Collaborative Filtering with Social Local Models
矩阵分解(MF)是一种非常流行的推荐方法。它假设下面的评级矩阵是低秩的。但是,这种假设对于捕捉用户和项之间的复杂关系和交互来说限制太大。最近,局部低秩矩阵近似(LLORMA)已被证明是非常成功地解决这个问题。它只是假设评级矩阵是由一些低秩的子矩阵构造相似的用户和项目的子集。虽然LLORMA优于MF,但如何构造这样的子矩阵仍然是一个大问题。受当今推荐系统中丰富的社会联系的可用性的启发,我们提出了一个新的框架,即,社会LOcal低秩矩阵近似(SLOMA),以解决这个问题。据我们所知,SLOMA是第一个将社会联系纳入本地低级别框架的工作。此外,我们通过将社会正则化应用于子矩阵分解来增强SLOMA,表示为SLOMA++。因此,该模型可以受益于社会推荐和本地低秩假设。在Yelp和豆瓣两个真实数据集上的实验结果表明,该模型优于LLORMA和MF.
2017-09-14 cs.SI
Regulating algorithmic filtering on social media
通过过滤用户看到的内容,社交媒体平台有能力影响用户的看法和决定,从他们的餐饮选择到他们的投票偏好。这种影响已经引起了人们的关注,许多人呼吁对过滤算法进行监管,但设计和执行法规仍然具有挑战性。在这项工作中,我们研究三个问题。首先,给定一项法规,如何设计审计来执行它?第二,审核是否会给平台带来绩效成本?第三,审核对平台被激励过滤的内容有何影响?作为回应,我们提出了一种方法,这样,给定一个规定,审计师可以测试是否符合该规定,只有黑盒访问过滤算法。然后,我们转向平台的视角。该平台的目标是在满足监管的同时最大化目标函数。我们发现,在某些情况下,监管不会对平台造成高性能成本,特别是,内容多样性可以在协调平台和监管机构的利益方面发挥关键作用。
2021-11-02 cs.CY cs.SI
Few-shot Learning for Multi-modal Social Media Event Filtering
University of Campinas(坎皮纳斯大学);Institute of Computing(计算研究所)
社交媒体已成为事件分析的重要数据来源。在收集此类数据时,大多数数据都不包含对目标事件有用的信息。因此,必须尽早过滤掉这些噪声数据,以便人类专家进行进一步检查。大多数现有的事件过滤解决方案都依赖于完全监督的训练方法。然而,在许多现实世界的场景中,访问大量的标记样本是不可能的。针对事件过滤中的少量标记样本训练问题,提出了一种基于图的少样本学习流水线。我们还发布了巴西抗议数据集来测试我们的方法。据我们所知,该数据集是第一个专注于多模态社交媒体数据中的抗议活动的事件过滤数据集,其中大部分文本都是葡萄牙语。我们的实验结果表明,我们提出的管道具有相当的性能,只有少数标记的样本(60)相比,一个完全标记的数据集(3100)。为了方便研究社区,我们在https://github.com/jdnascim/7Set-AL上提供我们的数据集和代码。
2022-11-16 cs.LG cs.SI
Content-Based Filtering for Video Sharing Social Networks
Preparatory School of Air Cadets(空军学员预备学校)
在本文中,我们比较了视频社交网络内容过滤任务中几个特征的使用,这是一项非常具有挑战性的任务,不仅是因为不需要的内容与非常高级的语义概念有关(例如,色情、暴力等)而且还因为来自社交网络的视频是极其混杂的,从而阻止了对受约束的先验信息的使用。我们提出了一种简单的方法,能够结合不同的证据,来自不同的功能和各种视频元素(整个视频,镜头,帧,关键帧等)。我们评估我们的方法在三个社交网络应用程序,涉及到检测不需要的内容-色情视频,暴力视频,和视频发布人为操纵流行度分数。使用具有挑战性的测试数据库,我们表明,这个简单的计划是能够获得良好的效果,只要选择足够的功能。此外,我们建立了一个表示使用时空局部描述符的码本的成功的方法在所有三个上下文中的关键。这是必然的,因为最先进的技术仍然严重依赖于静态功能的任务解决。
2011-01-12 cs.CV cs.SI
Self-Organizing Flows in Social Networks
社交网络为用户提供了获取信息的新手段,基本上依赖于“社交过滤”,即通过社交联系传播和过滤信息。在这些网络中流动的数据量之大,再加上每个用户的注意力预算有限,很难确保社交过滤为感兴趣的用户带来相关内容。我们在这篇论文中的动机是衡量在何种程度上的社会网络的自组织结果在有效的社会过滤。为此,我们引入流游戏,一个简单的抽象模型网络的形成下自私的用户动态,具有用户特定的利益和预算的注意力。在同质用户利益的背景下,我们表明,自私的动态收敛到一个稳定的网络结构(即纯纳什均衡)与接近最优的信息传播。相反,我们表明,对于更现实的情况下,不同的利益,融合,如果发生,可能会导致信息传播,可以任意低效,捕捉到一个无限的“无政府状态无政府代价“。然而,当用户的兴趣表现出特定的结构,由一个度量空间与低倍维捕获的情况有所不同。在这种情况下,自然的自主动态收敛到一个稳定的配置。此外,用户在相应的传播中获得他们感兴趣的所有信息,只要他们的注意力预算在他们的兴趣集的大小上是对数的。
2015-02-28 cs.GT cs.NI cs.SI
Automatic Image Filtering on Social Networks Using Deep Learning and Perceptual Hashing During Crises
Qatar Computing Research Institute(卡塔尔计算研究所);Hamad Bin Khalifa University(哈马德·本·哈利法大学)
