Do Social Explanations Work? Studying and Modeling the Effects of Social Explanations in Recommender Systems
与社交网络相关联的推荐系统通常使用社交解释(例如,“X、Y和2个朋友喜欢这个”)来支持推荐。我们提出了一个研究这些社会解释的音乐推荐背景下的影响。我们从237个用户的实验开始,在这个实验中,我们展示了不同层次的社会信息的解释,并分析了它们对用户决策的影响。我们区分了两个关键的决定:检查推荐的艺术家的可能性,以及基于听几首歌的艺术家的实际评级。我们发现,虽然解释的可能性有一定的影响,有可能性和实际(听)评级为同一艺术家之间的相关性不大。基于这些见解,我们提出了一个生成概率模型,解释解释和音乐偏好的背景信息之间的相互作用,以及如何导致艺术家的最终可能性评级。承认解释的影响,我们讨论了一个一般的建议框架,模型外部信息元素的推荐界面,除了用户的固有偏好。
2013-04-11 cs.IR cs.SI physics.soc-ph
Modeling Influence with Semantics in Social Networks: a Survey
在各种网络(例如社交网络、数字网络或计算机网络)中发现有影响力的实体一直是一个重要的研究领域。近年来,在线社交网络(OSN)已被确立为基本的通信手段,并且通常有影响力的人和意见制造者通过病毒式内容来宣传政治、事件、品牌或产品。在这项工作中,我们提出了一个系统的审查,在i)在线社会影响力的指标,属性和应用程序和ii)的作用,语义建模OSN的信息。我们最终得出的结论是,这两个领域可以共同提供有用的见解,对病毒式用户生成的内容的定性评估,以及有影响力的内容及其流动动力学的动态特性建模。
2018-10-04 cs.IR cs.SI
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
Human as Real-Time Sensors of Social and Physical Events: A Case Study of Twitter and Sports Games
在这项工作中,我们研究如何Twitter可以被用作传感器,以检测频繁和多样化的社会和物理事件的实时的【形】。我们设计了高效的数据汇集和事件识别解决方案,这些解决方案可以在自由访问Twitter数据的各种限制下工作。我们描述了我们的解决方案的Web服务实现,并报告了我们的经验与2010-2011年美国国家橄榄球联盟(NFL)的比赛。该服务能够在40秒内识别NFL比赛事件,准确率高达90%。这种能力不仅对于用于实况广播节目的实时的【形】电子节目指南非常有用,而且对于广告时段的精细拍卖也非常有用。更重要的是,它首次证明了利用Twitter进行普适计算的实时的【形】社会和物理事件检测的可行性。
2011-06-21 cs.SI physics.soc-ph
Analyzing user behavior of the micro-blogging website Sinaweibo during hot social events
新浪微博是中国最受欢迎的微博网站,用户意见的传播和共鸣具有巨大的影响力,对许多现实社会热点事件的进程产生了重大影响。选取2011年新浪微博上被广泛讨论的21个热点事件,进行统计分析。我们的主要研究结果是:(一)男性用户更有可能参与,(二)包含图片的消息和验证用户发布的消息更有可能被转发,而那些与URL的可能性较小,(三)性别因素,对于大多数事件,在转发可能性方面没有显着差异。
2013-10-24 cs.SI physics.soc-ph
Concurrent Bursty Behavior of Social Sensors in Sporting Events
社交媒体的出现扩大了我们传递信息和即时与他人联系的能力,这使我们能够表现为“社交传感器”。“在这里,我们研究了Twitter用户在重大体育赛事期间的并发突发行为,以确定他们作为社交传感器的功能。我们发现,并发突发的推文(职位)和转发(重新发布)的程度作为一个强有力的指标,赢得或失去一场比赛。更具体地说,我们对2013年日本职业棒球比赛的简单推文分析表明,社交传感器可以通过推文的爆发立即对积极和消极事件做出反应,但积极事件更有可能引发随后的转发。我们还通过分析与2015年美国职业棒球大联盟比赛相关的推文表明,这些发现在不同文化中都是正确的。此外,我们展示了积极的社会传感器之间的互动,通过构建转推网络在棒球比赛。由此产生的网络通常表现出取决于棒球队的用户集群,具有无标度连通性,这表明用户作为信息源的受欢迎程度存在很大差异。虽然以前的研究主要集中在推文的爆发作为一个简单的指标,一个真实世界的事件,推文和转发之间的时间相关性意味着社会传感器的独特方面,提供了新的见解人类行为在一个高度连接的世界。
2015-12-01 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
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
Modeling urban housing market dynamics: can the socio-spatial segregation preserve some social diversity?
