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
Jointly Predicting Links and Inferring Attributes using a Social-Attribute Network (SAN)
社会影响和同质性的影响表明，网络结构和节点属性信息都应该通知链接预测和节点属性推理的任务。最近，Yin等人提出了一种属性增强的社会网络，即社会属性网络（SAN），它将网络结构和节点属性相结合，以执行链接预测和属性推理。他们专注于将带重启的随机游走算法推广到SAN框架，并展示了改进的性能。在本文中，我们扩展了SAN框架与几个领先的监督和无监督的链接预测算法，并证明了性能的改善，每个算法的链接预测和属性推理。此外，我们提出了新的观察，即属性推断可以帮助通知链接预测，即，通过首先推断丢失的属性，进一步提高了链接预测的准确性。我们全面评估这些算法，并使用一个新的，大规模的Google+数据集，我们公开提供与其他现有的算法进行比较。
2012-06-22 cs.SI physics.soc-ph
Detecting the Hate Code on Social Media
社交媒体已成为世界各地数百万人日常生活中不可或缺的一部分。它提供了一个平台，表达意见和信仰，传达给广大观众。然而，人们可以如此轻松地表达自己，也使得宣传和仇恨言论得以大规模传播。为了防止违反社交媒体平台的滥用政策，也为了避免被谷歌的对话AI等自动系统检测到，种族主义者已经开始使用一种代码（一种名为“谷歌行动”的运动）。这涉及到在充满仇恨的帖子或推文中，用看似脱离上下文的善意词语取代对社区的引用。例如，用户使用Googles和Bings分别代表非洲裔美国人和亚洲人社区。通过生成发布此类内容的用户列表，我们从分类推文向前迈进了一步，允许我们研究这些集中用户的使用模式。
2017-03-16 cs.SI
Discovering Social Circles in Ego Networks
人们的个人社交网络庞大而杂乱，目前还没有好的方法来自动组织它们。社交网站允许用户手动将他们的朋友分类到社交圈（例如Google+上的“圈子”，以及Facebook和Twitter上的“列表”），但是它们很难构建，并且必须在用户的网络增长时更新。在本文中，我们研究了自动识别用户的社交圈的新任务。我们把这个任务作为一个多成员节点聚类问题的用户的自我网络，她的朋友之间的连接网络。我们开发了一个模型，结合网络结构以及用户简档信息检测圆。对于每个圈子，我们了解其成员和圈子特定的用户简档相似性度量。对多个圆的节点成员关系建模允许我们检测重叠以及分层嵌套的圆。实验表明，我们的模型可以准确地识别来自Facebook、Google+和Twitter的各种数据集上的圆圈，我们获得了所有这些数据的手工标记的地面实况。
2013-01-10 cs.SI physics.soc-ph
Google matrix of Bitcoin network
我们构建并研究了从2009年开始到2013年4月期间比特币交易的Google矩阵。比特币网络拥有数百万比特币用户，我们给出了它的主要特征，包括PageRank和CheiRank概率分布，Google矩阵的特征值谱和相关特征向量。我们发现，频谱有一个不寻常的循环型结构，我们归因于现有的隐藏社区的节点之间的成员。我们发现，整个时期的交易的基尼系数接近于1，表明网络财富的主要部分被一小部分用户捕获。
2017-11-30 cs.SI physics.soc-ph
Sampling from Social Networks with Attributes
从大型网络中取样是社会网络研究的一个基本挑战。在本文中，我们探讨了不同的采样技术（节点采样，边采样，随机游走采样，雪球采样）的敏感性社交网络的属性。我们考虑网络的特殊情况（i），其中我们有一个属性有两个值（例如，在性别的情况下为男性和女性），（ii）当两个组的大小不相等时（例如，男性多数和女性少数），以及（iii）具有相同或不同属性值的节点相互吸引或排斥（即，同性恋或异性恋行为）。我们评估不同的采样技术方面保存节点的位置和群体在这样的网络中的可见性。实验在合成的和经验的社交网络上进行。我们的研究结果提供的证据表明，不同的网络采样技术是高度敏感的捕获预期的中心节点，其准确性取决于相对组大小的差异和同质性的水平，可以在网络中观察到。我们的结论是，不知情的采样从社交网络的属性，从而可以显着损害的能力，研究人员得出有效的结论，节点的中心性和社交网络中的群体的可见性或不可见性。
2017-02-17 cs.SI physics.soc-ph
Evolution of Directed Triangle Motifs in the Google+ OSN
模体是网络的基本构建块和显著特征。虽然在许多网络中已经发现了特征模体分布，但今天对网络模体的演化知之甚少。本文研究了社交网络中最重要的模体--三角形，以及有向三角形模体如何随时间变化。我们选择的主题是最大的在线社交网络之一，Google+。Google+有两个显著的特点，使它特别有趣：（1）它是一个有向网络，产生了丰富的三角形图案集，（2）它是一个年轻而快速发展的网络，其在OSN空间中的作用仍然没有完全理解。为了这项研究的目的，我们在六周的时间内对网络进行了爬行，收集了几个快照。我们发现，一些三角形类型显示出显着的动态，例如，对于某些特定的初始类型，多达20%的实例会演变为其他类型。由于OSN在观测时间段内的快速增长，出现了许多新的三角形。我们还观察到，许多三角形演变成连接较少的图案（边缘较少），这表明生长也伴随着修剪。我们补充拓扑研究，也考虑公开的用户简档数据（主要是地理位置）。相应的结果揭示了三角形模体的语义。事实上，我们发现，在更对称的三角形图案的用户住得更近，表明更多的个人关系。相比之下，图案中的不对称链接通常指向具有高程度的遥远用户（名人）。
2015-02-17 cs.SI physics.soc-ph
Google matrix of Twitter
我们构建了整个Twitter网络的Google矩阵，日期为2009年7月，并分析了其频谱和本征态属性，包括所有节点的PageRank和CheiRank向量和2DRank。我们的研究表明，与之前研究的维基百科和英国大学的网络相比，Twitter网络的顶级PageRank节点之间的互联性要强得多。我们的分析可以找到控制网络上信息流的顶级Twitter用户。我们认为，这一小部分的用户总数，这可以被视为社会网络精英，在网络上的意见形成的过程中起着主导作用。
2012-07-14 cs.SI physics.soc-ph
A Framework for Quantifying Controversy of Social Network Debates Using Attributed Networks: Biased Random Walk (BRW)
