Simulation of the COVID-19 pandemic on the social network of Slovenia: estimating the intrinsic forecast uncertainty
本文在一个简化的社会网络上建立了一个病毒传播模型。该社交网络由200多万个节点组成，每个节点代表斯洛文尼亚的一个居民。节点根据真实的家庭和老年人护理中心分布进行组织和互连，而这些集群之外的连接是半随机分布和完全链接的。将病毒传播模型与疾病进展模型耦合。集成方法与扰动的传输和疾病参数被用来量化的合奏传播，预测的不确定性的代理。所呈列的斯洛文尼亚COVID-19疫情持续预测与收集到的斯洛文尼亚数据进行比较。结果表明，目前感染在家庭/老年人护理中心内传播的可能性是在家庭/老年人护理中心外传播的两倍。我们使用模拟集合（N = 1000）来反向获得模型参数的后验分布，并估计COVID-19预测的不确定性。我们发现，在不受控制的流行病中，内在的不确定性主要来源于病毒生物学的不确定性，即其繁殖数。在低感染率的受控流行病中，社会网络的随机性成为预测不确定性的主要来源，特别是对于短期预测。因此，基于社会网络的模型对于改进流行病预测至关重要。
2020-05-27 cs.SI physics.soc-ph q-bio.PE
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
Estimating Community Feedback Effect on Topic Choice in Social Media with Predictive Modeling
社交媒体用户发布各种主题的内容。社交媒体的一个定义性特征是其他用户可以以评论、回复和转发的形式对其内容提供反馈（称为社区反馈）。我们假设收到的反馈量会影响社交媒体用户发布的主题的选择。然而，这是具有挑战性的，以测试这一假设的用户异质性和外部混杂因素复杂的测量反馈效果。在这里，我们用一种预测方法来研究这个假设，这种方法基于作者决定继续他们以前文章的主题的可解释模型。通过优化预测准确率，我们探索了混杂因素，包括作者的主题偏好和未观察到的外部因素，如新闻和社会事件。这种方法使我们能够识别哪些用户容易受到社区反馈的影响。总体而言，我们发现Reddit和Twitter上分别有33%和14%的活跃用户受到社区反馈的影响。该模型表明，这种反馈改变主题继续的概率高达14%，这取决于用户和反馈量。
2021-03-08 cs.SI
Estimating Emotion Contagion on Social Media via Localized Diffusion in Dynamic Graphs
我们提出了一种计算方法来估计社交媒体网络上的情绪传染。建立在心理学文献的基础上，我们的方法估计感知者的情绪状态（积极或消极）开始与表达者的情绪状态相匹配的程度，基于后者的内容。我们使用深度学习和社会网络分析的组合，将情绪传染建模为动态社会网络图中的扩散过程，同时考虑到因果关系、同质性和干扰等关键方面。我们评估我们的方法从一个流行的社交媒体平台分享短视频的用户行为数据。我们分析了48个用户在8周内的行为（分析了超过20万个音频视频短帖子），并估计了他们在社交媒体上接触的用户的传染性。根据扩散理论，我们考虑了用户在这段时间内观看的视频（流入）和日常活动;喜欢，分享，下载或创建新视频（流出）来估计传染。为了验证我们的方法和分析，我们通过收集约150名参与者的响应，在线研究获得了这48个社交媒体平台用户的人类反馈。我们报告说，在平台上与更多创作者互动的用户感染的可能性降低了12%，而那些消费更多“负面”情绪内容的用户感染的可能性增加了23%。我们将在接受后公开发布我们的代码。
2022-07-14 cs.MM cs.SI
Estimating the Dissemination of Social and Mobile Search in Categories of Information Needs Using Websites as Proxies
随着使用社交媒体（例如，社会媒体提问，SMQA）或社会信息检索方法，本文试图确定类型的信息需求，本质上是社会的，因此更适合这些技术。我们描述了一个实验，其中突出的网站从各种内容类别被用来代表各自的内容领域，并允许相关的内容领域的属性。基本的假设是，成功的网站的重点内容领域完全符合信息搜索者的要求时，满足信息需求在各自的内容领域。基于从Alexa（http：//www.example.com}（检索日期：2015-11-04））（一家发布网络流量统计数据的公司）手动收集的涵盖广泛主题的网站URL数据集，采用众包方法来评估可以根据多个维度（包括）通过相应URL解决的信息需求www.alexa.com社会性和流动性），以调查与其他属性的可能相关性。我们的研究结果表明，不需要一定的正式专业知识的信息需求在社会信息检索中发挥着重要作用，并且某些内容领域更适合社会信息检索（例如，事实知识和新闻，游戏，生活方式）比其他（例如，健康和生活方式）。
2016-07-07 cs.CY cs.IR cs.SI
How smart does your profile image look? Estimating intelligence from social network profile images
University of Cambridge（剑桥大学）；University of Bath（巴斯大学）
社交网络上的个人资料图片是用户展示自己并影响他人如何评价他们的机会。我们研究了Facebook图像对用户感知和测量智力的影响。1,122名Facebook用户完成了一项矩阵智力测试，并分享了他们目前的Facebook个人资料图片。陌生人还对这些图像进行了智力评价。我们使用自动提取的图像特征来预测测量和感知的智能。即使对于人类来说，从图像中估计智力也是一项艰巨的任务，但实验结果表明，使用计算方法可以达到人类的准确性。我们报告的图像功能，预测测量和感知的智能，并强调误导功能，如“微笑”和“戴眼镜”，与感知，但不测量的智能。我们的研究结果提供了对个人资料图像不准确的刻板印象的见解，也对隐私有影响，特别是因为在大多数社交网络中，个人资料图像默认是公开的。
