Can information be spread as a virus? Viral Marketing as epidemiological model
在流行病学中，流行病被定义为传染病在短时间内向特定人群中的大量人群传播。在营销环境中，当信息通过人与人之间的传播被目标市场广泛发送和接收时，它就是病毒式的。这种特定的营销传播策略通常被称为病毒式营销。由于流行病和病毒营销过程之间的这种相似性，并且因为对这种传播策略有效性的关键因素的理解在很大程度上仍然未知，流行病学中的数学模型在这个营销特定领域中呈现。本文提出了一个研究病毒性营销策略效果的流行病学模型SIR（Susceptible-Removed-Removed）。将疾病参数与市场应用进行了比较，并进行了Matlab仿真。最后，进行了一些结论，并暴露其营销影响：跨参数的相互作用建议营销人员，作为投资的盈利能力或需要提高的通信活动的目标标准。
2016-11-08 cs.SI physics.soc-ph
Analysis of the Impact of Mask-wearing in Viral Spread: Implications for COVID-19
在COVID-19大流行期间，口罩被用作限制传播和拯救生命的全面措施战略的一部分。关于戴口罩对COVID-19大流行的影响的研究引起了多个学科的极大兴趣。在本文中，我们研究了复杂网络中戴面具对传播过程的影响。这是通过研究多类型网络模型上的非均质键渗流过程来完成的，其中节点可以是两种类型之一（戴面具和不戴面具）。我们提供的分析结果准确地预测了预期的流行规模和出现概率作为传播过程特征的函数（例如，传输概率、掩模的向内和向外效率等），戴面具者在人口中的比例，以及潜在的接触网络的结构。除了理论分析之外，我们还对随机网络进行了大量的模拟。我们还评论了这里研究的面具模型和多株病毒传播模型与最近研究的突变Eletreby等人之间的类比。
2020-11-09 cs.SI physics.soc-ph
Latent Viral Marketing, Concepts and Control Methods
Numerus研究社交网络中信息传播的作品包括一种传播机制，其中一组节点最初被感染（即播种），然后是病毒过程，该过程通过网络的节点自发地传播消息。这些模型用于描述谣言的传播以及新产品和服务的传播。然而，在现实中，一个产品或服务仅仅通过病毒式的力量在社交网络中传播是非常罕见的。更常见的是，传播者将投入其销售代表的持续积极努力，以提高传播。潜在病毒式营销模式是一种适合这一现实的传播模式。沿着该模型的描述，本文继续，并提出了一个简单的播种调度算法，它建议在每个周期的节点种子。大量的实证模拟研究表明，在广泛的现实初始条件下，与现有的最先进的播种方法相比，调度播种方法将产品采用率提高了29%-94%。
2017-04-06 cs.SI
Containing Viral Spread on Sparse Random Graphs: Bounds, Algorithms, and Experiments
大型图上的病毒传播有许多实际应用，例如计算机网络中的恶意软件传播和类似Twitter的在线社交网络中的谣言（或错误信息）传播。尽管在传统的易感-传染-扩散模型上已经对大图上的病毒传播进行了深入的分析，但是在实践中仍然缺乏有效的方法来控制一旦超过临界阈值的流行病传播。在此背景下，我们探讨了在大型网络中遏制病毒传播的方法，重点是稀疏随机网络。病毒遏制策略是将大型网络划分为小组件，然后确保跨不同组件传递的所有消息的健全性。有了这样的防御机制，从任何节点开始的流行病传播都只限于与初始感染节点属于同一组件的那些节点。我们建立了检查组件间消息的成本的下限和上界。我们进一步提出了基于几何的方法来划分大的输入图成小的组件。最后，我们研究了我们提出的算法在不同的网络拓扑结构和不同的边权重模型下的性能。
2013-10-07 cs.DM cs.SI math.CO
Covid-19 infodemic reveals new tipping point epidemiology and a revised $R$ formula
许多国家的政府都通过一个简单的信息成功控制了COVID-19的爆发：保持有效的“$R$号码”$R<1$，以防止广泛传染并使曲线变平。这就提出了一个问题，即类似的政策是否可以控制危险的在线信息、错误信息和虚假信息。在这里，我们使用来自COVID-19信息流行病的多平台数据显示，其在线传播相反包含一个不同的动态机制，其中独立平台内和跨平台的社区和用户偶尔在类似的时间尺度上形成临时的活跃链接。这使得可能已经灭绝的物质得以进化甚至变异。这使得已经成功传播仇恨和反疫苗接种材料的利基网络迅速成为全球超级传播者，讲述虚假的COVID-19治疗，反亚洲情绪和阴谋论。我们获得了新的工具，将这些耦合的社会病毒动力学，包括在线$R$，以帮助防止在所有规模的信息流行病传播：从跨平台传播（例如Facebook，4Chan）到在给定的亚群，社区或主题内传播。通过考虑类似的社会和病毒时间尺度，同样的数学理论也提供了其他非常规感染特征的定量描述，如金融市场中的谣言传播和学校中的感冒传播。
2020-08-19 cs.SI nlin.AO physics.soc-ph
Go viral or go broadcast? Characterizing the virality and growth of cascades
量化级联的病毒性是一个跨学科的重要问题，如疾病的传播，信息的传播和创新的传播。一个合适的病毒式传播度量应该能够区分浅层的、广播式的传播过程和深层的、多代的分支过程。虽然已有一些有价值的工作致力于这一领域，其中大多数没有考虑的扩散源的位置，这使得他们陷入图同构的陷阱，并会导致不精确的估计级联病毒性在某些情况下不可避免的。在本文中，我们提出了一个根感知的方法来量化的级联的病毒性适当考虑扩散树中的根节点。与合成和经验级联的应用程序，我们展示了拟议的病毒性措施的性质和潜在的效用。基于优先附着机制，我们进一步引入了一个模型来模拟级联的生长。所提出的模型，使广播和病毒传播之间的插值级联的增长过程中。通过数值模拟，我们证明了所提出的模型的有效性，在表征不断增长的级联病毒。我们的工作有助于理解级联病毒和增长，并可能在一系列政策领域，包括病毒营销，传染病和信息传播提供实际意义。