在过去几年里，所有社会都变得更加两极化，特别是在在线社交网络和媒体出现之后。事实上，在新媒体的传播之后，社会光谱两端之间的差距将会更大。在这种情况下，社会主义者和计算机科学专家越来越担心社会两极分化，因为在线社交网络可能会对社会产生有害影响，助长极端主义的火焰。为了提出计算社交网络中的争议水平的措施，进行了几种类型的研究，之后，通过将一方的意见暴露给另一方的成员来减少矛盾观点之间的争议。大多数量化社交网络争议的尝试都考虑了网络的最基本形式，没有任何属性。虽然这类研究提供了适用于不同社交网络的无平台算法，但它们无法考虑用户提供的大量有用信息（节点属性），为了克服这一缺点，本文提出了一个适用于不同属性网络的框架。根据起始节点的初始能量和路径上节点的能量损失，推动有偏随机游动（Biased Random Walks，BRW）从起始点到初始未知端点的路径，利用node2vec算法提取网络的结构属性，并与现有算法进行比较，验证了算法的准确性.然后，我们提取了一些用户的内容属性，并分析了它们对我们的算法的结果的影响。BRW与另一种最先进的争议测量算法进行了比较。然后，它的变化，在不同程度的争议，波斯Twitter被认为是显示它如何在不同的情况下工作。
2020-11-07 cs.SI physics.soc-ph
Publishing Community-Preserving Attributed Social Graphs with a Differential Privacy Guarantee
我们提出了一种新的方法发布差异私人合成属性图。与以前的方法不同，我们的方法能够保留原始图的社区结构，而不牺牲捕获全局结构属性的能力。我们的建议依赖于C-AGM，一个新的社区保持属性图的生成模型。我们配备C-AGM与有效的方法，属性图采样和参数估计。对于后者，我们引入差分私有计算方法，这使我们能够发布具有强大的正式隐私保证的社区保护合成属性社交图。通过全面的实验，我们表明，我们的新模型优于其最相关的同行在合成差异私人属性的社会图，保留社区结构的原始图，以及度序列和聚类系数。
2019-08-31 cs.CR cs.SI physics.soc-ph
You are Who You Know and How You Behave: Attribute Inference Attacks via Users' Social Friends and Behaviors
我们提出了新的隐私攻击来推断属性（例如，位置、职业和兴趣）。我们的攻击利用在线社交网络中公开的看似无辜的用户信息来推断目标用户的缺失属性。鉴于越来越多的可用性（看似无辜的）用户信息在线，我们的研究结果有严重的影响互联网隐私-私人属性可以推断从用户的公开数据，除非我们采取措施，以保护用户免受这种推理攻击。为了推断目标用户的属性，现有的推断攻击利用用户的公开可用的社交朋友或用户的行为记录（例如，用户在Facebook上喜欢的网页，用户在Google Play上评论的应用程序），但不是两者都有。正如我们将展示的，这种推理攻击的成功率有限。然而，如果我们同时考虑社会朋友和行为记录，问题就有了质的不同。为了应对这一挑战，我们开发了一种新的模型来整合社交好友和行为记录，并根据我们的模型设计新的攻击。我们从理论上和实验上证明了我们的攻击的有效性。例如，我们观察到，在一个拥有110万用户的真实世界大规模数据集中，我们的攻击可以正确地推断出57%的用户所在的城市，通过置信度估计，如果攻击者选择性地攻击一半的用户，我们能够将攻击成功率提高到90%以上。此外，我们表明，我们的攻击可以正确地推断属性显着更多的用户比以前的攻击。
2016-06-19 cs.SI physics.soc-ph
Mining Application-aware Community Organization with Expanded Feature Subspaces from Concerned Attributes in Social Networks
社交网络是典型的具有节点属性的属性网络。与传统的属性社区发现问题不同，本文研究了面向应用的社区组织挖掘问题，即针对特定的关注属性挖掘出一个应用感知的社区组织。所关注的属性是由用户基于任何应用的要求预先指定的。应用感知社区组织w.r.t.关注属性由具有包含这些关注属性的特征子空间的社区组成。每个社区的特征子空间除了包含相关属性外，还可能包含其他相关属性。特征子空间的所有相关属性共同描述和确定嵌入在该子空间中的社区。因此，该问题包括两个子问题，即，如何将关注属性集扩展为完备的特征子空间，以及如何挖掘嵌入在扩展子空间中的社区。两个子问题共同解决优化的质量函数称为子空间适应度。提出了一种称为ACM的算法。为了定位可能属于应用感知社区组织的社区，检测由具有相似关注属性的节点组成的网络骨干的内聚部分并将其设置为社区种子。所关注的属性集被设置为所有社区种子的初始子空间。然后迭代调整每个社区种子及其属性子空间，以优化子空间适应度。在人工数据集上的大量实验证明了该方法的有效性和高效性，在真实网络上的应用表明了其应用价值。
2017-05-10 cs.SI physics.soc-ph
Heri-Graphs: A Workflow of Creating Datasets for Multi-modal Machine Learning on Graphs of Heritage Values and Attributes with Social Media
价值（为什么要保护）和属性（保护什么）是文化遗产的基本概念。最近的研究一直在使用社交媒体来绘制公众传达给文化遗产的价值观和属性。然而，它是罕见的连接异构形式的图像，文本，地理位置，时间戳和社会网络结构，挖掘其中的语义和结构特征。这项研究提出了一种方法的工作流程，用于构建这样的多模态数据集，使用Flickr上的帖子和图像，用于基于图形的机器学习（ML）任务，有关遗产的价值和属性。在使用最先进的ML模型进行数据预处理后，视觉内容和文本语义的多模态信息被建模为节点特征和标签，而它们的社会关系和时空上下文被建模为Multi-Graphs中的链接。该工作流程在三个包含联合国教科文组织世界遗产的城市-阿姆斯特丹，苏州和威尼斯进行了测试，为半监督学习任务提供了具有高度一致性的数据集。整个过程用数学符号进行了正式描述，可以应用于临时任务中，既可以作为具有技术相关性的ML问题，也可以作为具有社会利益的城市/遗产研究问题。这项研究还有助于了解和绘制遗产价值和属性，以便今后在全球案例中进行研究，旨在采取包容性遗产管理做法。
2022-05-16 cs.CY cs.SI
Characterizing Nodes and Edges in Dynamic Attributed Networks: A Social-based Approach