2016-12-11 cs.CV cs.MM cs.SI
Estimating Online Influence Needs Causal Modeling! Counterfactual Analysis of Social Media Engagement
University of Technology Sydney（悉尼科技大学）
本文提出联合处理-结果框架，将医疗因果推断应用于社交媒体序列交互，估计平均处理效应，在错误信息数据集上预测参与度优于基准15-22%，并与专家经验影响力高度一致。
2025-05-25 cs.CL cs.SI
Estimating group properties in online social networks with a classifier
我们考虑的问题，获得无偏估计的群体属性在社交网络时，使用一个分类器的节点标签。对这个问题的推断由于两个因素而变得复杂：网络是未知的，必须被爬行，即使是高性能的分类器也会对组比例提供有偏差的估计。我们提出并评估AdjustedWalk来解决这个问题。这是一个三步过程，需要：1）从任意节点开始遍历图; 2）在遍历中的节点上学习分类器;以及3）对分类标签应用事后调整。行走步骤提供了在节点和边缘上进行推断所需的信息，而调整步骤校正了估计组比例时的分类器偏差。该过程以额外方差为代价提供去偏估计。我们评估AdjustedWalk的四个任务：属于少数群体的节点的比例，少数群体之间的比例高程度的节点，组内边缘的比例，和科尔曼的同质性指数。模拟和经验图显示，在各种情况下，与最佳基线相比，该过程表现良好，同时表明对于低召回率分类器，方差增加可能很大。
2018-07-25 cs.SI
Estimating Exposure to Information on Social Networks
本文研究了社会网络中信息暴露的估计问题。给定一条信息（例如，Facebook上一篇新闻文章的URL，Twitter上的一个标签），我们的目标是找到网络上接触过它的人的比例。接触一条信息的确切价值由两个特征决定：底层社交网络的结构和分享这条信息的人。通常，这两个特征都不是公开可用的（即，对这两个特征的访问仅限于平台的内部管理员），并且难以从数据中估计。作为一种解决方案，我们提出了两种方法来估计暴露在一条信息的无偏的方式：香草方法，这是基于均匀采样的网络和一种方法，非均匀采样的网络的友谊Partial动机。我们提供的理论结果，其特征的条件下（在网络和信息的属性），其中一种方法优于其他。此外，我们概述了所提出的方法扩展到动态信息级联（曝光需要实时跟踪）。我们通过在多个合成和真实世界数据集上的实验证明了所提出的方法的实际可行性。
2022-07-13 cs.IR cs.SI
Going beyond accuracy: estimating homophily in social networks using predictions
Department of Sociology, Cornell University（康奈尔大学社会学系）；Department of Sociology, Dartmouth College（达特茅斯学院社会学系）；Qatar Computing Research Institute（卡塔尔计算研究所）
在在线社交网络中，通常使用节点类别的预测来估计同质性和其他关系属性的度量。然而，在线社交网络数据往往缺乏关于节点的基本人口统计信息。研究人员必须依靠预测的节点属性来估计同质性的措施，但很少有人知道这些措施的有效性。我们发现，估计同伦在网络中可以被看作是一个二元预测问题，和同伦估计是无偏的二元水平的残差总和为零的网络。节点级的预测模型，例如使用名称来分类种族或性别，通常不具有此属性，并且可能会在同质性估计中引入较大的偏差。由于沿二进制的误差自相关，会出现偏倚。重要的是，节点级别的分类性能不是同质性估计精度的可靠指标。我们比较的估计策略，使预测在节点和二分体水平，在不同的设置中的性能评估。我们提出了一种新的“自我改变”建模方法，优于标准的节点和二元分类策略。虽然本文的重点是同质性，结果推广到其他关系的措施，聚合预测沿二元网络。最后，我们建议研究设计，研究同质性在线网络。这篇论文的代码可以在https://github.com/georgeberry/autocorr上找到。
2020-01-30 cs.LG cs.SI
Estimating True Beliefs in Opinion Dynamics with Social Pressure
研究社会压力下意见动态中真实信念的参数估计问题，提出在任意网络中均能收敛至内在信念的估计器，并界定了其在共识与非共识场景下的收敛速率。
2024-06-26 cs.SI cs.SY eess.SY
Counterfactual Neural Temporal Point Process for Estimating Causal Influence of Misinformation on Social Media
University of Southern California（南加州大学）；Viterbi School of Engineering（维特比工程学院）