2022-06-28 cs.SI physics.soc-ph
Computational Models for Commercial Advertisements in Social Networks
识别网络中值得注意的传播者对于理解传播过程和控制网络中传播的范围至关重要。拥有更多内在力量来扩大传播范围的节点非常重要，因为需要各种应用程序，例如病毒式营销，控制谣言传播或更好地了解疾病的传播。作为病毒式营销的一种应用，在固定预算的情况下实现最大化是广告业务的基本要求。分发固定数量的促销物品以最大化病毒覆盖范围可以利用影响者检测方法。为了检测这样的“影响者”节点，存在诸如度中心性（通常用作度内中心性）的局部度量或诸如k壳分解或特征向量中心性的全局度量。所有的方法都可以对图进行排序，但它们都有局限性，并且仍然没有事实上的方法用于该领域的影响者检测。在本文中，我们提出了一个扩展的k-shell算法，更好地利用k-shell分解识别病毒传播节点使用网络的拓扑特征。我们使用易感-感染-传播模型对真实网络中的传播过程进行了模拟，模拟结果表明，在相同的初始传播者数量下，我们的方法可以在同一网络中达到高达36%的人群。
2019-04-30 cs.SI physics.soc-ph
The Role of Masks in Mitigating Viral Spread on Networks
提出基于网络的病毒传播智能体模型，推导关键流行病学量，揭示口罩内外效率权衡及基于度分配策略在疫情不同阶段的作用。
2023-06-06 cs.SI physics.soc-ph
Virality Prediction and Community Structure in Social Networks
网络结构如何影响扩散？最近的研究表明，答案取决于传染的类型。与传染病（简单传染病）不同，复杂传染病受到社会强化和同质性的影响。因此，在高度聚集的社区内的传播得到加强，而在社区之间的传播受到阻碍。一个常见的假设是，模因和行为是复杂的传染。我们表明，虽然大多数模因确实表现得像复杂的传染病，但少数病毒模因会像疾病一样在许多社区传播。我们证明，未来流行的模因可以通过量化其早期传播模式的社区集中度来预测。一个迷因渗透的社区越多，它的病毒性就越强。我们提出了一种实用的方法，将社区结构的数据转化为关于哪些信息将广泛传播的预测知识。这种联系可能会导致计算社会科学，社交媒体分析和营销应用的重大进步。
2013-11-11 cs.CY cs.SI physics.data-an
Exploring Text Virality in Social Networks
FBK-Irst（布鲁诺·凯斯勒基金会-信息技术与认知科学研究所）
本文旨在阐明病毒式传播的概念--特别是在社交网络中--并就其结构提供新的见解。我们认为：（a）病毒式传播是一种与传播内容的性质密切相关的现象，而不是与传播内容的影响者密切相关的现象，（b）病毒式传播是一种具有许多方面的现象，即在这个通用术语下，说服性传播的几种不同效果都包括在内，它们只是部分重叠。为了支持我们的主张，我们在机器学习框架中提供了初步实验，以展示如何根据内容特征独立预测病毒式传播的各个方面。
2012-03-25 cs.CL cs.SI physics.soc-ph
Analysis of the competition among viral strains using a temporal interaction-driven contagion model
社会互动的时间动态被证明会影响疾病的传播。在这里，我们模拟了几种病毒株的进展和竞争条件，探索了时间网络上不同水平的交叉免疫。我们使用我们的相互作用驱动的传染模型和特点，使用它，几个病毒变种。我们的研究结果，在时间随机网络和现实世界的相互作用数据，表明时间动态是至关重要的，以确定竞争的结果。我们考虑两种和三种竞争的病原体，并显示在何种条件下，一个较慢的病原体将保持活跃，并创建第二波感染大多数人口。然后，我们表明，当被认为是持续时间的遭遇，传播动态变化显着。我们的研究结果表明，在考虑空气传播疾病时，考虑时间会议的持续时间来模拟病原体在人群中的传播可能至关重要。
2022-06-10 cs.SI physics.soc-ph stat.AP
Spread of Tweets in Climate Discussions
描述思想在回音室中传播的特征对于理解两极分化是至关重要的。在本文中，我们探讨了2019年诺贝尔和平奖公布前后Twitter上气候变化讨论中流行和病毒式内容的特征，我们发现用户的转发网络被极化为两个分离的活动家和怀疑论者群体。操作流行的转发和病毒式的传播概率推断使用一个独立的级联模型的数量，我们发现，病毒式的主题呼应和流行的主题不同的有趣的方式。最重要的是，我们发现，这两个群体中最具病毒性的主题反映了将社区联系在一起的不同类型的纽带，但两者都能增强内群体的联系，同时排斥外群体的参与。因此，我们的研究从信息传播的角度揭示了气候讨论中回声室的形成和维持。
2021-08-28 cs.SI
Structural Analysis of Viral Spreading Processes in Social and Communication Networks Using Egonets
University of Pennsylvania（宾夕法尼亚大学）；Imperial College（帝国理工学院）
提出基于代数图论和凸优化的数学框架，利用自我中心网络（egonets）约束网络邻接矩阵最大特征值的可能区间，从而分析局部结构对病毒传播动力学的影响。
2012-09-03 cs.DM cs.SI cs.SY
Unraveling the Viral Spread of Misinformation: Maximum-Likelihood Estimation and Starlike Tree Approximation in Markovian Spreading Models
针对网络类流行病传播的源头定位难题，提出结合快照结构与时间数据的最大似然检测算法，辅以星型树近似适配通用图，经多场景验证有效，助力大规模网络溯源与信息传播策略优化。
2024-10-09 cs.SI
SOK: Fake News Outbreak 2021: Can We Stop the Viral Spread?
