Disentangling sources of influence in online social networks
在线社交网络中的信息传播由两种类型的影响促进-在社交网络的用户之间起作用的内源性（同伴）影响和对应于各种外部媒介（例如在线新闻媒体）的外源性（外部）影响。然而，从数据中推断这些影响仍然是一个挑战，特别是当关于用户激活的数据很少时。在本文中，我们提出了一种方法，只使用一个社会网络结构和一个单一的激活级联产生估计的内源性和外源性的影响。我们的方法利用了两种类型的影响之间的统计差异-内源性取决于每个用户的社交网络结构和当前状态，而外源性则独立于这些。我们评估我们的方法模拟激活级联以及从几个大型Facebook的政治调查应用程序获得的级联。我们表明，我们的方法是能够提供估计的内源性和外源性的影响，在网上社交网络，表征激活每个单独的用户是内源性或外源性驱动，并确定最有影响力的用户群体。
2019-03-27 cs.SI physics.soc-ph
On the Optimality and Predictability of Cultural Markets with Social Influence
社会影响力在文化市场中无处不在，从亚马逊的图书推荐，到iTunes中的歌曲流行度，再到《纽约时报》网络版中报纸文章的排名等等。然而，社会影响力往往是以一种不好的方式呈现的，通常是因为它被认为会增加市场的不可预测性。在这里，我们研究了一个试销市场模型，在这个模型中，参与者先试销产品，然后再决定是否购买。我们考虑了一个简单的政策，即在向市场参与者展示产品时，按质量对产品进行排名。我们表明，在这种情况下，市场效率总是受益于社会影响。此外，我们证明了市场收敛几乎肯定垄断的产品的最高质量，使市场的可预测性和渐近最优。计算实验证实，质量排名策略在合理的时间内识别“重磅炸弹”，优于其他策略，并且具有高度的可预测性。这些结果表明，社会影响并不一定会增加市场的不可预测性。结果实际上取决于如何使用社会影响力。
2015-05-25 cs.SI physics.soc-ph
Interplay between Social Influence and Network Centrality: A Comparative Study on Shapley Centrality and Single-Node-Influence Centrality
我们研究了社交网络中基于动态影响传播模型的网络中心性。为了说明我们理解动态影响过程和静态网络结构之间的基本相互作用的集成算法方法，我们专注于两个基本的中心性度量：（a）单节点影响（SNI）中心性，它通过影响传播来度量每个节点的重要性; Shapley中心性，它使用影响扩散函数的Shapley值--基于基本的合作博弈理论概念制定--来衡量节点的重要性。我们提出了一个全面的比较研究，这两个中心的措施。在数学上，我们提出了公理化的特征，这恰恰抓住了这两个中心的措施和他们的根本区别的本质。从数学上讲，我们提供了可扩展的算法来近似一个大家庭的社会影响力的实例。从经验上讲，我们证明了他们的相似性和差异，在一些现实世界的社交网络，以及我们的可扩展算法的效率。我们的研究结果揭示了它们的适用性：SNI中心性适合于评估孤立的个人影响力，而Shapley中心性评估个人在群体影响力环境中的表现。
2017-03-01 cs.SI physics.soc-ph
An Empirical Evaluation Of Social Influence Metrics
预测个人何时会采取新的行为是营销和公共卫生等应用领域的一个重要问题。本文研究了各种各样的社会网络的测量文献中提出的性能-这是以前没有直接比较。我们研究了个体受影响的概率，这些概率是基于来自邻居（即影响者数量、个人网络暴露）、结构多样性、地点、时间测量、级联测量和元数据的测量。我们还研究了基于分类器的选择预测影响力的能力，以及训练和测试中阳性样本与阴性样本的比例如何影响预测结果-进一步使这些概念在社会影响力应用中的实际应用成为可能。
2016-07-23 cs.SI physics.soc-ph
Quantifying the effects of social influence
人类在做决策时如何应对间接的社会影响？我们分析了一个实验，在这个实验中，受试者必须反复猜测事实问题的正确答案，而只有关于其他人答案的汇总信息。虽然人类对汇总信息的反应是一种广泛观察到的现象，但尚未在受控环境中对其进行定量研究。我们发现，个人猜测的调整线性依赖于所有猜测的平均值的距离。这是一个显著的，但令人惊讶的简单的统计规律。它适用于所有分析的问题，即使正确的答案在几个数量级上不同。我们的研究结果支持的假设，个体多样性并不影响间接的社会影响的反应。它还补充了以前的结果在信息丰富的情况下的非线性响应。我们认为，对社会影响的反应的性质与信息聚合的水平发生了至关重要的变化。这种见解有助于社会影响下的集体决策模型的经验基础。
2013-02-11 cs.SI physics.soc-ph
Can social influence be exploited to compromise security: An online experimental evaluation
社交媒体使用户和组织能够获得有关技术使用的信息，如软件使用甚至安全功能使用。然而，在黑暗的一面，它也允许对手潜在地利用用户，从他们那里获取信息，或者影响他们做出可能具有恶意设置或意图的决定。虽然已经有大量的努力了解社会影响力如何影响一个人的可能性，采用安全技术，特别是其相关性的朋友采用相同的技术的数量，在这项研究中，我们调查是否同行的影响力可以决定用户决定超过自己的知识。为此，我们在一项与人类参与者的在线对照实验中操纵社交信号曝光，以调查社交影响是否可以以负面的方式引导用户做出有害的安全选择。我们通过一个受控游戏来分析这一点，在这个游戏中，每个参与者在面对六种具有不同效用的安全技术时选择一种选项，其中一种选择具有最大的效用。在多轮游戏中，我们观察到社交影响力作为一种工具可以非常强大地操纵用户对采用效率较低的安全技术的决定。然而，在这个过程中更突出的是，用户从其同伴那里接收社交信号的方式决定了社交影响力在多大程度上可以成功改变用户的行为。
2019-09-04 cs.SI physics.soc-ph
Topic-Based Influence Computation in Social Networks under Resource Constraints