广泛使用社交媒体平台,特别是在灾害期间,为人道主义组织了解情况并相应地开展救济行动创造了独特的机会。除了文本内容,人们在灾难发生后的几分钟内在社交网络上发布了大量的图像数据。研究指出了这种在线图像内容对应急响应的重要性。尽管最近在计算机视觉领域取得了进展,但与危机相关的社交媒体图像数据的自动处理仍然是一项具有挑战性的任务。这是因为其中大部分内容都是冗余和不相关的内容。在本文中,我们提出了一个图像处理管道,包括重复数据删除和相关性过滤机制,以收集和过滤社会媒体的图像内容在危机事件的实时。在真实世界的危机数据集上进行了大量的实验,结果证明了所提出的管道对于优化利用人力和机器计算资源的重要性。
2017-04-09 cs.CV cs.CY cs.SI
SocFedGPT: Federated GPT-based Adaptive Content Filtering System Leveraging User Interactions in Social Networks
Southern Illinois University Carbondale(南伊利诺伊大学卡本代尔分校);University of Texas at El Paso(德克萨斯大学埃尔帕索分校)
本文提出SocFedGPT系统,通过联邦学习框架融合个性化GPT和社交媒体LLM,结合用户画像、社交参与度量化及矩阵分解实现隐私保护的实时内容过滤与个性化推荐。
2024-08-07 cs.DC cs.IR cs.LG
Pulse of the Pandemic: Iterative Topic Filtering for Clinical Information Extraction from Social Media
COVID-19大流行的快速演变凸显了在公共卫生紧急情况下迅速传播最新临床知识的必要性。社交媒体是医疗保健专业人员(HCP)分享前线知识和经验的一个非常有效的平台(例如,Twitter上的“#medtwitter”社区)。然而,在没有手动标记的情况下识别社交媒体中的临床相关内容是一个挑战,因为大量的不相关数据。我们提出了一种无监督的迭代方法来从社交媒体数据中挖掘临床相关信息,该方法首先对HCP撰写的文本进行分类过滤,并将主题建模和概念提取与MetaMap相结合。该方法从2020年1月至6月中旬的一组约5200万条COVID-19相关推文中识别出具有高度临床相关性的粒度主题和推文。我们还表明,由于该技术不需要手动标记,它可以用来识别每周的基础上出现的主题。我们的方法可以通过在快速变化的信息环境中促进医疗工作者之间的知识转移,并通过提供一种高效和无监督的方式来突出潜在的临床研究领域,从而帮助应对未来的公共卫生紧急情况。
2021-06-28 cs.CY cs.SI
A Fast Recommendation Algorithm for Social Tagging Systems : A Delicious Case
三分图是诸如Delicious之类的社交标记系统中最常见的拓扑结构之一,其具有三种类型的节点(即,用户、URL和标签)。传统的基于协同过滤的社会化标签推荐系统对CPU时间开销有很高的要求。本文针对这一问题,提出了一种新的方法,通过粗聚类同时提取不重叠的用户聚类和对应的重叠项目聚类,以加速基于用户的协同过滤,并为社会化标签系统开发一种快速推荐算法。实验结果表明,与普通的基于用户的协同过滤算法相比,该方法能够显著降低$90\%$的处理时间开销,并相对提高了准确率。
2015-12-28 cs.IR cs.SI
A decentralized trust-aware collaborative filtering recommender system based on weighted items for social tagging systems
推荐系统用于向社交网络中的用户推荐内容和资源。这些系统使用每个用户分配给不同资源的排名或标签来预测或向用户提出建议。最近,用户可以插入新内容、标记、组织、共享和搜索内容的社交标记系统变得越来越流行。这些系统有很多有价值的信息,但数据增长是其最大的挑战之一,这导致需要推荐系统来预测每个用户可能喜欢或需要什么。一种方法来设计这些系统,使用社会环境的用户被称为协同过滤(CF)。CF系统中的问题之一是用户及其标签的可信性。在这项工作中,我们考虑的信任度量(这是从用户的标记行为)旁边的相似性,给出建议,并检查其对结果的影响。另一方面,介绍了一种分散的方法,以分布式的方式计算用户之间的相似性和信任关系。这导致了在所有类型的用户之间实现所提出的方法的能力,相对于不同类型的项目,这是通过唯一的ID跨异构网络和环境访问。最后,我们表明,所提出的模型用于计算用户之间的相似性,减少了用户项目矩阵的大小,并考虑在协作系统中的信任,可以导致更好的性能生成建议。
2019-06-12 cs.IR cs.SI
Echo Chambers and Segregation in Social Networks: Markov Bridge Models and Estimation
本文研究了社交网络中的回声室和隔离现象的建模和估计。具体来说,我们提出了一种新的基于社区的图形模型,代表出现隔离回声室作为马尔可夫桥过程。马尔可夫桥是一个一维马尔可夫随机场,它有助于在确定性时间对社区的形成和分离进行建模,这在具有已知定时事件的社交网络中很重要。我们用六个真实世界的例子证明了所提出的模型,并在最近的Twitter数据集上检查了它的性能。我们提供了模型参数估计算法的基础上最大似然,贝叶斯滤波算法递归估计的隔离水平,使用噪声样本从网络中获得。数值结果表明,所提出的滤波算法优于传统的隐马尔可夫模型的均方误差。建议的过滤方法是有用的,在计算社会科学中,需要从噪声数据的隔离水平的数据驱动的估计。
2020-12-25 cs.SI eess.SP
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
Recommending Users: Whom to Follow on Federated Social Networks
