The Security of Organizations and Individuals in Online Social Networks
与在线社交网络（OSNs）相关的严重的隐私和安全问题是本论文的两个补充研究的一部分。在第一项研究中，我们开发了一种通用算法，通过使用Facebook（目前最流行的OSN）和社交机器人来挖掘目标组织的数据。通过与目标组织中的员工建立好友关系，我们的主动社交机器人能够找到新员工和非正式的组织联系，这是我们无法通过被动社交机器人找到的。我们在Facebook OSN上评估了我们的方法，并能够重建三个不同的实际组织中员工的社交网络。此外，在主动社交机器人的爬行过程中，我们发现了多达13.55%的员工和22.27%的非正式组织联系，而不是被动社交机器人执行的爬行过程，没有公司协会作为朋友。在我们的第二项研究中，我们开发了一种通用算法，用于使用组织社交网络的拓扑结构并利用社交机器人来接触特定的OSN用户，这些用户声称自己是目标组织的员工。我们对Facebook上的三个实际组织和Xing OSN（另一个流行的OSN平台）上的两个实际组织的目标用户进行了评估。最终，我们的社交机器人能够接触到特定的用户，在Facebook上的成功率高达70%，在Xing上高达60%。
2016-07-19 cs.SI
Socialbots supporting human rights
社交机器人，或非人类/算法社交媒体用户，最近被记录为在线社交网络上的信息传播和破坏竞争。在这里，我们调查了社交机器人在墨西哥Twitter上对“Tanhuato”侵犯人权报告的影响。我们分析了BotOrNot API的适用性，以概括从英语到西班牙语的推文，并提出适应讲西班牙语的机器人检测。然后，我们使用文本和情感分析来比较机器人和人类推文之间的差异。我们的分析表明，机器人实际上有助于人类用户之间的信息扩散。这表明对机器人进行分类的分类法也应该包括非对抗性角色。我们的研究有助于理解在经验性在线社交网络数据中观察到的自动账户的不同行为和意图。由于这种类型的分析很少在不同于英语的语言中进行，我们在这里采用的建议技术也适用于其他非英语语料库。
2017-10-31 cs.CY cs.SI
Adversarial Socialbots Modeling Based on Structural Information Principles
State Key Laboratory of Software Development Environment, Beihang University（北京航空航天大学软件开发环境国家重点实验室）；Zhongguancun Laboratory（中关村实验室）
针对对抗性社交机器人建模不完善阻碍主动检测发展的问题，提出基于结构信息原理的SIASM框架，通过异构图、结构熵优化等实现建模，在影响力和隐蔽性上显著优于现有基线。
2023-12-13 cs.AI cs.SI
Socialbots and the Challenges of Cyberspace Awareness
本文将网络空间感知概念化为含句法、语义和操作维度的社会技术现象，分析社交自动化威胁下各维度的压力源与治理挑战。
2023-05-30 cs.CY cs.HC cs.SI
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
Social Networks Research Aspects: A Vast and Fast Survey Focused on the Issue of Privacy in Social Network Sites
近年来，人们越来越多地参与在线活动，如内容发布，并具有不同种类的关系和交互，以及在线社交网络的出现和人们对它们的广泛倾向，已经导致了大量以前从未有过的有价值的信息的产生和可用性，并引入了一些新的、有吸引力的、变化的、和有用的研究领域。本文综述了近年来有关社交网站信息的研究成果，并介绍了社交网站信息分析的一些重要应用。这将为研究人员引入一些新的研究领域。通过回顾这一领域的研究，我们将提出一个关于在线社交网络的研究主题的分类。这一分类包括17个研究子主题或子领域，这些子领域将与这些子领域中的一些已完成的研究一起介绍。根据个人和私人信息泄露的后果（轻微，重大，有时是灾难性的），研究人员广泛调查的一个研究领域是在线社交网络中的隐私。在概述了SNS的不同研究领域之后，我们将更加关注社交网络中的隐私保护子领域，并介绍了它的不同方面以及这些方面的分类。