随着社交网络的不断变化和发展，分析动态社交网络的方法在理解社会趋势方面变得越来越重要。然而，由于社交网络服务提供商施加的限制，可用于获取社交网络的整个内容的资源通常非常有限。因此，动态社交网络数据的分析需要在本地维护每个时间段的社交网络的近似副本。在本文中，我们研究的问题，动态网络和文本提取有限的探测能力，识别和维护有影响力的用户的社会网络的发展。我们提出了一种算法来探测的关系（所需的全球影响力计算）以及职位（所需的基于主题的影响力计算）的有限数量的用户在每个探测期间，根据用户的影响力趋势和活动。我们根据新探测的用户数据和本地维护的最后已知网络版本来推断当前网络。此外，我们建议使用链接预测方法，以进一步提高我们的网络推理的准确性。我们采用PageRank作为影响力计算的度量。我们说明了所提出的解决方案如何保持准确的PageRank分数计算全球影响力，和主题敏感的加权PageRank分数基于主题的影响力。后者依赖于一个基于主题的网络，该网络通过对帖子及其共享统计数据的语义分析确定权重来构建。我们评估我们的算法的有效性，通过比较它们与真实的影响力分数的完整和最新版本的网络，使用数据从微博服务Twitter。结果表明，我们的技术显着优于基线方法，并优于国家的最先进的技术从文献中。
2018-01-07 cs.SI physics.soc-ph
The influence of repressive legislation on the structure of a social media network
社交媒体被广泛用于组织公民运动。2012年，加拿大魁北克省75%的大学生参加了反对学费上涨的大规模抗议活动，主要是通过社交媒体组织的。为了减少对公众的干扰，政府出台了专门的立法来阻止抗议组织。在这里，我们表明，立法改变了社交媒体用户的行为，但没有改变他们在Twitter上的社交网络的整体结构。因此，用户仍然能够利用其社交网络传播信息，以有效地组织示威活动。这一自然实验显示了社交媒体在政治动员方面的力量，以及大量个人在信息流动中的行为灵活性。
2013-04-10 cs.SI physics.soc-ph
On Budgeted Influence Maximization in Social Networks
给定用于选择每个节点的预算和任意成本，预算影响力最大化（BIM）问题涉及选择一组种子节点来传播一些信息，该信息以不超过预算的总成本最大化社交网络中受影响的节点的总数（称为影响扩散）。我们提出的BIM问题的种子选择算法保证了近似比（1 - 1/sqrt（e））。种子选择算法需要计算候选种子集的影响扩散，这是已知的#P-复合。识别贝叶斯网络中的边缘概率的计算和影响传播之间的联系，我们设计了有效的启发式算法后一个问题。使用大规模社交网络和合成生成的网络的实验表明，该算法具有优越的性能与适度的计算成本。此外，合成数据集允许我们改变网络参数，并获得关于图结构对不同算法性能的影响的重要见解。
2013-01-22 cs.SI physics.soc-ph
IRIE: Scalable and Robust Influence Maximization in Social Networks
影响力最大化是在一定的影响扩散模型下选择社交网络中的顶级$k$种子节点以最大化其影响覆盖的问题。在本文中，我们提出了一种新的算法IRIE，集成了一个新的消息传递的影响力排名（IR），和影响力估计（IE）的影响力最大化的独立级联（IC）模型和它的扩展IC-N，包括负面意见传播的方法。通过大量的实验，我们证明了IRIE匹配的影响覆盖率的其他算法，而规模远远优于所有其他算法。此外，IRIE算法在不同网络密度和级联规模下，无论是运行时间还是内存使用都比其他算法更鲁棒和稳定。它比其他最先进的算法（如PMIA）快两个数量级，适用于具有数千万节点和边缘的大型网络，而与PMIA相比，它只使用一小部分内存。
2012-03-19 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
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
Layered social influence promotes multiculturality in the Axelrod model
为什么我们的社会是多元文化的？阿克塞尔罗德提出的文化传播的经典模式基于同质性和社会影响这两种机制，预测了一个碎片化的政权的存在，在这个政权中，不同的文化可以在一个社会网络中共存。然而，在这样的模型中，多元文化制度只有在大量的文化特征存在时才能实现，并且对文化漂移（即代理人特征的自发突变）并不稳健。在现实系统中，社会影响力本质上是分层组织的，这意味着个人倾向于根据他们互动的主题来多样化他们的联系。在这项工作中，我们表明，在现实世界的社会系统中观察到的多元文化的持久性是社会影响的分层组织的自然结果。我们发现，分离的单文化和多元文化制度的文化特征的临界数量取决于跨层的成对连接的冗余。令人惊讶的是，对于较低的结构冗余值，系统始终处于多元文化状态，与特征的数量无关，并且对文化漂移的存在具有鲁棒性。此外，我们表明，分层的社会影响力允许共存的不同层次的共识在不同的主题。通过对两个现实世界的社交网络的分析，证实了从合成图上的模拟中获得的洞察力，即使对于非常少的文化特征，多元文化的制度仍然存在，这表明社会互动的分层组织可能确实是多元文化社会的核心。
2017-04-14 cs.SI physics.soc-ph
Pre-Construction of Opinion Dynamics Considering Structural Inequality: Interdisciplinary Analysis of Complex Social Stratification, Media Influence, and Functionalism
本研究跨学科分析精英统治、媒体影响和预定理论如何作为机制维持社会阶层不平等，并探讨不平等的构建、再生产及其理论辩护。
2024-04-19 cs.SI physics.soc-ph
Voting Contagion