如何基于社会方面来刻画动态属性网络中的节点和边？我们解决这个问题，探索演员和他们的相关属性随着时间的推移之间的联系的强度，从而捕捉演员的社会角色和他们在不同的社会网络场景中的动态互动的意义。为此，我们应用社会概念，以促进更好地理解涉及行为者及其社会动机的潜在复杂性。更具体地说，我们探讨的概念，社会资本的战略定位的一个特定的演员在社会结构的经纪人的概念，创造桥梁的能力与多样化的模式，和封闭，聚合节点的能力与类似的模式。因此，我们揭示了不同的学术合作网络和问答社区的社会互动的差异。我们还统计验证我们的社会定义考虑的重要性，节点和边缘的社会结构，通过网络属性。
2022-07-14 cs.SI
Diversity, Topology, and the Risk of Node Re-identification in Labeled Social Graphs
真实网络数据集为理解诸如信息扩散或网络演化等现象提供了显著的益处。然而，共享真实的图形数据集所带来的隐私风险，即使在剥离用户身份信息的情况下，也是巨大的。当节点具有关联属性时，隐私风险增加。在本文中，我们定量研究的二进制节点属性对节点隐私的影响，采用基于机器学习的重新识别攻击，并探讨图拓扑结构和属性放置之间的相互作用。我们的实验表明，人口的多样性的二元属性一致降低匿名性。
2018-08-31 cs.SI physics.soc-ph
Attributed Social Network Embedding
将网络数据嵌入到低维向量空间中对于许多现实世界的应用，如节点分类和实体检索，表现出良好的性能。然而，大多数现有的方法只集中在利用网络结构。对于社交网络，除了网络结构之外，还存在关于社会行为者的丰富信息，例如友谊网络的用户简档和引文网络的文本内容。社会行动者丰富的属性信息揭示了同质性效应，对社交网络的形成产生了巨大的影响。本文探讨了社交网络中丰富的属性证据源，以提高网络嵌入能力。我们提出了一个通用的社会网络嵌入框架（SNE），它学习社会参与者的表示（即，节点）通过保持结构接近度和属性接近度两者。虽然结构接近捕捉全球网络结构，属性接近占同质性效应。为了证明我们的建议，我们在四个现实世界的社交网络上进行了广泛的实验。与最先进的网络嵌入方法相比，SNE可以学习更多的信息表示，在链接预测和节点分类的任务上实现了实质性的收益。具体来说，SNE显著优于node2vec，在链接预测任务上有8.2%的相对改进，在节点分类任务上有12.7%的增益。
2017-05-14 cs.SI
Generating online social networks based on socio-demographic attributes
近年来，许多在线社交网络如Facebook、LinkedIn和MySpace都有了巨大的增长。人们通过这些网络相互联系，形成大型社会社区，为研究人员提供丰富的数据集来理解，建模和预测社会互动和行为。这些网络中的新联系人可能是由于个人的人口统计属性（如年龄组、性别、地理位置）或由于网络的结构动态（如三元封闭和偏好依恋）或人口统计和结构特征的组合而形成的。在过去的十年中，已经提出了许多网络生成模型来解释不同类型的网络，特别是社交网络中发生的结构，演变和过程。在文献中研究的网络生成模型主要考虑结构特性，在某些情况下，一个人的人口概况，在形成新的社会联系。这些模式没有提出一种机制，将结构和人口特征结合起来，形成新的联系。在本文中，我们提出了一个新的网络生成算法，它结合了这两个特点，网络形成模型。我们使用不同的公开可用的Facebook数据集作为基准来证明所提出的网络生成模型的正确性。所提出的模型是灵活的，因此可以生成不同的人口和结构属性的网络。
2017-02-05 cs.SI physics.soc-ph
The Social Name-Letter Effect on Online Social Networks
名字字母效应表明，人们对与自己名字开头相同的字母的品牌、地点甚至工作有偏好。所以山姆可能喜欢士力架，住在西雅图。我们使用Twitter和Google+的社交网络数据在新环境中复制这种效果。我们发现社交网络上的姓名字母效应几乎没有得到支持。然而，我们确实发现了一个非常强大的同名效应，比如说，迈克尔斯更有可能与其他迈克尔斯而不是约翰联系在一起。当考虑性别、国籍、种族和年龄时，这种影响仍然存在。这些效应背后的基本原理具有超越心理学的意义，因为理解积极的自我形象如何转移到其他实体，在从研究同质性到个性化广告和社交网络中的链接形成等领域都很重要。
2014-11-20 cs.SI physics.soc-ph
Ties That Bind - Characterizing Classes by Attributes and Social Ties
给定一组已知属于不同类的属性子图，我们如何发现它们的差异？在许多情况下，子图的集合可以相互对比。例如，它们可以被分配地面实况标签（垃圾邮件/非垃圾邮件），或者可能期望直接比较不同物种的生物网络或不同化学物质的化合物网络。在这项工作中，我们引入的问题，属于不同类别的属性子图之间的差异特征。我们定义这个特征化问题为一个分区的属性到尽可能多的组的类的数量，同时最大限度地提高所有给定的子图的总属性质量得分。我们证明了我们的属性到类的分配问题是NP难的，存在一个最佳的$(1 - 1/e)$ -近似算法。我们还提出了两种不同的更快的算法，它们在属性和子图的数量上是线性时间的。与以前只考虑属性进行表征的工作不同，在这里，我们利用属性和社会关系（即图结构）。通过大量的实验，我们比较了我们提出的算法，显示了与人类直觉一致的结果，这些结果来自亚马逊合作购买，国会法案审查和DBLP合作作者的数据集。我们还表明，我们的方法的特征子图是更好地适用于意义的区分分类方法。
2017-01-31 cs.IR cs.SI physics.soc-ph
On Privacy of Socially Contagious Attributes
在数据汇集中保护用户隐私的一种常用方法是在收集之前对用户的真实数据进行随机扰动，以便在不危及个人所持有的秘密的情况下仍然可以推断出聚合的统计数据。在本文中，我们仔细看看差分隐私保证的有效性，当敏感属性受到社会影响和传染。我们首先表明，在没有任何知识的传染网络，一个对手，试图从扰动的预测的真实值，不能实现ROC曲线下面积（AUC）以上$1-(1-δ)/(1+e^\varepsilon)$，如果数据集被扰动使用$(\varepsilon,δ)$ -差分私有机制。然后，我们证明，有了传染网络和模型的知识，人们可以做得更好。我们证明，我们的方法通过差分隐私所施加的性能限制。我们的实验还表明，对他人具有高影响力的节点比其他节点更有可能泄露自己的秘密。通过对合成网络和真实网络的大量实验，显示了其性能。
2019-09-02 cs.SI physics.soc-ph
Community Detection with Node Attributes and its Generalization