近年来，在社交媒体上传播特定叙述以操纵政治和医疗保健等不同领域的公众舆论的错误信息运动有所增加。因此，需要一种有效且高效的自动方法来估计错误信息对用户信念和活动的影响。然而，现有的错误信息的影响估计的工作要么依赖于小规模的心理实验或只能发现用户行为和错误信息之间的相关性。针对这些问题，本文构建了一个因果框架，从时间点过程的角度对错误信息的因果效应进行建模。为了适应大规模数据，我们设计了一种高效而精确的方法来估计个体治疗效果（ITE）通过神经时间点过程和高斯混合模型。在人工数据集上的大量实验验证了该模型的有效性和效率。我们进一步将我们的模型应用于关于COVID-19疫苗的社交媒体帖子和参与的真实数据集。实验结果表明，我们的模型认识到可识别的因果关系的错误信息，伤害人们的主观情绪对疫苗。
2022-10-14 cs.AI cs.LG cs.SI
An Improved Approach for Estimating Social POI Boundaries With Textual Attributes on Social Media
Dankook University（檀国大学）；Korbit AI；Yonsei University（延世大学）
如何通过利用社交媒体上的文本属性来执行基于密度的聚类还没有得到充分的探索。在本文中，我们的目的是发现一个社会的兴趣点（POI）的边界，形成一个凸多边形。更具体地说，我们提出了一种新的方法和算法，建立在我们以前的工作社会POI边界估计（SoBEst）。此SoBEst方法考虑地理区域内的相关和不相关记录，其中相关记录在其文本字段中包含POI名称或其变体。我们的研究是出于以下经验观察：SoBEst基本假设的每个POI的固定代表坐标可能远离某些POI的估计社交POI边界的质心。因此，在这种情况下使用SoBEst可能导致边界估计质量（BEQ）上的不令人满意的性能，边界估计质量（BEQ）被表示为$F$测量的函数。为了解决这个问题，我们制定了一个联合优化问题，同时找到一个圆的半径和POI的代表坐标$c$，允许更新$c$。随后，我们设计了一个迭代SoBEst（I-SoBEst）算法，它使我们能够实现更高程度的BEQ的一些POI。所提出的I-SoBEst算法的计算复杂性与记录数呈线性关系。我们证明了我们的算法优于竞争聚类方法，包括原来的SoBEst。
2020-12-18 cs.AI cs.DS cs.LG
Analyzing and Estimating Support for U.S. Presidential Candidates in Twitter Polls
本研究分析了2016和2020年美国大选期间近两千个Twitter民调，发现其存在偏向年长男性及Donald Trump的偏差，并证明通过回归和后分层可纠正偏差，使选举估计误差低至1%-2%。
2024-06-05 cs.CY cs.SI
From Pixels to Damage Severity: Estimating Earthquake Impacts Using Semantic Segmentation of Social Media Images
Georgia Institute of Technology（佐治亚理工学院）；Arup（奥雅纳）
本研究将震后社交媒体图像损坏评估从分类转为语义分割，构建三级损坏数据集并微调SegFormer，结合深度估计提出新的损坏评分系统，实现更客观全面的损坏量化，以指导灾后精准响应。
2025-07-03 cs.CV cs.SI
Estimating Topic Exposure for Under-Represented Users on Social Media
Arizona State University（亚利桑那州立大学）
在线社交网络（OSN）方便了对各种数据的访问，使研究人员能够分析用户的行为并开发用户行为分析模型。这些模型在很大程度上依赖于观测数据，而观测数据通常由于参与不平等而存在偏差。这种不平等包括三组在线用户：潜伏者-只消费内容的用户，发布者-对内容创作贡献很少的用户，以及贡献者-负责创建大部分在线内容的用户。在解释人口层面的利益或情绪时，如果不考虑所有群体的贡献，可能会产生有偏见的结果。为了减少贡献者引起的偏差，在这项工作中，我们专注于突出观察数据中的贡献者，因为与潜伏者相比，他们更有可能做出贡献，并且与贡献者相比，他们构成了更大的群体。对这些用户进行行为分析的第一步是找到他们接触过但没有参与的主题。要做到这一点，我们提出了一个新的框架，帮助识别这些用户，并估计他们的主题曝光。暴露估计机制通过合并来自类似贡献者的行为模式以及用户的人口统计和简档信息来建模。
2022-08-07 cs.LG cs.SI
MONSTOR: An Inductive Approach for Estimating and Maximizing Influence over Unseen Networks
KAIST AI（韩国科学技术院人工智能研究院）；KAIST AI & EE（韩国科学技术院人工智能与电子工程学院）；Department of AI, Yonsei University（延世大学人工智能系）
影响力最大化是社会网络分析中的重要问题之一。它的目标是找到给定数量的种子节点，使信息在社交网络中的传播最大化。由于它是NP难问题，已经开发了许多近似/探试法，并且其中许多反复重复蒙特卡罗（MC）模拟以可靠地估计影响（即，感染节点的数量）。在这项工作中，我们提出了一种归纳机器学习方法，称为蒙特卡洛模拟器（MONSTOR），用于估计训练过程中看不到的社交网络中给定种子节点的影响。据我们所知，MONSTOR是用于此目的的第一个归纳方法。MONSTOR可以通过取代重复的MC模拟来大大加速现有的IM算法。在我们的实验中，MONSTOR提供了高度准确的估计，在看不见的现实世界社交网络中达到了0.998或更高的Pearson和Spearman相关系数。此外，在63%的IM用例中，配备MONSTOR的IM算法比最先进的竞争对手更准确。
2020-10-26 cs.LG cs.SI stat.ML
Estimating Clique Composition and Size Distributions from Sampled Network Data