为了解决社会多样性的问题,我们引入了一个模型的代理人谁是异构的支付意愿之间的住房交易。一个关键的假设是,代理人对位置的偏好取决于内在的吸引力和社区的社会特征。收入的静态空间分布的分析和数字的特点。主要结果是,当且仅当社会影响力足够强时,社会空间隔离才会发生,但即便如此,大多数地点仍保留了一些社会多样性。与巴黎住房市场数据的比较表明,结果再现了价格分布和空间收入隔离的一般趋势。
2012-10-08 cs.SI physics.soc-ph
A Tutorial on Event Detection using Social Media Data Analysis: Applications, Challenges, and Open Problems
本文综述利用社交媒体数据分析进行事件检测的应用价值,系统梳理社交媒体流监测中的关键挑战与基本权衡,并提出开放问题和未来研究方向。
2025-06-07 cs.SI
Pachinko Prediction: A Bayesian method for event prediction from social media data
大型开放数据源与机器学习方法的结合,为预测抗议或社会动荡等事件提供了一种潜在的强大方法。然而,考虑到这些模型中的不确定性,特别是在使用社交媒体等多样化的非结构化数据集时,对于确保适当使用这些方法至关重要。在这里,我们开发了一种贝叶斯方法,用于预测社会动荡事件在澳大利亚使用社交媒体数据。该方法使用机器学习方法将社交媒体的个人帖子分类为相关的,并使用经验贝叶斯方法来计算后验事件概率。我们使用该方法来预测2017/18年度澳大利亚城市的事件。
2018-09-22 cs.CY cs.SI stat.AP
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
Characterizing interactions in online social networks during exceptional events
如今,数百万人每天都在Facebook和Twitter等在线社交媒体上互动,分享和讨论有关各种主题的信息。在本文中,我们专注于一个特定的在线社交网络,Twitter,我们分析了多个数据集,每个数据集包括个人的在线活动之前,期间和之后的一个特殊事件中注册的通信量。我们考虑发生在不同领域的重要事件,从政策到文化或科学。对于每个数据集,用户的在线活动由多层网络建模,其中每一层都传达了不同类型的交互,特别是:转发,提及和回复。这种表示使我们能够揭示这些不同类型的相互作用产生具有不同统计特性的网络,特别是关于度分布和聚类结构。这些结果表明,在线活动的模型不能丢弃系统的多层表示所携带的信息,并且应该考虑到不同类型的交互所产生的不同过程。其次,我们的分析揭示了不同事件之间存在统计上的差异,这表明我们观察到的非平凡拓扑模式可能代表了异常事件期间在线社交网络上社会动态的普遍特征。
2015-06-30 cs.SI physics.soc-ph
Klout Topics for Modeling Interests and Expertise of Users Across Social Networks
Lithium Technologies | Klout
本文提出了Klout主题,一个轻量级的本体来描述社会化媒体用户的兴趣和专业知识的主题。Klout Topics旨在:具有可读性和消费者友好性;深度覆盖多个知识领域;通过知识库实体促进数据可扩展性。我们讨论了为什么这个本体是非常适合的文本标记和兴趣建模应用程序,以及它如何比较可用的替代品。我们展示了它对常见社交媒体兴趣集的覆盖率,以及如何使用它来模拟Klout.com上超过7.8亿社交媒体用户的兴趣的例子。最后,我们打开本体供外部使用。
2017-10-26 cs.AI cs.IR cs.SI
Modeling Social Networks with Node Attributes using the Multiplicative Attribute Graph Model
从社会,技术和自然领域产生的网络表现出丰富的连接模式,在这样的网络中的节点往往与属性或功能的标签。我们解决的问题,建模的网络结构中的节点属性信息。我们提出了一个乘法属性图(MAG)模型,认为节点的分类属性和模型的概率边缘的产品的个人属性链接形成的亲和力。提出了一种可扩展的变分期望最大化参数估计方法。实验表明,MAG模型可靠地捕捉网络连接,以及提供洞察不同的属性如何塑造网络结构。
2011-06-24 cs.SI physics.soc-ph
D-Sempre: Learning Deep Semantic-Preserving Embeddings for User interests-Social Contents Modeling
