了人们的过渡模式图案，并表明，空间信息编码在词的选择。
2015-05-11 cs.SI physics.soc-ph
Negative Effects of Incentivised Viral Campaigns for Activity in Social Networks
病毒式营销是社交社区口碑营销的重要方法。这些运动的目的是鼓励人们积极活动。本文研究了激励和非激励活动的问题。基于在真实社交网站中收集的数据，对这两种方法进行了比较。实验结果显示，一个高动机的活动不一定提供更好的结果，由于重叠效应。其他研究表明，可以根据其服务概况预测活动中单个社区成员的行为，但分类准确性可能有限。
2013-03-10 cs.SI physics.soc-ph
Scaling of city attractiveness for foreign visitors through big data of human economical and social media activity
研究人类行为规律和规律的科学研究，如今越来越依赖于人类社会活动所产生的大量广泛可用的数字信息。在本文中，我们利用人类活动的三个不同方面（即，银行卡交易，地理标记的照片和推特）在西班牙量化城市吸引力的外国游客。本文的一个重要发现是城市吸引力与其人口规模的超线性标度。对于不同的城市定义方式和不同的数据源，观察到的标度指数几乎保持不变，强调了我们发现的鲁棒性。时间变化的标度指数也被认为是为了揭示季节性模式的吸引力
2015-04-22 cs.SI physics.soc-ph
Detecting and Summarizing Emergent Events in Microblogs and Social Media Streams by Dynamic Centralities
自从社交媒体和微博活动开始在数据分析和决策中发挥重要作用以来，用于检测和总结紧急关键词的方法已经得到了广泛的研究。我们提出了一个系统，用于监测紧急关键字和总结的文件流的动态语义图的基础上流文件。我们引入了动态特征向量中心度的概念来对紧急关键词进行排序，并提出了一种基于最小权集覆盖的紧急事件汇总算法。我们展示了我们的系统与分析有关的公共安全事件的流媒体Twitter数据。
2016-10-20 cs.IR 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
Information flow reveals prediction limits in online social activity
现代社会依赖于在线社交网络上的信息流，流行平台的用户会产生关于自己及其社交关系的重要行为数据。然而，目前尚不清楚在使用这些数据来预测个人的活动和兴趣时存在哪些基本限制，以及使用个人的社会关系进行预测的准确性如何。在这里，我们表明，95%的个人潜在预测准确性只需要使用他们的社会关系就可以实现，而不需要个人的数据。我们使用信息理论工具来估计Twitter用户的作品中的预测信息，提供适用于任何预测或机器学习方法的可用预测信息的上限。一个人的8-9个接触就足以获得与单独的个人相媲美的可预测性。通过测量沿着社会关系的信息流，可以看到明显的时间和社会影响，使我们能够更好地研究在线活动的动态。我们的研究结果具有明显的隐私含义：信息是如此强烈地嵌入在社交网络中，原则上，即使个人完全放弃了平台，人们也可以从他们可用的社会关系中对个人进行分析。
2019-02-09 cs.SI physics.soc-ph
Correlations Between Human Mobility and Social Interaction Reveal General Activity Patterns
一个人生活中的一天涉及许多人共同的广泛活动。超越昼夜周期，一个核心问题是：在多大程度上，个体的行为是根据整个种群的共同模式进行的？在这里，我们调查不同的活动类型之间的相互作用，即通信，运动和物理接近通过分析从智能手机中收集的数据分布在638个人。我们探讨两个中心问题：哪些基本原则支配的活动模式的形成？这些模式是每个人特有的还是整个群体共有的？我们发现，整个人口的统计数据使我们能够成功地预测71%的活动和85%的不活动，涉及通信，移动性和物理接近。令人惊讶的是，个体水平的统计数据只会导致稍微更好的预测，这表明大多数活动模式在{我们的样本人群}中是共享的。最后，我们预测短期的活动模式，使用广义线性模型，这表明一个简单的线性描述可能足以解释广泛的行动，无论是社会或物理性质。
2017-11-29 cs.SI physics.soc-ph
From degree-correlated to payoff-correlated activity for an optimal resolution of social dilemmas
玩家在进化游戏中的积极参与取决于几个因素，从个人赌注到交互网络的属性。因此，在研究社会困境中合作的演变时，必须考虑到不同的活动模式。在这里，我们研究了弱囚徒困境博弈，其中每个玩家的活动以概率的方式由其程度或其收益决定。虽然度相关的活动引入了合作的级联失败，这在经常不活跃的枢纽的无标度网络中特别严重，但收益相关的活动提供了一个更微妙的活动概况，最终阻止了合作的系统性崩溃。为了确定合作演化的最佳条件，我们引入了一个指数衰减的收益相关的活动，确定如何快速的球员的活动返回到其默认状态。我们发现，存在一个中间的衰减率，在该衰减率下，社会困境的解决是最优的。这可以解释为新兴的活动模式的球员，其中不活跃的枢纽有效地补偿增加活动的平均度的球员，谁通过他们的集体影响力在网络中维持更高水平的合作。突然下降的合作者的分数观察度相关的活动，因此消失了，所以没有必要进行漫长的时空重组紧凑的合作集群。这种不对称的动态不稳定的情况下，从而导致社会困境的最佳解决方案，特别是当合作的发展条件是非常不利的。
2016-12-09 cs.SI physics.soc-ph q-bio.PE