社会影响力在人类行为和决策中起着重要作用。影响力的来源通常可以分为外部的，这是独立的社会背景，或作为来自同行，如家人和朋友。一个重要的问题是如何将同伴的社会传染与外部影响分开。虽然各种实验和观察研究提供了对这个问题的深入了解，但基于具有未知网络结构的大规模观察数据来确定社会传染的程度仍然在很大程度上未被探索。通过弥合人类集体动力学的大规模复杂系统视角与社会科学的详细方法之间的差距，我们提出了一个社会影响力的简约模型，并将其应用于政治学的一个中心话题-选举和投票行为。我们提供了一个分析表达式的县投票份额分布在两党制，这是在很好的协议与92年观察到的美国总统选举数据。分析这一时期的社会影响地形揭示了社会传染模式的突然转变--从低水平到高水平的社会传染。我们的分析结果显示，美国各地区在社会影响力指数方面存在巨大差异。特别是，我们确定了两个地区的“热点”和“冷点的社会影响，每一个包括国家在地理上接近。这些结果表明，社会传染效应在塑造大规模集体政治行为方面变得越来越重要，而集体政治行为是民主社会的核心。
2016-10-17 cs.SI physics.soc-ph
Influence Maximization in Social Networks using Discretized Harris Hawks Optimization Algorithm and Neighbour Scout Strategy
影响力最大化（IM）是使用传播模型确定社交网络中的k个最佳影响力节点以最大化影响力传播的任务。IM是病毒式营销的一个突出问题，并在社交媒体广告中有很大帮助。然而，为现实世界的社交网络开发具有最小时间复杂度的有效算法仍然是一个挑战。虽然传统的启发式方法已被应用于IM，他们往往会导致最小的性能增益计算昂贵的贪婪为基础的方法和反向影响采样为基础的。在本文中，我们提出了离散化的自然启发式哈里斯霍克斯优化元启发式算法，使用社区结构的种子节点的最佳选择的影响力传播。除了哈里斯老鹰的情报之外，我们还采用了邻居侦察策略算法来避免盲目性并增强老鹰的搜索能力。此外，我们使用基于候选节点的随机种群初始化方法，这些候选节点有助于加速整个种群的收敛过程。我们评估了我们提出的DHHO方法的有效性六个社交网络使用独立级联模型的信息扩散。我们观察到，DHHO是可比的或优于竞争的元启发式方法的影响力最大化在五个指标，并执行明显优于竞争的启发式方法。
2022-11-17 cs.SI physics.soc-ph
Social Bootstrapping: How Pinterest and Last.fm Social Communities Benefit by Borrowing Links from Facebook
如何开发一个新的在线社区，让每个用户都能高度参与，并促进社会互动？许多网站提供交友功能，帮助用户从Facebook或Twitter等已建立的网络复制链接，从而在网站上引导社交网络。本文量化了这种社会引导在何种程度上是有效的，以提高网站的社会体验。首先，我们开发了一个风格化的分析模型，该模型表明复制倾向于产生一个巨大的连接组件（即，连接的社区），并保持诸如互惠性和聚类的属性，直到线性乘法因子。其次，我们使用来自两个网站Pinterest和Last.fm的数据，以经验方式比较从Facebook复制的链接与本地创建的链接的子图。我们发现，复制的子图有一个巨大的组件，更高的互惠性和聚类，并确认复制的连接看到更高的社会互动。然而，随着用户变得更加活跃和有影响力，复制的需求减少了。这些用户倾向于在网站上创建本地链接，链接到与他们比Facebook朋友更相似的用户。我们的研究结果为理解如何从已建立的社交网络引导通过增强社交互动来帮助吸引新用户提供了新的见解。
2014-03-24 cs.CY cs.SI physics.soc-ph
Influence of Reciprocal links in Social Networks
在这封信中，我们实证研究互惠联系的影响，以了解它在影响定向社交网络的结构和功能中的作用。在两个具有代表性的数据集新浪微博和豆瓣上的实验结果表明，在传播信息和保持网络鲁棒性方面，互惠链接确实比非互惠链接发挥了更重要的作用。特别地，通过考虑互逆效应，可以显著地增强信息传播过程。此外，互惠链接在很大程度上负责有向网络的连通性和效率。本文的工作对于深入理解和应用有向在线社交网络中的互惠效应具有一定的启发意义。
2013-06-24 cs.SI physics.soc-ph
Exploring Social Influence for Recommendation - A Probabilistic Generative Model Approach
在本文中，我们提出了一个概率生成模型，称为统一模型，自然统一的想法，社会影响力，协同过滤和基于内容的项目推荐方法。为了解决隐藏的社会影响的问题，我们设计了新的算法来学习我们的建议的模型参数的基础上期望最大化（EM）。除了我们的EM算法的单机版本，我们进一步设计了一个并行实现的Map-Reduce框架，处理我们收集的两个大规模的数据集。此外，我们表明，从我们的生成模型获得的社会影响力可以用于组推荐。最后，我们使用从last.fm和whrrl.com抓取的数据集进行综合实验，以验证我们的想法。实验结果表明，具有社会影响力的生成模型的性能显着优于那些没有纳入社会影响力。本文提出的统一生成模型获得了最好的性能。此外，我们对社会影响力的研究发现，whrrl.com的用户比last.fm的用户更容易受到朋友的影响。实验结果也证实了我们的基于社会影响力的群推荐算法优于最先进的群推荐算法。
2011-09-04 cs.IR cs.SI physics.soc-ph
When social influence promotes the wisdom of crowds
群体是否以及在什么条件下表现出“群体智慧”一直是社会科学和计算科学研究的主要焦点。这方面的工作主要集中在社会影响力在促进群体智慧和引导群体误入歧途方面的作用，导致关于社会网络结构如何决定社会影响力的影响的结论相互矛盾。在这里，我们证明了孤立地考虑网络结构是不够的。通过理论分析、数值模拟和对四个实验数据集（共计2,885名人类受试者）的再分析，我们发现群体的智慧主要取决于（i）社会影响网络的集中化和（ii）初始个体估计的分布之间的相互作用。通过采用一个框架，整合了社会影响力的结构和分布的初步估计，我们把以前相互矛盾的结果下一个理论框架和澄清的影响，社会影响力的智慧的人群。
2021-04-29 cs.SI physics.soc-ph stat.AP