为了培养活跃且参与的社区,社交网络采用过滤大量内容并向用户提供网络的个性化视图的推荐算法。流行的社交网络,如Facebook和Twitter,通过列出用户可能有兴趣联系的简档来生成关注推荐。联邦社交网络旨在通过分散权力和促进隐私来解决与流行的社交网络相关的问题,例如大规模的用户监视和滥用用户数据来操纵选举。由于它们最近出现,推荐系统还不存在于联合社交网络中。为了使这些网络更有吸引力,促进社区建设,我们研究如何推荐算法可以应用到分散的社交网络。我们提出了一个离线和在线评估两种推荐策略:基于BM 25的协同过滤推荐和基于拓扑的推荐使用个性化的PageRank。我们的联邦社会网络Mastodon的一个大的无偏样本的实验表明,协同过滤方法优于基于拓扑的方法,而这两种方法显着优于随机推荐。随后的现场用户实验乳齿象使用平衡交错显示,协同过滤推荐器的性能与基于拓扑的推荐器不相上下。
2018-11-22 cs.IR cs.SI
ASSED -- A Framework for Identifying Physical Events through Adaptive Social Sensor Data Filtering
Georgia Institute of Technology(佐治亚理工学院)
物理事件检测长期以来一直是对数字传感器数据进行操作的静态事件处理器的领域。这适用于大规模的强信号事件,如飓风,以及重要类别的事件,如地震。然而,对于各种域,存在不足的传感器覆盖,例如,山体滑坡野火和洪水社交网络提供了来自数十亿用户的海量数据,但来自这些通用社交传感器的数据包含比物理传感器多得多的噪声。社交传感器提出的最困难的挑战之一是\textit{concept drift},其中与现象相关联的术语随着时间的推移而演变和变化,使得静态机器学习(ML)分类器效率较低。为了解决这个问题,我们开发的ASSED(自适应社会传感器事件检测)框架与基于ML的事件处理引擎,并显示它如何可以执行简单和复杂的物理事件检测强\textit{and}弱信号低延迟,高扩展性,准确的覆盖范围。具体而言,ASSED是一个框架,用于支持使用来自高置信度源(物理和注释传感器)和社交网络的流数据进行机器学习的连续过滤器生成和更新。我们建立ASSED,以支持将高置信度源集成到社交传感器事件检测中的程序,以生成高质量的过滤器,并通过跟踪其自身的性能来执行动态过滤器选择。我们展示了ASSED的能力,通过一个滑坡检测应用程序,检测到近350%的滑坡相比,静态的方法。更重要的是,ASSED自动化处理概念漂移:在初始数据汇集和分类器训练四年后,ASSED实现了0.988的事件检测准确度(无需专家手动干预),而静态方法为0.7…
2019-09-17 cs.LG cs.SI eess.SP
Synchronization of Online Social Rhythms via Avatar Communications
在这项研究中,我们认为用户的在线通信节奏(在线社会节奏)在一个复杂的社会网络耦合振荡器。用户的节奏可能会被带入他们的朋友的节奏中,并且这种节奏的宏观尺度模式可以出现。我们研究了在线社交节奏的夹带和使用化身通信数据集的节奏的远程相关性。我们指出,如果新联系的强度达到一个阈值,在线社交节奏就会出现。这种夹带通过密集连接的集群传播。因此,在线社交节奏的长距离相关性扩展到约36%的网络,尽管离线社交生活自然会限制在线社交节奏。这项研究支持人类社会动力学的耦合振荡器系统的理解。
2022-10-26 cs.SI physics.soc-ph
Processing Social Media Messages in Mass Emergency: A Survey
社交媒体平台在群众聚集和自然灾害造成的灾害等紧急事件期间提供了积极的沟通渠道。因此,第一反应者,决策者和公众可以使用这些信息来深入了解情况。特别是,在紧急情况期间传播的许多社交媒体信息传达了及时、可采取行动的信息。然而,处理社交媒体消息以获取此类信息涉及解决多个挑战,包括:处理信息过载,过滤可信信息,以及优先处理不同类别的消息。这些挑战可以映射到经典的信息处理操作,例如过滤、分类、排序、聚合、提取和汇总。我们调查了最先进的计算方法来处理社交媒体消息,专注于他们在应急响应场景中的应用。我们研究了这种设置的特殊性,然后有条不紊地研究了一系列关键的子问题,从事件的检测到创建可操作的和有用的摘要。
2015-04-16 cs.CY cs.SI
Follow Spam Detection based on Cascaded Social Information
在过去的十年中,我们见证了在线社交网络服务(SNS)的爆炸式增长,如Facebook,Twitter,RenRen和LinkedIn。虽然SNS提供了各种各样的好处,例如,促进人际关系,社区形成和新闻传播,但它们也吸引了不请自来的妓女。垃圾邮件发送者滥用SNS作为快速和广泛传播垃圾邮件的工具。垃圾邮件、未经请求的或不适当的信息严重损害了服务的可信度和可靠性。因此,检测垃圾邮件发送者已成为一个紧迫和关键的问题,在SNS。本文讨论了Twitter中的Follow垃圾邮件。垃圾邮件发送者不会向公众传播烦人的信息,而是跟踪(订阅)合法用户,并跟踪合法用户。基于垃圾邮件发送者的在线关系与合法用户的在线关系不同的假设,我们提出了检测垃圾邮件发送者的分类方案。特别是,我们专注于级联的社会关系,并设计了两个计划,TSP过滤和SS过滤,其中每一个都利用三重显着性配置文件(TSP)和社会地位(SS)在一个两跳的子网络集中在对方。我们还提出了一个empersion技术,级联过滤,结合TSP和SS属性。我们在真实Twitter数据集上的实验表明,所提出的三种方法是非常实用的。所提出的方案是可扩展的,因为它们不是分析整个网络,而是检查以用户为中心的两跳社交网络。我们的性能研究表明,所提出的方法产生显着更好的性能比以前的计划在真阳性和假阳性。
2016-05-02 cs.IR cs.SI
Measuring Online Social Bubbles
社交媒体已迅速成为获取信息、传播思想和影响意见的流行渠道。然而,有人认为,社交和算法过滤可能会导致暴露于不太多样化的观点,甚至助长两极分化和错误信息。在这里,我们首次在集体和个人层面上定量地探索和验证这一假设,通过挖掘三个大规模的网络流量,搜索日志和Twitter帖子数据集。我们的分析表明,与搜索相比,人们通过社交媒体和电子邮件从更窄的来源获取信息。通过调查用户在集体和个人层面上所经历的信息源多样性之间的关系,揭示了这一发现对个人暴露的意义。集体多样性和个人多样性之间存在着很强的相关性,这支持了这样一种观点,即当我们使用社交媒体时,我们会发现自己处于“社交泡沫”之中。我们的研究结果可能会让我们更深入地了解技术如何使我们对新信息的接触产生偏见。