Scale-Adaptive Group Optimization for Social Activity Planning
研究表明，每个人更倾向于享受一个团体活动时，1）她感兴趣的活动，2）许多有相同兴趣的朋友加入它以及。然而，即使在在线社交网络中可获得兴趣和社交紧密度信息，如今许多社交群体活动仍然需要手动协调。因此，在本文中，我们首先制定了一个新的问题，命名为小组活动的参与者选择（PSGA），以确定组的大小，并选择适当的参与者，使个人利益和社会紧密度的总和最大化的组中的参与者，而活动成本也仔细检查。为了解决这个问题，我们设计了一个新的随机算法，称为预算感知随机组选择（BARGS），以最优分配计算预算，有效地选择组的大小和参与者，我们证明了BARGS可以获得具有保证性能界的解决方案。在Facebook上实现了该算法，实验结果表明，该算法生成的社交群组显著优于基线方案。
2015-03-13 cs.SI
Exploring the effect of streamed social media data variations on 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，然后提出了几个测量案例研究，显示在收集的OSN数据的变化如何影响社会网络分析。为此，我们开发了一个系统的COM的方法，我们应用于五对并行数据集收集从Twitter的四个案例研究。我们发现，使用不同工具收集的几个数据集存在相当大的差异，这些差异会显著改变后续分析的结果。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。
2021-03-05 cs.SI
Social-Media Activity Forecasting with Exogenous Information Signals
University of South Florida（南佛罗里达大学）
由于社交媒体平台的广泛采用，它为研究和理解社会行为提供了理想的环境，特别是在信息传播方面。对社交媒体活动进行建模具有许多实际意义，例如支持分析战略信息操作的努力，设计干预技术以减轻虚假信息，或在救灾行动中提供关键信息。在本文中，我们提出了一种建模技术，预测特定主题的社交媒体活动的日常量，通过使用两个外源信号，如新闻或武装冲突记录，和内源性数据从我们的社交媒体平台模型。实证评估与真实数据集从两个不同的平台和两个不同的背景下，每个组成的多个相互关联的主题证明了我们的解决方案的有效性。
2021-09-22 cs.LG cs.SI
Impact of News Organizations' Trustworthiness and Social Media Activity on Audience Engagement
新闻机构越来越多地使用社交媒体来接触他们的受众，旨在提高他们对新闻的关注和参与。鉴于订阅率和受众对新闻媒体的信任度不断下降，新闻机构必须了解影响其与受众关系的因素。本研究使用315家美国报纸机构及其受众的Twitter数据，采用多元回归分析来研究关键新闻机构特征对受众参与新闻的影响：（1）通过社交媒体信任分数（TSM）算法计算的可信度;（2）推文数量;（3）Twitter使用技巧。研究结果表明，新闻机构的可信度和Twitter活动水平对其受众的新闻参与度有显著影响。还提出了测量新闻机构和受众新闻参与度的可信度的方法，以及从大规模数据集计算它们的可扩展算法。
2018-08-28 cs.SI physics.soc-ph
Origins of power-law degree distribution in the heterogeneity of human activity in social networks
社会网络中个体的联系数的概率分布服从无标度幂律。然而，在对人们在社交网络中的行为的直接分析中，这种分布是如何产生的还没有得到结论性的证明。在这里，我们进行因果推理分析，并找到这种现象的根本原因。我们的分析表明，重尾度分布是由人类活动的类似偏态分布决定的。具体来说，一个人的程度是完全随机的-遵循“最大熵附着”模型-除了它的平均值，它确定性地取决于用户的活动量。这种关系不能用互动模型来解释，比如偏好依恋，因为观察到的行为不太可能是由与其他人的互动引起的。
2013-04-16 cond-mat.stat-mech cs.SI physics.soc-ph
Shaping Social Activity by Incentivizing Users
在线社交网络中的事件可以大致分为内源性事件，其中用户只是对网络内邻居的行为做出响应，或者外源性事件，其中用户由于网络外部的驱动而采取行动。应该为每个用户提供多少外部驱动器，以便网络活动可以转向目标状态？在本文中，我们使用多变量Hawkes过程，它可以捕获内源性和外源性事件强度的社会事件模型，并推导出一个依赖于时间的线性关系外源性事件的强度和整体网络活动。利用这种连接，我们开发了一个凸优化框架，用于确定所需的外部驱动器水平，以使网络达到所需的活动水平。我们对从Twitter收集的事件数据进行了实验，结果表明，我们的方法可以比其他方法更准确地引导网络的活动。
2014-08-19 cs.SI
Steering Social Activity: A Stochastic Optimal Control Point Of View
Sharif University of Technology（谢里夫理工大学）；Max Planck Institute for Software Systems（马克斯·普朗克软件系统研究所）
用户参与在线社交网络的程度主要取决于相应平台上的社交活动水平-用户采取的在线行动，如发帖、分享或回复的数量。我们能设计数据驱动的算法来增加社交活动吗？在用户级别，这样的算法可以通过帮助用户决定何时采取更有可能被他们的同伴注意到的动作来增加活动。在网络层面，它们可以通过激励一些有影响力的用户采取更多行动来增加活动，这反过来又会触发其他用户的额外行动。在本文中，我们使用标记的时间点过程的框架来模拟社会活动，推导出这些过程的另一种表示使用随机微分方程（SDES）跳跃，并利用这种替代表示，开发两个有效的在线算法，可证明的保证，以引导社会活动在用户和网络层面。在这样做，我们建立了一个以前未探索的连接之间的最优控制跳跃随机微分方程和双随机标记的时间点过程，这是独立的利益。最后，我们用从Twitter收集的合成数据和真实数据进行了实验，结果表明，我们的算法始终比最先进的算法更有效地引导社交活动。