Tampere University（坦佩雷大学）；Technical University of Denmark（丹麦技术大学）
社交网络的无所不在和易用性已经彻底改变了当今世界信息的生成和分发。然而，容易获得信息并不等于公众知识水平的提高。与传统媒体渠道不同，社交网络还促进了虚假信息和错误信息更快、更广泛的传播。虚假信息的病毒式传播对公众的行为、态度和信仰产生严重影响，最终可能严重危及民主进程。通过早期发现和控制广泛传播来限制虚假信息的负面影响是当今研究人员面临的主要挑战。在这篇调查论文中，我们广泛分析了现有文献中早期发现假新闻的各种不同解决方案。更确切地说，我们研究了机器学习（ML）模型，用于识别和分类假新闻，在线假新闻检测竞赛，统计输出以及一些可用数据集的优点和缺点。最后，我们评估了可用于检测和减轻假新闻的在线网络浏览工具，并提出了一些开放的研究挑战。
2021-05-22 cs.LG cs.SI
Modeling Viral Information Spreading via Directed Acyclic Graph Diffusion
针对现有图扩散仅支持双向传播的局限，提出基于有向无环图（DAG）的扩散模型，利用图嵌入和DAG拉普拉斯矩阵谱性质，准确建模单向病毒式信息传播，并在多种图结构上验证有效性。
2023-12-22 cs.SI eess.SP
Large Social Networks can be Targeted for Viral Marketing with Small Seed Sets
在“小费”模型中，社会网络中的每个节点代表一个个体，如果他的邻居中有一定数量的人之前拥有该财产，那么他就会采取某种行为。病毒式营销者的一个关键问题是确定网络中的初始“种子”集，以便如果给定一个属性，则整个网络采用该行为。在这里，我们介绍了一种快速找到扩展到非常大的网络的种子集的方法。我们的方法找到了一组节点，保证在小费模型下传播到整个网络。在对31个真实世界的网络进行实验评估后，我们发现我们的方法经常发现这样的集合比种群规模小几个数量级。我们的方法也可以很好地扩展-在一个由560万个节点和2800万条边组成的社交网络上，我们在3.6小时内发现了一个种子集。我们还发现，高度聚集的地方社区和密集的网络范围内的社区结构一起抑制了一种趋势的能力，在小费模型下传播。
2013-03-15 cs.SI physics.soc-ph
Prestige bias drives the viral spread of content reposted by influencers in online communities
基于Twitter超5500万帖子和5.2亿次转发的分析，本研究发现高影响力用户的转发能更有效放大内容传播，证明声望偏见驱动了数字社会中的信息扩散。
2025-03-09 cs.CY cs.SI
On the Accuracy of Deterministic Models for Viral Spread on Networks
我们认为，当代理人在一个大的人口相互作用的接触网络的病毒传播的紧急行为。当代理的数量是大的，接触网络是一个完整的图，这是众所周知的，人口行为-也就是说，易感，感染和恢复代理的分数-收敛到一个常微分方程（ODE）的解称为经典SIR模型作为人口规模接近无穷大。相比之下，我们研究了接触网络与通用拓扑结构的相互作用，并推导出人口行为集中在经典SIR模型或其他确定性模型周围的条件。具体来说，我们表明，当大多数顶点度在接触网络是足够大的，人口行为集中在一个常微分方程称为网络SIR模型。然后，我们研究了网络SIR模型的短期和中期演化，并表明，如果接触网络具有扩展器型属性或初始感染集在人口中混合良好，网络SIR模型减少到经典的SIR模型。为了补充这些结果，我们通过模拟说明，这两种模型可以产生截然不同的预测，因此使用经典的SIR模型在某些情况下可能会产生误导。
2021-04-11 cs.MA cs.SI cs.SY
Toward Order-of-Magnitude Cascade Prediction
当一条信息（微博、照片、视频、链接等）当一个社交网络开始传播时，一个重要的问题出现了：它是否会传播到“病毒式”的比例--“病毒式”的定义是数量级的增长。然而，以前的几项研究已经确定，级联的大小和频率是通过幂律相关的-这导致了严重的不平衡，在这个分类问题。在本文中，我们设计了一套基于“结构多样性”的测量方法--参与特定级联的个人所处的各种社会环境（社区）。我们证明这些措施能够区分病毒和非病毒级联，尽管这个问题的数据严重不平衡。此外，我们利用这些测量值作为分类方法中的特征，成功地预测了从50到500次转发的微博，其精确度为0.69，病毒类的召回率为0.52-尽管此类样本不到2%。这明显优于我们的基线方法以及当前的最先进的。我们的工作也展示了我们如何在准确率和召回率之间进行权衡。
2015-08-13 cs.SI physics.soc-ph
Agent-based simulations of emotion spreading in online social networks
对来自在线社交网络的经验数据的定量分析揭示了情感参与的群体动态（Šuvakov et al）。然而，充分了解其内在机制仍然是一项具有挑战性的任务。利用基于Agent的计算机模拟，本文研究了在线社交网络中情感交流的动力学。从\texttt{MySpace}社会网络的经验数据集出发，得到了指导主体如何交互的规则，并推导出了现实的网络结构和一些重要的参数。Agent的情绪状态由两个变量表征，一个是对刺激的反应性，另一个是吸引力或厌恶度，通过这两个变量可以定义常见的情绪。代理人的行动是由增强的唤醒触发的。高分辨率的动态实现，其中每个消息携带代理的情绪沿网络链路被确定，其对接收代理的影响被认为是不断老化的时间。我们的研究结果表明：（i）聚合的群体行为可能产生于个体的情感行为;（ii）集体状态的特点是时间的相关性和占主导地位的积极情绪出现，类似于经验系统;（iii）驱动信号的性质--用户进入网络世界的速度，对建立连贯的行为有深远的影响，这是观察到的用户在在线社交网络。此外，我们的模拟表明，情绪的传播模式不同，例如，“热情”和“惭愧”，这两个词的情感内涵完全不同。{ \bf {本研究中使用的所有数据均完全匿名。}}