2015-10-28 cs.SI physics.soc-ph
Modelling Opinion Dynamics in the Age of Algorithmic Personalisation
现代技术已经彻底改变了我们互动和消费信息的方式。例如,在线社交平台允许以前所未有的规模进行无缝通信交流。然而,我们仍然受到认知和时间的限制。我们的注意力是有限的,但非常宝贵。网络个性化已成为解决信息过载问题的标准方法。因此,我们对朋友的意见和我们对重要问题的看法可能会被扭曲。然而,算法守门对我们超连接社会的影响却知之甚少。在这里,我们设计了一个观点动力学模型,其中个人通过社会网络连接,并采用意见作为他们所接触的观点的函数。我们应用各种过滤算法,选择显示给用户的意见i)随机ii)考虑时间排序或iii)他们当前的信念。此外,我们研究了这些机制和真实网络的关键特征之间的相互作用。我们发现算法过滤可能会影响意见的分享和分布,特别是在信息偏向每个用户当前意见的情况下。这些效应在具有拓扑和空间相关性的网络中得到加强,其中出现回声室和极化。相反,连接模式的异质性降低了这种趋势。我们还考虑一种情况下,一个意见,通过轻推,集中推给所有用户。有趣的是,即使是最小的推动也能够改变现状,使其朝着所需的观点发展。我们的研究结果表明,简单的过滤算法可能是调节社交网络上发生的观点动力学的强大工具
2018-11-08 cs.SI physics.soc-ph
A Neural Attention Model for Adaptive Learning of Social Friends' Preferences
Maastricht University(马斯特里赫特大学)
基于社会的推荐系统利用好友的选择来对抗用户偏好的数据稀疏性,提高协同过滤策略的推荐准确率。主要的挑战是捕捉和权衡朋友的偏好,因为在实践中,他们确实必然匹配。本文提出了一种用于社会协同过滤的神经注意力机制,即NAS。我们设计了一个神经架构,通过考虑朋友对用户行为的社会潜在影响来仔细计算朋友偏好的非线性。此外,我们引入了一个社会行为的注意力机制,自适应地权衡朋友对用户偏好的影响,从而产生准确的建议。我们在公开数据集上的实验证明了所提出的NAS模型比其他最先进的方法的有效性。此外,我们研究了建议的社会行为注意力机制的效果,并表明它是一个关键因素,我们的模型的性能。
2019-06-29 cs.IR cs.LG cs.SI
A Distributed Method for Trust-Aware Recommendation in Social Networks
本文详细介绍了一个分布式的信任感知推荐系统。基于信任的广告商最近受到了很多关注。基于信任的推荐主要是为了解决传统协同过滤推荐中存在的问题。这些问题包括用户冷启动、易受攻击等。我们提出的方法是一种分布式的方法,可以很容易地部署在社交网络或现实生活中的网络,如传感器网络或对等网络。
2010-11-10 cs.SI
Stance Inference in Twitter through Graph Convolutional Collaborative Filtering Networks with Minimal Supervision
社交媒体(SM)已经成为人们分享思想,情感,意见以及日常生活中几乎所有其他方面的舞台。这种丰富的人际互动使得SM对社会感知特别有吸引力。特别是在政治选举或公投等两极分化事件中,用户发布信息并鼓励其他人支持他们的立场,使用标签等符号来代表他们的态度。然而,许多用户选择不将标签附加到他们的消息中,使用不同的语言,或仅间接地显示他们的立场。因此,自动识别他们的意见成为一项更具挑战性的任务。为了揭示这些隐含的观点,我们提出了一个基于图卷积网络的协同过滤模型,该模型利用了消息中的文本内容以及用户和主题之间的丰富联系。此外,与最先进的解决方案相比,我们的方法只需要很小的注释工作。尽管如此,该模型在预测个人的立场方面取得了有竞争力的性能。我们分析了2020年和2022年智利两次宪法公投前用户的态度。使用两个大型Twitter数据集,我们的模型在召回率和准确率方面分别比基线提高了3.4%和3.6%。
2023-03-30 cs.SI
User recommendation in reciprocal and bipartite social networks -- a case study of online dating
我们日常生活中的许多社交网络都是建立在互惠基础上的双边网络。我们如何向用户推荐用户/朋友,让用户对推荐的用户感兴趣并产生吸引力?在本研究中,我们提出了一个新的协同过滤模型,以提高用户推荐在互惠和双向社交网络。该模型考虑了用户在挑选他人时的“品味”和被他人挑选时的“吸引力”。一个在线交友网络的案例研究表明,新模型在推荐初始联系人和互惠联系人方面都具有良好的性能。
2014-02-20 cs.IR cs.SI physics.soc-ph
Network-based information filtering algorithms: ranking and recommendation
在互联网和万维网变得流行和广泛可用之后,个人的电子存储在线交互迅速成为研究人员的挑战,并且可能甚至更快地成为企业家的有价值信息的来源。我们现在有详细的记录,包括社交网络中的非正式友谊关系、电子商务网站上的购买、用户之间发送的各种信息、网络书签的在线收集,以及许多其他数据集,这些数据集使我们能够提出从学术和商业角度都感兴趣的问题。例如,您可能希望与社交网络的哪些其他用户成为朋友?您可能有兴趣购买哪些其他产品?谁是网络中最有影响力的用户?您接下来可能要访问哪个网页?所有这些问题不仅本身有趣,而且它们的答案可能有助于企业家为客户提供更好的服务,并最终增加他们的利润。
2012-08-22 cs.IR cs.SI physics.data-an