2018-02-19 cs.LG cs.SI stat.ML
Prediction and Characterization of High-Activity Events in Social Media Triggered by Real-World News
在线社交网络几乎立即发布大量真实世界事件的信息，成为突发新闻的主要来源。其中一些真实世界的事件最终会对在线社交网络产生非常强烈的影响。这些事件的影响可以从几个角度进行分析，其中之一是它在社交平台上产生的集体活动的强度和特征。我们研究了5，234个真实世界的新闻事件，其中包括在Twitter微博服务上讨论了大约1年的4300万条消息。我们的经验表明，外源性的新闻事件自然会产生集体模式的突发行为相结合的长期不活动的网络。这种行为与以前在其他类型的自然集体现象中观察到的其他模式一致，以及在人类个体交流中。此外，我们提出了一种方法来分类新闻事件，根据不同层次的活动强度，他们生产。特别是，我们分析了最活跃的事件，并观察到一致的和显着不同的集体反应，从用户当他们接触到这样的事件。这种反应与事件的影响范围无关。我们进一步观察到，极高的活动事件的特点是相当明显的，在其爆发的开始阶段。这使我们能够高精度地预测，仅使用事件生命周期演变的前5%信息，就可以预测出在社交网络中影响最大的前8%事件。这强烈地表明，高活跃度的事件自然会被社交网络集体优先考虑，在它们被带到主流受众之前就吸引用户。
2016-10-10 cs.SI physics.soc-ph
An Analysis of Socialbots Activity and Influence in Modern Japanese Social Media
本文分析了日本社交媒体中社交机器人活动及其影响，发现其影响力大于2016年美国总统大选，并探讨了进一步研究的方法。
2023-12-30 cs.SI
Semantic Stability in Social Tagging Streams
社交标记系统的一个潜在缺点是，由于缺乏集中式词汇表，一群用户可能永远无法设法就资源的描述达成共识（例如，书籍、用户或歌曲）。然而，以前的研究提供了有趣的证据表明，随着越来越多的用户标记它们，资源的标记分布可能会随着时间的推移而变得语义稳定。与此同时，以前的工作提出了一系列新的问题，如：（一）我们如何才能评估社会标签系统的语义稳定性在一个强大的和有条不紊的方式？(ii)语义稳定的标签不同的社会标签系统，并最终，（iii）有什么因素可以解释在这样的系统中的语义稳定？在这项工作中，我们解决这些问题，（一）提出了一种新的和强大的方法，克服了一些现有的方法的局限性，（二）经验调查语义稳定过程中的广泛的社会标记系统具有不同的领域和属性和（iii）检测潜在的原因，语义稳定，特别是模仿行为，共享的背景知识和内在属性的自然语言。我们的研究结果表明，由模仿动态和共享的背景知识的组合生成的标签流表现出更快，更高的语义稳定性比标签流，通过模仿动态或自然语言流单独生成。
2013-11-05 cs.CY cs.IR cs.SI
Parallel clustering of high-dimensional social media data streams
我们引入云DIKW作为一个分析环境，支持科学发现，通过集成的并行批处理和流处理，并将其应用到一个代表性的领域应用：社交媒体数据流聚类。最近的工作表明，可以通过使用反映文本内容和社交网络信息的高维向量表示数据点来生成高质量的聚类。由于相似性计算的高成本，即使是单遍算法的顺序实现也无法跟上真实世界流的速度。本文介绍了我们的努力，以满足实时社会流聚类通过并行化的限制。我们关注两个系统层面的问题。像Apache Storm这样的大多数流处理引擎都以有向非循环图的形式组织分布式工作器，这使得动态同步并行工作器的状态变得困难。我们通过使用发布-订阅消息传递系统创建单独的同步通道来应对这一挑战。由于高维向量的稀疏性，随着新数据点被分配到聚类，质心的大小快速增长。传统的同步，直接广播集群质心变得过于昂贵，限制了并行算法的可扩展性。我们解决这个问题的通信集群，而不是整个质心向量的动态变化。我们的算法在云DIKW下可以实时处理Twitter 10%的数据流，具有96路并行度。通过对Cloud DIKW的自然改进，包括在Harp项目中开发的高级集体通信技术，我们将能够以1000路并行实时处理完整的Twitter流。我们使用强大的通用软件子系统将使许多其他需要集成流和批处理数据分析的应用程序成为可能。
2015-02-01 cs.DB cs.DC cs.SI
Ingesting High-Velocity Streaming Graphs from Social Media Sources
RKMV Educational and Research Institute（RKMV教育与研究院）
许多数据科学应用程序，如社会网络分析，使用图形作为其主要的数据形式。然而，从社交媒体获取图形结构数据带来了一些有趣的挑战。第一个挑战是社交媒体数据的高数据速度和突发性。第二个挑战是数据的复杂性使得摄取过程昂贵。如果我们想将流图数据存储在图数据库中，我们面临第三个挑战-数据库通常无法支持高速，高突发数据的摄取。我们已经开发了一个自适应缓冲机制和图形压缩技术，有效地缓解了这个问题。我们的方法的一个新颖的方面是，自适应缓冲算法使用的数据率，数据内容以及数据库机器的CPU资源，以确定一个最佳的数据摄取机制。我们进一步表明，摄取时间图压缩策略提高了数据摄取到数据库中的效率。我们已经通过大量的实验验证了我们的摄取优化策略的有效性。
2019-05-20 cs.DB cs.LG cs.SI