团被定义为完全图或子图;它们是凝聚子群的最强形式，在社会科学和工程背景下都很有趣。在本文中，我们展示了如何有效地估计集团大小的分布从概率样本的节点从一个图（例如，通过独立或链路跟踪采样）。我们介绍了两种类型的无偏估计，其中之一利用标记的采样节点的邻居，其中之一不需要这些信息。我们比较了各种现实世界的图上的估计，并提供建议，为他们的使用。我们推广我们的估计的情况下，集团区分不仅由大小，但也由节点属性，使我们能够估计集团组成的大小。最后，我们将我们的方法应用于Facebook用户的样本，以估计社交图上按性别划分的集团规模分布。
2013-08-15 cs.SI physics.data-an physics.soc-ph
Estimating Policy Effects in a Social Network with Independent Set Sampling
本文提出将独立集网络抽样与SAOM结合的策略，以隔离政策直接效应并估计净效应，模拟验证了其有效性。
2024-10-29 cs.SI stat.ME
Modeling the Dynamics of Discussions in Social Networks
本文提出了一种基于过程控制中已知的FOPDT模型（一阶加死区）的电子讨论动态建模方法。该模型的知识点的可能性，估计动态运动的讨论，以及理解和设计他们的维护和指导。真正的讨论正在进行。
2016-01-11 cs.SI
Estimating within-school contact networks to understand influenza transmission
许多流行病模型通过假设混合群体内的随机混合来近似社会接触行为（例如，家庭、学校和工作场所）。更现实的社会网络结构对流行病参数估计的影响是一个开放的探索领域。我们开发了一个详细的统计模型来估计的社会联系网络在一所高中使用的友谊网络数据和接触行为的调查。我们的接触网络模型包括课堂结构，与朋友的接触时间比非朋友更长，与朋友的接触更频繁，基于接触调查中的报告。我们进行了模拟研究，以探索哪些网络结构与流感传播相关。这些研究产生了两个关键发现。首先，我们发现，友谊网络结构的重要性的传输过程中，可以充分表示为二进制独立的指数随机图模型（ERGM）。这意味着个体水平的采样数据足以描述整个友谊网络。其次，我们发现，接触行为是充分代表了一个静态的，而不是动态的接触网络。
2012-03-15 cs.SI physics.soc-ph stat.AP
"You're Mr. Lebowski, I'm the Dude": Inducing Address Term Formality in Signed Social Networks
我们提出了一个无监督的模型，诱导签署的社交网络从网络边缘交换的内容。该模型中的推理同时解决了三个问题：（1）识别每个边缘的符号;（2）表征每个边缘类型的内容分布;（3）估计映射到理论模型（如结构平衡）的三元特征的权重。我们将这个模型应用于称呼语的社会功能的诱导问题，如“夫人”，“夫人”和“伙计”。在电影剧本的数据集上，我们的系统获得了一个连贯的地址术语聚类，同时对每部电影中社会关系的正式性做出了直观合理的判断。作为一个额外的贡献，我们提供了一个自举技术，用于识别和标记对话中的地址项。
2015-03-17 cs.SI physics.soc-ph
Estimating the Social Cost of Corporate Data Breaches
University of Michigan（密歇根大学）
本文研究如何估算数据泄露对受害者的真实社会成本，通过分析身份盗窃受害者的直接经济损失和重大泄露事件导致的身份盗窃增加，发现自2016年以来平均社会成本显著下降，且重大泄露事件后身份盗窃数量显著增加。
2026-10-20 cs.CR cs.CY cs.SI
Link transmission centrality in large-scale social networks
了解网络中链接在传递信息中的重要性，可以提供一些方法来阻止或推迟正在发生的动态现象，如流行病的传播或信息的扩散。在这项工作中，我们提出了一个新的措施，随机扩散过程的基础上，\textit{transmission centrality}，捕获的重要性，通过估计的平均数量的节点，他们在全球传播扩散过程中传递信息的链接。我们提出了一个简单的算法解决方案来计算传输中心性，并在非常大的网络中以较低的计算成本来近似它。最后，我们在三个大型经验社交网络中识别弱关系时应用了传输中心性，表明该度量在识别驱动社交网络中传播过程的链接方面优于其他中心性度量。
2018-02-14 cs.SI physics.soc-ph
Estimating the Degree Centrality Ranking of a Node
近年来，复杂网络得到了越来越多的关注。现实世界中的复杂网络，如在线社交网络、WWW网络、协作网络等，其规模都是随着时间的推移呈指数级增长的。在目前的工作中，我们提出了一种方法来估计一个节点的度中心性排名，而不具有完整的图的结构是不可行的。该算法利用节点的度和度分布的幂律指数来计算排序。在Barabasi-Albert网络上的仿真结果表明，估计排序的平均误差约为节点总数的$5\%$。
2019-10-06 cs.SI physics.soc-ph
A Method for Estimating Individual Socioeconomic Status of Twitter Users
针对数字轨迹数据中个体社会经济地位衡量指标不足的问题，本研究借鉴政治学方法，通过对应分析基于用户关注的品牌账号估计大量Twitter用户的SES，经多源验证有效，为在线平台不平等研究提供新路径。
2023-02-13 cs.CY cs.SI