2012-05-29 cs.SI physics.soc-ph
Viral Misinformation: The Role of Homophily and Polarization
在在线社交网络（OSN）上无意或有意传播未经证实的谣言（例如，出于政治原因，甚至是拖钓）可能会产生严重后果，例如最近关于埃博拉病毒的谣言对卫生保健工作者造成了干扰。在这里，我们表明，旨在量化信息消费模式的指标可能会提供有关虚假声明的病毒式传播的重要见解。特别是，我们通过分析120万Facebook意大利用户消费不同（和相反）类型的信息（科学和阴谋新闻）的样本，解决了内容流行背后的驱动力。我们发现，用户对不同内容的参与与具有相似消费模式（同质性）的朋友数量相关，这表明社交网络中某些类型的内容更有可能传播的区域。然后，我们测试扩散模式的外部样本的$4,709$故意讽刺的虚假声明，既不存在枢纽（结构属性），也不是最活跃的用户（影响者）是普遍的病毒现象。相反，我们发现，在一个错误信息无处不在的环境中，用户围绕共同信念的聚集可能会使通常暴露于阴谋故事（两极分化）成为虚假信息传播的决定因素。
2014-11-11 cs.CY cs.SI physics.soc-ph
On the Role of Conductance, Geography and Topology in Predicting Hashtag Virality
我们专注于标签早期传播的三个方面，以预测它是否会像病毒一样传播：用户推文标签的子集的网络属性，它的地理属性，以及最重要的是，它的行为相关属性。我们的一个重要贡献是发现基于电导的特征对成功预测病毒性所起的关键作用。更具体地说，我们表明电导的一阶导数给出了标签是否会病毒式传播的早期指示。我们提出了一个详细的实验评估的影响，我们的各种类别的功能的病毒式预测任务。与文献中提出的基线和最先进的技术相比，我们的特征集能够在一个月内的770万用户及其所有推文的大型数据集以及现有数据集上实现更好的准确性。
2015-04-21 cs.SI physics.soc-ph
A centrality measure for quantifying spread on weighted, directed networks
针对加权有向网络传播场景，本文基于独立级联模型提出 Viral Centrality，并用加权邻接矩阵主特征值刻画其近似条件，实验表明其优于常见中心性指标。
2023-03-16 cs.SI physics.soc-ph
Toward Early and Order-of-Magnitude Cascade Prediction in Social Networks
当一条信息（微博、照片、视频、链接等）当社交网络开始传播时，一个重要的问题出现了：它是否会传播到病毒式的比例-其中病毒式可以定义为数量级的增长。然而，以前的几项研究已经确定，级联的大小和频率是通过幂律相关的-这导致了严重的不平衡，在这个分类问题。在本文中，我们设计了一套基于结构多样性的测量方法-各种社会背景（社区）中，参与给定级联的个人参与。我们证明这些措施能够区分病毒和非病毒级联，尽管这个问题的数据严重不平衡。此外，我们利用这些测量值作为分类方法中的特征，成功地预测了从50到500次转发的微博，其精确度为0.69，病毒类的召回率为0.52-尽管此类样本不到2%。这显著优于我们的基线方法以及当前最先进的方法。我们还表明，这种方法在识别观察60分钟的级联是否会增长到500次转发方面也表现良好，并演示了我们如何在精度和召回率之间进行权衡。
2016-08-08 cs.SI physics.soc-ph
Remote Sensing to Control Respiratory Viral Diseases Outbreaks using Internet of Vehicles
呼吸道病毒性疾病，如由冠状病毒家族引起的疾病，传染性极强，通过咳嗽、打喷嚏或呼吸产生的唾液飞沫传播。在人类中，最常见的感染症状包括发烧和呼吸困难。为减少当前“2019冠状病毒病（COVID-19）”大流行的扩散，物联网（IoT）技术可发挥重要作用;例如，它们可有效用于在城市规模实施实时患者跟踪和预警系统。安装跟踪物联网设备的关键位置是公共/私人车辆，这些车辆通过多种连接解决方案增强，可以实现车联网（IoV）模式。在这样一个无处不在的网络环境中，车辆配备了各种传感器，包括可以用热成像相机取代的常规相机。因此，本文提出了一种广泛检测呼吸道病毒性疾病的新设计，该设计利用车联网收集行人的实时体温和呼吸率测量值。这些信息可用于识别受可能的COVID-19病例影响的地理区域，并实施积极的预防策略，进一步限制疾病的传播。
2020-08-13 cs.SI eess.SP physics.soc-ph
The Virality of Hate Speech on Social Media
本文基于X平台25,219个级联数据，利用广义线性回归分析仇恨言论与正常内容的传播差异，发现认证用户发布的仇恨内容具有显著更高的病毒式传播特征。
2024-11-25 cs.SI
"COVID-19 was a FIFA conspiracy #curropt": An Investigation into the Viral Spread of COVID-19 Misinformation
Cornell University（康奈尔大学）
传染性致命疾病COVID-19的爆发表明，大流行病以两种方式袭击公共卫生：第一，来自传染病本身，第二，来自怀疑和耻辱的瘟疫。现在，我们的手中和手机上爆发了一场道德争议。现代社会对社交媒体的依赖不仅方便了人们进入疫苗诊所和测试地点，而且也更频繁地让人们对“COVID-19是国际足联的阴谋”做出了令人费解的解释。麻省理工学院媒体实验室发现，假新闻“比真相传播得更远，更快，更深，更广，在所有类别的信息中，并且是一个数量级”[2]。问题是，错误信息的传播如何与身体流行病相互作用？在本文中，我们使用自然语言处理模型估计错误信息对COVID-19大流行的影响程度，并提供一种策略来打击可能造成广泛伤害的社交媒体帖子。
2022-06-12 cs.CL cs.CY cs.SI