Real-time Event Detection on Social Data Streams
Twitter（推特）
社交网络正迅速成为讨论现实世界事件的主要媒介。在Twitter等社交平台上生成的信息可以产生丰富的数据流，以便立即了解正在发生的事情及其周围的对话。为了解决事件检测的问题，我们将事件建模为随时间变化的趋势实体的集群列表。我们描述了一个实时的【形】系统，用于发现事件，是模块化的设计和新颖的规模和速度：它适用于集群上的大型流与数百万的实体每分钟，并产生一组动态更新的事件。为了评估聚类方法，我们建立了一个评估数据集来自完整的Twitter Firehose的快照，并提出了新的度量聚类质量的指标。通过实验和系统分析，我们强调了离线和在线管道的关键结果。最后，我们在Twitter上可视化一个备受瞩目的事件，以显示事件的演变建模的重要性，特别是那些从社交数据流中检测到的事件。
2019-07-25 cs.LG cs.SI
Uncovering the Spatiotemporal Patterns of Collective Social Activity
社交媒体用户和微博用户在参与各种各样的（离线）集体社交活动时发帖，从音乐会和体育赛事到政治集会和民间抗议。在这种情况下，参加同一集体社交活动的人经常在相似的时间从附近的位置发布密切相关的内容，从而形成独特的时空模式。我们能否自动检测这些模式，从而提供对相关活动的洞察？在本文中，我们提出了一个用于对流时空数据进行聚类的建模框架，即空间狄利克雷霍克斯过程（SDHP），它使我们能够从地理定位的在线轨迹中自动发现集体社会活动的各种时空模式。此外，我们开发了一种基于顺序蒙特卡罗的高效在线推理算法，可扩展到数百万个地理位置的帖子。对从Twitter收集的合成数据和真实数据的实验表明，我们的框架可以在内容和时空动态方面恢复各种有意义的社交活动模式，它产生了关于这些模式的有趣见解，并且它可以用于估计发布推文的位置。
2017-01-10 cs.DS cs.SI
Event Detection from Social Media Stream: Methods, Datasets and Opportunities
Tencent（腾讯）；Shanghai World Foreign Language Academy（上海世界外国语中学）
本文综述了Twitter数据流的事件检测方法，介绍了公开数据集，并指出了未来的研究机遇，帮助读者了解该领域的最新进展。
2023-06-28 cs.AI cs.IR cs.SI
Activity Maximization by Effective Information Diffusion in Social Networks
在社交网络中，即使是相同的信息，不同用户对之间的兴奋度也是不同的。如果你想传播一条新的信息，并最大限度地提高预期的兴奋总量，你应该选择哪些种子用户？这个问题确实与著名的影响力最大化问题有很大的不同，并且不能使用现有的方法来解决。在本文中，在一些有趣的应用程序的需求的动机下，我们模拟活动最大化的新问题。我们系统地解决这个问题。我们首先分析问题的复杂性和可逼近性。我们开发了一个上界和下界，子模块，使三明治框架可以应用。然后，我们设计了一个基于轮询的随机算法，保证了数据依赖的近似因子。我们在三个真实数据集上的实验清楚地验证了我们的方法的有效性和可扩展性，以及我们的方法相对于其他探试法的优势。
2016-10-25 cs.DB cs.SI
Identifying exogenous and endogenous activity in social media
系统中新事件的发生通常由外部原因和系统内部发生的先前事件驱动。这是一个一般性的声明，适用于一系列情况，包括最近的在线社交网络（OSN）中的用户活动。在这里，我们开发了一种方法，用于从一系列的发布时间中提取外源性（例如新闻媒体）和内源性（例如信息级联）的相对贡献。该方法是基于广义线性模型（GLM）配备了自激机制的拟合。我们用非线性霍克斯过程生成的合成数据测试了该方法，并将其应用于具有给定主题标签的实时推文序列。在经验数据集中，估计的贡献外生和内生量分别接近原始推文和转推的数量。最后，我们讨论的方法，例如在网上营销的可能应用。
2018-08-02 cs.SI physics.soc-ph
Investigating the potential of social network data for transport demand models
基于位置的社交网络数据提供了在较长时间内以微不足道的成本从大量用户收集数据的承诺。虽然有几项研究将社交网络数据应用于活动和流动性分析，但缺乏与旅行日记和一般统计数据的比较。在本文中，我们分析了来自新加坡和邻国的大量用户的地理参考Twitter活动。通过结合这些数据，人口统计和旅行日记，并应用聚类技术，我们解决了活动位置的检测，以及这些位置之间的空间分离和过渡。由于twitter数据的分散性质，核密度估计在检测活动位置方面表现最好;每个用户检测到的活动位置比旅行调查中报告的要多。描述性分析表明，确定家庭的位置是更困难的比检测工作位置的大多数规划区。从Twitter数据中检测到的活动位置之间的空间间隔-如旅行调查中报告的和公共交通灵巧卡数据捕获的-大多分布相似，但也显示出非常短和非常长的距离的相关差异。这也适用于区域之间的过渡。Twitter数据和其他数据来源之间的差异是否源于人口子样本、聚类方法的差异，或者社交网络是否在特定地点被更多地使用，必须通过进一步的研究来确定。尽管存在这些缺点，但基于位置的社交网络数据为深入了解活动地点和移动模式提供了一个有前途的数据源，特别是对于旅行调查数据不容易获得的地区。
2017-06-30 cs.SI physics.soc-ph
Understanding Information Spreading in Social Media during Hurricane Sandy: User Activity and Network Properties
