Node Dominance: Revealing Community and Core-Periphery Structure in Social Networks
本研究将节点优势的局部性质与网络的局部和全局性质联系起来。迭代去除支配节点产生用于计算社交网络的核心-外围分解的分布式算法,其中网络核心中的节点在网络流和全局结构方面被认为是必不可少的。此外,外围的连接组件提供了有关网络社区结构的信息,有助于社区发现。一些明确的结果,得出有关的核心和外围网络流,社区结构和全球网络结构,这是由观测结果证实。该方法说明了使用现实世界的网络(DBLP合著网络),与地面真理社区。
2015-09-24 cs.SI physics.soc-ph
Diversity, Topology, and the Risk of Node Re-identification in Labeled Social Graphs
真实网络数据集为理解诸如信息扩散或网络演化等现象提供了显著的益处。然而,共享真实的图形数据集所带来的隐私风险,即使在剥离用户身份信息的情况下,也是巨大的。当节点具有关联属性时,隐私风险增加。在本文中,我们定量研究的二进制节点属性对节点隐私的影响,采用基于机器学习的重新识别攻击,并探讨图拓扑结构和属性放置之间的相互作用。我们的实验表明,人口的多样性的二元属性一致降低匿名性。
2018-08-31 cs.SI physics.soc-ph
Distinctiveness Centrality in Social Networks
节点中心性的确定是社会网络研究中的一个基本问题。作为对现有指标的补充,这些指标根据中心节点的经纪能力、连接的数量和权重以及快速到达所有其他节点的能力来识别中心节点,我们引入了五种新的独特性中心性指标。这些新的指标将更高的分数归因于与网络外围保持连接的节点。它们惩罚连接到高度连接节点的链接,并为识别具有更独特网络关系的社会行为者服务。我们讨论了这些新引入的度量的一些可能的应用和性质,例如它们的上界和下界。独特性中心性提供了一个中心性的观点,替代既定的指标。
2020-05-22 cs.SI physics.soc-ph
Node Classification in Social Networks
当处理大型图时,诸如在在线社交网络的上下文中出现的那些图,可以标记节点的子集。这些标签可以指示节点(用户)的人口统计值、兴趣、信念或其他特征。一个核心问题是使用这些信息来扩展标签,以便为所有节点分配一个标签(或多个标签)。在这一章中,我们调查分类技术已经提出了这个问题。我们考虑两大类:基于传统分类器的迭代应用的方法,使用图信息作为特征,以及通过随机游走传播现有标签的方法。我们对这些方法采取了一个共同的观点,以突出两个类别内和跨两个类别的不同方法之间的相似性。我们还描述了一些扩展和相关方向的中心问题的节点分类。
2011-01-17 cs.SI physics.soc-ph
Node-Centric Detection of Overlapping Communities in Social Networks
我们提出了NECTAR,一个社区发现算法,推广了鲁汶方法的局部搜索启发式重叠社区结构。NECTAR根据调用的网络动态选择要优化的目标函数。我们的综合基准图和现实世界的网络,地面真相社区的基础上,实验评估表明,NECTAR提供了优秀的结果相比,最先进的社区发现算法。
2016-07-06 cs.SI physics.soc-ph
Towards Cost-efficient Sampling Methods
抽样方法在复杂网络领域,特别是统计物理领域一直受到广泛的关注。基于一小部分节点度高的顶点可以拥有网络的大部分结构信息的观点,提出了两种新的采样方法。这两种采样方法在对度较高的节点进行采样时是有效的。第一种新的抽样方法是在分层随机抽样方法的基础上改进的,通过对节点的度分布进行分类,选择概率较高的度节点。第二种采样方法改进了现有的滚雪球采样方法,使其能够在每个采样步骤中选择性地对目标节点进行采样。此外,这两种采样方法不仅对节点进行采样,而且对与这些节点直接相连的边进行采样。为了证明这两种方法的有效性和准确性,我们在三种常用的模拟网络(无标度网络、随机网络、小世界网络)和两种真实网络中将它们与现有的抽样方法进行了比较。实验结果表明,本文提出的两种采样方法在采样代价和获取真实网络结构特征方面均优于现有的采样方法。
2014-05-22 cs.SI physics.soc-ph
A Community-Based Sampling Method Using DPL for Online Social Network
在本文中,我们提出了一种新的在线社交网络,实现以下图采样方法。首先,样本图应该反映原始图的节点数和边数之间的比率。第二,样本图应该反映原始图的拓扑结构。第三,当从同一原始图中采样时,样本图应该彼此一致。所提出的方法采用两种技术:分层社区提取和致密化幂律。该方法将原始图划分为一组社区,以保持原始图的拓扑结构。它还使用了致密化幂律,该幂律捕获了在线社交网络中节点数量与边缘数量之间的比率。在实验中,我们使用几个现实世界中的在线社交网络,使用现有的方法和我们的创建样本图,并分析样本图之间的差异,通过每种采样方法和原始图。