Network Sampling Methods for Estimating Social Networks, Population Percentages, and Totals of People Experiencing Unsheltered Homelessness
本文提出利用受访者驱动抽样结合 HMIS 行政数据估计无庇护无家可归者总数，并通过纳什维尔网络数据模拟、功效分析及 2022 年金县 RDS 与 ARIMA 对比验证方法有效性。
2023-10-28 cs.SI stat.ME
Learning Continuous-Time Social Network Dynamics
University of California, Riverside（加州大学河滨分校）
我们证明了一些社会网络动态的社会学模型可以被视为连续时间贝叶斯网络（CTBN）。基于抽样的近似推理方法的CTBN可以被用来作为一个期望最大化的过程，实现更好的精度估计模型的参数比标准的矩量算法从社会学文献的基础。我们扩展了现有的社会网络模型，允许间接和异步的链接观察。一个马尔可夫链蒙特卡罗抽样算法，这个新的模型允许估计和推理。我们提供了合成网络（用于验证）和真实社交网络数据的结果。
2012-05-09 cs.LG cs.SI physics.soc-ph
Influence Operations in Social Networks
本文针对社交媒体影响行动这一全球威胁，基于80起FIMI事件识别并量化七种在线策略的实际使用与组合，并提出未来研究方向。
2025-02-17 cs.CY cs.SI
BotPercent: Estimating Bot Populations in Twitter Communities
本文提出特定社区的Twitter机器人检测方法BotPercent，通过融合多模型与置信度校准技术实现更准确的社区级机器人比例估计，并揭示了机器人分布的时空异质性。
2023-10-19 cs.SI
The "Unfriending" Problem: The Consequences of Homophily in Friendship Retention for Causal Estimates of Social Influence
越来越多的学者正在使用纵向社会网络数据，试图获得同行或社会影响力的估计。这些数据可能提供额外的统计杠杆，但它们可能会引入新的推理问题。特别是，虽然同质性在友谊形成中的混淆效应得到了广泛的认可，但在友谊保持中的同质性也可能混淆纵向网络数据中社会影响力的因果估计。我们在对Christakis、Fowler及其同事在众多文章中使用的统计模型进行蒙特卡罗分析时为这一说法提供了证据，这些文章估计了社交网络中的“传染”效应。我们的研究结果表明，同质性在友谊保留引起显着的向上偏差和降低覆盖水平的Christakis和福勒模型，如果有不可忽略的友谊磨损随着时间的推移。
2011-06-17 cs.SI physics.data-an physics.soc-ph
Estimating network structure from unreliable measurements
大多数网络的经验研究都假设我们给出的网络数据代表了感兴趣系统中节点和边的完整和准确的图像，但在现实世界中，情况很少如此。更常见的情况是，这些数据只是不完美地描述了网络结构--就像基本上所有其他经验科学领域的数据一样，网络数据很容易出现测量误差和噪声。同时，数据可能比简单的网络测量更丰富，包含多个测量、权重、边的长度或强度、节点或边标签或各种注释。在这里，我们开发了一个通用的方法，使用任何形式的网络数据，简单或复杂的，当数据是不可靠的，网络结构和属性的估计，并给出了示例应用程序的选择社会和生物网络。
2018-12-18 cs.SI physics.soc-ph
Efficiently Estimating Motif Statistics of Large Networks
探索局部连接子图模式（也称为网络模体）的统计数据有助于研究人员更好地理解生物和在线社交网络（OSN）的结构和功能。如今，一些关键网络的巨大规模-通常存储在已经过载的关系数据库中-有效地限制了节点和边的探索速度，使准确发现子图统计信息成为一项挑战。在这项工作中，我们提出了抽样方法，以准确地估计子图统计数据，尽可能少的查询节点。我们提出了采样算法，有效地和准确地估计子图的大规模网络的属性。我们的算法不需要预先计算或完整的网络拓扑信息。同时，我们提供了收敛的理论保证。我们使用广泛已知的数据集进行实验，并表明，对于相同的精度，我们的算法需要一个数量级的查询（样本）比目前最先进的算法。
2014-03-27 cs.SI physics.soc-ph
Estimating Disaster Resilience of Hurricane Helene on Florida Counties
本文构建灾害韧性指数，结合人口规模、人均收入和社会脆弱性指数评估佛罗里达州34个县应对飓风海伦的韧性，发现高收入低密度县韧性更强，为灾害管理提供快速评估工具。
2024-10-02 cs.SI
Randomized experiments to detect and estimate social influence in networks
在观察性研究中，由于同质性和网络相关性，对网络中社会影响的估计可能会有很大的偏差。随机实验，研究人员干预社会系统，并使用随机化来确定如何做到这一点，提供了一种方法来合理地估计社会行为的因果效应。除了解决社会科学的核心问题外，这些估计还可以成为有效营销和公共政策的基础。在这篇综述中，我们讨论了通过干预和随机化的组合来测量社会影响的实验设计空间。我们将实验定义为（1）通过观察到的交互网络连接的目标人群，（2）研究人员将干预社会系统的一组治疗，（3）将个体或边缘映射到治疗的随机化策略，以及（4）在治疗后对感兴趣的结果进行测量。我们回顾实验，展示潜在的实验设计，我们评估他们的优势和权衡回答不同类型的因果问题的社会影响。我们展示了如何随机化也提供了统计推断的基础上，分析这些实验。