On the statistical properties of viral misinformation in online social media
在线社交媒体的大规模传播使得阴谋论、恶作剧、未经证实的说法和虚假新闻迅速而不受控制地传播。如此大量的错误信息可能会影响政策偏好，并鼓励与建议做法截然不同的行为。在本文中，我们研究了在线社交媒体中病毒式错误信息的统计特性。通过属于极值理论的方法，我们表明，随着时间的推移，极端病毒帖子的数量遵循齐次泊松过程，并且这些帖子之间的到达时间是独立和同分布的，遵循指数分布。此外，我们还通过贝叶斯方法刻画了泊松过程速率参数的不确定性。最后，我们能够推导出在有限的时间间隔内超过一定阈值的帖子数量的预测后验概率分布。
2016-09-29 cs.SI physics.soc-ph stat.AP
How Do Emotions Spread And Affect Decision-Making In Social Networks? An Opinion Dynamics Perspective
Indian Institute of Technology Kanpur（坎普尔印度理工学院）
该研究从观点动力学视角，提出基于环模型和拉普拉斯流的情感建模框架，揭示情感传染使相似情感智能体达成共识，进而产生观点共识、极化等行为，并通过数据集验证了相关发现。
2026-10-16 cs.SI cs.SY eess.SY
Local structure can identify and quantify influential global spreaders in large scale social networks
测量和优化大数据在线社交网络中节点的影响力对于许多实际应用非常重要，例如病毒式营销和新产品的采用。由于社交网络上的病毒传播是一个全球性的过程，人们普遍认为，衡量节点的影响力不可避免地需要整个网络的知识。运用渗流理论，我们表明，扩散过程显示出成核行为：一旦一条信息从种子扩散到超过一个小的特征数量的节点，它到达一个不归点，并将迅速到达渗流集群，无论整个网络结构，否则扩散将被包含在本地。因此，我们发现，没有整个网络的知识，任何节点的全球影响力可以准确地衡量使用这个特征数，这是独立的网络规模。这激发了一个有效的算法，具有恒定的时间复杂度的长期存在的问题，最佳种子传播器的选择，与性能显着接近真正的最优。
2018-07-30 cs.CY cs.DS cs.SI
Emotional Framing in the Spreading of False and True Claims
网上虚假信息的爆炸性增长，如虚假索赔，影响了在线用户的社会行为。为了具有说服力和误导观众，虚假的说法是为了引发观众的情绪。本文通过调查索赔作者试图为受众创造的情感框架，有助于理解社交媒体中的错误信息是如何形成的。首先，我们研究了情感框架在索赔中的存在如何取决于索赔的主题和可信度。其次，我们探讨了情感框架内容如何触发社交媒体用户的情感回应帖子，以及声明和相应用户的回应帖子中表达的情感如何影响他们在社交媒体上的分享行为。对涵盖不同主题（政治、健康、叙利亚战争和COVID-19）的四个数据集的分析表明，作者根据主题领域来塑造他们的主张，以将有针对性的情感传递给他们的受众。通过分析索赔的反应，我们表明，索赔的可信度会影响索赔煽动观众的情绪分布。此外，我们的分析表明，在索赔中表达的情感在用户的反应中重复。最后，对用户分享行为的分析表明，虚假声明的愤怒、恐惧和悲伤等负面情绪框架比正面情绪导致用户之间更多的互动。这项分析还表明，在引发快乐反应的索赔中，与虚假索赔相比，真实索赔导致更多的分享。
2023-03-29 cs.SI
Affective Polarization and Dynamics of Information Spread in Online Networks
本文通过量化社交媒体回复互动中的情绪与毒性，揭示情感极化如何随网络距离变化，并影响信息在不同群体中的传播动力学。
2024-05-07 cs.SI physics.soc-ph
Anger makes fake news viral online
操纵政治选举、打击金融系统、甚至煽动骚乱的假新闻比网上的真实新闻更具有病毒性，导致社会不稳定和民主受到冲击。网上假新闻更容易传播，可以用它携带的更大愤怒来解释。在Twitter和微博中的相同结果表明，该机制是独立于平台的。此外，情绪的突变，如愤怒的增加，会逐渐加快信息的传播。具体来说，在微博数据集中增加0.1的愤怒占据和减少0.1的喜悦占据将产生近6个转发。离线问卷调查显示，愤怒导致更多的激励观众在焦虑管理和信息共享方面，因此使假新闻比真实新闻更具传染性。可以实施在社交媒体上标记愤怒等治疗方法，以减缓或防止假新闻在源头的传播。
2020-08-27 cs.CY cs.SI
The spread of low-credibility content by social bots
Indiana University, Bloomington（印第安纳大学）
研究通过分析2016年美国大选期间推特上的40万篇文章传播数据，发现社交机器人在放大低可信内容中扮演了关键角色，且人类用户易受其影响转发低可信内容。
2018-05-24 cs.CY cs.SI physics.soc-ph
Evolution of the digital society reveals balance between viral and mass media influence
在线社交网络（OSN）使研究人员能够以前所未有的规模研究社会世界。世界范围的影响和维持其快速增长的必要性突出了揭示其演变规律的重要性。我们提出了一个定量的双参数模型，再现了整个拓扑演化的准孤立OSN与前所未有的精度从网络的诞生。这使我们能够精确地测量所涉及的基本宏观和微观机制。我们的研究结果表明，真正的预先存在的潜在社会结构，病毒传播机制和大众媒体的影响力之间的耦合控制OSN的演变。我们的模型的实证验证，在宏观尺度上，揭示了病毒性是四到五倍强于大众媒体的影响力，在微观尺度上，个人有较高的订阅概率，如果邀请较弱的社会联系，在协议的“弱关系的强度”范式。
2014-05-12 cond-mat.dis-nn cs.SI physics.comp-ph