2012-01-18 cs.SI
Discovering New Sentiments from the Social Web
复杂系统（CS）研究中的一个持续的挑战是从原始数据的系统的唯象重建。为了正视这一问题，利用声音特征对系统进行推理是从数据处理开始的关键一步。在复杂社会系统的特定情况下，情感分析允许反映情感维度（的一部分）。然而，认为个体情感分类可以涵盖数字社交网络中的新情感现象是不合理的。本论文解决的问题，孤立的情感概念出现在社交网络。在人工智能奇点的类比中，我们提出了对这些新的复杂情感结构的研究和分析，以及它们如何与情感词典相关的经典概念结构相似或不同。推测是，高度复杂的情感结构--无法用人类分类来解释--很可能是从高度动态的社会信息网络中出现的。粗略地说，新的情绪可以从新的全球神经系统中出现，就像它发生在人类身上一样。
2014-06-30 cs.IR cs.SI
Network Classification and Categorization
据我们所知，本文提出了第一个大规模的研究，测试是否网络类别（例如，社交网络与网络图）是彼此可区分的（使用真实世界网络和合成图这两种类别）。使用真实网络和合成网络的随机森林分类器实现了$94.2\%$的分类精度。这项工作有两个重要的发现。首先，来自不同领域的真实网络具有不同的结构属性，使我们能够高精度地预测任意网络的类别。其次，对合成网络进行分类是很简单的，因为我们的模型可以很容易地区分合成图和它们应该建模的真实网络。
2017-09-13 cs.DL cs.SI stat.ML
Eigenvector localization as a tool to study small communities in online social networks
我们提出并讨论了一个数学程序，用于识别大型二分网络中的小“社区”或段。本程序是基于谱分析的矩阵编码网络结构.这里的主要工具是矩阵的特征向量的本地化，通过它相关的网络段变得可见。我们通过分析与Amazon.com上的产品评论相关的数据来说明我们的方法。我们发现了几个部分，一种由紧密相连的评论者和产品组成的混合社区，我们能够根据评论项目的类型和主题分类进行有意义的解释。该方法提供了一种互补的方法，以其他方式的社区检测，通常旨在识别大型网络模块。
2011-05-25 cond-mat.stat-mech cs.SI physics.soc-ph
Multi-Class and Automated Tweet Categorization
DHA Suffa University（DHA苏法大学）
Twitter是世界上最流行的社交媒体平台之一，有数百万人使用。它用于表达关于政治，社会，商业，体育，健康，宗教和其他各种类别的想法和意见。这里报告的研究旨在从文本中检测推文类别。当文本仅由140个字符组成时，它变得非常具有挑战性，充满了噪音。使用文本挖掘或自然语言处理（NLP）和机器学习（ML）技术将推文分类为12个指定类别。据观察，Twitter提供了大量的趋势主题，但要找出这些趋势主题是关于什么的，确实具有挑战性。因此，对于大量的信息抽取任务来说，自动将推文分类为一般类别是非常关键的。通过组合具有不同类别识别复杂度水平的两种不同性质的数据集来构建大数据集。专家们根据适当的准则对它进行了注释，以提高质量和高一致性值。这使得所提出的模型非常强大。各种类型的ML算法被用来训练和评估所提出的模型。这些模型分别在三个数据集上进行了探索。研究表明，数据集的性质是高度非线性的，因此复杂或非线性模型的性能更好。命名为梯度提升的最佳集成模型实现了85%的AUC评分。这比其他相关研究要好得多。
2021-11-13 cs.CL cs.SI
Patterns of Multiplex Layer Entanglement across Real and Synthetic Networks
现实世界中的复杂网络往往表现出多重结构，连接来自社会、交通和生物网络等物理系统不同方面的实体。很少有人知道这样的网络跨学科的一般属性。在这项工作中，我们首先调查如何一致的连接模式在35个现实世界的多路复用网络。我们表明，纠缠的均匀性和强度，层的一致性的两个措施，表明社会和生物网络之间的明显差异。我们还调查贸易，合作和运输网络。我们发现，真正的网络可以分离的联合空间的同质性和强度，展示了有用的两个措施的分类真正的多重网络。最后，我们设计了一个多路复用网络生成器，其中类似的模式（如在真实网络中观察到的），出现在11{，}905合成多路复用网络与各种拓扑特性的分析。