2017-09-27 cs.SI physics.soc-ph stat.ME
Influence Estimation on Social Media Networks Using Causal Inference
估计对社交媒体网络的影响是一个重要的实践和理论问题，特别是因为这种新媒体被广泛用作虚假信息和宣传的平台。本文介绍了一种新的方法来估计社交媒体网络的影响力，并将其应用于现实世界的问题，在2017年法国总统选举期间，在Twitter上的特征积极的影响力操作。新的影响力估计方法通过使用网络因果推理框架来解释网络上的叙事传播，从而将影响力归因于从图采样和过滤产生的数据。这一因果框架将结果的差异推断为暴露的函数，与现有的将影响归因于活动量或拓扑特征的方法相反，现有的方法既不明确衡量也不一定表明实际的网络影响。Cramér-Rao估计界是作为因果分析中的一个步骤导出的参数估计，并用于实现因果推理问题的几何洞察力。推断高因果影响的能力在现实世界的社交媒体账户上得到了证明，这些账户后来被独立证实与外国影响力行动直接相关或相关，使用的证据来自美国国会和新闻报道。
2018-04-11 cs.SI physics.soc-ph
Humans make best use of social heuristics when confronting hard problems in large groups
我们报告了一个博弈论实验的结果，人类玩家通过在规模不断增加的群体中合作来解决日益复杂的问题。我们的实验环境的设置，使它复杂的球员使用理性的计算作出合作的决定。这种环境被直接转化为计算机模拟，从中我们提取的合作策略，导致最大可达到的分数。在此基础上，我们测量了玩家在估计合作的好处时所犯的错误，并发现人类在面对简单的问题或单独或小团体工作时大大低估了这些好处。相比之下，当遇到困难的问题或在大群体中合作时，人类可以准确地判断最佳合作水平，并轻松获得最高分数。我们的研究结果是独立的群体的组成和球员的个人特质。我们将其解释为社会心理学的不同程度的有用性，这似乎取决于所涉及的群体的规模和情况的复杂性。
2019-03-08 cs.SI physics.soc-ph
Causal Inference in Social Platforms Under Approximate Interference Networks
针对社交平台中网络干扰结构未知导致总处理效应估计不可靠的问题，本文提出代理网络框架与伪逆估计器，证明更紧的渐近方差界并改进方差估计，在超5000万用户实验中验证了其有效性。
2024-08-08 cs.SI stat.AP
The Social Dynamics of Language Change in Online Networks
Georgia Institute of Technology（佐治亚理工学院）；Columbia University（哥伦比亚大学）；Microsoft Research（微软研究院）
语言变化是一种复杂的社会现象，揭示了交流的途径和社会文化的影响。但是，虽然语言变化长期以来一直是社会语言学的研究课题，但传统的语言学研究方法依赖于间接证据，根据老年人和年轻人之间的差异来估计变化的方向。在本文中，我们使用数百万Twitter用户的数据集来跟踪语言变化的进展。首先，我们表明语言变化可以被视为一种社会影响形式：我们观察到语音拼写和“网络语言”缩写的复杂传染（例如，lol），但不适用于口语中较老的方言标记。接下来，我们使用参数化霍克斯过程模型来测试特定类型的社交网络连接是否比其他类型更有影响力。我们发现，关系强度起着重要的作用：密集嵌入的社会关系是显着更好的语言影响力的管道。地理位置似乎发挥更有限的作用：我们发现相对较少的证据来支持这一假设，即个人更受地理地方的社会关系，即使在他们使用的地理方言标记。
2016-09-07 cs.CL cs.SI physics.soc-ph
Path Sampling: A Fast and Provable Method for Estimating 4-Vertex Subgraph Counts
计算小的子图的频率是跨各个领域的网络分析中的基本技术，特别是在生物信息学和社交网络中。三角形计数的特殊情况受到了广泛的关注。获得4顶点模式的结果是非常具有挑战性的，并且很少有已知的实际结果可以扩展到大规模。事实上，即使是高度优化的枚举代码，在具有数百万条边的图上也需要一天以上的时间。大多数以前的工作，真正的大规模图运行采用集群和大规模并行化。我们提供了一个采样算法，可证明和准确地近似所有4顶点模式子图的频率。我们的算法是基于一种新的技术，3-路径采样和一个特殊的修剪计划，以减少估计的方差。我们提供了我们的算法的准确性的理论证明，并给出了我们的估计的误差和信心的正式界。我们进行了详细的实证研究，并表明，我们的算法提供的估计在1%的相对误差为所有子模式（在一个大类的测试图），而数量级的速度比枚举和其他基于采样的算法。我们的算法需要不到一分钟的时间（在一台商品机器上）来处理一个拥有3亿条边的Orkut社交网络。
2014-11-18 cs.DM cs.DS cs.SI
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
Investigating Cooperativity of Overlapping Community Structures in Social Networks