Is there negative social influence? Disentangling effects of dissimilarity and disliking on opinion shifts
实证研究是不确定的基本机制，形成相互关联的动态意见和人际吸引力。有强有力的证据表明，被喜欢的人对观点有积极的影响，相似性会引起吸引力（同性恋）。我们对“负面”机制知之甚少，比如不喜欢的人是否会导致偏离共识（负面影响），巨大的差异（相异）是否会产生距离，相异是否会导致不喜欢（异性恐惧症）。本研究测试歧视性假设的存在下，积极和消极的机制，在控制实验中，涉及二元相互作用。结果证实了同质性的存在，不支持存在负面的社会影响，并显示出强大的正线性关系之间的意见距离和意见转变。这意味着，在最初分歧很大的情况下，接触可能是达成共识的最大推动力。
2014-06-03 cs.SI physics.soc-ph
Detecting the Influence of Spreading in Social Networks with Excitable Sensor Networks
利用传感器检测社交网络中的疫情传播具有重要的应用意义。受人类对外界刺激的生理感觉形成机制的启发，本文提出了一种通过构建可兴奋传感器网络来检测传播影响的新方法。利用可激发传感器网络的放大效应，我们的方法可以更好地检测小规模的传播过程。同时，它也可以区分大规模的扩散实例，由于可激发元素的自抑制效应。通过对典型的现实世界社交网络（facebook、coauthor和email社交网络）上的不同传播动态的模拟，我们发现，与其他常用的传感器放置方法（如随机、有针对性、熟人和距离策略）相比，可兴奋传感器网络能够在更广泛的影响范围内检测和排名传播过程。此外，我们验证了我们的方法的有效性，从现实世界的在线社交系统，Twitter的扩散数据。我们发现，我们的方法可以检测到更多的传播主题在实践中。我们的方法提供了一个新的方向，传播检测，并应设计有效的检测方法是有用的。
2015-04-02 cs.SI physics.soc-ph
Influence Maximization With Deactivation In Social Networks
在本文中，我们考虑一个著名的社会网络中的影响力最大化问题的扩展，该问题涉及找到一组k个节点来启动扩散过程，使得在该过程结束时受影响的节点的总数最大化。该扩展集中在一个竞争的变种，其中涉及两个决策者。第一个，领导者，试图通过选择最有影响力的节点来最大化总的影响力传播，第二个，追随者，试图通过停用其中的一些节点来最小化它。制定的双层模型解决了完全枚举的小规模的情况下，大规模的情况下，通过一个数学。在这两种情况下，较低级别的问题，这是一个随机优化问题，近似通过样本平均近似方法。
2019-04-18 cs.SI physics.soc-ph
An Analysis of Socialbots Activity and Influence in Modern Japanese Social Media
本文分析了日本社交媒体中社交机器人活动及其影响，发现其影响力大于2016年美国总统大选，并探讨了进一步研究的方法。
2023-12-30 cs.SI
Perceived Social Influence on Vaccination Decisions: A COVID-19 Case Study
本研究考察了美国COVID-19疫苗接种决策中感知到的社会影响，发现已接种人群比未接种人群感知到更多社交影响，但多数参与者决策时不受社交影响，而是受恐惧驱动。
2024-05-31 cs.CY cs.SI physics.soc-ph
Impact of sharing full versus averaged social information on social influence and estimation accuracy
近年来，随着社交网络和推荐系统的发展，社会信息的共享量急剧增加，对人类处理社会信息的能力提出了挑战，因此，共享聚合形式的社会信息变得越来越流行。然而，目前尚不清楚共享汇总信息是否比共享完整的可用信息更能提高人们的判断力。在这里，我们比较了当社会信息完全共享时与首先平均然后共享时，群体在估计任务中的表现。我们发现这两种情况下估计准确性的改进是相当的。然而，我们的研究结果揭示了受试者行为的重要差异：（i）受试者在接受平均值时比接受所有估计值时更多地遵循社会信息，并且这种影响随着平均值的估计数量而增加;（ii）受试者在社会信息高于其个人估计值时比当其较低时更多地遵循社会信息。当收到所有估计数时，这种影响比收到平均数时更强。我们引入了一个模型，揭示了这些影响，并确认其重要性，解释在所有治疗的估计精度的提高。
2022-01-11 cs.SI physics.soc-ph
Beyond Contagion: Reality Mining Reveals Complex Patterns of Social Influence
传染是流行病学的一个概念，长期以来一直被用来描述社会对人们行为和情感（情绪）状态的影响。虽然它揭示了许多有用的见解，但尚不清楚传染隐喻是否足以充分描述社会背景下心理状态的复杂动态。使用可穿戴传感器捕捉日常面对面的互动，结合三个日常经验抽样调查，我们收集了整个工作社区最全面的个性和情绪动态数据集。从这些关于实际（而不是自我报告的）面对面互动的高分辨率数据中，出现了一幅复杂的画面，其中传染（可以被视为对他人行为的行为反应的适应）无法完全捕捉过渡状态的动态。我们发现，社会影响对国家有两种相反的影响：PDMATHAMM效应，它不仅仅是传染，还有\emph{complementarity}效应，即个人的行为倾向于补充他人的行为。令人惊讶的是，这些影响可以表现出完全不同的方向，这取决于目标个体的稳定个性或情绪倾向（稳定特质）。我们的研究结果为更丰富的社会动力学模型提供了基础，并对组织工程和工作场所的福祉产生了影响。
2015-07-15 cs.SI physics.soc-ph
On the Social Influence in Human Behavior: Physical, Homophily, and Social Communities