社区发现算法是理解社交网络中组织原则的基本工具。随着社交媒体平台的日益强大，当检测社区时，存在可以用途：社交网络的结构和节点属性的两个可能的信息源。然而，在社区发现的研究中，社交网络的结构和节点属性往往被分开解释。当这两个来源同时解释，一个共同的假设共享以前的研究是，节点属性与社区。本文提出了一种模型，该模型能够将拓扑信息和节点属性信息相结合，而无需假设相关性。该模型在节点属性与社区不相关的情况下，仍能以较高的精度恢复社区。我们推导出该模型的可检测性阈值，并使用置信传播（BP）进行推理。该算法是最佳的，因为它可以恢复社区的所有方式下降到阈值。这种新模型也有可能处理边缘内容和动态设置。
2016-04-12 cs.SI physics.soc-ph stat.ML
Multiplicative Attribute Graph Model of Real-World Networks
大规模的真实世界的网络数据，如社会和信息网络是无处不在的。对这种社会和信息网络的研究试图找到模式，并通过易于处理的模型来解释它们的出现。在大多数网络中，尤其是在社交网络中，节点具有丰富的属性集（例如，与他们相关的年龄，性别。在这里，我们提出了一个模型，我们称之为乘法属性图（MAG），它自然地捕捉网络结构和节点属性之间的相互作用。我们考虑一个模型，其中每个节点都有一个与之相关联的分类潜在属性向量，一对节点之间的边的概率取决于单个属性-属性亲和力的乘积。该模型屈服于数学分析，我们得到阈值的连接和出现的巨型连接组件，并表明该模型产生的网络具有恒定的直径。通过对度分布的分析，我们发现MAG模型在一定条件下可以产生对数正态度分布或幂律度分布的网络。
2011-04-14 cs.SI physics.soc-ph
Mechanisms and Attributes of Echo Chambers in Social Media
回音室可能会阻止社交媒体用户接触其他意见，因此可能会造成猖獗的负面影响。大量证据包括2016年和2020年美国总统选举的阴谋论和两极分化，以及COVID-19的非信息流行病。为了更好地发现回声室并减轻其负面影响，本文探讨了社交媒体中回声室的机制和属性。特别是，我们首先说明四个主要机制与三个主要因素：人类心理，社交网络，自动系统。然后，我们描述了回声室的共同属性，重点是错误信息的传播，阴谋论的传播，社会趋势的创造，政治极化和用户的情绪感染。我们用最近的案例研究从社会学、心理学和社会计算的多角度说明了每个机制和属性。我们的分析表明，一个新兴的需要检测回声室，并减轻其负面影响。
2021-08-12 cs.HC cs.SI
Benford's Law Applies To Online Social Networks
本福德定律指出，在自然发生的系统中，数字的第一位数的频率并不是均匀分布的。以1开头的数字大约有30%的概率出现，比以9开头的数字多六倍。我们表明，本福德定律适用于在线社交网络中的用户的社会和行为特征。我们考虑来自五个主要社交网络的社交数据：Facebook，Twitter，Google Plus，Pinterest和Live Journal。我们发现，在这些系统中的用户的朋友和追随者计数的第一个有效数字的分布遵循本福德定律。这同样适用于用户发布的帖子数量。我们将其扩展到以自我为中心的网络，表明在个人的社交网络中的人之间的朋友计数也遵循预期的分布。我们将讨论如何使用它来在线检测可疑或欺诈活动并验证数据集。
2015-04-16 cs.SI physics.soc-ph
Comprehensive Privacy Risk Assessment in Social Networks Using User Attributes Social Graphs and Text Analysis
本文提出综合隐私风险评分框架CPRS，融合用户属性、社交图谱与文本内容量化隐私风险，并在两个真实数据集上验证其有效性，为个性化隐私管理提供可扩展方法。
2025-07-20 cs.SI
Estimating Causal Peer Influence in Homophilous Social Networks by Inferring Latent Locations
本文针对潜在同质性导致社会影响难以从观测网络数据中识别的问题，证明在随机块模型或连续潜在空间模型下，利用全局网络结构估计潜在属性后，可在线性模型中一致估计同伴影响效应。
2021-06-17 cs.SI physics.soc-ph stat.ME
Google+ or Google-?: Dissecting the Evolution of the New OSN in its First Year
在Facebook和Twitter主导社交媒体市场的时代，谷歌推出了Google+（G+），并报告其规模大幅增长，而其他人则称其为鬼城。这就引出了一个问题：“尽管Facebook和Twitter占据主导地位，G+是否真的能吸引大量的连接和活跃用户？".本文解决了上述问题，提出了一个详细的表征G+的大规模测量的基础上。我们确定了G+结构的主要组成部分，描述了其用户的关键特征及其随时间的演变。然后，我们进行了详细的分析，在G+结构的最大连接组件（LCC）的用户之间的连接和活动的演变，并比较其与其他主要的OSN的特点。我们发现，尽管G+的大小急剧增长，LCC的相对大小一直在下降，其连接性已变得不那么集群。虽然总用户活动逐渐增加，但只有很小一部分用户表现出任何类型的活动。据我们所知，我们的研究基于收集的最大数据集提供了G+最全面的表征。
2013-03-26 cs.NI cs.SI
The Advantage of Evidential Attributes in Social Networks
LARODEC, Higher Institute of Management（高等管理学院 LARODEC 实验室）；DRUID, IRISA, University of Rennes 1（雷恩第一大学 IRISA 研究所 DRUID 团队）；Northwestern Polytechnical University（西北工业大学）
如今，有许多方法被设计用于检测社交网络中的社区的任务。其中，有些方法只考虑图的拓扑结构，而有些方法则同时考虑图的拓扑结构和节点属性。在现实世界的网络中，图中存在许多不确定和噪声属性。在本文中，我们将介绍如何在第一步中检测具有不确定属性的图中的社区。根据图的结构生成数值属性、概率属性和证据属性。在第二步中，一些噪声将被添加到属性中。我们进行实验，不同类型的属性的图和比较检测结果的归一化互信息（NMI）值。实验结果表明，与概率和数值属性相比，证据属性的聚类效果更好。这说明了证据属性的优点。
2017-09-05 cs.AI cs.SI
Eva: Attribute-Aware Network Segmentation