社交媒体消费的指数增长需要有效的用户兴趣-社交内容建模,以实现更个性化的推荐和社交媒体摘要。然而,由于社会内容的异质性,传统的方法缺乏捕捉这些多模态数据之间隐藏的语义相关性的能力,这导致社会内容理解和用户兴趣之间的语义鸿沟。为了有效地弥合语义鸿沟,我们提出了一种新的深度学习框架,用于用户兴趣-社交内容建模。我们首先挖掘和解析数据,即文本内容,视觉内容,社会背景和社会关系,从异构的社交媒体源。然后,我们设计了一个双分支网络,将社会内容和用户映射到同一个潜在空间。特别地,该网络由大余量目标训练,该目标以端到端的方式将跨实例距离约束与实例内语义保持约束相结合。最后,学习深度语义保持嵌入(D-Sempre),并通过计算社交内容和用户之间的距离来给出排名结果。为了验证D-Sempre在用户兴趣-社交内容建模中的有效性,我们构建了一个Twitter数据集并进行了大量的实验,结果表明,D-Sempre有效地整合了来自异构社交媒体源的多模态数据,并捕捉了用户兴趣与社交内容之间隐藏的语义关联。
2018-02-18 cs.SI
Opinion modeling on social media and marketing aspects
我们介绍和讨论动力学模型的意见形成社交网络中的分布函数取决于双方的意见和连接的代理。意见形成模型随后与描述通过社交网络在网络上传播产品的受欢迎程度的动力学模型相耦合。对基本动力学模型的数值实验表明,与社交媒体网站上的标签趋势的一些测量结果有很好的定性一致性,并说明了公司如何利用网络结构来最好地获得其产品的广告。
2018-05-04 cs.SI nlin.AO physics.soc-ph
Sensing and Modeling Human Behavior Using Social Media and Mobile Data
在过去的几年里,我们目睹了计算社会科学这一新学科的出现,它促进了一种新的数据驱动和基于计算的社会科学方法。在这篇文章中,我们讨论了新技术的可用性,如在线社交媒体和移动智能手机,使研究人员能够被动地收集人类行为数据,其规模和粒度在几年前是不可想象的。我们还讨论了如何使用这些数字痕迹来证明(或反驳)现有的理论,并开发新的人类行为模型。
2017-02-08 cs.CY cs.SI physics.soc-ph
Events Determine Spreading Patterns: Information Transmission via Internal and External Influences on Social Networks
近年来,基于经典流行病传播的信息传播模型被广泛应用于社会系统,一般假设信息主要通过社交网络上的对等交互在个体之间传播。在本文中,我们考虑了用户获取信息的另一种途径:社交网络外的影响力。通过对8个典型事件在一个超大型微博系统\emph{Sina Weibo}上的传播进行实证分析,发现外部影响对信息传播和社会活动都有显著影响。此外,我们提出了一个理论模型来解释通过内部和外部渠道的传播过程,考虑三个基本属性:(i)记忆效应;(ii)传播者的作用;和(iii)非冗余的接触。实验和数学结果表明,在内部和外部影响的相互作用下,信息确实传播得更快、更广。更重要的是,本模型揭示了一旦网络结构建立,事件特征将高度决定基本的传播模式。研究结果对于深入理解真实社交网络中信息传递的内在动力学机制具有一定的指导意义。
2015-03-26 cs.SI physics.soc-ph
Effective and Unsupervised Social Event Detection and Evolution via RAG and Structural Entropy
Beihang University(北京航空航天大学);Academy of Military Sciences(军事科学院);North China Electric Power University(华北电力大学);University of Illinois Chicago(伊利诺伊大学芝加哥分校)
RagSEDE通过引入代表性和多样性驱动的采样策略、基于RAG的新范式以及结构信息理论,有效解决了社交媒体中社会事件检测与演化中的三大挑战。
2026-01-17 cs.SI
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
A model of spreading of sudden events on social networks
信息传播已经被研究了几十年,但其内在机制仍然存在争议,特别是对于那些通过互联网快速传播的信息。通过对新浪微博上六个典型事件的信息传播数据的分析,我们惊奇地发现,现代信息的传播呈现出一些新的特点,即根据事件的不同,传播速度或快或慢。为了理解其机制,我们提出了一个敏感-接受-拒绝(SAR)模型的信息敏感性和社会强化。数值模拟结果表明,该模式能够再现6个典型事件的主要传播模式。通过这个模型,我们进一步揭示了信息敏感性或社会强化的强度可以加速传播。当社会强化的强度较大时,根据传播概率和信息敏感性,最终接受规模可以从连续过渡到不连续过渡。此外,提出了一种基于边缘的分区理论来解释数值结果。这些发现对现代社会的信息传播控制具有一定的借鉴意义。
2018-05-06 cs.SI physics.soc-ph
Modeling the role of relationship fading and breakup in social network formation