Using social network graph analysis for interest detection
Zato Novo, LLC(Zato Novo有限责任公司);CUNY(纽约城市大学)
一个人的利益是作为一种内在状态而存在的,很难界定。由于只有外部行为是可观察的,因此必须使用代表某人利益的代理。像协同过滤、行为定位和标签分析这样的技术隐含着对个人兴趣的建模。我认为,这些模型仅限于肤浅的,暂时的利益,这并不能反映人们更深层次的利益或激情。我提出了一个替代模型的利益,利用用户的社交图。基本原则是人们只关注他们感兴趣的东西,因此社交图是人们兴趣的有效和强大的代理。
2014-10-01 cs.CL cs.SI physics.soc-ph
An Adaptive Similarity Measure to Tune Trust Influence in Memory-Based Collaborative Filtering
Shiraz University(设拉子大学)
推荐系统的目的是为每个用户提供相关的和潜在的有趣的信息。这通过利用已经记录的相似用户的倾向或检测与用户的感兴趣项目相似的项目来实现。在最近的研究中,如数据稀疏和冷启动问题的挑战。利用社会信息不仅可以提高预测精度,还可以解决数据稀疏性的挑战。在本文中,我们研究的影响,使用直接和间接的信任信息在基于记忆的协同过滤推荐系统。提出了一种自适应的相似性度量,并使用两种学习方案,贪婪和基于梯度的优化调整社会信息的贡献。所提出的方法的结果进行了比较与国家的最先进的基于内存和基于模型的CF方法在两个现实世界的数据集,Epperly和FilmTrust。实验表明,该方法在设计一个准确、全面的推荐系统方面是非常有效的。
2019-12-18 cs.IR cs.LG cs.SI
The effect of algorithmic bias and network structure on coexistence, consensus, and polarization of opinions
现代社会的个人在一个普遍的、可变的、几乎隐藏的内容过滤技术生态系统中分享想法并参与集体过程,这些技术决定了我们在网上看到的信息。尽管这些算法对日常生活和社会产生了影响,但人们对它们对信息传递和意见形成的影响知之甚少。因此,目前还不清楚算法偏见在多大程度上会对集体决策产生有害影响,例如倾向于辩论。在这里,我们介绍了一个一般的理论框架,系统地链接模型的观点动力学,社会网络结构,和内容过滤。我们展示了我们的框架的灵活性,通过探索一个家庭的二进制状态观点动力学模型,信息交换在于从成对组相互作用的频谱。所有的模型都显示出由算法偏差和模块化网络结构驱动的意见极化机制。然而,内容过滤的作用令人惊讶地微妙;对于成对交互,它导致两极分化,而对于群体交互,它促进了意见的共存。这使我们能够确定哪些社交互动对算法偏见具有鲁棒性,哪些社交互动容易受到偏见增强的意见两极分化的影响。我们的框架提供了理论基础的发展,以解决有害影响的在线偏见,如信息瓶颈,回音室,和意见激进。
2022-10-27 cs.SI physics.soc-ph
Interpreting Graph-based Sybil Detection Methods as Low-Pass Filtering
在线社交网络(OSN)受到Sybil攻击的威胁,这些攻击在OSN上创建虚假帐户(也称为Sybils)并将其用于各种恶意活动。因此,Sybil检测是OSN安全的一项基本任务。大多数现有的Sybil检测方法都是基于OSN的图结构,最近已经提出了各种方法。然而,尽管几乎所有的方法都在检测性能和噪声鲁棒性方面进行了实验比较,但仍然缺乏对它们的理论理解。在这项研究中,我们表明,现有的基于图形的Sybil检测方法可以解释在一个统一的框架低通滤波。该框架使我们能够从两个角度对每种方法进行理论上的比较和分析:滤波核性质和移位矩阵的谱。我们的分析表明,每种方法的检测性能取决于如何以及低通滤波可以提取低频分量和去除噪声的高频分量。在此基础上,提出了一种新的Sybil检测方法SybilHeat。在合成图和真实社交网络上的数值实验表明,SybilHeat在具有各种结构特性的图上表现良好。该研究为基于图的Sybil检测奠定了理论基础,并有助于更好地理解Sybil检测方法。
2022-06-22 cs.CR cs.SI
Dynamics of Information Diffusion and Social Sensing
使用社交传感器的统计推断是一个已经取得显着进展的领域,并且与应用相关,包括针对有针对性的广告,营销,自然灾害的本地化以及预测金融市场投资者的情绪。本章从通信/信号处理的角度,介绍了社交网络中基于感知的信息扩散的四个重要方面。首先,扩散模型的信息交换,在大规模的社交网络与社会感测通过社交媒体网络,如Twitter的考虑。其次,贝叶斯社会学习模型和风险规避社会学习被认为是在金融和在线信誉系统的应用。第三,在微观经济学理论中出现的显示偏好的原则是用来解析数据集,以确定是否社会传感器是效用最大化,然后确定其效用函数。最后,社会传感器与YouTube频道所有者的互动进行了研究,使用时间序列分析方法。所有这四个主题都在来自健康网络,社交媒体和心理实验的实际实验数据集的背景下进行了解释。此外,算法利用上述模型来推断基于社会感知的潜在事件。本章介绍的概述、见解、模型和算法源于网络科学、经济学和信号处理领域的最新发展。在更深的层次上,本章考虑网络的平均场动力学,风险厌恶贝叶斯社会学习过滤和最快变化检测,在社会传感器的有向无环图决策中的数据乱伦,效用函数估计的逆优化问题(显示偏好)和YouTube社交网络中交互社会传感器的统计建模。
2018-08-15 cs.SI physics.soc-ph
The Paradox of Information Access: On Modeling Social-Media-Induced Polarization