识别拓扑定义良好的社区，也是同质的w.r.t.由组成它们的节点所携带的属性是具有挑战性的社会网络分析任务。我们解决这样一个问题，通过引入伊娃，自下而上的低复杂度算法，旨在通过优化结构和属性同质聚类标准，以确定网络隐藏的中尺度拓扑结构。我们评估所提出的方法在异构的现实世界的标记网络数据集，如共引，语言，和社交网络，并将其与最先进的社区发现竞争对手。实验结果表明，Eva算法能够保证网络节点根据其属性相似性被分组到社区中，而不会显著降低划分模块性，无论是在单节点属性还是多节点属性的情况下
2019-10-16 cs.SI physics.soc-ph
A Survey of Link Recommendation for Social Networks: Methods, Theoretical Foundations, and Future Research Directions
链接推荐已经引起了业界和学术界的广泛关注。在工业中，链接推荐已经成为在线社交网络中的标准和最重要的特征，其突出的示例包括LinkedIn上的“你可能认识的人”和Google+上的“你可能认识的人”。在学术界，链接推荐一直是一个非常活跃的研究领域。本文综述了最新的链接推荐方法，这些方法可以大致分为基于学习的方法和基于邻近度的方法。我们进一步确定社会和经济理论，如社会互动理论，这些方法的基础，并从理论角度解释为什么链接推荐方法的工作原理。最后，我们建议在几个方向扩展链接推荐研究，包括基于效用的链接推荐，链接推荐的多样性，不完全数据的链接推荐，以及链接推荐的实验研究。
2015-11-05 cs.SI physics.soc-ph
Multifaceted Privacy: How to Express Your Online Persona without Revealing Your Sensitive Attributes
最近在社交网络流分析中的工作表明，用户的在线角色属性（例如，性别、种族、政治利益、地点等）可以从用户所写或参与的主题中准确地推断出来。属性和偏好推断已被广泛用于提供个性化推荐、定向广告以及增强社交网络中的用户体验。然而，泄露用户的敏感属性可能对某些个人构成隐私威胁。微靶向（例如，Cambridge Analytica丑闻）、监视和歧视性广告是敏感属性推断对用户隐私造成威胁的例子。在本文中，我们提出了多方面的隐私，一种新的隐私模型，旨在混淆用户的敏感属性，同时公开维护用户的公共人物。为了实现多方面的隐私，我们构建了Aegis，这是一个以客户为中心的原型社交网络流处理系统，有助于保护多方面的隐私，从而允许社交网络用户自由表达他们的在线角色，而不会泄露他们选择的敏感属性。Aegis允许社交网络用户控制哪些角色属性应该公开显示，哪些应该保持隐私。为此，Aegis不断向社交网络用户推荐主题和标签，以混淆他们的敏感属性，从而混淆基于内容的敏感属性推断。建议的主题经过精心选择，以保留用户公开显示的人物角色属性，同时隐藏其私人敏感人物角色属性。我们的实验表明，添加少至0至4个混淆职位（取决于如何揭示原始职位）成功地隐藏用户指定的敏感属性，而不改变用户的公共人物属性。
2019-05-23 cs.CR cs.SI
Multi-attributed Community Search in Road-social Networks
给定一个基于位置的社交网络，如何根据用户的偏好找到与查询用户高度相关且在多个属性中得分最高的社区？通常，面对这样的问题设置，我们可以将网络建模为多属性道路社交网络，其中每个用户都与位置信息和$d$（$\geq\! 1$）数值属性相关联。在实践中，用户偏好（即，权重）通常固有地是不确定的，并且只能以有限的精度来估计，因为人类用户不能以绝对精度指定精确值。受此启发，我们引入了一个规范的社区模型，适用于多标准决策，称为多属性社区（MAC），基于$k$核心的概念和一个新的优势关系的具体偏好。给定不确定的用户偏好，即权重的近似表示，MAC搜索报告每个可能的权重设置的确切社区。我们设计了一个优雅的索引结构，以保持优势关系，基于此两个算法开发，以有效地计算顶部的$j$ MAC。我们的算法和MAC模型的有效性的效率和可扩展性证明了广泛的实验在现实世界和合成的道路社会网络。
2021-02-21 cs.DB cs.SI
Community detection in node-attributed social networks: a survey
National Center for Cognitive Technologies, ITMO University（ITMO大学国家认知技术中心）
社区发现是社会网络分析中的一个基本问题，包括无监督地将具有某些社会联系（社会图中的边）的社会参与者（社会图中的节点）划分为紧密编织且高度相关的组，其中每个组与其他组很好地分离。传统的社区发现方法通常只处理网络结构，而忽略了节点的特征（称为节点属性），尽管许多现实世界的社交网络提供了额外的参与者信息，如兴趣。人们认为，这些属性可以澄清和丰富有关行为者的知识，并使社区有意义。这种信念促使了社区发现方法的发展，这些方法使用网络的结构和属性（即处理节点属性图）来产生更多信息和定性结果。在过去的十年中，出现了许多基于不同思想的方法。尽管对它们有部分概述，但最近的调查是必要的，因为方法数量的增加可能会导致方法上的重复和实践中的不确定性。在本文中，我们的目的是描述和澄清在节点属性的社交网络社区发现领域的总体情况。也就是说，我们进行了详尽的搜索已知的方法，并提出了一个分类的基础上，何时以及如何结构和属性融合。我们不仅给出了每个类的描述，还提供了类中每个方法背后的一般技术思想。此外，我们还关注哪些方法优于其他方法，以及哪些数据集和质量指标用于评估。根据收集到的信息，我们对该领域的现状做出了结论，并揭示了未来需要解决的几个重要问题。
2020-06-15 cs.LG cs.PF cs.SI
Under the Shadow of Sunshine: Characterizing Spam Campaigns Abusing Phone Numbers Across Online Social Networks
网络犯罪分子滥用在线社交网络（OSN）引诱受害者发送各种垃圾邮件。在不同的垃圾邮件类型中，一个较少探索的领域是利用电话渠道欺骗用户的OSN滥用。电话号码通过OSN被伪装，用户被欺骗拨打这些号码。为了扩大此类诈骗/垃圾邮件活动的覆盖范围，电话号码在Facebook、Twitter、GooglePlus、Flickr和YouTube等多个平台上进行广告宣传。在本文中，我们提出了跨平台活动的第一个数据驱动特征，这些活动使用多个OSN平台来接触受害者并使用电话号码进行货币化。我们在六个月内从Twitter、Facebook、GooglePlus、Youtube和Flickr收集了2300万个帖子，其中包含180万个唯一电话号码。对这些帖子进行聚类有助于我们识别全球范围内的202个活动，印度尼西亚，美国，印度和阿拉伯联合酋长国是最突出的发起者。我们发现，尽管印尼的广告活动产生了最高的数量（320万个帖子），但到目前为止，只有1.6%的宣传印尼广告活动的账户被暂停。通过检查在多个OSN上运行的活动，我们发现Twitter检测和暂停的帐户比Facebook多93%。因此，在OSN之间共享有关滥用相关用户帐户的情报可以帮助检测垃圾邮件。根据我们的数据集，如果情报在OSN之间共享，大约有35，000名受害者和880万美元可以节省。通过分析基于电话号码的垃圾邮件活动上运行的OSN，我们突出了未开发的各…