在人类个体的社交网络中,社交关系不一定永远持续,因为它们可以随着时间逐渐消失,导致链接老化,或者突然终止,导致链接删除,甚至旧的友谊也可能终止。在本文中,我们研究了一个社会网络的形成模型,我们介绍了几种方式,其中的链接终止发生。如果我们采用链接老化,我们得到一个更模块化的结构,更均匀地分布在社区内的链接权重比当使用链接删除。通过研究网络中各种特征的分布和关系,我们发现链接删除模型更好地再现了实证结果。这表明,链接删除在组织社交网络方面比链接老化起着更突出的作用。
2015-06-22 cs.SI physics.soc-ph
Agent-based opinion formation modeling in social network: a perspective of social psychology
以往关于意见建模的研究大多缺乏对个体心理活动和群体行为的同步研究。本文从社会学和心理学的角度出发,以态度改变理论、群体行为理论和进化博弈理论为基础,提出了一个基于Agent的网络舆论形成模型。在该模型中,影响说服过程的因素有三个,即领导者的可信度、受众的特征和群体环境。该模型被应用到Twitter的主题类型,参数变化,意见领袖的意见形成的影响进行了分析。实验结果表明,争议话题的意见演化具有较大的不确定性和可持续性。收益成本比对意见形成有显著影响,适度的收益成本比将导致最长的松弛时间或最统一的全球意见。此外,拥有大量粉丝的名人比专家更有能力影响公众舆论。本文丰富了舆论形成模型的研究内容,为企业的公共关系管理和市场预测提供了理论依据。
2019-07-04 cs.SI physics.soc-ph
A tutorial on networks in social systems: A mathematical modeling perspective
本文是对社会系统网络研究的一个介绍。首先,我们向读者介绍研究社交网络的关键数学工具,包括网络的数学表示和基本术语。我们描述了几个感兴趣的网络特性和测量这些特性的技术。我们还讨论了一些流行的网络生成模型,看看这些模型的研究如何提供洞察机制的结构模式的出现。在整个过程中,我们将重点介绍社交网络中常见的模式。我们的目标是提供一个可访问的,广泛的,坚实的基础,读者谁是新的领域,使他们可以自信地从事更深入的数学研究社交网络。
2023-02-01 cs.SI nlin.AO physics.soc-ph
The Influence of Social Media Writing on Online Search Behavior for Seasonal Events: The Sociophysics Approach
本研究以季节性话题为研究对象,着重探讨社交媒体写作与网络搜索行为之间的时间差。为了进行我们的分析,我们使用了搜索行为的数学模型,包括社会物理学方法。选择的季节性主题是情人节、万圣节和新年倒计时。我们还参加了圣诞节和万圣节等活动。我们分析了博客和Twitter对搜索行为的影响,发现在时间方面存在兴趣偏差。我们还分析了日本的季节性事件,在2月3日吃Eho-maki和在盛夏的牛节吃鳗鱼。
2019-01-01 cs.SI physics.soc-ph
LLMs for Social Network Modeling: From Network Generation to Dynamic Processes
University of Victoria(维多利亚大学);Leiden University(莱顿大学)
本综述首次系统梳理大语言模型在社交网络建模中的应用,将其分为网络生成与动态过程两类,并探讨了偏见与提示敏感性等挑战及未来方向。
2026-09-09 cs.AI cs.SI
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
Phase Field Modeling in Social Media Dynamics:Simulation of Opinion Evolution with Feedback, Separation
本研究提出一种基于相场建模的数值模型,利用连续变量表示用户意见,结合确认偏差等心理因素与真实数据,模拟社交网络信息传播与反馈,定量分析意见极化和回音室效应。
2024-04-19 cs.SI physics.soc-ph
Event Detection from Social Media for Epidemic Prediction
University of California, Los Angeles(加利福尼亚大学洛杉矶分校);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
该研究开发了一个从社交媒体帖子中提取和分析流行病相关事件的框架,并构建了SPEED数据集,实验证明其能提前4-9周预警猴痘等新兴流行病,优于现有事件检测模型。
2024-05-24 cs.CL cs.SI physics.soc-ph
Fine-grained Event Categorization with Heterogeneous Graph Convolutional Networks