许多人在灾害期间使用社交媒体寻求信息，但无法获得传统的信息源。在这项研究中，我们分析了Twitter数据，以了解飓风桑迪期间社交媒体用户的信息传播活动。我们根据活动水平创建Twitter用户的多个子图，并分析子图的网络属性。我们观察到，用户信息共享活动遵循幂律分布，这表明存在一些高度活跃的节点在传播信息和许多其他节点不太活跃。我们还观察到足够接近的连接组件和隔离在所有级别的活动，网络变得不那么可传递，但更大的子图的可预测性。我们还分析了用户活动和可能影响用户行为的特征之间的关联，以在危机期间传播信息。如果用户在网络中处于中心位置，不那么古怪，并且拥有更高的学位，那么他们在传播信息方面会变得更加活跃。我们的分析提供了关于如何利用用户特征和网络属性来传播信息或限制危机事件期间错误信息传播的见解。
2017-06-09 cs.SI
The socialisation of the adolescent who carries out team sports: a transversal study of centrality with a social network analysis
本研究分析了235名青少年在团体运动中的体力活动、超重及社会网络中心性，发现存在显著性别差异，强调了性别和中心性在未来策略设计中的重要性。
2024-02-14 cs.CY cs.SI physics.soc-ph
Streaming Social Event Detection and Evolution Discovery in Heterogeneous Information Networks
Beihang University（北京航空航天大学）；Hong Kong University of Science and Technology（香港科技大学）；University of Leeds（利兹大学）；Newcastle University（纽卡斯尔大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Lehigh University（理海大学）
事件发生在现实世界和实时，可以计划和组织的场合，如社交聚会，节日庆祝活动，有影响力的会议或体育活动。社交媒体平台生成了大量关于不同主题的公共事件的实时文本信息。然而，挖掘社会事件是具有挑战性的，因为事件通常表现出异构的纹理和元数据往往是模糊的。在本文中，我们首先设计了一个新的基于事件的元模式来描述社会事件的语义相关性，然后建立一个基于事件的异构信息网络（HIN）集成信息从外部知识库。其次，我们提出了一种新的成对流行度图卷积网络，命名为PP-GCN，基于加权元路径实例相似度和文本语义表示作为输入，执行细粒度的社会事件分类和学习的最佳权重的元路径在不同的任务。第三，我们提出了一个基于元路径相似性搜索、元路径历史信息和异构DBSCAN聚类方法的流媒体社交事件检测和演化发现框架。对真实世界的流媒体社交文本数据进行了全面的实验，以比较各种社交事件检测和进化发现算法。实验结果表明，我们提出的框架优于其他替代的社会事件检测和进化发现技术。
2021-04-02 cs.AI cs.LG cs.SI
Random walks on activity-driven networks with attractiveness
实际上，所有现实世界的网络都是动态实体。在社交网络中，节点参与社交互动（活动）的倾向和它们被活跃节点选择的机会（吸引力）是不均匀分布的。在这里，我们提出了一个随时间变化的网络模型，其中每个节点和动态形成的关系，其特征在于这两个功能。我们研究了这些属性如何影响随机游走过程展开网络的时间尺度描述的过程和网络的演变是可比的。我们推导出该过程的稳态和平均首次通过时间的解析解，并研究了社交网络的经验观察所告知的情况。我们的工作表明，以前被忽视的真实社会系统的属性，如活动和吸引力的异质分布以及它们之间的相关性，大大影响了网络上展开的动态过程。
2017-06-12 cond-mat.stat-mech cs.SI physics.soc-ph
Distinguishing between Personal Preferences and Social Influence in Online Activity Feeds
许多在线社交网络在通过活动馈送向用户自动共享朋友的活动上蓬勃发展，这可能影响用户的下一步动作。然而，识别这种社会影响是棘手的，因为这些活动同时受到影响力和同质性的影响。我们提出了一个统计程序，使用常用的网络和观察数据的人的行动，以估计复制的影响程度-模仿别人的行动，出现在饲料。我们假设非好友不会影响用户;因此，比较用户的活动与好友和具有相似偏好的非好友之间的相关性，可以帮助梳理出复制影响的效果。对来自多个社交网络的数据集进行的实验表明，不考虑同质性的估计会高估复制的影响，因为它们的数量往往很大。此外，在所有网络中，复制影响估计低于总行为的1%：大多数人和几乎所有行为都不受提要的影响。我们的研究结果质疑围绕在线社交网络中的复制影响程度的普遍看法，并建议改进扩散和推荐模型。
2016-04-05 cs.HC cs.SI stat.ME
Wisdom in Sum of Parts: Multi-Platform Activity Prediction in Social Collaborative Sites
在本文中，我们提出了一个新的框架，它使用从活动中推断的用户兴趣（也称为，活动兴趣）来预测用户的平台活动。框架中包括两种预测方法：（i）直接平台活动预测，其使用来自同一平台的用户的活动兴趣来预测用户在平台中的活动（例如，预测用户是否使用从他或她的先前答案和Stack Overflow中的最爱活动推断的用户兴趣来回答给定Stack Overflow问题），以及（ii）跨平台活动预测，其使用他或她来自另一平台的活动兴趣来预测用户在平台中的活动（例如，预测用户是否使用从他或她的fork中推断出的用户兴趣回答给定的Stack Overflow问题，并在GitHub中观察活动）。为了评估我们提出的方法，我们在软件开发社区中广泛使用的两个社交协作平台上进行了预测实验：GitHub和Stack Overflow。我们的实验表明，结合直接和跨平台的活动预测方法，在GitHub（AUC=0.75）和Stack Overflow（AUC=0.89）中预测用户活动的准确性最高。