Higher contagion and weaker ties mean anger spreads faster than joy in social media
越来越多的证据表明，与面对面的交流类似，人类的情感也会在网络社交媒体中传播。然而，这种情绪传染的机制，例如，不同的感觉是否以不太可能的方式传播，或者情绪的传播如何与社交网络相关，很少被研究。事实上，由于成本高和时空的限制，探索这一主题是具有挑战性的使用传统的问卷调查或控制实验。因为它们是大量个体的自然情感反应的收集点，在线社交媒体网站为从计算社会科学的角度解决这个问题提供了一个理想的代理。本文基于对微博中数百万条推文的分析，令人惊讶的是，我们发现愤怒比喜悦更具传染性，这表明它可以引发更多愤怒的后续推文。此外，关于在社交网络中的传播，愤怒比喜悦更容易沿着较弱的联系传播，这意味着它可以渗透到不同的社区，摆脱当地的陷阱，因为陌生人更经常分享这些内容。通过一个简单的扩散模型，我们发现，更大的传染和较弱的关系功能合作，以加快愤怒的传播。具有不同主导情绪的真实世界事件的扩散为研究结果提供了进一步的证据。据我们所知，这是第一次提出定量的长期证据，揭示了喜悦和愤怒传播机制的差异。我们的研究结果揭示了人类交流中的个人愤怒管理和控制网络空间中的集体愤怒。
2016-12-26 cs.SI physics.soc-ph
Limited individual attention and online virality of low-quality information
社交媒体是一个巨大的市场，在那里，想法和新闻争夺我们的注意力。先前的研究表明，质量不是网络病毒式传播的必要条件，关于同伴选择的知识会扭曲质量和流行度之间的关系。然而，这些结果并不能解释低质量信息的病毒式传播，比如威胁我们民主的数字错误信息。我们调查质量歧视的程式化模型的在线社交网络，个人代理更喜欢高质量的信息，但在管理大量的信息流的行为限制。我们衡量一个想法的质量和它在系统层面上流行的可能性之间的关系。我们发现，信息过载和有限的注意力有助于在市场的歧视力退化。根据该模型，区分能力和信息多样性之间的良好折衷是可能的。然而，在真实的社交媒体中，用表征信息负载和有限注意力的经验数据进行校准，揭示了信息质量和受欢迎程度之间的弱相关性。在这些现实条件下，该模型预测，高质量的信息比低质量的信息几乎没有优势。
2019-01-10 cs.SI physics.soc-ph
Predicting Viral Rumors and Vulnerable Users for Infodemic Surveillance
School of Computing and Information Systems, Singapore Management University（新加坡管理大学计算与信息系统学院）
本文提出统一图神经网络模型，通过预训练用户嵌入、交叉注意力与社区增强易感性传播方法，结合多任务训练策略，联合预测病毒式谣言与易感用户，并在自建数据集上验证其在三项任务中优于基线，为信息疫情监测提供有效工具。
2024-01-18 cs.CL cs.SI
Global Patterns of Viral Content on WhatsApp
本文通过分析印度、印尼和哥伦比亚私人WhatsApp群组的数百条病毒式消息，首次进行跨文化分类，发现不同文化背景下群组类型、病毒式内容（含政治宗教叙事及频繁被辟谣的错误信息）传播模式相似，为数字通信生态及平台策略研究奠基。
2025-04-15 cs.SI
Scalable prediction of global online media news virality
新闻报道塑造了公众对世界各地重大社会、政治和经济事件的看法。然而，新闻报道中涌现现象的方式使得对这些现象的早期预测成为一项具有挑战性的任务。我们提出了一个可扩展的基于社区的概率框架，以模拟在网络媒体中的事件的新闻传播。我们的方法利用全球新闻媒体中潜在的社区结构，并利用早期采用者与各种社区的联系来识别在新闻传播的早期阶段广泛报道的事件。我们的方法的时间复杂度是线性的新闻报道的数量。它也适合于高效的并行化。为了证明这些功能，推理算法并行消息传递范式和测试的RPI高级多处理优化系统（AMOS），在世界上最快的蓝色基因/Q超级计算机之一。由于早期采用者的社区级功能，与基于特征的机器学习算法相比，该模型在早期检测最大规模报告事件方面提高了20%。其并行化方案实现了数量级的加速比。
2018-12-23 cs.SI
Dissecting the Meme Magic: Understanding Indicators of Virality in Image Memes
尽管图像模因扮演着越来越重要的角色，但我们还没有对可能使模因在社交媒体上传播的元素有一个坚实的理解。在本文中，我们研究了什么视觉元素区分图像模因是高度病毒性的社交媒体上的那些没有得到重新分享，在三个维度：组成，主题和目标受众。借鉴艺术理论、心理学、市场营销和神经科学的研究成果，我们开发了一个描述图像模因特征的码本，并用它来注释从4chan的Politically Incorrect Board（/pol/）中收集的100个图像模因。一方面，我们发现高病毒性模因更可能使用特写比例，包含人物，并包含积极或消极的情绪。另一方面，不呈现观众可以集中注意力的清晰主题或包含长文本的图像模因不太可能被用户重新共享。我们训练机器学习模型，以区分可能传播的图像模因和那些不太可能被重新分享的图像模因，在我们的数据集上获得了0.866的AUC。我们还表明，我们的模型识别的病毒性指标也可以帮助描述主流在线社交网络上发布的最具病毒性的模因，因为我们的分类器能够预测2016年至2018年间Twitter和Reddit上发布的20个最受欢迎的图像模因中的19个。总的来说，我们的分析揭示了哪些指标表征了在线病毒式和非病毒式视觉内容，并为开发更好的技术来创建或调整更有可能吸引观众注意力的内容奠定了基础。
2021-01-16 cs.CY cs.HC cs.SI
The Message or the Messenger? Inferring Virality and Diffusion Structure from Online Petition Signature Data
