Modelling and analysing relations between entities using the multi-agents and social network approaches
在这项工作中，使用社会网络分析和多智能体系统的方法分析实体之间的社会关系的系统的概念。在我们感兴趣的领域中，以下问题尤其突出：确定特定社会中最有影响力的个人，确定特定个人在该社会中所扮演的角色，以及承认相互之间有着密切联系的个人群体。对于这些问题的分析，选择两个应用领域：关于电话的数据分析和互联网博客的分析。
2013-03-25 cs.MA cs.SI physics.soc-ph
Modelling Structured Societies: a Multi-relational Approach to Context Permeability
社会关系的结构是构建合理的模拟场景的基础。它塑造了行为者在重叠的社会背景下互动和创造身份的方式。每个行动者在构成其社会空间的不同类型的社会关系中的多种背景下进行互动。在这篇文章中，我们提出了一种方法来建模结构化代理社会与多个共存的社交网络。我们研究了上下文渗透性的概念，使用一个游戏中，代理试图实现全球共识。我们设计并分析了两种不同的渗透率模型。在第一个模型中，代理同时在多个社交网络中交互。在第二个，我们引入了上下文切换机制，增加了一个动态的时间组件，代理在模型中的相互作用。代理在不同的网络之间切换，在每个网络中花费或多或少的时间。我们比较了这些模型，并分析了不同的社交网络的收敛速度的共识的影响。我们进行了一系列的实验，显示不同的配置共存的社交网络的影响。这种方法揭示了当前建模方法的局限性和复杂社会空间模拟的可能研究方向。
2015-07-14 cs.MA cs.SI physics.soc-ph
On neighbourhood degree sequences of complex networks
网络拓扑是网络科学的一个基本方面，它使我们能够深入了解我们所居住的世界的复杂关系架构。我们提供了第一个具体的研究复杂网络中的邻域度序列。我们考虑如何明确地描述重要的物理概念，如相似性，异质性和组织在这些序列中，以及更新的概念层次复杂性，以反映以前未被注意的组织原则。我们还指出，邻域度序列与一个强大的子树核无标号图分类。我们研究了这些新定义的序列属性在一个全面的数组的图形模型和超过200个现实世界的网络。我们发现，这些指数既不高度相关，彼此也不与经典的网络指数。重要的是，我们发现各种各样的真实世界网络的序列比给定度分布的网络具有更大的相似性和组织性。值得注意的是，虽然生物、社会和技术网络都表现出一贯的大邻域相似性和组织性，但层次复杂性并不是现实世界网络的一贯特征。邻域度序列是描述复杂网络独特而重要的特征的一个有趣的工具。
2019-05-08 cs.SI physics.soc-ph
The role of conformity in opinion dynamics modelling with multiple social circles
本研究针对传统单层从众观点建模的局限，提出支持个体在不同社交圈表达不同连续观点的从众模型，扩展权威、观点开放性等影响要素，验证仅单纯从众会引发观点趋同。
2024-03-07 cs.SI physics.soc-ph
Self-Organised Criticality and Emergent Hyperbolic Networks -- Blueprint for Complexity in Social Dynamics
基于人类努力的在线社会动力学表现出突出的复杂性，出现了新的特征，体现在集体社会价值观的出现。大量的经验数据收集在各种网站提供了一个独特的机会，定量研究的基本社会动力学在完全类比的复杂系统在物理实验室。在这里，我们简要地描述了这些类比的程度，并指出了其他科学学科的方法，物理学理论可以结合提供足够的描述人类实体和他们的自我组织的原则。我们展示了两个例子，使用经验数据的知识创造过程中的在线聊天和问答的方法。准确地说，我们描述的自组织临界作为社会知识共享动态的作用机制，并证明了这些随机过程的基础上的共同进化网络的双曲几何的出现。
2018-09-05 cs.SI physics.soc-ph
Modelling the transmission dynamics of online social contagion