理解支配人类行为和社会动态的力量是一个具有挑战性的问题。个体的决策和行动受到交织的因素的影响，如物理位置，同质性和社会关系。在本文中，我们建议研究的作用，不同的社区，与这些因素，发挥社会影响力的来源。自我网络通常用于社会影响力分析。我们的假设是，个人嵌入社区不仅与他们的直接社会关系有关，而且涉及不同的和复杂的力量。我们分析了物理，同质性，和社会社区，以评估他们与主体的行为的关系。我们证明，社会影响力与这些社区，他们中的每一个是（不同）显着的个人。我们定义了基于社区的功能，这反映了这些群体中的主体参与，我们使用它们与监督学习算法来预测主体参与社会事件。研究结果表明，社区和自我网络都是社会影响力的相关来源，证实了自我网络本身不足以解释这一现象。此外，我们根据用户所经历的社会影响程度对其群体进行分类，识别行为表型的类别。据我们所知，这是第一个证明与社会影响现象相关的表型存在的工作。
2018-01-29 cs.SI
Estimating Social Influence Using Latent Space Adjusted Approach in R
社会影响力，有时被称为溢出或传染，在各种实证社会网络研究中得到了广泛的研究。然而，有各种估计的挑战，在确定社会影响力的影响，因为他们往往纠缠于其他因素，如同质性的选择过程中，个人的偏好相同的社会设置等，目前可用的方法要么不解决这些问题，或需要强有力的假设。Xu 2018和其他人最近的工作表明，基于潜在空间模型的潜在空间调整方法有可能将影响从其他过程中分离出来，模拟证据表明，当存在未观察到的特质共同决定影响和选择时，该方法在恢复真实社会影响效应方面比其他最先进的方法表现得更好。在本文中，我们说明了如何潜在空间调整方法帐户的偏差估计的社会影响力的效果，并演示了这种方法如何可以实现估计各种社会影响力模型的实证例子在R。
2019-03-07 cs.SI
Heterogeneous Susceptibilities in Social Influence Models
网络自相关模型被广泛用于评估社会影响力对某些感兴趣变量的影响。这是一大类模型，通过将网络邻接矩阵纳入数据的联合分布中，来吝啬地解释邻居如何影响自己的行为或观点。然而，这些模型假设对社会影响的敏感性是同质的，这在许多情况下可能是一个强有力的假设。本文提出了一种分层模型，允许的影响参数是一个功能的个人属性和/或本地网络拓扑特征。我们推导出一个近似的后验分布的一般框架，适用于杜宾，网络效应，网络干扰，或网络移动平均自相关模型。所提出的方法也可以应用于调查的背景下，自我中心的网络数据的社会影响力的决定因素。我们将我们的方法应用于通过手机收集的数据集，在该数据集中，我们确定了社会影响对体育活动水平的影响，以及课堂数据，我们调查了同伴对学生反抗的影响。有了这最后一组数据，我们还研究了所提出的自我中心网络模型的性能。
2020-05-17 cs.SI physics.soc-ph stat.ME
How social networks influence human behavior: An integrated latent space approach for differential social influence
本文提出整合社交网络与题项层面行为数据的潜在空间模型，通过交互图识别差异化社会影响，并经模拟与学生友谊网络实证验证。
2023-02-28 cs.SI stat.AP
The Influence of Social Networks on Human Society
本报告简要概述了社交网络的起源及其在现代最流行的表现形式-在线社交网络（OSN）或社交媒体。并进一步讨论了OSN对人类社会的积极和消极影响。数据科学和社交媒体的结合（社交媒体挖掘）是克服当前挑战并为未来发展铺平道路的有力工具
2021-03-24 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
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
Detecting Social Influence in Event Cascades by Comparing Discriminative Rankers
Georgia Institute of Technology（佐治亚理工学院）；Insight Data Science（Insight数据科学公司）
事件级联的全局动态通常由同伴影响的局部动态控制。然而，从观测数据中检测社会影响是具有挑战性的，因为存在同质性等混淆和缺失数据等实际问题。我们提出了一个简单的判别方法来检测观测数据的影响。该方法的核心是训练一个排名算法来预测级联中下一个事件的来源，并将其样本外的准确性与缺乏与社会影响力相对应的特征的竞争基线进行比较。我们分析综合生成的数据表明，这种方法正确地识别存在混淆的影响，是强大的缺失数据和错误的-不像众所周知的替代品。我们将该方法应用于两个真实世界的数据集：（1）在美国众议院共同发起的立法在一个共享的竞选捐助者的社交网络;（2）关于希格斯玻色子发现的谣言在$10^5$ Twitter帐户的追随者网络。我们的模型确定了社会影响力在这些场景中的作用，并利用它对级联的未来轨迹进行更准确的预测。
2019-07-19 cs.LG cs.SI physics.soc-ph
Social Influence and Unfollowing Accelerate the Emergence of Echo Chambers
Graduate School of Informatics, Nagoya University（名古屋大学情报学研究科）；JST, PRESTO（日本科学技术振兴机构，PRESTO项目）；Center for Complex Networks and Systems Research, Indiana University Bloomington（印第安纳大学布卢明顿分校复杂网络与系统研究中心）；Luddy School of Informatics, Computing, and Engineering, Indiana University（印第安纳大学卢迪信息、计算与工程学院）；School of Information, University of Michigan（密歇根大学信息学院）；Network Science Institute, Indiana University（印第安纳大学网络科学研究所）；Department of Computer Science and Engineering, University of South Florida（南佛罗里达大学计算机科学与工程系）