2018-04-02 cs.CY cs.SI
Harnessing Mobile Phone Social Network Topology to Infer Users Demographic Attributes
我们研究了墨西哥手机用户的社交图结构，重点关注用户的人口统计属性（更具体地说是用户的年龄）。我们研究了图中的重复性模式，并观察到一个强大的年龄同质性的通信偏好。我们提出了一个基于图的算法的手机用户的年龄预测。该算法利用移动电话网络的拓扑结构，连同已知用户年龄（种子）的子集，推断剩余用户的年龄。我们提供的方法的细节，并显示在网络GT超过70万用户的实验结果。通过仔细检查的拓扑关系的种子，其余的节点在GT，我们发现拓扑度量有直接影响算法的性能。特别是，我们描述了用户的子集，当预测4个年龄类别之间时，算法的准确性为62%（而纯粹的随机猜测将产生25%的准确性）。我们还表明，我们可以使用该算法计算的概率信息，以进一步提高其推理能力的72%的一个重要的用户子集。
2015-11-23 cs.SI physics.soc-ph
Relationship Profiling over Social Networks: Reverse Smoothness from Similarity to Closeness
在社交网络上，虽然节点具有丰富的属性，但我们往往缺乏每个链接形成的“语义”-因此我们错过了导航和组织复杂社交世界的“路标”。如何在没有标签的情况下识别关系语义？基于普遍的同质性原则，我们提出了新的问题，基于属性的关系轮廓（ARP），轮廓的亲密度w.r.t.潜在的关系（例如，同学）基于用户之间在相应属性上的相似性（例如，教育），并且作为输出，学习一组社交亲和力图，其中每个链接通过其承载关系的概率来加权。作为需求，ARP应该是系统的和完整的，以分析每个关系的每个链接--我们的挑战在于有效地建模同质性。我们提出了一个新的反向平滑原则，通过观察同质性的相似性-接近性对偶与基于图的半监督学习中众所周知的平滑性假设一致-只有推理的方向是反向的。为了实现噪声社会图的平滑度，我们进一步提出了一种新的整体紧密度建模方法，通过将紧密度从边缘扩展到路径来捕获“高阶”平滑度。在三个真实数据集上的大量实验证明了ARP的有效性。
2017-10-03 cs.SI physics.soc-ph
Group fairness without demographics using social networks
提出基于社交网络同质性的无群体公平性度量方法，避免依赖敏感属性，并开发公平算法，在无标签情况下有效减少受保护类别间的不平等。
2023-05-19 cs.CY cs.SI
Mining Unfollow Behavior in Large-Scale Online Social Networks via Spatial-Temporal Interaction
Tsinghua University（清华大学）；University of Science and Technology of China（中国科学技术大学）；National University of Singapore（新加坡国立大学）
在线社交网络（OSN）通过两种普遍的行为进化：关注和取消关注，这两种行为分别表示关系的建立和关系的解除。社会网络演化的研究主要集中在追随行为上，而非追随行为在很大程度上被忽视。挖掘用户的不关注行为是一个挑战，因为用户的不关注决策不仅受到用户属性的简单组合，如信息性和互惠性，但也影响到它们之间的复杂交互。同时，以前的数据集很少包含足够的记录来推断这种复杂的相互作用。为了解决这些问题，我们首先构建了一个大规模的真实世界微博数据集，它记录了180万中国用户的详细帖子内容和关系动态。接下来，我们将用户的属性定义为两个类别：空间属性（例如，用户的社会角色）和时间属性（例如，用户的内容）。利用构建的数据集，我们系统地研究了用户的空间和时间属性之间的交互作用如何影响不跟随行为。之后，我们提出了一种新的统一模型与异构信息（UMHI）的未跟随预测。具体来说，我们的UHI模型：1）通过社会网络结构捕获用户的空间属性; 2）通过用户发布的内容和取消关注历史推断用户的时间属性; 3）通过非线性MLP层对空间和时间属性之间的交互进行建模。对构建的数据集的综合评价表明，所提出的UMHI模型的精度平均比基线方法高16.44%。此外，因子分析验证了空间属性和时间属性对挖掘未跟随行为都是必不可少的。
2019-11-17 cs.CL cs.SI
Clustering attributed graphs: models, measures and methods
对图进行聚类，即，将其节点分配给组是一种重要的操作，其最著名的应用是发现社交网络中的社区。图聚类和社区发现传统上集中在没有属性的图上，边权重是一个明显的例外。然而，这些模型只提供了真实社会系统的部分表示，因此通常使用节点属性（表示参与者的特征）和边属性（表示它们之间的不同类型关系）来描述。我们将这些模型称为属性图。因此，现有的图聚类方法最近已经扩展到处理节点和边属性。本文是对这一主题的文献综述，以统一的方式组织和展示了最近的研究成果，描述了现有的主要聚类方法，并强调了它们的概念差异。我们还涵盖了聚类评估的重要主题，并确定当前的开放问题。
2015-01-07 cs.SI physics.soc-ph
The Lifecycles of Apps in a Social Ecosystem
应用程序正在成为在线内容的一种重要形式，它们以有趣的方式结合了Web使用的各个方面-它们展示了用户采用和长期参与的丰富时间结构，并且它们存在于更广泛的社会生态系统中，有助于推动这些采用和参与模式。然而，在自然环境中研究应用程序是很困难的，因为这需要同时分析大量流行的应用程序和它们所处的底层社交网络。在这项工作中，我们通过分析Facebook登录上的应用程序集合来解决这一挑战，开发了一个新的框架来分析时间和社会属性。在时间层面上，我们开发了一个保留模型，该模型使用非常小的参数集来表示用户返回应用程序的趋势。在社会层面上，我们沿着两个基本轴组织应用程序的空间-流行度和社会性-我们展示了用户采用应用程序的概率如何取决于本地网络结构的属性和用户属性之间的匹配，他或她的朋友的属性，以及应用程序用户群中的主导属性。我们还开发了模型，显示不同功能集的重要性，在预测应用程序成功方面具有强大的性能。
2015-03-23 cs.SI physics.soc-ph
Lurking in Social Networks: Topology-based Analysis and Ranking Methods