2018-05-09 cs.DL cs.SE cs.SI
Social Events in a Time-Varying Mobile Phone Graph
在过去十年中，移动电话在城市人口中的大规模使用大大加强了对人类流动性的大规模研究。研究手机的活动不仅可以让我们推断个体之间的社交网络，还可以观察这些个体在空间和时间上的运动。在这项工作中，我们研究如何将这两个相关的信息源整合在检测和分析大型社会事件的背景下。我们发现，大型社会活动的特点不仅可以通过异常增加活动的天线在附近的事件，但也通过增加社会关系的出席者在事件中。此外，在通过增加的天线活动检测到大型社交事件后，我们可以使用网络连接来推断未观察到的用户是否出现在事件中。更确切地说，我们解决了以下三个挑战：（i）通过增加天线活动自动检测大型社交事件;（ii）表征检测到的事件的社会凝聚力;（iii）分析推断未观察到的用户是否在事件中的可行性。
2017-06-20 cs.CY cs.SI physics.soc-ph
Maximizing Friend-Making Likelihood for Social Activity Organization
社会心理学中的社会存在理论表明，以计算机为媒介的在线互动不如面对面的互动。在本文中，我们考虑的情况下，通过在线社交网络（OSNs）组织交友社交活动的人，并制定了一个新的研究问题，即跳跃界最大组交友（HMGF），通过建模现有的友谊和新朋友的可能性。为了找到一组参加社交活动，HMGF是独特的和具有挑战性的，由于相互作用的群体规模，现有的友谊和交友的可能性的目标函数的约束。我们证明了HMGF是NP-Hard的，除非P = NP，否则不存在近似算法.然后，我们提出了一个误差有界的近似算法来有效地获得非常接近最优解的解。我们进行了一个用户研究，以验证我们的问题制定和执行-形式在真实数据集上的广泛实验，以证明我们提出的算法的效率和有效性。
2015-02-26 cs.SI
Learning to Discover Key Moments in Social Media Streams
本文介绍了LABurst，一种用于识别社交媒体流中的关键时刻或高影响力时刻的通用技术，而无需特定于域的信息或种子关键字。我们利用机器学习对Twitter未经过滤的公共样本流中突发事件的时间模式进行建模，并构建一个分类器来识别经历这些突发事件的令牌。我们表明LABurst与现有的突发检测技术具有竞争力，同时提供了对意外时刻的洞察和检测。为了证明我们的方法的潜力，我们比较了两个基线事件检测算法与我们的语言无关的算法来检测三个主要体育比赛的关键时刻：2013年世界大赛，2014年超级碗和2014年世界杯。我们的研究结果表明，LABurst优于时间序列分析基线，即使我们在没有任何领域知识的情况下操作，也可以与特定领域的基线竞争。然后，我们进一步将在体育领域学习的LABurst模型转移到识别日本地震的任务中，并展示了我们的方法在实际事件发生后两分钟内检测到地震相关令牌中的大峰值。
2015-08-03 cs.SI
Attentive Geo-Social Group Recommendation
Harbin Institute of Technology（哈尔滨工业大学）；National University of Singapore（新加坡国立大学）
社会活动在人们的日常生活中起着重要的作用，因为它们相互作用。对于基于社会活动的推荐，不仅要有活动信息，而且要有个人的社会关系。由于地理社交网络和位置感知移动设备的广泛使用，大量的地理社交数据现在很容易被推荐系统利用。在本文中，提出了一种新的群体推荐方法，称为关注的地理社会群体推荐，推荐目标用户的活动位置和一组用户可能加入的活动。我们提出了一个注意力机制来模拟目标用户$u_T$在满足社会约束的候选用户组中的影响。它有助于检索最佳用户组和活动主题候选者，并解释了组决策过程。一旦检索到用户组和主题，一种新的高效的空间查询算法SPA-DF被用来确定活动位置下给定的用户组和活动主题候选的约束。在真实数据集上对所提出的方法进行了评估，实验结果表明，所提出的模型显着优于基线方法。
2019-11-15 cs.LG cs.SI stat.ML
Contagion dynamics of extremist propaganda in social networks
最近，独狼袭击者或潜伏小组代表伊斯兰国在美国和欧洲领土上发动恐怖袭击，提醒我们必须了解社交媒体传播渠道介导的激进化动态。在本文中，我们揭示了一组25000名用户的社交媒体活动，这些用户与ISIS在线激进宣传的关联已被手动验证。通过使用一种称为动态活动连接图的计算工具，基于网络和时间活动模式，我们调查了ISIS支持者内部的社会影响力动态。我们最终通过确定极端主义内容在普通人群中的采用来量化ISIS宣传的有效性，并在激进宣传和流行病传播之间进行比较，强调信息广播公司和有影响力的ISIS支持者产生高度传染性的信息传染级联。我们的发现将有助于制定有效的对策，打击该组织和其他形式的在线极端主义。
2017-06-07 cs.SI physics.soc-ph
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
Tracking Triadic Cardinality Distributions for Burst Detection in Social Activity Streams