Beihang University(北京航空航天大学);Hong Kong University of Science and Technology(香港科技大学);Tencent(腾讯);Tsinghua University(清华大学);University of Illinois at Chicago(伊利诺伊大学芝加哥分校)
事件发生在真实世界和实时,可以计划和组织涉及多个人和对象的场合。社交媒体平台发布了大量包含具有综合主题的公共事件的短信。然而,由于文本中事件元素的异质性以及显式和隐式的社会网络结构,挖掘社会事件具有挑战性。本文设计了一种事件元模式来表征社会事件的语义相关性,构建了一个基于事件的异构信息网络(HIN),整合外部知识库的信息,提出了一种新的基于成对流行度图卷积网络(PP-GCN)的细粒度社会事件分类模型。我们提出了一个基于知识元路径的社会事件相似度(KIES)的事件之间,并建立一个加权邻接矩阵作为PP-GCN模型的输入。在真实的数据汇集上进行了全面的实验,以比较各种社会事件检测和聚类任务。实验结果表明,我们提出的框架优于其他替代的社会事件分类技术。
2019-06-09 cs.CL cs.SI stat.ML
Heterogeneous Social Event Detection via Hyperbolic Graph Representations
School of Computing, Macquarie University(麦考瑞大学计算学院);IBM T. J. Watson Research Center(IBM T. J. 沃森研究中心)
针对社交媒体异构性和标签稀缺问题,提出基于双曲图表示的社会事件检测方法HSED及其无监督版本UHSED,通过统一社会消息图和图对比学习捕获结构信息,实验证明其优越性。
2023-02-20 cs.LG cs.SI
Early Warning Analysis for Social Diffusion Events
人们对发展社会传播过程的预测能力有相当大的兴趣,例如,可以早期识别新出现的有争议的情况,快速检测疾病爆发,或准确预测潜在的病毒性想法或行为的最终影响范围。本文提出了一种新的方法来解决这个预测分析问题,其中利用中尺度网络动态分析来生成对复杂社会现象的有用预测。我们首先推导出一个随机混合动力系统(S-HDS)模型的扩散过程发生在社交网络与现实的拓扑结构,这种建模方法的灵感来自最近的工作在生物学证明,S-HDS提供了一个有用的数学形式主义,以表示复杂的,多尺度的生物网络动态。然后,我们进行正式的随机可达性分析与此S-HDS模型,并得出结论,社会扩散过程的结果可能取决于至关重要的方式与底层网络的社区结构和核心-外围结构的过程中的早期动态相互作用。这一理论发现为开发机器学习算法提供了基础,该算法能够对社会扩散事件进行准确的预警分析。警告算法的实用性,和基于网络的预测指标的力量,证明通过实证调查的传播的政治模因在社交媒体网络。此外,我们说明了潜在的安全信息学应用的方法,通过案例研究,涉及大规模的抗议活动和政治动机的网络攻击的预警分析。
2012-12-31 cs.SI physics.soc-ph
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
Predictability of extreme events in social media
这是我们日常社交媒体体验的一部分,看似普通的项目(视频,新闻,出版物等)出乎意料地获得了大量的关注。在这里,我们调查这些事件是多么出乎意料。我们提出了一种方法,给定项目的一些信息,量化事件的可预测性,即,提前识别最成功项目的潜力被定义为基于相同信息的任何预测的质量的上限。将这种方法应用于不同的数据,从YouTube视频中的浏览量到Usenet讨论组中的帖子,我们不变地发现,对于最极端的事件,可预测性会增加。这表明,尽管固有的随机集体动态的用户,有效的预测是可能的最极端的事件。
2014-12-08 cs.SI physics.data-an physics.soc-ph
Analyzing the Engagement of Social Relationships During Life Event Shocks in Social Media
本文通过分析Twitter上超过13K个冲击事件和110K条回复,揭示了不同社会关系类型在在线冲击响应中的独特模式,发现关系强度与结构嵌入性的影响取决于关系类型和冲击类型。
2023-02-15 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
Modeling of User Portrait Through Social Media
如今,互联网上已经积累了大量有用的用户信息和社会行为数据,这为在线分析用户的个性特征提供了可能。本文提出了一种基于计算语言学特征的心理建模方法,对新浪微博用户的大五人格特质及其与用户社会行为的关系进行了研究。据我们所知,这是第一个调查新浪微博用户的个人资料信息,社交网络行为和人格特质之间的潜在关系的研究。我们的研究结果证明了一种有效的建模方法,可以在不中断客户的情况下了解社交媒体上用户的人口统计和心理画像,这对于商业广告提供更好的个性化产品和服务是有用的。