在2014-15年期间，有几次基于提名的在线社交传染病爆发。这些感染是通过社交媒体上的帖子从一个人传播到另一个人的，包括“neknomination”，“冰桶挑战”，“不化妆自拍”等游戏，以及Facebook用户重新发布他们的第一张个人资料照片。拟合传染病传播的数学模型，以爆发这四场比赛在英国，我估计的基本繁殖数，$R_0$，每种感染的世代时间。在四次暴发中，$R_0$的中位数估计值为1.9-2.5，估计世代时间为1.0 - 2.0天。使用来自澳大利亚的样本外数据进行的测试表明，该模型具有合理的预测能力，在澳大利亚的四个数据集上，$R^2$值在0.52-0.70之间。此外，相对较低的感染基本繁殖数表明，在基于提名的游戏中，只有48-60%的指数病例可能随后产生重大爆发。
2016-01-31 cs.SI physics.soc-ph
Agent-Based Modelling Meets Generative AI in Social Network Simulations
本文提出利用大语言模型赋能的智能体，根据用户兴趣和人格模拟社会网络用户，并通过2020年美国大选Twitter数据验证其能准确复现真实用户行为，揭示偏好推荐会促进回音室形成。
2024-11-25 cs.MA cs.SI
Modelling the Behavior Classification of Social News Aggregations Users
本文论述了实际的模糊逻辑方法建模的社会新闻聚合用户的行为分类。探讨了基于社会新闻聚合的社区信息内容结构的特点。本文提出了一种社会新闻聚合模型的形式化模型，该模型基于对社会新闻聚合特征的模糊测度，包含了社会新闻聚合的用户。开发了用户行为分类方法和构建社会新闻聚合部分和讨论的方法。提出了确定社会新闻聚合用户主要特征的方法：主动性、创造性、吸引力、反应性、忠诚度。提出了一种定义社会新闻聚合用户特征和分类的方法。
2019-09-04 cs.CY cs.SI
A survey on modelling of infectious disease spread and control on social contact networks
尽管根据世界卫生组织（WHO）的报告，每年约有420万人因传染病而死亡，但传染病是对人类社会的重大威胁，在COVID-19发生之前，人类社会被忽视了。由于最近的COVID-19疫情，于二零二零年有超过200万人死亡，96. 2百万人受到这种毁灭性疾病的影响。最近的研究表明，通过模拟传染病在社会接触网络上的传播，应用个人互动和移动数据可以帮助管理大流行病。传染病的传播可以用扩散过程的理论和方法来解释，扩散过程是网络系统上的一种动态现象。在扩散过程的建模中，假设具有传染性的物品通过节点间的相互作用在网络系统中扩散。这类似于传染性病毒的传播，例如COVID-19在人群中通过个人社交互动传播。扩散过程的演化行为强烈地受到下垫面系统的特性和扩散过程本身的机制的影响。因此，传染病的传播可以用人与人之间的相互作用和疾病本身的特征来解释。本文介绍了传染病传播模型中扩散过程的相关理论和方法。
2021-02-03 cs.SI physics.soc-ph q-bio.PE
Modelling Human Mobility considering Spatial,Temporal and Social Dimensions
人类流动性建模在多个领域至关重要，从城市规划到流行病建模、交通预测和假设分析。一方面，现有的模型主要侧重于再现人的流动性的空间和时间维度，而社会方面，虽然它影响人的运动显着，往往被忽视。另一方面，那些捕捉人类流动的一些社会方面的模型具有琐碎和不切实际的空间和时间机制。在本文中，我们提出了STS-EPR，一个建模框架，嵌入的机制来捕捉空间，时间和社会方面在一起。我们的实验表明，STS-EPR优于现有的时空或社会模型上的一组标准的移动性指标，它可以使用有限的信息量没有任何重大损失的现实。STS-EPR是开源的，并在开放数据上进行了测试，它是朝着设计能够全面捕捉人类移动性所有方面的机械模型迈出的一步。
2020-07-05 cs.SI stat.AP
SocialBERT -- Transformers for Online SocialNetwork Language Modelling
National Research University Higher School of Economics（俄罗斯国家研究型高等经济大学）
当代语言理解任务的普遍性使得开发利用数据源提供的所有知识的通用但高效的模型具有相关性。在这项工作中，我们提出了SocialBERT -第一个模型，使用知识的作者在网络中的位置在文本分析。我们研究了可能的模型学习社会网络信息，并成功地将其注入到基线BERT模型。评估表明，嵌入这些信息保持了良好的泛化能力，给定作者的概率模型质量提高了7.5%。所提出的模型已经在所选社交网络的大多数群体上进行了训练，并且仍然能够与以前未知的群体一起工作。所获得的模型，以及我们的实验代码，可供下载和应用任务中使用。
2021-11-13 cs.AI cs.CL cs.SI