在日常生活中，我们经常观察到人们在重要事件之前或期间异常频繁的互动，例如，在圣诞节，我们收到/发送给朋友的祝福比平时多。我们还观察到，通过人们在在线社交网络（OSN）中的分享，一些视频突然像病毒一样传播开来。这些看似不同的现象是否具有共同的结构？所有这些现象都与网络中用户活动的突然激增有关，我们在这项工作中称之为“突发”。我们发现，爆发的出现伴随着网络中三角形的形成。这一发现促使我们提出一种新的方法来检测OSN中的突发。我们首先引入一个新的度量，“三元基数分布”，对应于具有不同数量三角形的节点的分数，即，三元基数，在网络中。我们证明，这种分布的变化时，突发发生，自然是对垃圾邮件的社交机器人攻击免疫。因此，通过跟踪三元基数分布，我们可以可靠地检测OSN中的突发。为了避免处理OSN用户产生的大量活动数据，我们设计了一个有效的样本估计解决方案来估计样本数据的三元基数分布。在真实数据上进行的大量实验证明了这种三元基数分布的有用性和我们的样本估计解决方案的有效性。
2015-06-04 cs.SI physics.soc-ph
#StayHome Playing LoL -- Analyzing Players' Activity and Social Bonds in League of Legends During Covid-19 Lockdowns
人类是社会性动物。因此，与新型冠状病毒疫情相关的社交距离和行动限制对大部分人口的福祉造成严重后果，导致孤独感和相关精神疾病增加，这并不奇怪。许多人在多人在线游戏中找到了情感庇护所，这已经被证明是伟大的社交孵化器。虽然游戏对个人的积极影响已经很明显，但我们仍然不知道游戏是如何以及是否培养了人们所寻求的连通性的基本需求。换句话说：随着大流行的到来，参与者的社会纽带和互动模式发生了怎样的变化？为此，我们分析了一个在线多人游戏（英雄联盟）的一年数据，以观察新冠肺炎对三个不同地理区域（即，欧洲、北美和韩国）。我们的研究结果显示，新型冠状病毒疫情限制的发展与玩家活动之间存在密切关系，同时还存在更强大和经常性的社会联系，尤其是对于致力于游戏的玩家。此外，具有强化社会纽带的玩家，与相似队友一起打球的人更有可能留在比赛中，即使限制被取消。
2021-06-24 cs.HC cs.SI
Easy-access online social media metrics are associated with misinformation sharing activity
Central European University（中欧大学）；University of Padova（帕多瓦大学）；HUN-REN Centre for Social Sciences（匈牙利研究网络社会科学院）
本文提出利用易获取的社交媒体指标识别潜在虚假信息传播者，发现推文频率与低事实性内容正相关，账户年龄与之负相关。
2025-11-24 cs.CY cs.SI physics.soc-ph
Characterizing and Modeling the Dynamics of Activity and Popularity
社会化媒体是Web 2.0时代获取海量信息的最重要渠道，它是由用户和物品组成的两层网络。人类活动和项目受欢迎程度的动态是社交媒体网络中的一个关键问题。在本文中，通过分析用户活动和项目流行度的增长在四个经验的社会媒体网络，即，Amazon、Flickr、Delicious和Wikipedia，发现用户和物品之间的交叉链接更有可能由活跃用户创建，并被热门物品获取，其中用户活跃度和物品受欢迎程度是通过与用户和物品相关联的交叉链接数量来衡量的。这表明用户通常跟踪受欢迎的项目，总体而言。然而，它被发现，不活跃的用户更严重的跟踪流行的项目比活跃的用户。受实证分析的启发，我们提出了一个演化模型，这种网络的演化是由两步随机游走驱动的。数值实验表明，该模型可以定性地再现经验网络中观察到的用户活动和项目流行度的分布。这些结果可能有助于理解社交媒体网络中活动和流行的微观动态。
2014-02-28 cond-mat.stat-mech cs.SI physics.soc-ph
Anticipating Activity in Social Media Spikes
我们提出了一个新的数学模型，在外部，事件驱动的尖峰期间的微博客的活动。该模型导致了一个可测试的预测，即如果出现尖峰，谁会变得最活跃。这种类型的信息对商业组织、政府和慈善机构非常感兴趣，因为它可以在网络最容易接受信息的时候，实时的识别出可以成为信息目标的关键人物。该模型考虑到这样一个事实，即动态交互是在一个底层的静态网络上发展的，该网络记录了谁在听谁的话。该模型是基于这样的假设，即在整个社区已经意识到外部新闻事件的情况下，活动的一个关键驱动因素是通过响应传入的消息来参与的动机。我们测试的模型上的一个大规模的Twitter对话有关任命英国英超足球俱乐部经理。我们还提供了德甲足球比赛、营销活动和电视节目的进一步结果。在每一种情况下，我们发现，利用底层的连接结构，提高了预测谁将是活跃的尖峰。我们还展示了如何在活动的峰值的半衰期可以量化的网络大小和典型的响应率。
2014-06-08 cs.SI physics.soc-ph
Modeling Human Annotation Errors to Design Bias-Aware Systems for Social Stream Processing
George Mason University（乔治梅森大学）；Universitat Pompeu Fabra（庞培法布拉大学）
高质量的人工注释是为社交媒体创建有效的机器学习系统所必需的。低质量的人工注释间接导致了不准确或有偏见的学习系统的创建。我们表明，人类注释质量取决于向注释者显示的实例的排序（称为"注释时间表"），并且可以通过向注释者提供的实例排序中的本地更改来改进，从而为高效的实时社交媒体分析提供更准确的数据流注释。我们提出了一个错误缓解主动学习算法，是强大的，在某些情况下，人为错误时，决定一个注释时间表。我们验证了人为错误模型，并通过对危机期间相关社交媒体帖子的分类任务进行实验，对所提出的算法进行了强基线评估。根据这些实验，考虑将数据实例呈现给人类注释者的顺序导致机器学习的准确性的增加以及对人类学习中可能影响自动分类器的一些潜在偏见的认识。