许多现实世界的网络可以通过交互代理的网络来建模。对这些相互作用的分析可以揭示这些网络的基本特性。估计与学习环境中的连接相对应的网络中的协作量可以揭示学习者与其他学习者分享他们的经验和知识的程度。或者，分析开源软件项目中的交互网络可以显示协作效率的指标。在这些领域的一个中心问题是低协同性值的网络，由于其各自的社区的低协同性值。因此，管理员不仅要了解和预测网络的合作性，而且还需要评估各自的社区结构。为了解决这个问题，在本文中，我们解决两个领域的开源软件项目和学习论坛。因此，我们通过应用几种社区发现算法来计算这些领域的相应网络和社区中的协同性。此外，我们还研究了社区性质，并确定了估计网络和社区合作性的重要性质。相应地，我们确定了各种社区发现算法在多大程度上影响了重要属性的识别和协同性的预测。我们还利用社区的性质构造了二元和回归预测模型。我们的研究结果和构建的模型可以用来推断社区结构的合作性，从各自的属性。当预测网络中的高缺陷结构时，管理员可以寻找有用的驱动器来增加协作。
2019-01-20 cs.SI
Identifying high betweenness centrality nodes in large social networks
本文提出了一种新的方法来识别具有高介数中心性的节点。它引入了一个新的度量，k-路径中心性，和一个随机算法估计它，经验表明，高k-路径中心性的节点具有高节点介数中心性。随机算法在时间上运行$O(κ^{3}n^{2-2α}\log n)$，并且对于每个顶点v，输出其k路径中心性的估计，直到具有概率$1-1/n^2$的$\pm n^{1/2+ α}$的加性误差。在真实和合成社交网络上的实验评估表明，与现有的随机算法相比，该算法在检测高介数中心节点方面提高了准确性，并显着减少了执行时间。
2017-02-22 cs.DS cs.SI
Echo Chambers and Segregation in Social Networks: Markov Bridge Models and Estimation
本文研究了社交网络中的回声室和隔离现象的建模和估计。具体来说，我们提出了一种新的基于社区的图形模型，代表出现隔离回声室作为马尔可夫桥过程。马尔可夫桥是一个一维马尔可夫随机场，它有助于在确定性时间对社区的形成和分离进行建模，这在具有已知定时事件的社交网络中很重要。我们用六个真实世界的例子证明了所提出的模型，并在最近的Twitter数据集上检查了它的性能。我们提供了模型参数估计算法的基础上最大似然，贝叶斯滤波算法递归估计的隔离水平，使用噪声样本从网络中获得。数值结果表明，所提出的滤波算法优于传统的隐马尔可夫模型的均方误差。建议的过滤方法是有用的，在计算社会科学中，需要从噪声数据的隔离水平的数据驱动的估计。
2020-12-25 cs.SI eess.SP
A Fast and Provable Method for Estimating Clique Counts Using Turán's Theorem
团数揭示了大量图，特别是社交网络的结构的重要性质。简单的3-团（三角形）的设置受到了研究界的广泛关注。对于较大的集团（甚至，说6-集团）的问题很快变得棘手，因为组合爆炸。用于三角形计数的大多数方法不适用于大集团，并且现有算法需要大规模并行才可行。我们提出了一个新的随机算法，可证明近似的k-团的数量，任何常数k。关键的见解是使用（加强）经典图兰定理：这声称，如果一个图的边密度足够高，k-团密度必须是非平凡的。我们定义了一个组合结构，称为图兰阴影，其建设导致快速算法团计数。我们设计了一个实用的启发式算法，称为TURÁN-SHADOW，基于这一理论算法，并测试它在一个大类的测试图。在所有情况下，TURÁN-SHADOW的误差都小于2%，时间仅为精确算法的一小部分。我们与一系列其他采样算法进行了详细的比较，发现TURÁN-SHADOW通常更快，更准确。例如，TURÁN-SHADOW估计社交网络中所有大小为10的派系数量超过一亿条边。这是在不到三个小时内完成的一个单一的商品机器。
2018-08-28 cs.DS cs.SI
Social Learning and Diffusion of Pervasive Goods: An Empirical Study of an African App Store
在这项研究中，作者开发了一个结构模型，将宏观扩散模型与微观选择模型相结合，以控制社会影响对客户在应用商店上选择移动应用程序的影响。社会影响力是指在其他客户附近的采用者密度。使用来自非洲应用商店的大型数据集和贝叶斯估计方法，作者量化了社会影响力的影响，并调查了在估计客户选择时忽略这一过程的影响。研究结果表明，客户在应用程序商店的选择更好地解释了离线比在线密度的采用者，并忽略社会影响的估计结果有偏见的估计。此外，研究结果表明，移动应用程序的采用过程类似于音乐CD的采用，以及所有其他经典的经济商品。一项反事实分析表明，应用商店可以通过病毒式营销政策（例如，与朋友和家人分享按钮）。
2017-02-22 cs.SI stat.AP stat.ML
Sampling Online Social Networks: Metropolis Hastings Random Walk and Random Walk
近年来，社会网络分析（SNA）受到广泛关注，但SNA的一个瓶颈是网络数据量过大。此外，由于隐私问题，一些网络数据无法访问。因此，我们必须发展抽样方法，从总体图中绘制代表性的样本图。本文介绍了Metropolis-Hastings随机游走（MHRW）和带跳随机游走（RWwJ）抽样策略，包括收集节点的过程、基本的数学理论和相应的估计量。我们比较了我们的方法和现有的研究成果，发现MHRW在估计度分布（比RWwJ少61%的误差）和图的顺序（比RWwJ少0.69%的误差）时表现更好，而RWwJ估计跟随者和跟随率平均值以及相邻关系中的相互关系比例具有更好的结果，比MHRW少13%的误差和6%的误差。我们分析了这些结果的原因，并给出了未来可能的工作方向。
2022-05-12 cs.SI stat.ME