2019-06-15 cs.SI
The Detection and effect of social events on Wikipedia data-set for studying human preferences
有几项研究使用维基百科(WP)数据集来分析全球人类对语言的偏好。然而,这些研究可能会受到与特殊社会环境有关的偏见的影响。任何推广WP特别版的大型活动都可以被定义为偏见的来源。在本文中,我们遵循一个检测离群值的过程。我们的研究是基于$12$语言和$13$不同的类别。我们的方法定义了一个参数,这是依赖于语言,而不是外部固定。我们还研究了人类循环行为的存在,以评估明显的离群值。在我们的分析之后,我们发现我们数据集中的离群值并没有显著影响使用整个维基百科数据集作为数字足迹来分析全球人类偏好。
2022-05-14 cs.SI physics.soc-ph
Stylized facts in social networks: Community-based static modeling
过去对社交网络数据集的分析使我们能够对人类社会的许多方面进行实证研究,这些方面通常具有社交网络的程式化事实的特征,例如网络数量的广泛分布,社区的存在,混合和强度拓扑关系。由于对这些复杂的社交网络结构的理解还远未完成,为了更深入地了解人类社会,需要更全面的数据集和对程式化事实的建模。虽然现有的动态和静态模型可以产生一些程式化的事实,在这里,我们采取了另一种方法,通过设计一个基于社区的静态模型与异构社区大小和较大的社区具有较小的链接密度和权重。有了这几个假设,我们能够生成现实的社交网络,显示最程式化的事实,为广泛的参数,如数字和分析证明。由于我们的基于社区的静态模型易于实现和易于扩展,它可以被用作参考系,基准,或进一步的应用程序的测试平台。
2017-08-08 cs.SI physics.soc-ph
Predictive Modeling of Opinion and Connectivity Dynamics in Social Networks
近年来,人们对建模和理解通过人类网络传播的意见和创新机制的兴趣越来越大。通过分析真实世界的社交数据,研究人员能够更好地了解社交网络的动态,并随后对这些网络随时间的变化进行建模。我们开发了一个社会网络模型,既利用了基于代理的方法与动态更新的意见和代理之间的连接,并反映意见传播和结构变化随着时间的推移,在现实世界中观察到的数据。我们使用来自麻省理工学院人类动力学实验室的社会进化数据集的数据来验证该模型,该数据集描述了目标学生群体在九个月内友谊和健康自我感知的变化。我们证明了该方法的有效性,通过预测的意见传播和网络连接的变化。我们还使用该模型来评估网络参数,如“开放性”的水平和意愿,将意见的邻居代理,影响结果。该模型不仅提供了洞察不断变化的社交网络的动态,但也提出了一个工具,人们可以调查各种结构和意见分布的网络的意见传播策略。
2016-03-27 cs.SI physics.soc-ph
Predicting event attendance exploring social influence
University of Passau(帕绍大学);Department of Computer Science and Mathematics University of Passau(帕绍大学计算机科学与数学系)
预测人们在真实世界事件中的参与度的问题已经受到相当大的关注,因为它为人类行为分析和与事件相关的广告提供了有价值的见解。如今,社交网络(例如,Twitter)广泛地反映了人们与朋友讨论他们的兴趣的大型流行事件。事件参与者通常激励朋友加入事件,在网络中传播社会影响力。在本文中,我们提出了建模的社会影响力的朋友参加活动。我们考虑非地理标记的职位,除了社会团体的结构,以推断用户的出席。为了利用网络拓扑信息,我们应用了一些最近的图嵌入技术,如node2vec,HARP和Poincar`e。我们描述了设计特征空间并将其馈送到神经网络的方法。性能评估使用两个大型音乐节数据集进行,即VFestival和Creamfields。实验结果表明,我们的分类器优于最先进的基线,在VFestival数据集上观察到的准确率为89%。
2020-02-16 cs.LG cs.SI stat.ML
Modeling Reflexivity of Social Systems in Disease Spread
社会系统中的扩散过程是由外部触发和内部激发通过社交网络上的个体之间的相互作用来控制的。底层机制对于理解现实世界中的涌现现象并据此制定有效的策略至关重要。然而,它是具有挑战性的,以揭示动态的目标扩散过程中,由于事件和它们的时间演变强度之间的无形因果关系。在这项研究中,我们提出了潜在的影响点过程模型(LIPP),将外部异质性和内部动态的元人口的基础上,人类的流动。我们提出的模型量化了社会系统的自反性,这是其内部动态对事件发生的反馈水平。作为一个典型的案例研究,我们调查登革热疫情在昆士兰州,澳大利亚在过去的15年。我们发现疾病暴发的突变和稳定增长分别与外源和内源影响有关。区域之间类似的扩散趋势反映了区域社会系统的同步自反性,可能是由人口流动驱动的。