Goel et al.（2016）研究了Twitter的传播数据，得出的结论是，在线请愿比其他类型的内容更具病毒性。他们对结构性病毒式传播的定义，即衡量传播遵循广播模型或在人与人之间传播（病毒式）的程度，取决于对扩散级联拓扑结构的了解。但通常不能直接观察到扩散结构。我们检查了来自奥巴马白宫的We the People请愿平台的时间戳签名数据。我们开发了基于时间动态的措施，我们认为，可以用来推断扩散结构以及更内在的概念，有时被称为传染性的病毒性。这些措施表明，成功的请愿书很可能是更高的内在和结构病毒比不成功的请愿书。我们还调查了挑战简单传染模型的请愿书签名的阈值效应，并报告了与我们的数据一致的理论模型的模拟。
2017-08-11 cs.CY cs.SI stat.AP
Co-evolution of Viral Processes and Structural Stability in Signed Social Networks
Nazarbayev University（纳扎尔巴耶夫大学）；University of Tehran（德黑兰大学）；PSG College of Technology（PSG理工学院）
该研究聚焦带符号社交网络，基于Heider平衡理论构建能量模型，耦合流行病动力学与网络结构平衡，分析负向链路的作用，并通过真实数据集与高效算法验证了用户意识和初始设置对网络结构平衡的影响。
2022-07-26 cs.SI math.DS
Spreading dynamics in complex networks
在复杂网络中寻找有影响力的传播者是一个具有重要意义的问题，可以应用于各个领域，从流行病控制，创新扩散，病毒式营销，社会运动到思想传播。在本文中，我们首先展示了一些最重要的理论模型，描述了传播过程，然后分别讨论了定位个人和多个有影响力的传播者的问题。这两个主题的最新方法。为了识别特权单传播者，本文总结了几种广泛使用的中心性，如度中心性、介数中心性、PageRank、k-shell等。有了这个广泛的数据集，我们发现各种措施可以传达非常不同的节点信息。在LiveJournal社交网络的所有用户中，只有一小部分参与传播。对于LiveJournal中的传播过程，度可以以更高的概率定位参与信息扩散的节点，而k壳在发现影响力大的节点时更有效。我们的研究结果应该提供有用的信息，在现实中设计有效的传播策略。
2013-12-22 cs.SI physics.soc-ph
A Viral Timeline Branching Process to study a Social Network
生物启发的范例被证明是有用的，在分析传播和网络中的信息传播。在本文中，我们将探讨使用多类型的分支过程来分析社交网络中的内容的病毒属性，有和没有来自其他来源的竞争。我们推导和计算各种病毒式传播的措施，例如，病毒式传播的概率、预期份额数量或预期份额数量的增长率等。它们允许人们预测全局宏观属性的出现（例如，帖子在整个网络中的病毒式传播）与确定局部交互的规律和参数之间的关系。本地交互在很大程度上取决于保存内容的时间线的结构和朋友的数量（即，连接）的网络用户。然后，我们制定了一个非合作对策的问题，并研究了纳什均衡作为一个函数的参数。竞争下的社会网络的分支过程是可分解的，多类型的和连续的时间变量。对于这样的进程类型属于不同的子类以不同的速度发展，并有不同的灭绝概率等，我们计算内容提供商明智的灭绝概率，增长率等，我们还推测内容提供商明智的增长率预期的份额。
2019-12-31 cs.SI math.PR
Branching Process with Attack: Viral Competing Markets
在线社交网络（OSN）上广告的显著增加使得内容传播的研究成为必要。我们分析了病毒式市场与内容提供方竞争的传播类似的职位在OSN。为此，我们需要一个新的分支过程（BP）的变体，我们将其命名为“攻击分支过程”;唤醒后的实体试图攻击并获取相反的种群;此外，每个实体都会产生其后代，正如通常在BP中所考虑的那样。除了为个别员额的增长率、二分法等提供表述外，我们探讨了帖子的共存;竞争性内容能否在网络上同时传播和爆炸（两个帖子的未读/实时副本数量随时间显著增长）？我们证明了一个或两个人口/职位灭绝或人口解决到一个唯一的共存平衡，并得出相应的渐近比的两个人口/职位。我们的分析适用于大型人口网络，专注于大众行为，而不是微观细节。我们的研究提供了两个关键设计方面的见解，种子用户的数量和帖子的质量。
2020-12-05 cs.SI
Defending Democracy: Using Deep Learning to Identify and Prevent Misinformation
Microsoft（微软）；University of Washington（华盛顿大学）
近年来，网上错误信息的增加通过扭曲真实的公共话语，造成混乱、恐惧，甚至在极端情况下造成暴力，威胁着民主国家。有必要了解虚假内容通过在线网络的传播，以便制定干预措施，在错误信息达到病毒式传播之前将其破坏。使用深度双向Transformer语言理解（BERT）和传播图，这项研究分类和可视化的传播错误信息的社交媒体网络使用公开的Twitter数据。结果证实了之前关于用户集群和虚假内容病毒式传播的研究，同时提高了深度学习模型用于错误信息检测的精度。该研究进一步证明了BERT为虚假信息检测提供可扩展模型的适用性，这有助于开发更及时，更准确的干预措施，以减缓在线环境中错误信息的传播。
2021-06-03 cs.AI cs.CL cs.LG
An influencer-based approach to understanding radical right viral tweets
The Alan Turing Institute（艾伦图灵研究所）；MASCI, University of Limerick（利默里克大学MASCI）