本文研究了在线社交网络中信息共享模型，探讨了社会影响和取消关注机制如何导致回音室的形成，通过实证数据验证了这一过程的不可避免性，并提出了缓解策略。
2020-08-25 cs.CY cs.SI physics.soc-ph
Interplay between social influence and competitive strategical games in multiplex networks
我们提出了一个模型，考虑到进化博弈动态和社会影响力之间的耦合。重要的是，社会影响力和游戏动态发生在不同的领域，我们将其建模为多元化网络的不同层。我们表明，这些动态过程之间的耦合可以导致合作的情况下，纯游戏动态预测叛逃。此外，我们表明，网络层的结构和它们之间的关系可以进一步增加合作。值得注意的是，如果这些层次以某种方式联系起来，系统可以达到极化的亚稳态。这些发现可以解释在许多社会困境中观察到的极化的普遍性。
2017-02-21 cond-mat.dis-nn cs.SI physics.soc-ph
Temporal Analysis of Influence to Predict Users' Adoption in Online Social Networks
人们提出了不同的方法来预测个体是否会在在线社交网络中采取新的行为，因为他们的邻居产生了影响。在本文中，我们可以实现显着的改善，这些标准的措施，延长他们考虑一对时间限制。这些约束为社会影响力提供了更好的代理，与影响力的概率以及预测影响力的能力有更强的相关性。
2017-05-05 cs.SI
Patterns of Social Influence in a Network of Situated Cognitive Agents
Krasnow Institute for Advanced Study（克拉斯诺高级研究院）；George Mason University（乔治梅森大学）
本文介绍了计算实验的结果，社会影响的影响，个人和系统的行为，在产品消费者环境中的认知代理。在相同的初始条件下进行了配对实验，以比较社会代理与非社会代理。实验结果表明，无论是在总单位消费和总效用方面，社会代理在消费可用产品时都具有更高的生产率。但这是以单位消费的个人平均效用为代价的。实际上，社会互动通过降低个人消费者的“标准”来实现更高的生产率。虽然仍处于发展的早期阶段，这样一个基于代理的模型实验室被证明是一个有效的研究工具，以调查丰富的集体行为的背景下，要求的认知任务。
2012-04-16 cs.AI cs.SI physics.soc-ph
Wisdom of the Crowd: Incorporating Social Influence in Recommendation Models
推荐系统最近受到了相当大的关注。然而，大多数研究都集中在提高协同过滤（CF）技术的性能。社交网络不可或缺地为我们提供了关于人们偏好的额外信息，应该加以考虑和部署，以提高推荐的质量。本文基于社会传染和社会影响网络理论，提出了两种推荐模型，分别针对个人和群体。在个体推荐模型中，引入社会传染结果对协同过滤预测结果进行改进，模拟了决策过程中信息级联的结果。在群体推荐模型中，我们运用社会影响网络理论，将群体成员之间的人际影响纳入到推荐模型中，形成一个固定的意见分歧模式，然后对群体成员的意见进行聚合。通过引入感受性和人际影响的概念，使评分结果具有一定的灵活性，并倾向于评分为“必要”的成员。
2013-05-17 cs.IR cs.LG cs.SI
Social Influence (Deep) Learning for Human Behavior Prediction
社交网络中的影响力传播最近受到了广泛的关注。事实上，了解影响力如何在社交网络中的主体之间传播，为越来越多的应用开辟了道路。已经做出了许多努力来定量地测量受试者对之间的影响概率。现有的方法有两个主要缺点：（i）它们假设影响概率是相互独立的，以及（ii）它们不考虑不是由受试者执行的（而是由她/他的朋友执行的）动作来学习这些概率。在本文中，我们建议通过采用深度学习方法来解决这些限制。我们引入了一个深度神经网络（DNN）框架，该框架具有建模社会影响和预测人类行为的能力。为了从经验上验证所提出的框架，我们在基于事件的社交网络（EBSN）的真实（离线）数据集上进行实验。结果表明，我们的方法优于现有的解决方案，有效地解决了上述的限制。
2018-01-29 cs.SI
Supermajority Sentiment Detection with External Influence in Large Social Networks
在一个大型的社会网络，其成员怀有二元情绪对一个问题，我们调查的渐近精度的情绪检测。我们通过一个伊辛马尔可夫随机场模型来模拟用户情绪，并允许用户情绪受到外部影响的偏见。我们考虑了一个一般的绝大多数情感检测问题，并表明检测精度受到网络结构，参数以及外部影响水平的影响。
2017-10-08 cs.SI
Social Influence Prediction with Train and Test Time Augmentation for Graph Neural Networks
数据增强已广泛用于机器学习中的自然语言处理和计算机视觉任务，以提高模型性能。然而，很少有研究研究了图神经网络的数据增强，特别是在训练和测试时使用增强。受其他领域增强成功的启发，我们设计了一种使用具有训练和测试时间增强的图神经网络进行社会影响力预测的方法，该方法可以通过在两种情况下利用变分图自动编码器有效地为社交网络生成多个增强图。我们已经评估了我们的方法在预测用户对多个社交网络数据集的影响方面的性能。我们的实验结果表明，我们的端到端的方法，联合训练图自动编码器和社会影响力行为分类网络，可以优于国家的最先进的方法，证明了训练和测试时间增加图神经网络的社会影响力预测的有效性。我们观察到，这对较小的图特别有效。
2021-04-23 cs.SI
Location and audience selection for maximizing social influence