2017-11-17 cs.SI physics.soc-ph
Social Simulations: from Agent-Based Modeling to Digital Twins
Department of Computer Science, University of Pisa(皮萨大学计算机科学系);ISTI-CNR(意大利国家研究委员会信息与系统研究所)
探讨社会模拟从基于主体建模到数字孪生的演变,阐述了各阶段范式的方法论基础、应用等,强调从抽象模型到特定社会系统逼真计算表示的转变。
2026-07-16 cs.AI cs.MA cs.SI
SocialED: A Python Library for Social Event Detection
Beihang University(北京航空航天大学);Beijing Institute of Technology(北京理工大学);Kunming University of Science and Technology(昆明理工大学);University of Illinois at Chicago(伊利诺伊大学芝加哥分校)
SocialED是一个开源Python库,集成了19种算法和14个数据集,提供统一API与模块化设计,为社交媒体事件检测提供高效、可扩展的完整解决方案。
2024-12-18 cs.DL cs.LG cs.SI
The blogosphere as an excitable social medium: Richter's and Omori's Law in media coverage
我们通过监测在线博客的内容来研究公众媒体关注的动态。社交和媒体事件可以通过相关关键词的词频传播来追踪。媒体事件被分类为外源性的-博客活动是由外部新闻项目触发-或内源性的词频率建立在博客社区没有外部影响。我们发现,字的出现显示统计相似性地震。媒体事件的规模分布遵循古登堡-里克特定律,媒体事件前后的媒体关注动态遵循大森定律。我们提出了进一步的经验证据,表明对于内生起源的媒体事件,公众对事件的整体接受与事件开始时的词频行为相关,并且在一定程度上是可预测的。这些结果可能意味着,在人类社会的意见形成过程可能与兴奋性媒体的影响。
2011-02-10 cs.SI physics.soc-ph
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
Detection of Dangerous Events on Social Media: A Perspective Review
University of Beira Interior(贝拉内陆大学);New University of Lisboa(里斯本新大学);University of Caen Normandie(卡昂诺曼底大学)
社交媒体是全世界人民信息和通信的重要门户。人们在社交媒体上花费的时间和对社交媒体的依赖使其成为检测现实生活中发生的事件的重要资源。每小时都有数以千计的重要事件以多媒体的形式被用户发布。一些个人和团体以受众为目标,在这些用户中宣传他们的议程。他们的事业可能会威胁到其他观点不同或有具体分歧的团体和个人。任何有明确事业的团体,如果没有作为其议程催化剂的支持,就无法生存。当人们被灌输信息,激励他们代表他们采取行动并执行他们的议程时,就会出现一种现象。一种是利益导致其他人的损失,使他们的生命、财产、身体和情感健康处于危险之中。本文引入了危险事件的概念来解决这个问题,并根据其特点将其分为三种主要类型:行动型、情景型和情感型危险事件。
2022-04-04 cs.AI cs.IR cs.SI
Event Detection and Retrieval on Social Media
近年来,我们目睹了Twitter、Facebook和YouTube等社交媒体平台的迅速采用,并将其作为全球数十亿人日常生活的一部分。鉴于人们习惯使用这些平台来分享想法,日常活动和经验,用户生成的内容数量达到前所未有的水平并不奇怪,其中相当大一部分内容与现实世界的事件有关,即在特定时间和地点发生的动作或事件。鉴于事件在我们生活中的关键作用,围绕它们注释和组织社交媒体内容的任务对于确保实时和未来访问有关感兴趣事件的多媒体内容至关重要。在本章中,我们介绍了近年来的几项研究成果,解决了两个主要问题:a)事件检测和b)基于事件的媒体检索和摘要。给定社交媒体项目的存档集合或直播流,事件检测方法的目的是以描述它们的项目集合的形式识别先前未知的事件。一般来说,事件可以是任何类型,但也有针对特定类型事件的方法。给定一个目标事件,事件摘要的目标是首先识别相关内容,然后以简洁的方式表示它,选择最吸引人和最具代表性的内容。
2018-07-10 cs.SI
Concept Drift Adaptive Physical Event Detection for Social Media Streams
Georgia Institute of Technology(佐治亚理工学院);University of Alabama(阿拉巴马大学)