Closed Walk Sampler: An Efficient Method for Estimating Eigenvalues of Large Graphs
图的特征值在大数据的图分析中具有很高的兴趣，因为它们与图的许多重要属性相关，包括网络弹性，社区发现和病毒传播的速度。精确计算极大图的特征值通常是不可行的，这是由于令人望而却步的计算和存储成本，也因为许多社交网络图的完全访问权限通常仅限于大多数研究人员。在本文中，我们提出了一系列新的采样算法，解决了上述两个问题，估计一个大型图的两个最大的特征值的有效和高精度。与以前的方法，试图提取一个子图与最有影响力的节点，我们的算法只采样一小部分的大型图形通过一个简单的随机游走，并估计的两个最大的特征值估计的数量达到一定长度的封闭的行走。我们使用真实图的实验结果表明，我们的算法是大大加快，同时也实现了显着更好的准确性比目前最先进的算法在大多数图形。
2018-05-18 cs.SI
Graphlet decomposition of a weighted network
Harvard University（哈佛大学）
我们介绍了一个加权网络的graphlet分解，它基于社会结构编码社会信息的概念。我们开发了一个可扩展的推理算法，它结合了EM与Bron-Kerbosch在一个新的方式，使用一个网络样本来估计模型的参数。我们探讨了一些理论性质的图分解，包括计算复杂度，冗余和预期的准确性。我们在合成数据和真实数据上演示了graphlets。我们分析了19世纪Facebook和犯罪组织的信息模式。
2012-03-13 cs.LG cs.SI physics.soc-ph
The latent cognitive structures of social networks
本文提出一种基于低秩非负Tucker分解的方法，通过将认知社交结构建模为三维张量来识别跨网络感知的潜在认知结构，并分析社交与认知结构的一致性。
2024-03-22 cs.SI
Preference Enhanced Social Influence Modeling for Network-Aware Cascade Prediction
University of Science and Technology of China（中国科学技术大学）
网络感知的级联规模预测旨在通过对社交网络中的传播过程建模，预测用户生成信息的最终转发数量。通过社会影响力即状态激活来估计用户的转发概率在信息扩散过程中起着重要作用。因此，图神经网络（GNN）能够模拟节点之间的信息交互，是处理这一预测任务的有效方案。然而，现有的研究，包括基于GNN的模型通常忽略了用户的偏好，深刻影响状态激活的一个重要因素。为此，我们提出了一个新的框架，以促进级联大小预测，通过增强用户偏好建模根据三个阶段，即，偏好话题生成、偏好转移建模和社会影响激活。我们的端到端的方法，使用户激活过程的信息扩散更适应和准确。在两个大规模真实世界数据集上进行的广泛实验清楚地证明了我们提出的模型与最先进的基线相比的有效性。
2022-04-18 cs.AI cs.IR cs.SI
Predicting Diffusion Reach Probabilities via Representation Learning on Social Networks
Boğaziçi University（博阿齐奇大学）
网络上两个节点之间的扩散到达概率被定义为从一个节点发起的级联到达另一个节点的概率。无限数量的级联将使得能够计算任何两个节点之间的真实扩散到达概率。然而，级联的数量有限，人们通常只能使用所有可用级联中的一小部分。在这项工作中，我们解决的问题，估计扩散到达概率只给出了有限数量的级联和部分信息的基础网络结构。我们提出的策略采用节点表示学习来生成节点嵌入并将其馈送到机器学习算法中，以创建预测扩散到达概率的模型。我们提供了实验分析，在两个现实世界的社交网络上使用综合生成的级联。计算结果表明，在叶栅所占比例较小的情况下，该方法优于现有叶栅计算值。
2019-01-12 cs.LG cs.SI stat.ML
Ego Group Partition: A Novel Framework for Improving Ego Experiments in Social Networks
针对社交网络中估计平均处理效应的干扰问题，提出改进的ego group partition（EGP）框架，通过直接生成两个组和一个ego子总体替代ego簇，在特定模型假设下提出两种算法，相比原始方法产生更多egos、更小偏差并支持并行计算，经模拟和真实案例验证有效。
2024-02-20 cs.SI stat.AP
On the Troll-Trust Model for Edge Sign Prediction in Social Networks
Inria（法国国家信息与自动化研究所）；Univ. Lille（里尔大学）；CNRS（法国国家科学研究中心）；Università degli Studi di Milano（米兰大学）；University of Insubria（因苏布里亚大学）；Aalto University（阿尔托大学）
在边符号预测问题中，我们被给定一个有向图（表示一个社交网络），我们的任务是预测边的二进制标签（即，社会关系的积极或消极性质）。这个问题的许多成功的算法都是基于巨魔信任特征，在每个节点上估计传出和传入的正/负边缘的比例。我们表明，这些proxistics可以理解，并严格分析，作为一个简单的概率模型的边缘标签的贝叶斯最优分类器的近似。然后，我们表明，该模型的最大似然估计近似对应于在原始社交图的转换版本上运行的标签传播算法的预测。在大量真实数据集上的实验表明，该算法在准确性和可扩展性方面与最先进的分类器具有竞争力。最后，我们表明，巨魔信任功能也可以用来获得在线学习算法，即使在边缘的adversarially标记有理论保证。
2017-02-28 cs.LG cs.SI