病毒式营销活动主要针对那些在社交网络中处于中心地位并因此具有社会影响力的个人。然而，营销活动可能会吸引不同的受众。尽管事件营销的重要性，异质目标群体的影响还没有得到很好的理解。在本文中，我们定义的传播潜力（SP）的问题，其中不同的代理集需要评估和比较的基础上，他们的社会影响力。SP的一个典型应用是为一系列营销活动选择地点。SP问题在两个方面不同于众所周知的影响力最大化（IM）问题。首先，它处理的是集合而不是节点。第二，这一套是多样化的，由有影响力的和普通的代理人组成。因此，SP也需要评估普通代理人的贡献，而IM的目标只是找到顶级传播者。我们提供了一个系统的测试排名的影响措施在SP问题的基础上，节点抽样和一种新的统计方法，排名差异的总和。使用线性阈值扩散模型的在线社交网络，我们评估了七个网络的社会影响力的措施。我们表明，这些影响措施的统计评估是显着不同的SP问题，当低排名的个人存在，从IM问题，当我们专注于算法的首选完全。
2022-01-01 cs.SI
Incentive Compatible Influence Maximization in Social Networks and Application to Viral Marketing
信息扩散和影响力最大化是社交网络中的重要问题，也是广泛研究的问题。在影响力最大化问题的背景下，文献中已经提出了各种模型和算法。所有这些研究中的一个关键假设是，社会规划者知道影响概率。这种假设是不现实的，因为影响概率通常是个体代理人的私人信息，战略代理人可能不会如实地透露它们。此外，影响概率可以随着网络中流动的信息的类型和信息在网络中传播的时间而显著变化。在本文中，我们使用一个机制设计的方法，从代理人真实地得出影响概率。我们首先使用一个简单的模型，即影响者模型，在这个模型中，我们假设每个用户都知道她对邻居的影响程度，但这是私人信息。在第二个模型中，影响者-受影响者模型，这是更现实的，我们通过结合影响者和受影响者报告的概率值来确定影响概率。在第一个模型的背景下，我们提出了如何VCG（Vickrey-Clarke-Groves）机制可以用来真实地引出的影响概率。我们的主要贡献是设计一个评分规则为基础的机制的影响者-受影响者模型的上下文中。特别是，我们的激励相容性的机制时，评分规则是适当的，并提出了一个反向加权评分规则为基础的机制作为一个适当的机制来使用。我们还简要讨论了这样一个机制在病毒式营销应用的实施。
2011-02-07 cs.GT cs.SI physics.soc-ph
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
Pro or Anti? A Social Influence Model of Online Stance Flipping
社会影响是指个体在复杂的社会环境中对某一主题的态度发生变化的过程。两个因素通常支配在线社交网络中立场的影响：由个体的先天信念通过代理人的过去立场驱动的内源性影响和由用户之间的社交网络影响形成的外源性影响。内源性和外源性的影响提供了重要的线索，用户的易感性，从而提高预测性能的立场变化或翻转。在这项工作中，我们提出了一个立场翻转预测问题，以识别对冠状病毒疫苗立场翻转敏感的Twitter代理（即，从亲疫苗到抗疫苗）。具体来说，我们设计了一个社会影响力模型，其中每个代理都有一些固定的先天立场和立场的信念，反映了对变化的阻力;代理通过社会网络结构相互影响。从2020年4月至2021年5月收集的数据，我们的模型在预测翻转立场的代理方面达到了86%的准确率。进一步的分析表明，翻转立场的代理有更多的邻居参与集体表达相反的立场，53.7%的代理翻转立场是机器人和机器人代理需要较少的社会影响力翻转立场。
2022-07-16 cs.CY cs.SI
Influence Diffusion Dynamics and Influence Maximization in Social Networks with Friend and Foe Relationships
大规模在线社交网络（OSNs）中的影响力扩散和影响力最大化已被广泛研究，因为它们对实现有效的在线病毒式营销的影响。现有的研究集中在只有友谊关系的社交网络上，而在许多OSN中普遍存在的敌人或敌人关系，例如，Epperly和Slashdot完全被忽略了。在本文中，我们第一次尝试研究的影响力扩散和影响力最大化在OSN的朋友和敌人的关系，这是建模使用正负边的签署网络。特别是，我们扩展了经典的选民模型签署网络和两个相反的意见的影响力扩散的动力学分析。我们首先提供了系统的特性，在这个模型中的影响力扩散的短期和长期动态，并说明了动态的稳态行为取决于三种类型的图结构，我们称之为平衡图，反平衡图，严格不平衡图。然后，我们应用我们的研究结果来解决的影响力最大化的问题，并制定有效的算法来选择初始种子的一个意见，最大限度地提高其短期的影响覆盖或长期稳定状态的影响覆盖。在合成网络和真实网络（如Epperly和Slashdot）上的大量仿真结果证实了我们对影响力扩散动力学的理论分析，并证明了我们的影响力最大化算法优于其他启发式算法的有效性。
2012-12-01 cs.DM cs.SI physics.soc-ph
Influence Maximization in Multi-layer Social Networks Based on Differentiated Graph Embeddings
本文提出Inf-MDE，一种基于差异化图嵌入的多层社交网络影响力最大化方法，通过自适应局部影响力聚合机制，有效捕获层间异质性与层内扩散动态，在多个数据集上显著优于现有方法。
2025-08-14 cs.SI
Social Influence in Social Advertising: Evidence from Field Experiments
社交广告使用关于消费者的同伴的信息，包括同伴与品牌、产品、组织等的关系，来定位广告并将其展示情境化。这种方法可以提高广告效果，主要有两个原因：同伴的联系反映了未观察到的消费者特征，这些特征沿着社交网络相互关联;以及包含社交线索（即，同伴与品牌的关联）与广告一起通过社会影响过程影响反应。出于这些原因，当多个社交信号与广告一起呈现时，以及当广告与强关系而不是弱关系的对等体相关联时，响应可能会增加。我们进行了两个非常大的现场实验，确定社会线索对消费者对广告的反应，广告点击和与广告实体的连接的形成方面测量的效果。在第一个实验中，我们随机化了口碑广告中存在的社交线索的数量，并测量了响应如何作为线索数量的函数增加。第二个实验检查了用最小的社交线索（即，以浅灰色文本在广告下方显示对等体的从属关系）。平均而言，这种提示会显著提高广告效果。使用测量的关系强度的基础上，受试者和他们的同龄人之间的通信总量，我们表明，这些影响力的影响是最大的强关系。我们的工作对广告优化、用户界面设计和社会科学研究中的核心问题都有意义。