本文开发了一个随机模型的漂移在人类的信念,表明今天的绝对量的可访问的信息,结合消费者的确认偏见和自然偏好更外围的内容,必然会导致两极分化增加。这个模型解释了在分享增加的时代,意识形态日益分裂的悖论。由于社交媒体、搜索引擎和其他实时信息共享渠道声称促进对信息的访问,因此由于随之而来的信息过载而产生了对内容过滤的需要。一般来说,消费者会选择与其个人观点和价值观相匹配的信息。这种选择中固有的偏见与当今的信息策展服务相呼应,这些服务通过根据观察到的消费者偏好过滤新内容来最大化用户参与度。因此,个人接触到的意识形态范围越来越窄,从而使社会分裂成意识形态上越来越孤立的飞地。我们称之为信息获取的悖论。该模型还表明,只要注入少量定位良好的错误信息,就可以造成不成比例的损害。本文介绍了建模方法,并评估不同的人口规模和参数设置的建模结果。
2021-01-15 cs.SI
A Coupled Friedkin-Johnsen Model of Popularity Dynamics in Social Media
本文提出一个广义的离散时间 Friedkin-Johnsen 动力学系统,建模社交媒体上影响者争夺流行度的演化过程,揭示了社会影响、过往流行度与内容质量对流行度的共同作用。
2025-06-30 cs.SI cs.SY eess.SY
Structure-Preserving Sparsification Methods for Social Networks
稀疏化减少了网络的大小,同时保留了感兴趣的结构和统计特性。各种稀疏化算法已被提出在不同的上下文中。我们贡献了第一个系统的概念和实验比较\textit{edge sparsification}方法对一组不同的网络属性。结果表明,它们可以被理解为方法的重要性,然后过滤全球或本地这些分数的边缘评级。我们表明,应用局部滤波技术提高了各种属性的保存。此外,我们提出了一种新的稀疏化方法(\textit{Local Degree}),它保留了导致本地枢纽节点的边缘。所有的方法进行评估的一组社交网络从Facebook,Google+,Twitter和LiveJournal的网络属性,包括直径,连接组件,社区结构,多个节点的中心性措施和行为的流行病模拟。为了评估社区结构的保存情况,我们还包括对具有地面真实社区的综合生成网络的实验。我们实现的稀疏化方法(包括在开源网络分析工具套件NetworkKit)的实验表明,许多网络属性可以保留到约20%的原始边缘集的稀疏图与合理的密度。实验结果使我们能够区分不同方法的行为,并显示哪种方法适用于哪种属性。虽然我们的局部度方法最适合保留连接性和短距离,但其他新引入的局部变量最适合保留社区结构。
2016-01-03 cs.DC cs.SI physics.soc-ph
Coupled Ising models and interdependent discrete choices under social influence in homogeneous populations
使用统计物理学研究社会科学问题的动机和它的当前状态的艺术简要回顾,特别是离散的选择决策的情况下。两个二进制选择的耦合进行了一些详细的研究,使用伊辛模型的每个决策变量(意见或选择的时刻或自旋,社会经济等效的磁矩或自旋)。玩具模型为两种不同类型的耦合进行了研究分析和数值平均场(无限范围)近似。这相当于考虑与采用者比例或平均磁化成比例的社会影响效应。在非局部情况下,两个自旋变量通过Weiss平均场型项耦合。在社会经济背景下,当研究两个不同群体的个体时,这可能是有用的,在他们自己群体的社会影响下做出相同的决定,当他们的结果受到另一个群体的采纳者比例的影响时。在局部情况下,两个自旋变量仅通过每个个体耦合。这是考虑到一个群体中的每个人都做出了两个相互影响的不同选择。在这两种情况下,仅考虑恒定(内部和内部)耦合和外部场,即,只有完全同质的人群。大部分的结果是零场的情况下,即没有外部性或私人公用事业。相图和他们在社会经济背景下的解释进行了讨论,并与解耦的情况下。这两个系统具有许多共同的特征,包括一阶和二阶相变、亚稳态和滞后。最后,给出了一些一般性的评论,指出了这些模型的局限性,并提出了进一步的改进。
2011-04-26 cond-mat.stat-mech 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
A User-Driven Framework for Regulating and Auditing Social Media
MIT(麻省理工学院)
针对社交媒体算法过滤监管难题,提出以用户未过滤基线信息流为参照的黑盒审计框架,并证明其理论强度、低性能成本且不会造成回音室。
2023-04-20 cs.CY cs.LG cs.SI
From Social Network to Semantic Social Network in Recommender System
由于新兴的Web 2.0的成功,以及不同的社交网络网站,如亚马逊和电影镜头,推荐系统正在创造前所未有的机会,以帮助人们浏览网页时,寻找相关的信息,并作出选择。通常,这些推荐系统分为三类:基于内容的推荐系统、协同过滤推荐系统和基于混合的推荐系统。通常,这些系统采用标准推荐方法,例如人工神经网络、最近邻或贝叶斯网络。然而,这些方法与基于web应用(诸如社交网络或语义web)的方法相比是有限的。在本文中,我们提出了一种新的方法,称为语义社会推荐系统,提高了利用语义社会网络分析的力量的社交网络的分析。在亚马逊的真实数据上进行的实验检验了我们推荐方法的质量和推荐算法的性能。
2015-07-17 cs.IR cs.SI
Popularity Prediction on Social Platforms with Coupled Graph Neural Networks
University of Chinese Academy of Sciences(中国科学院大学);Tencent Inc(腾讯公司)