事件检测长期以来一直是在静态数据集假设下运行的物理传感器的领域。社交媒体和网络访问的普及导致了社交或人类传感器的出现,这些传感器报告全球事件。这保证了事件检测器的开发,可以利用超过30亿社交用户提供的真正密集和高空间和时间分辨率的数据。概念漂移现象导致与主题相关联的术语和信号随着时间的推移而改变,这使得静态机器学习无效。为此,我们提出了一个应用程序的物理事件检测社会传感器,改善传统的物理事件检测与概念漂移适应。我们的方法不断自动更新其机器学习分类器,而无需人工干预。它集成了来自不同来源的数据,旨在处理弱信号事件(山体滑坡,野火),每个事件大约有10个帖子,以及大信号事件(飓风,地震),每个事件有数十万个帖子。我们在我们的应用程序中展示了一个滑坡检测器,与静态方法相比,它可以检测到近350%的滑坡。我们的应用程序具有很高的性能:使用2014年训练的分类器,实现了0.988的事件检测准确率,而静态方法为0.762。
2019-09-17 cs.CY cs.LG cs.SI
A Tutorial on Hawkes Processes for Events in Social Media
本章提供了一个方便的介绍点过程,特别是霍克斯过程,建模离散,相互依赖的事件在连续时间。我们首先回顾点过程的定义和关键概念。然后,我们介绍霍克斯过程,它的事件强度函数,以及事件模拟和参数估计的计划。我们还描述了一个实际的例子,从社会媒体数据-我们展示了如何使用霍克斯自激过程的模型retweet级联。我们提出了一个设计的内存内核,估计参数和预测流行的结果。代码和示例事件数据以联机附录的形式提供
2017-10-09 cs.SI stat.ML
Event Extraction Based on Deep Learning in Food Hazard Arabic Texts
社交媒体网站向公众传播数字设备,使信息共享更容易和更快。交换文本数据是社交媒体用户最流行的交流方式。它已成为治疗的必需品。另一方面,事件提取表明对社交媒体帖子流中的事件的理解。事件提取有助于在自然灾害中采取更快的纠正措施,并可能挽救生命。该任务的主要目标是开发特定的模型来检测和提取数字文本中识别的事件(事件)。我们在这里提出了一个基于深度递归网络的模型,用于从社交媒体提要中提取事件。
2020-08-11 cs.SI
Real-time Spatio-temporal Event Detection on Geotagged Social Media
The University of Melbourne(墨尔本大学);Singapore University of Technology and Design(新加坡科技设计大学);IBM Research - Australia(IBM澳大利亚研究院)
挖掘社交媒体数据流的一个关键挑战是识别特定本地或全球区域中一群人积极讨论的事件。这些事件对于事故、抗议、选举或突发新闻的早期预警是有用的。然而,事件列表和事件时间和空间的解析都不是固定的或事先已知的。在这项工作中,我们提出了一个在线的时空事件检测系统,使用社交媒体,能够检测在不同的时间和空间分辨率的事件。首先,为了解决与事件的未知空间分辨率相关的挑战,利用四叉树方法,以便根据社交媒体数据的密度将地理空间划分为多尺度区域。然后,执行统计无监督方法,该方法涉及泊松分布和平滑方法,用于突出显示具有意外社交帖子密度的区域。此外,事件持续时间通过合并在连续时间间隔在相同区域中发生的事件来精确估计。引入后处理阶段以过滤掉垃圾邮件、虚假或错误的事件。最后,我们通过使用社交媒体实体来评估检测到的事件的完整性和准确性,从而结合简单的语义。所提出的方法进行评估,使用不同的社交媒体数据集:Twitter和Flickr的不同城市:墨尔本,伦敦,巴黎和纽约。为了验证所提出的方法的有效性,我们将我们的结果与两个基线算法的基础上固定的地理空间分割和聚类方法。对于性能评估,我们手动计算查全率和查准率。我们还提出了一个新的质量度量命名为强度指数,它自动测量如何准确的报告事件。
2021-06-23 cs.AI cs.LG cs.SI
Twitter-Network Topic Model: A Full Bayesian Treatment for Social Network and Text Modeling
ANU(澳大利亚国立大学);NICTA(澳大利亚国家信息通信技术研究院)
Twitter的数据非常嘈杂--每条推文都很短,没有结构,语言也不正式,这对当前的主题建模来说是一个挑战。另一方面,推文伴随着额外的信息,如作者,标签和用户追随者网络。利用这些额外的信息,我们提出了Twitter网络(TN)的主题模型,共同建模的文本和社会网络在一个完整的贝叶斯非参数的方式。TN主题模型采用分层泊松-狄利克雷过程(PDP)的文本建模和高斯过程随机函数模型的社会网络建模。我们表明,TN主题模型显着优于现有的几个非参数模型,由于其灵活性。此外,TN主题模型能够实现额外的信息推理,例如作者的兴趣,主题标签分析,以及导致进一步的应用,例如作者推荐,自动主题标签和主题标签建议。注意,我们的一般推理框架可以很容易地应用到其他主题模型嵌入PDP节点。
2016-09-22 cs.CL cs.IR cs.SI