2019-07-16 cs.LG cs.SI
Extraction of Multi-layered Social Networks from Activity Data
在各种基于网络的系统中收集的数据，使用户能够相互交互，提供了一个机会来提取由人和他们之间的关系组成的社交网络。由于发现的连接的数量和类型，新兴结构非常复杂。在基于Web的系统中，用户之间的每个交互的特征元素是总是有一个对象作为通信媒介。这可以是例如从一个用户发送到另一个用户的电子邮件或由一个用户创作并由其他用户评论的论坛上的帖子。基于这些对象和用户对它们执行的活动，可以识别和提取不同种类的关系。另一个挑战来自对象之间可能存在层次结构的事实，例如，论坛由一组或多组主题组成，每个主题包含最终包含帖子的主题。在本文中，我们提出了一种新的方法，用于创建多层次的社会网络的基础上，对不同类型的对象之间存在的层次结构的用户活动的数据。由于扁平化、预处理过程，可以识别和分析多层社交网络中的新层和新关系。
2014-07-03 cs.SI physics.soc-ph
Relevancy Classification of Multimodal Social Media Streams for Emergency Services
社交媒体已经成为我们日常生活中不可或缺的一部分。在时间紧迫的事件中，公众在社交媒体上分享各种帖子，包括资源需求，损失和为受影响社区提供帮助的报告。这些帖子可能具有相关性，并可能包含有价值的情况了解信息。然而，社交媒体的信息过载对应急服务及时处理和提取相关信息提出了挑战。此外，近年来社交媒体帖子中多媒体内容的使用日益增加，进一步增加了从社交媒体及时挖掘相关信息的挑战。在本文中，我们提出了一种新的方法，多模态相关性分类的社交媒体职位，相关性的定义方面的应急管理机构的信息需求。具体来说，我们实验与语义文本特征与图像特征的组合，以有效地分类相关的多模态社交媒体帖子。我们验证了我们的方法，使用三个现实世界的危机事件的数据分类的评价。我们的实验表明，利用文本和图像内容的建议的混合框架的基础上的功能，提高识别相关职位的性能。根据这些实验，所提出的分类方法的应用可以减少认知负荷的紧急服务，在大规模过滤多模态公共职位。
2019-10-31 cs.SI
Discovering Emerging Topics in Social Streams via Link Anomaly Detection
Institute of Industrial Science（产业技术研究所）；The University of Tokyo（东京大学）
由于社交网络的快速增长，对新兴主题的检测现在重新受到关注。传统的基于词频的方法在这种情况下可能不合适，因为交换的信息不仅是文本，而且是图像、URL和视频。我们专注于这些网络的社会方面。也就是说，用户之间的链接是通过回复、提及和转发有意或无意地动态生成的。我们提出了一个概率模型的社交网络用户的提及行为，并建议检测一个新的主题的出现，通过该模型测量的异常。我们提出的提及异常分数与最近提出的基于顺序贴现归一化极大似然（SDNML）的变点检测技术相结合，或与Kleinberg的突发模型。聚集数百名用户的异常分数，我们表明，我们可以检测到新兴的主题，仅基于社交网络帖子中的回复/提及关系。我们展示了我们的技术在一些真实的数据集，我们从Twitter收集。实验结果表明，所提出的基于提及异常的方法可以检测新的主题至少早于传统的基于词频的方法，有时更早，当关键字是不明确的。
2011-10-13 cs.LG cs.SI physics.soc-ph
The Ebb and Flow of Controversial Debates on Social Media
我们探讨了围绕争议话题的两极分化如何在Twitter上演变-在很长一段时间内（2011年至2016年），以及对导致相关活动增加的重大外部事件的回应。我们发现，增加的活动通常与增加的极化相关;然而，我们发现在我们研究的主题中，随着时间的推移，极化没有一致的长期趋势。
2017-03-17 cs.SI physics.soc-ph
Indian Premier League (IPL), Cricket, Online Social Media
最近，在线社交媒体在分享关于实时的事件的信息和意见方面发挥了关键作用。物理空间中的事件通过在线社交网络反映在数字世界中。在Twitter上，计算机科学社区已经广泛开展了基于事件的研究。在这份报告中，我们对Facebook和Twitter的一项名为印度超级联赛（IPL '13）的体育赛事进行了详细分析。IPL是印度最受欢迎的板球联赛，球员来自世界各地。我们分析了超过260万条推文和70万条Facebook帖子，包括时间活动，文本质量，用户地理位置以及联赛期间出现的定点丑闻。我们能够在团队的品牌价值和他们在Facebook和Twitter上的社交媒体上被谈论的程度之间得出强烈的相关性。对地理标记数据的分析显示，主要活动来自大都市郊区，但活动并不限于与每个团队地理相关的地区。我们提出了一种衰减计算方法，使用该方法，我们得出的活动在Twitter和Facebook上以非常相似的方式消失。这样的分析可以用于对事件建模并研究它们在社交网络中的渗透。我们分析了现场固定的文本，发现用户对有关比赛被固定的指控的反应是冷淡的。本报告中的完整分析对于研究涉及危机的事件或具有类似结构的政治重要性的事件特别有用。
2014-05-20 cs.SI physics.soc-ph
D-Tracker: Modeling Interest Diffusion in Social Activity Tensor Data Streams
SANKEN, Osaka University（SANKEN，大阪大学）
本文提出D-Tracker方法，将偏微分方程融入张量分解框架，以可解释、无超参数且可扩展的方式持续捕获社交活动张量数据流中的时间模式并预测未来活动，实验证明其在更短时间内实现了更高预测精度并提取了位置间兴趣扩散。
2025-05-01 cs.LG cs.SI