预测社交平台上在线内容的受欢迎程度是研究人员和从业人员的重要任务。以前的方法主要利用人口统计学,时间和结构模式的早期采用者的流行预测。然而,大多数现有的方法是不太有效的,以准确地捕捉级联效应的信息扩散,其中早期采用者试图激活潜在的用户沿底层网络。在本文中,我们考虑的问题,网络感知的流行预测,利用早期采用者和社交网络的流行预测。我们建议捕捉级联效应明确,建模的激活状态的目标用户给定的激活状态和他/她的邻居的影响。为了实现这一目标,我们提出了一种新的方法,即耦合GNN,它使用两个耦合的图神经网络来捕获节点激活状态和影响力传播之间的相互作用。通过堆叠图神经网络层,我们提出的方法自然地捕捉级联效应沿网络在连续的方式。在合成和真实新浪微博数据集上进行的实验表明,我们的方法明显优于最先进的流行度预测方法。
2019-11-27 cs.LG cs.SI
Threat from being Social: Vulnerability Analysis of Social Network Coupled Smart Grid
社交网络作为智能电网的一种补充,已被电力公司逐步应用,并被证明有助于平滑负荷曲线和减少能源使用。然而,SN也给智能电网带来了新的威胁:SN中的错误信息可能会导致智能电网用户改变其需求,导致输电线路过载,进而对电网造成灾难性的影响。本文讨论了社会网络耦合智能电网中的相互依赖性,并重点分析了其脆弱性。也就是说,当与之相关的错误信息在SN中扩散时,智能电网会受到多大程度的损害?为了分析研究这个问题,我们提出了社会智能电网中的错误信息攻击问题(MAPSS),它识别SN中的顶级关键节点,这样当错误信息从这些节点传播时,智能电网会受到很大的破坏。这个问题具有挑战性,因为我们必须同时合并两个网络的复杂性。然而,我们提出了一种技术,可以显式地考虑在SN中的信息扩散,潮流平衡和级联故障在智能电网综合评估节点的关键性时,在此基础上,我们提出了各种策略,在选择最关键的节点。此外,我们引入了控制减载作为一种保护策略,以减少连锁故障的影响。IEEE总线测试用例以及Pegase数据集上的实验证明了我们的算法的有效性。
2020-05-15 cs.SI cs.SY eess.SY
Joint Inference of Diffusion and Structure in Partially Observed Social Networks Using Coupled Matrix Factorization
Sharif University of Technology(谢里夫理工大学)
针对社交网络数据不完整问题,本文提出概率生成模型 DiffStru,利用耦合低维潜在因子联合推断缺失的扩散活动与隐藏网络结构,并在合成及真实数据集上验证有效。
2023-03-22 cs.LG cs.SI
On Using Synthetic Social Media Stimuli in an Emergency Preparedness Functional Exercise
本文详细介绍了创建和使用一个大规模的(超过32,000条消息)人工构建的“推特”微博流的区域应急准备功能演习。通过将微博转换、手工制作和控制集相结合,我们创建了一个基于Web的信息流,为代表医院、消防部门、当地红十字会以及市、县政府官员的公共信息官员(PIO)提供有效、误导和不相关的信息。PIO搜索、监控并(通过传统渠道)验证潜在的可收集信息,然后通过个性化的屏幕名称重新分发。我们对一个关键PIO的案例研究揭示了社交媒体可以支持的几种功能,包括事件检测、应急响应社区内功能之间的信息分发以及向公众分发消息。我们建议,培训以及信息过滤工具是必要的,以实现社会媒体在紧急情况和演习中的潜力。
2015-03-02 cs.SI
How often should I access my online social networks?
在线社交网络的用户面临着一个难题,即在没有足够的时间或注意力预算的情况下,试图始终获得信息。在线社交网络用户的保留具有重要影响,包括经济、心理和基础设施方面。在本文中,我们提出了以下问题:什么是最佳速率,用户应该访问社交网络?为了回答这个问题,我们提出了一个分析模型来确定访问(VoA)的社会网络的价值。在本文考虑的简单设置中,VoA被定义为用户访问网络并获得新内容的机会。显然,VoA取决于来源生成内容的速率和社交网络施加的过滤。然后,我们提出了一个优化问题,其中用户的效用相对于VoA增长,但受到访问网络所产生的成本的惩罚。使用所提出的框架,我们提供了最佳的访问速率的见解。我们的结果使用Facebook数据进行参数化,表明该方法的预测能力。
2019-08-13 cs.SI
Collaborative Topic Regression with Social Matrix Factorization for Recommendation Systems
社交网络网站,如Facebook,YouTube,Lastfm等,已经成为用户相互联系和分享内容或观点的流行平台。这些数据为我们研究用户的社交圈对决策过程的影响提供了丰富的信息。在本文中,我们感兴趣的是研究社会网络信息的有效性,以预测用户的评分项目。提出了一种新的分层贝叶斯模型,它结合了社交网络的主题建模和概率矩阵分解。我们的模型的一个主要优点是自动推断有用的潜在主题和社会信息,以及它们的重要性,协同过滤的训练数据。在两个大规模数据集上的实验结果表明,该算法比现有的推荐方法更有效。我们的研究结果揭示了有趣的见解,即社交圈对人们关于信息有用性的决定有更大的影响(例如,对美味的书签偏好)而不是个人品味(例如,在Lastfm上的音乐偏好)。我们还研究和讨论了潜在的信息泄漏的解决方案,在许多推荐系统,利用社会信息。
2012-06-18 cs.IR cs.SI
Mathematical Framework for Online Social Media Auditing
Tel Aviv university(特拉维夫大学)
本文提出在线社交媒体审计的数学框架,并构建带样本复杂度保证的数据驱动统计审计程序,用于监管算法过滤对用户信念的偏转,可供外部监管者或平台自审使用。
2024-02-20 cs.LG cs.SI stat.CO
Relevancy Classification of Multimodal Social Media Streams for Emergency Services