在线社区中大量存在的沉默成员，即所谓的潜伏者，长期以来一直吸引着社会科学、认知心理学和人机交互研究人员的注意。然而，对潜在现象的研究为数据采掘、信息检索及相关领域的研究提供了一个尚未开发的机会。在本文中，我们采取的第一步正式规范和分析潜伏在社交网络。我们解决了潜伏者排名的新问题，并提出了第一个专门为社交网络中的潜伏者排名而设计的中心性方法。我们的方法只利用网络拓扑结构，而不探讨与媒体相关的文本内容或用户关系。使用Twitter，Flickr，Google Feed和GooglePlus作为案例，我们的方法的性能针对数据驱动的排名以及现有的中心性方法进行了评估，包括经典的PageRank和alpha中心性。经验证据表明，我们的潜伏者排名方法的重要性，以及它在有效识别和排名在线社交网络中的潜伏者方面的独特性。
2014-09-16 cs.SI physics.soc-ph
Influence of Personal Preferences on Link Dynamics in Social Networks
US Army Research Laboratory（美国陆军研究实验室）
我们研究了一个独特的网络数据集，包括定期调查和通过智能手机的二元联系人的电子日志。参与者是2011年秋季进入大学的新生样本。他们对各种政治和社会问题的意见和校园活动的清单定期记录在每个学期的开始和结束的前三年的研究。我们确定了一个行为网络定义的电话和文本数据，和一个认知网络的基础上的友谊提名的自我网络调查。这两个网络仅限于研究参与者。由于每个节点上的各种属性都收集在自我报告中，我们将这些网络称为属性丰富网络。我们研究了学生对朋友的某些属性的偏好是否可以预测两个网络中边缘的形成和溶解。我们介绍了一种方法来计算学生的喜好，我们用不同的属性来预测链接的形成和解散。然后，我们根据这些属性对预测的重要性对它们进行排名。我们发现，个人偏好，特别是政治观点，以及对共同活动的偏好有助于预测行为和认知网络中的链接形成和解散。
2017-09-21 cs.AI cs.SI physics.soc-ph
Qualities and Inequalities in Online Social Networks through the Lens of the Generalized Friendship Paradox
友谊悖论是指在社交网络中，人们平均拥有的朋友比他们的朋友要少。广义的友谊悖论是对朋友数量以外的属性的扩展。友谊悖论及其广义版本最近引起了人们的关注，因为它们提供了关于网络结构和局部不平等的信息。在本文中，我们提出了几个措施的节点质量，捕捉不同方面的活动和影响力，在网上社交网络。使用这些措施，我们分析了广义的友谊悖论在Twitter上的流行程度，我们报告了高水平的流行率（高达90%以上的节点）。我们认为，这种普遍存在的友谊悖论及其广义版本的出现，因为在网络中的连接的等级性质。这种层次结构是嵌套的，而不是星形的。我们的结论是，这些悖论是集体现象，而不仅仅是由少数连接良好或高属性的节点。此外，我们的研究结果表明，很大一部分人可以体验广义的友谊悖论，即使在程度和属性之间没有显着的相关性。
2016-02-11 cs.SI physics.soc-ph
Epidemiological modeling of online social network dynamics
在过去的十年里，MySpace和Facebook等大型在线社交网络（OSN）兴起。在本文中，我们使用流行病学模型来解释用户采用和放弃OSN，采用类似于感染和放弃类似于恢复。我们修改了传统的SIR模型的疾病传播，将传染病恢复动力学，使恢复和感染的人口成员之间的接触是需要恢复。建议的传染性恢复SIR模型（irSIR模型）进行验证，使用公开的谷歌搜索查询数据为“MySpace”的OSN，表现出采用和放弃阶段的案例研究。然后将irSIR模型应用于“Facebook”的搜索查询数据，该数据刚刚开始显示放弃阶段的开始。将最佳拟合模型外推到未来，可以预测未来几年Facebook的活跃度将迅速下降。
2014-01-17 cs.SI physics.soc-ph
Using Sampled Network Data With The Autologistic Actor Attribute Model
社会科学研究越来越多地受益于统计方法，以了解社会生活的结构化性质，包括社交网络数据。然而，统计网络模型在大规模社区研究中的应用受到阻碍，因为对它们在现实数据汇集条件下（包括采样或缺失的网络数据）推断的有效性了解太少。自主角色属性模型（ALAAM）是一种基于指数随机图模型（ERGM）的社交网络统计模型。ALAAM可以被视为一种社会影响力模型，基于行为者的网络关系、他/她的网络伙伴的并发结果以及行为者和他/她的网络伙伴的属性来预测个人层面的结果。特别地，ALAAM可以用于测量传染效应，即通过社交网络纽带连接的两个参与者具有相同属性值的倾向。我们研究了使用简单的随机样本和雪球样本的网络数据的ALAAM参数推断的效果，并发现参数推断仍然可以很好地工作，即使有一个非平凡的分数丢失的节点。然而，采取网络的雪球样本并在雪球样本结构上进行条件估计是更安全的。
2020-02-04 cs.SI stat.ME
Investigating the Effect of Attributes on User Trust in Social Media
社交媒体的一个主要挑战是识别可信的信息。如果我们不能识别信息是可信的，那么这些信息可能会变得无用或丢失。相反，我们可能会消费错误或虚假的信息，造成重大后果。用户在使用之前如何处理所提供的信息？对帖子的评论、作者或投票是否对做出这样的决定至关重要？这些属性是否放在一起考虑，哪个属性更重要？为了回答这些问题，我们开发了一个信任模型来支持社交媒体中用户内容的知识共享。这种信任模型是基于稳定性，质量和可信度的维度。每个维度都包含指标（用户角色、用户智商、投票等）基于数据分析的对用户重要的信息。在本文中，我们提出了一种评估建议的信任模型，使用联合分析（CA）作为评估方法。从348个响应中获得的结果验证了信任模型。信任度转换器基于计算出的信任值将内容解释为非常信任、信任、不信任和非常不信任。此外，结果显示，不同的重要性，每个维度：稳定性24%，可信度35%和质量41%。
2019-04-16 cs.IR cs.SI
Understanding Public Opinion on Using Hydroxychloroquine for COVID-19 Treatment via Social Media