MARS: A framework for modelling register-based social networks
Leiden University（莱顿大学）
针对基于登记处的社交网络建模难题，提出MARS图框架，复刻其构建方法，实现的简单模型可复现荷兰对应网络的属性，还揭示空间自由度与社会凝聚力的负相关关系。
2026-08-12 cs.SI
Jointly modelling the evolution of social structure and language in online communities
针对在线社区互动建模需考虑社会时间语境的问题，提出联合建模社区结构与语言演化的方法，生成动态词与用户表示，在厌女极端群体场景下表现优于缺少单组件的现有模型，还支持新型群体分析。
2025-06-13 cs.CL cs.SI
Modelling High-Order Social Relations for Item Recommendation
在线社交网络的流行使得研究社会关系如何影响用户选择成为必要。然而，大多数现有的方法只利用一阶社会关系，即连接到目标用户的直接邻居。高级社会关系，例如，朋友的朋友在很大程度上被忽略了，而朋友的朋友对揭示用户偏好非常有用。在这项工作中，我们专注于建立社交网络中的高阶邻居的间接影响，以提高项目推荐的性能。与主流的社会关系规则化模型学习与社会关系不同，我们建议在预测模型中直接考虑社会关系，旨在学习更好的用户嵌入以改进推荐。为了解决高阶邻居随着订单大小急剧增加的挑战，我们建议沿着社交网络递归地“传播”嵌入，有效地将高阶邻居的影响注入用户表示。我们在Yelp和豆瓣两个真实数据集上进行了实验，以验证我们的高阶社会推荐（HOSR）模型。实证结果表明，我们的HOSR显著优于最近基于图正则化的预测器NSCR和IF-BPR+，以及基于图卷积网络的社会影响力预测模型DeepInf，实现了任务的新的最先进水平。
2020-03-23 cs.IR cs.SI
Modelling the coevolution of opinion dynamics and decision making in social dilemmas
Adelaide University（阿德莱德大学）；Politecnico di Torino（都灵理工大学）；University of Groningen（格罗宁根大学）
本文提出一个数学模型，研究社会困境中行动与意见的共演，结合公共物品游戏与意见动态模型，分析共演博弈的均衡及收敛条件。
2026-04-10 cs.SI cs.SY eess.SY
Modelling Social Context for Fake News Detection: A Graph Neural Network Based Approach
Pandit Deendayal Energy University（潘迪特·迪恩达亚尔能源大学）
虚假新闻的检测对于确保信息的真实性和维护新闻生态系统的可靠性至关重要。最近，由于社交媒体和Deep Fake等虚假内容生成技术的激增，虚假新闻内容有所增加。大多数现有的虚假新闻检测模式都集中在基于内容的方法上。然而，大多数这些技术未能处理生成模型产生的超现实合成媒体。我们最近的研究发现，真实和虚假新闻的传播特征是可以区分的，无论它们的形式如何。在这方面，我们已经调查了基于社会背景的辅助信息来检测假新闻。本文采用基于混合图神经网络的方法分析了假新闻检测的社会背景。这种混合模型是基于集成的图神经网络的新闻传播和双向编码器表示从Transformers模型的新闻内容学习文本特征。因此，提出的方法可以学习内容和上下文特征，因此能够优于基线模型，在PolitiFact上的f1得分为0.91，在Gossipcop数据集上的f1得分为0.93
2022-07-27 cs.CL cs.IR cs.SI
Modelling Competitive marketing strategies in Social Networks
在竞争性市场中，有大量的玩家生产相同的产品。每家公司都希望广泛传播其产品信息，使其产品在潜在买家中流行起来。一个公司的产品越受欢迎，该公司的收入就越高。一个模型中，两个球员竞争的大型网络中的信息传播。参与者同时选择初始种子节点，并根据独立级联模型（ICM）进行信息扩散。玩家的主要目标是选择种子节点，使它们将其信息传播到社交网络中尽可能多的节点。信息的传播速度在信息扩散过程中也起着非常重要的作用。社交网络中的任何节点都不会受到任何信息或一个或多个信息的影响。我们还分析了通过改变信息的传播速率，不同隔室中的节点比例会发生多大的变化。最后，建立了一个博弈论模型，得到了基于最佳反应函数的纳什均衡。这个模型是基于霍特林的选举竞争模型。
2018-05-05 cs.GT cs.IT cs.SI