2019-10-11 cs.SI physics.soc-ph
User characterization for online social networks
在线社会网络分析已经引起了极大的关注，大量的用户共享信息和帮助抓取在线社会网络数据的API的可用性。在本文中，我们研究的研究，是有助于用户特征的在线用户可能并不总是揭示他们的真实身份或属性。我们特别关注用户属性确定，如性别、年龄等;用户行为分析，例如欺骗动机;作为用户行为指标的心理模型;用户分类，例如机器人与人类;以及不同社交网络上的实体匹配。我们相信我们的用户特征分析总结将为研究人员提供重要的见解和更好的服务，在线用户。
2016-12-27 cs.SI
Public discourse and news consumption on online social media: A quantitative, cross-platform analysis of the Italian Referendum
随着人们越来越关注假新闻和未经证实的谣言在网络社交媒体上的传播，以及确认偏见所发挥的关键作用，研究人员开始调查这一现象的不同方面。实验证据表明，确认信息得到接受，即使包含故意虚假的索赔，而反对的信息主要是忽略，甚至可能增加群体极化。为了正确解决错误信息问题，我们必须了解内容消费和在线社交媒体叙事出现背后的主要决定因素，这似乎是合理的。在本文中，我们通过在Facebook公共页面和Twitter帐户上进行定量、跨平台分析，重点关注围绕意大利宪法公投的讨论，以应对这一挑战。我们观察到在这两个平台上自发出现了分离良好的社区。这种分离完全是自发的，因为事先没有对内容进行分类。通过探索讨论背后的动态，我们发现用户倾向于将他们的注意力限制在一组特定的Facebook页面/Twitter帐户上。最后，利用自动主题提取和情感分析技术，我们能够识别两个平台内部和跨平台的最具争议的主题。我们衡量的是某个主题在帖子/推文中的呈现方式与用户的相关情感反应之间的距离。我们的研究结果为理解不同回声室背后的核心叙事的演变以及早期发现虚假声明周围的大规模病毒现象提供了有趣的见解。
2017-06-16 cs.SI physics.soc-ph
How Embeddedness Affects the Evolution of Collaboration: The Role of Knowledge Stock and Social Interactions
本文研究嵌入性如何影响协作创新网络的动态演化，通过提取知识要素并应用随机行动者导向模型进行纵向分析，揭示了社会与知识网络嵌入性对协作动态的影响机制。
2023-11-10 cs.SI
An Automated System for Discovering Neighborhood Patterns in Ego Networks
一般来说，社会网络分析往往侧重于网络的拓扑结构，而不考虑其中所涉及的个人的特征。由于个体是图的基本实体，因此对个体行为的研究较少。给定一个移动社交网络图，从节点中提取关键信息的好特征是什么？自我节点存在多少种不同的邻域模式？这些信息为长期研究节点提供了什么线索？在这份报告中，我们开发了一个自动化系统，以发现发生的原型自我为中心的模式从数据。我们的目标是提供一个数据驱动的工具，用于行为科学的图形解释。我们分析来自智能手机收集的真实数据的社交网络。我们选择了13个著名的网络措施，特别是那些与自我图。我们形成八个特征子集，然后使用无监督聚类技术来评估它们的性能，以发现以自我为中心的模式。从聚类分析中，我们发现八个不同的邻居模式已经出现。这种分类允许在用户数据随时间变化时对其进行简明分析。结果提供了一个细粒度的分析，不同的功能集的贡献，以检测独特的聚类模式。最后，作为一个案例研究，两个数据集进行了长期的研究，以证明该方法的实用性。该研究表明，所提出的方法在发现数据的重要趋势的有效性。
2015-03-16 cs.SI physics.soc-ph
Recurrent Graph Neural Networks for Rumor Detection in Online Forums
University of Southern California（南加州大学）；Google（谷歌）；Google Research（谷歌研究院）