羟氯喹（HCQ）用于预防或治疗由蚊子叮咬引起的疟疾。最近，该药物被建议用于治疗COVID-19，但尚未得到科学证据的支持。有关药物疗效的信息充斥着社交网络，通过歪曲他们对药物疗效的看法，对社区构成潜在威胁。本文通过分析推文的反应模式和情绪，研究社交网络用户对使用HCQ治疗COVID-19的建议的反应。我们从2020年2月至12月收集了164，016条推文，并使用文本挖掘方法来识别社会反应模式和意见随时间的变化。我们的描述性分析发现，用户的反应模式与HCQ和COVID-19治疗发展的社交和新闻推送密切相关。该研究将推文和谷歌搜索频率联系起来，以揭示当地社区对不同州使用HCQ治疗COVID-19的观点。此外，我们的推文情感分析显示，公众对使用HCQ治疗COVID-19的建议的意见随着时间的推移发生了显著变化。数据显示，早期的支持率很高，但在10月份显着下降。最后，使用人类对4，850条推文的手动分类作为我们的基准，我们的情感分析表明，Google Cloud自然语言算法在分类推文方面优于Valence Aware Dictionary和social Reasoner，特别是在讽刺推文组中。
2022-01-01 cs.IR cs.SI
Utilizing Social Media Attributes for Enhanced Keyword Detection: An IDF-LDA Model Applied to Sina Weibo
University of New South Wales（新南威尔士大学）
针对社交媒体短文本关键词检测难题，提出结合IDF与LDA的模型，利用点赞、评论和转发等属性加权文档，有效提升关键词检测的精确率和召回率。
2023-05-30 cs.CL cs.IR cs.SI
Detecting Automatically Managed Accounts in Online Social Networks: Graph Embedding Approach
在线社交网络的广泛使用和将流行账户商业化的机会吸引了大量的自动化程序，称为人工账户。针对社交网络中的真人账户和虚假账户进行分类，采用多种图神经网络对账户的属性和网络图特征进行有效编码。我们的工作使用网络结构和属性来区分人类和人工帐户，并比较了属性和传统的图嵌入。将复杂的、类似人类的人工账户分离成一个独立的任务，证明了基于配置文件的机器人检测算法的重大局限性，并显示了基于网络结构的方法检测复杂机器人账户的效率。实验表明，我们的方法可以实现有竞争力的性能相比，现有的最先进的机器人检测系统，只有网络驱动的功能。这篇论文的源代码可以在http://github.com/karpovilia/botdetection上找到。
2020-10-15 cs.SI
User Profile Relationships using String Similarity Metrics in Social Networks
本文回顾了社会网络中的亲密度和互动水平的问题，通过排名用户的相似性得分的基础上。这种相似性是基于社会，地理，教育，专业，共同的兴趣，喜欢的页面，共同感兴趣的团体或社区以及共同的朋友来衡量的。该技术通过提供一个合适的匹配框架，能够考虑所有用户档案的属性，并通过新的字符串度量方法找到相似性，解决了用户简档的全局匹配问题。它能够发现最大可能数量的与目标用户简档相似的简档，这是现有技术无法检测到的。属性手动分配权重，字符串和语义相似性度量用于比较属性值，从而预测最相似的配置文件。基于简档的相似性显示了用户之间的确切关系，用户简档之间的相似性反映了用户之间的亲密度和交互性。
2014-08-13 cs.SI
MAUIL: Multi-level Attribute Embedding for Semi-supervised User Identity Linkage
跨社交网络的用户身份链接（UIL）因其重要的研究挑战和实用价值而受到越来越多的关注。现有的方法大多使用单一的方法来表示不同类型的属性特征。然而，单纯形模式既不能覆盖整个属性特征集，也不能捕捉属性文本中更高层次的语义特征。为了在社交网络中寻找共同的用户身份，建立了一种新的半监督模型--多层属性嵌入半监督用户身份链接模型（MAUIL）. MAUIL包括两个部分：多级属性嵌入和基于正则化典型相关分析（RCCA）的线性投影。具体来说，每个网络的文本属性首先分为三种类型：字符级，单词级和主题级属性。其次，采用无监督的方法提取相应的三种类型的文本属性特征，并嵌入用户关系作为补充特征。所有得到的特征被组合以形成每个用户的最终表示。最后，目标社交网络投影到一个共同的相关空间的帮助下，少量的预匹配的用户对的RCCA。我们通过对两个真实数据集的大量实验，证明了所提出的方法优于最先进的方法。
2022-02-16 cs.SI
An Enhanced Multi-Objective Biogeography-Based Optimization for Overlapping Community Detection in Social Networks with Node Attributes
社区发现是社会网络分析中最重要和最有趣的问题之一。近年来，在社区发现的过程中同时考虑节点属性和社交网络的拓扑结构引起了许多学者的关注，并且这种考虑最近被用于一些社区发现方法中，以提高它们的效率，并增强它们在发现有意义和相关社区方面的性能。但问题是，这些方法中的大多数往往会找到不重叠的社区，而许多现实世界的网络包括经常在某种程度上重叠的社区。为了解决这一问题，本文提出了一种基于多目标地理优化（BBO）的进化算法MOBBO-OCD，该算法能够同时考虑网络中连接密度和节点属性相似性，自动发现具有节点属性的社会网络中的重叠社区。在MOBBO-OCD中，引入了一种扩展的基于轨迹的邻接表示（称为OLAR）来编码和解码重叠社区。在OLAR算法的基础上，采用基于秩的迁移算子、两阶段变异策略和双点交叉策略，有效地将种群引入到进化路径中，并提出了一种新的评价指标alpha_SAEM。该方法能够从节点属性和链接结构两个方面对重叠划分和非重叠划分的优劣进行综合评价。定量评估表明，MOBBO-OCD取得了良好的结果，这是相当优于文献中的15个相关的社区发现算法的结果。
2022-12-28 cs.NE cs.SI
Social Ranking Techniques for the Web
社交媒体的激增有可能改变网络的结构和组织。在过去，科学家们把网络看作是一个大的连接组件，以了解超链接的拓扑结构如何与页面中包含的信息质量相关，他们提出了对网页中包含的信息进行排名的技术。我们认为，从网页上的信息和网络数据的社会关系可以结合起来，创造一个个性化的和社会连接的网络。在本文中，我们将网络视为两个网络的组成部分，一个由网页中的信息组成，另一个由社交媒体网站上共享的个人数据组成。它们一起使我们能够分析社交媒体如何在人与人之间传播信息，以及如何使用社交网络的结构来为每个用户专门排名，交付和组织信息。我们通过对用户在Google Buzz和Twitter上共享的网页进行排名实验来验证我们的社交排名概念。
2013-06-26 cs.IR cs.SI physics.soc-ph
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