激进的右翼影响者经常使用社交媒体传播高度分裂，破坏性和反民主的信息。评估和应对此类内容构成的挑战对于确保在线空间保持开放、安全和可访问至关重要。以前的工作很少关注理解与病毒式传播的激进右翼内容相关的因素。我们使用一个新的数据集ROT来调查这个问题，该数据集提供了对一组35个激进右翼影响者的内容，参与度和追随者的深入了解。它包括超过50，000个原始条目和超过4000万条转发、引用、回复和提及。我们使用一个多层次模型来衡量参与与推文，这是嵌套在每个影响者。我们发现，至关重要的是要考虑影响者层面的结构，并找到影响者和内容层面因素的重要性的证据，包括每个影响者的粉丝数量，内容类型（原始帖子，引用和回复），内容的长度和毒性，以及影响者是否要求转发。我们提供ROT供其他研究人员使用。
2021-09-15 cs.CL cs.SI
Modeling the dynamical interaction between epidemics on overlay networks
流行病很少作为孤立的现象发生。通常，两种或更多种病毒因子在同一宿主群体内传播，并且可以动态地彼此相互作用。我们提出了一个一般模型，其中两个病毒代理通过免疫机制相互作用，因为它们同时在连接同一组节点的两个网络上传播。利用传播动态和动态过程之间的对应关系进行渐进的网络生成，我们开发了一种分析方法，准确地捕捉覆盖网络上的流行病之间的动态相互作用。该形式主义允许覆盖网络具有任意的联合度分布和重叠。为了说明我们的方法的多功能性，我们考虑了一个假设的延迟干预的情况下，免疫剂在宿主人群中传播，以阻止传播的不良代理（如预防信息的传播，在一个新出现的传染病的背景下）。
2011-06-24 cond-mat.stat-mech cs.SI physics.soc-ph
An Analytical Emotion Framework of Rumour Threads on Social Media
University of Edinburgh（爱丁堡大学）
本文提出一个多方面情绪检测框架，分析谣言与非谣言线的情绪差异，揭示谣言引发负面情绪而非谣言引发正面情绪，并通过因果分析揭示情绪传播机制。
2025-05-13 cs.AI cs.CL cs.SI
Popular Topics Spread Faster: New Dimension for Influence Propagation in Online Social Networks
在线社交网络（Online Social Network，OSN）的信息传播速度快，成为病毒式营销的重要平台。尽管在过去的十年中，OSN中的病毒式营销相关问题已经得到了广泛的研究，但现有的工作都假设已知的传播速率，并且无法解决流行主题的速率可能动态增加的情况。在本文中，我们提出了一种新的模型，动态影响传播（DIP），它允许传播速率的变化过程中的扩散，可以用来描述信息传播在OSN更真实。在DIP的基础上，我们定义了一个新的研究问题：DIP下的阈值激活问题（TAP-DIP）。TAP-DIP比TAP更一般化，可用于DIP模型的研究。然而，它在已经存在的P-hard TAP问题上又增加了一层复杂性。尽管它的硬度，我们能够近似TAP-DIP与$O(\log|V|)$的比例。我们的解决方案包括两个主要部分：1）Lipschitz优化技术和2）一个新的解决方案的一般版本的TAP，多TAP问题。我们使用各种真实的OSN数据集对我们的解决方案进行了实验测试，并证明了我们的解决方案不仅在知道速率增加时生成高质量但小得多的种子集，而且具有可扩展性。此外，考虑DIP与否对结实率的选择有显著影响。
2017-08-25 cs.SI
Information Spread in a Connected World
在接下来的工作中，我们比较了通过口碑传播（WOM）和通过搜索引擎传播的信息。我们假设对新信息的最初认可来自社会互动，但只有通过搜索引擎进行进一步评估后才能形成可靠的意见。搜索引擎可以被看作是连接相关网站中呈现的信息与搜索者的中心枢纽。由于它们在每次查询中都会在搜索者和信息之间建立新的连接，因此网络结构的相关性较低。[1][2][3][4][5][6][7][8][9][10][11][12][13]虽然病毒式传播思想的模型在许多以前的作品中已经被考察过[1][2][3][4][5][6][7][8][9][10][11][12][13]，但只有很少的人认为接受一个新概念完全是基于对他人意见的评价[8][5]。根据这种方法，结合阈值信息传播模型[1]，该模型声称只有当邻居的阈值持有意见时，网络中的传播才会发生，所提出的工作增加了一个新的理论视角，与日常使用的搜索引擎作为主要的信息搜索工具有关。我们继续提出一些理由的基础上experimentations。最后，我们讨论了过度使用搜索引擎与口碑的可能结果，并提出了一个假设，这种过度使用实际上可能会缩小集体信息集。
2014-06-29 cs.SI physics.soc-ph
Diffusion of Community Fact-Checked Misinformation on Twitter
社交媒体上错误信息的传播是一个紧迫的社会问题，平台，政策制定者和研究人员继续努力解决。作为一种对策，最近的作品提出在人群中雇用非专家的事实检查员来检查社交媒体内容。虽然实验研究表明，群体可能能够准确地评估社交媒体内容的真实性，但人们对群体事实核查（错误）信息传播的理解却缺失了。在这项工作中，我们实证分析了社交媒体上误导性与非误导性社区事实核查帖子的传播。为此，我们采用了一个数据集的社区创建的事实检查，从Twitter的观鸟飞行员和映射到Twitter上的再共享级联。与早期分析第三方事实核查网站上列出的错误信息传播的研究不同（例如，Snopes），我们发现，社区事实核查的错误信息是不太病毒。具体来说，误导性帖子的转发量估计比非误导性帖子少36.62%。部分原因可能在于事实检查目标的差异：社区事实检查员倾向于对来自有许多追随者的有影响力的用户帐户的帖子进行事实检查，而专家事实检查则倾向于针对影响力较小的用户共享的帖子。我们进一步发现，不同类型的错误信息（例如，事实错误，缺少上下文，操纵媒体）。此外，我们进行了一项用户研究，以评估（现实世界）社区创建的事实检查的感知可靠性。在这里，我们发现用户在很大程度上同意社区创建的事实检查。总而言之，我们的研究结果提供了关于误导性与非误导性帖子如何传播的见解，并强调了在研究社交媒体上的错误信息时样本选择的关键作用。
2023-03-24 cs.SI