社交媒体已经成为我们日常生活中不可或缺的一部分。在时间紧迫的事件中,公众在社交媒体上分享各种帖子,包括资源需求,损失和为受影响社区提供帮助的报告。这些帖子可能具有相关性,并可能包含有价值的情况了解信息。然而,社交媒体的信息过载对应急服务及时处理和提取相关信息提出了挑战。此外,近年来社交媒体帖子中多媒体内容的使用日益增加,进一步增加了从社交媒体及时挖掘相关信息的挑战。在本文中,我们提出了一种新的方法,多模态相关性分类的社交媒体职位,相关性的定义方面的应急管理机构的信息需求。具体来说,我们实验与语义文本特征与图像特征的组合,以有效地分类相关的多模态社交媒体帖子。我们验证了我们的方法,使用三个现实世界的危机事件的数据分类的评价。我们的实验表明,利用文本和图像内容的建议的混合框架的基础上的功能,提高识别相关职位的性能。根据这些实验,所提出的分类方法的应用可以减少认知负荷的紧急服务,在大规模过滤多模态公共职位。
2019-10-31 cs.SI
Trust-Based Collaborative Filtering: Tackling the Cold Start Problem Using Regular Equivalence
基于用户的协同过滤(CF)是创建推荐系统的最流行的方法之一。这种方法是基于找到最相关的k个用户,我们可以从他们的评级历史中提取项目进行推荐。然而,CF受到数据稀疏和冷启动问题的困扰,因为用户通常只对一小部分可用项目进行评级。一种解决方案是将额外的信息纳入推荐过程,例如用户分配给其他人的显式信任分数或由用户之间的社交联系产生的隐式信任关系。这样的关系通常形成非常稀疏的信任网络,其可以用于基于用户信任的人来为用户生成推荐。在我们的工作中,我们探索使用网络科学的一种度量,即正则等价,应用于信任网络来生成一个相似性矩阵,该矩阵用于选择推荐项目的k-最近邻。我们在Epperly上评估了我们的方法,我们发现我们在推荐准确性方面可以优于处理冷启动用户的相关方法。
2018-07-18 cs.IR cs.SI
CIMTDetect: A Community Infused Matrix-Tensor Coupled Factorization Based Method for Fake News Detection
在当今的数字世界中,很容易创建和传播误导性的新闻文章,检测新闻文章是假还是真是一项至关重要的任务。在社交媒体上分享的新闻故事尤其如此,因为它们没有经过与主流媒体相关的任何严格的新闻检查。鉴于人类固有的倾向是通过点击鼠标与他们的社会关系分享信息,假新闻文章伪装成真实的,往往会广泛传播和病毒式传播。在社交网络中存在回音室(共享相同信仰的人),只会增加社交媒体上广泛存在的假新闻的问题。在本文中,我们通过利用用户社交网络中存在的回声室来解决社交媒体中的假新闻检测问题,以获得新闻文章的有效和信息丰富的潜在表示。通过将回声室建模为社会网络中紧密连接的社区,我们将新闻文章表示为结构<News,User,Community>的3模式张量,并提出了一种基于张量因子分解的方法来在潜在嵌入空间中编码新闻文章,以保持社区结构。我们还提出了上述方法的扩展,通过耦合矩阵-张量分解框架联合建模新闻文章的社区和内容信息。我们在两个真实世界的数据集上实证证明了我们的方法对于假新闻检测任务的有效性。此外,我们验证了泛化的嵌入在其他两个辅助任务,即:\textbf{1)}新闻队列分析和\textbf{2)}协作新闻推荐。我们提出的方法优于适当的基线的任务,建立其泛化。
2018-09-14 cs.IR cs.SI
Score-based Generative Diffusion Models for Social Recommendations
Department of Computing, The Hong Kong Polytechnic University(计算系,香港理工大学)
本文针对社交推荐中低社交同质性问题,提出基于分数的生成扩散模型SGSR,通过生成最优用户社交表示并结合联合课程训练与自监督学习,有效过滤冗余社交信息并提升推荐性能。
2025-08-27 cs.AI cs.LG cs.SI
ED-Filter: Dynamic Feature Filtering for Eating Disorder Classification
Institute of Innovation, Science, and Sustainability, Federation University Australia(澳大利亚联邦大学创新、科学与可持续发展研究所);School of Business and Law, Edith Cowan University(埃迪斯科文大学商法学院);Community College, King Saud University(沙特国王大学社区学院);School of Computing Technologies, RMIT University(皇家墨尔本理工大学计算技术学院)
针对Twitter高维数据在进食障碍分类中的挑战,提出启发式分支定界方法ED-Filter,并结合混合贪心深度学习算法适应数据动态性,显著提升了分类准确率。
2025-01-04 cs.AI cs.LG cs.SI
Using Program Synthesis for Social Recommendations
MIT CSAIL(麻省理工学院计算机科学与人工智能实验室)
本文提出了一种新的方法来选择用户感兴趣的事件,在社交媒体设置中,事件是由用户的朋友通过他们的移动设备的活动产生的。我们认为,鉴于社会媒体设置的独特要求,这个问题最好被看作是一个归纳学习问题,其目标是首先从用户表达的“喜欢”和“不喜欢”的特定事件,然后产生一个程序,可以由系统操纵,并分发到收集设备收集只感兴趣的数据。本文的主要贡献是一种新的算法,它将现有的机器学习技术与新的程序合成技术相结合,以学习用户的偏好。我们表明,与更标准的方法相比,我们的新算法在模型训练时间上减少了一个数量级,并且对于我们的目标应用程序来说,预测精度明显更高。该方法还改进了标准的机器学习技术,因为它产生了清晰的程序,可以操作这些程序来优化数据汇集和过滤。
2012-08-14 cs.DB cs.LG cs.PL