在线社交网络在日常生活中的广泛采用产生了对有效地分类用户生成的内容的迫切需要。这项工作提出了分类链接的内容在论坛网站上传播的技术-特别是，链接到新闻文章或博客-单独使用用户交互信号。重要的是，Reddit等在线论坛没有用户生成的社交图谱，这是在基于社交网络行为的分类设置中假设的。使用Reddit作为案例研究，我们展示了如何获得派生的社交图，并使用此图，Reddit帖子序列和评论树作为递归图神经网络（R-GNN）编码器的输入。我们训练了R-GNN的新闻链接分类和谣言检测，显示出优于最近基线的结果。我们的代码可在https://github.com/google-research/social_cascades上公开获取。
2021-08-08 cs.LG cs.SI
Harnessing Folksonomies for Resource Classification
在我们的日常生活中，将资源组织成一组类别是一项常见的任务。随着资源集合的增加，分类变得更加有用。例如，大量的书籍、电影和网页分别在图书馆中编目，在数据库中组织，在目录中分类。然而，这些集合通常都很大，需要大量的努力和惊人的费用来手动组织。最近的研究正在朝着开发自动分类器，减少不断增加的成本和工作的任务。很少有工作已经做了分析的适当性，并探讨如何利用用户提供的社会标记系统作为数据源的注释。这些系统上的用户通过以标签的形式附加注释来将资源保存为社交环境中的书签。事实证明，这些标签不仅为注释者本身，而且为整个社区提供了资源检索的便利。同样，这些标记提供了有意义的元数据，这些元数据引用了资源的内容。在这篇论文中，我们处理利用这些用户提供的标签在搜索最准确的分类资源相比，专家驱动的分类。据我们所知，这是第一个研究工作，利用社会标签进行实际的分类实验。通过探索这些系统的特点和本质以及底层的大众分类法，本文揭示了最大限度地利用社会标签进行自动资源分类任务的方法。因此，我们相信这项工作的贡献对于该领域未来的研究人员以及科学界来说都是最感兴趣的，以便更好地理解这些系统并进一步利用从社交标签中获得的知识。
2012-04-29 cs.DL cs.IR cs.SI
MultiSiam: A Multiple Input Siamese Network For Social Media Text Classification And Duplicate Text Detection
Pune Institute of Computer Technology（浦那计算机技术学院）
本文提出多输入孪生网络MultiSiam，并基于其构建SMCD模型，以同时完成社交媒体文本的重复分组与分类任务。
2024-01-06 cs.AI cs.CL cs.LG
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
A Survey on Quantitative Modeling of Trust in Online Social Networks
本文综述了在线社交网络中信任建模的最新发展，涵盖信任理论、算法分类、建模机制及应用实践，旨在为信任量化建模提供全面的参考和指导。
2026-02-26 cs.AI cs.CR cs.CY
DisTrack: a new Tool for Semi-automatic Misinformation Tracking in Online Social Networks
Universidad Politécnica de Madrid（马德里理工大学）
本文提出DisTrack工具，结合NLP、社交网络分析和图可视化，用于检测、追踪和溯源在线社交网络中的错误信息，并通过三个案例研究验证其有效性。
2024-08-01 cs.AI cs.SI
Political Leaning Inference through Plurinational Scenarios
HiTZ Center - Ixa, University of the Basque Country UPV/EHU（巴斯克大学UPV/EHU HiTZ中心 - Ixa）
本文针对西班牙三个多民族地区，提出基于转推的无监督用户表示方法Relational Embeddings，在二元及多党派框架下实现政治倾向推断，实验证明其在有限训练数据下依然有效。
2024-06-12 cs.CL cs.CY cs.SI