2012-06-19 cs.SI physics.soc-ph stat.AP
Social influence makes self-interested crowds smarter: an optimal control perspective
人们经常会看到一群人用相似的信息以一种很大程度上独立的方式解决类似的问题。我们在这里认为，群体可以变得“更聪明”，即，通过部分地遵循平均意见，更有效和更强大。这一观察结果与人们普遍接受的观点背道而驰，即群体的智慧会随着社会影响力而退化。关键的区别在于，个人是自私的，因此会拒绝那些不能提高他们绩效的反馈。我们提出了一个控制理论的方法来计算社会影响的程度，即，一个人接受群体反馈的水平，这优化了性能。我们对人类受试者（$N = 194$）进行了一项实验，其中参与者首先被要求独立解决一个最优化问题，即，不受社会影响。我们的理论方法估计社会影响的$30\%$程度是最佳的，导致人群表现的$29\%$改善。然后，我们让同一批人解决一个新问题，并获得平均意见。令人惊讶的是，我们发现群体中社会影响力的平均程度是$32\%$，表现上有$29\%$的改善：换句话说，群体自组织成一个接近最佳的设置。我们相信，这种使人群“更聪明”的新模式有可能对包括人口健康和政府规划在内的各种领域产生重大影响。我们包括一个案例研究，以展示一群国家如何集体学习优化经济增长的税收和支出水平。
2016-11-04 cs.SI math.OC physics.soc-ph
Power indices of influence games and new centrality measures for social networks
在社会网络分析中，有一种普遍的看法，即影响力与决定社会的全球行为有关，因此它可以用来通过针对适当的初始个体集来加强合作，或者分析全球选择过程。在这里，我们提出了中心性的措施，可以用来分析相关的影响力传播过程中的演员的相关性。在[39]中，它被认为是一个多智能体系统，其中智能体渴望根据对其他个体执行任务的意愿的感知来执行集体任务。该设置使用称为影响力游戏的简单游戏的概念建模。这些游戏是在图上定义的，其中节点由其影响力阈值标记，节点之间的影响力传播用于确定联盟是否获胜。影响力博弈提供了通过经典的权力指数来衡量社会网络中参与者的重要性的工具，并提供了一个考虑新的中心性标准的框架。在本文中，我们考虑了两个最经典的幂指数，即，Banzhaf和Shapley-Shubik指数作为影响力博弈中社交网络的中心性度量。虽然有一些工作与博弈论网络的特定场景相关，但在这里，我们使用这些指数作为任何社交网络中的中心性度量，其中可以应用影响力传播现象。此外，我们定义了新的中心性度量，如满意度和努力度，据我们所知，到目前为止还没有考虑过。我们还进行了比较的建议措施与其他三个经典的中心性措施，度，接近度和介数，考虑三个社交网络。我们表明，在某些情况下，我们的测量提供类似于其他措施的中心层次结构，而在其他情况下，提供不同的层次结构。
2013-06-28 cs.GT cs.SI physics.soc-ph
Estimating Node Influenceability in Social Networks
影响分析是社会网络分析和挖掘中的一个基本问题。影响力分析在社交网络中的重要应用包括病毒式营销的影响力最大化、寻找最具影响力的节点、在线广告等。对于这些应用中的许多应用，评估节点的影响力是至关重要的。本文在广泛应用的影响力传播模型--独立级联模型的基础上，研究了社会网络中节点影响力的评价问题。由于这个问题是P-完全的，大多数现有的工作是基于朴素蒙特卡罗（\nmc）采样。然而，\nmc估计量通常会导致较大的方差，这会显著降低其有效性。为了克服这个问题，我们提出了两个家庭的新的估计的思想的基础上分层抽样。本文首先提出了两种基本的分层抽样（\bss）估计量，即\bssi估计量和\bssii估计量，它们分别通过选择$r$边缘将整个总体划分为$2^r$和$r+1$两个分层。其次，为了进一步减小方差，我们发现\bssi和\bssii估计都可以在每个层上递归地执行，因此我们提出了两个递归分层抽样（\rss）估计，即\rssi估计和\rssii估计。从理论上讲，我们所有的估计是无偏的，他们的方差显着小于\nmc估计的方差。最后，我们在合成数据集和真实数据集上的广泛实验结果证明了我们新估计的效率和准确性。
2012-07-04 cs.DB cs.SI physics.soc-ph
Interpretable Stochastic Block Influence Model: measuring social influence among homophilous communities
MIT Media Lab（麻省理工学院媒体实验室）；McCombs School of Business at UT-Austin（德克萨斯大学奥斯汀分校麦库姆斯商学院）；Harvard University（哈佛大学）
网络上的决策可以用同质性和社会影响来解释。虽然同质性驱动着具有相似特征的社区的形成，但社会影响既发生在社区内部，也发生在社区之间。社会影响可以通过角色理论来解释，即个体之间的影响取决于他们的角色和利益行为。为了操作这些社会科学理论，我们经验性地确定同性恋社区，并使用社区结构来捕捉“角色”，这影响了特定的决策过程。我们提出了一个生成模型命名为随机块影响模型，并共同分析网络的形成和行为的影响，在不同的社区内和不同的社区之间。为了评估性能和证明我们的方法的可解释性，我们研究了在印度的一个村庄的小额信贷的采用决定。我们发现，虽然个人倾向于形成社区内的联系，社区之间有很强的积极和消极的社会影响，支持弱关系理论。此外，我们发现具有共同特征的社区与积极影响有关。相反，缺乏重叠的社区与负面影响有关。我们的框架有利于量化的影响决策社区，因此是一个有用的工具，推动信息扩散，病毒式营销和技术采用。
2020-06-01 cs.LG cs.SI