2011-09-06 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
Design of Efficient Sampling Methods on Hybrid Social-Affiliation Networks
通过爬行的图采样在测量大规模复杂网络的各种特性的研究中变得越来越流行和重要。虽然功能强大,但当图是松散连接或断开连接时,它具有挑战性,这会减慢随机游走的收敛速度,并可能导致估计精度差。在这项工作中,我们观察到,所研究的图,或称为目标图,通常并不孤立存在。在许多情况下,目标图与辅助图和联系图相关,当我们从这三个图的角度来看目标图时,目标图变得很好地连通,本文称之为混合社会联系图。当直接对目标图进行采样困难或效率低下时,我们可以在其他两个图的辅助下间接地对其进行有效采样。我们设计了三种抽样方法在这样一个混合的社会关系网络。在合成数据集和真实数据集上进行的实验证明了我们所提出的方法的有效性。
2014-05-20 cs.SI physics.soc-ph
EMH: Extended Mixing H-index centrality for identification important users in social networks based on neighborhood diversity
社交网络的迅速扩张为用户提供了一个合适的信息传递平台。通过社交网络,我们可以在很短的时间内收获资源和分享信息。社交网络的发展给我们带来了巨大的便利。然而,组成网络的节点具有不同的传播能力,这受到许多因素的制约,而网络的拓扑结构是主要的因素。为了更准确地计算网络中节点的重要性,根据相邻节点的多样性定义了改进的H指标中心度(IH),然后利用累积中心度(MC)将所有相邻节点考虑在内,提出了扩展的混合H指标中心度(EMH)。我们评估所提出的方法的易感性-感染-扩散(SIR)模型和单调性,这是用来评估的准确性和分辨率的方法,分别。实验结果表明,该方法优于现有的识别不同网络中的节点的措施。
2020-03-07 cs.SI physics.soc-ph
Information Coverage Maximization in Social Networks
社交网络由于其流行性,近年来得到了广泛的研究。这些研究的丰富主体与影响力最大化有关,其目的是选择一组种子节点,以使过程结束时的活动节点的预期数量最大化。然而,主动节点集并不能完全代表信息传播的真实覆盖范围。当节点的任何邻居变得活跃并且尝试激活它时,节点可以被通知该信息,尽管该节点(即被通知的节点)仍然是不活跃的。因此,在研究网络中信息传播的覆盖时,需要同时考虑主动节点和知道信息的知情节点。沿着这条线,在本文中,我们提出了一个新的问题,称为信息覆盖最大化,旨在最大限度地提高预期数量的活跃节点和知情的。在证明了该问题在独立级联模型和线性阈值模型下是NP难的和次模块化的之后,我们设计了两个算法来解决该问题,并在三个真实数据集上进行了大量的实验,验证了所提算法的性能。
2015-10-13 cs.SI physics.soc-ph
Real Time Enhanced Random Sampling of Online Social Networks
社交图可以很容易地从在线社交网络中提取。然而,这些网络每天都在扩大。用于评估图信息的采样方法不能准确地提取图属性。此外,社交网络限制了对其数据的访问,使得抓取过程更加困难。提出了一种新的随机抽样方法,考虑到有限性和资源。我们在5个不同的测试图上使用4个不同的设置来评估这个建议,这些测试图直接从Twitter上抓取。通过对结果的比较,观察其方法的优劣以及各自的资源分配。最后,我们介绍了它们的最佳应用领域。
2013-01-16 cs.IR cs.SI physics.soc-ph
On sampling social networking services
本文旨在总结现有的社交网络服务抽样方法,并为相关抽样方法提出一种更快的置信区间。它还包括比较常见的网络采样技术。
2013-02-20 cs.SI stat.AP
What does Big Data tell? Sampling the social network by communication channels
大数据已经成为大规模了解社会结构和动态的主要来源。社会互动网络可以被认为是一个多路复用,其中每一层对应于一个沟通渠道,所有这些渠道的聚合构成了整个社会网络。然而,通常人们只知道其中一个通道的信息,甚至是其中的一部分,这应该被认为是整个通道的子集或样本。在这里,我们介绍了一个模型的基础上,自然的双边通信信道选择机制,其中一个通道导致一致的网络属性的变化。例如,虽然预计整个社交网络的度分布在大于1的值处具有最大值,但我们得到了单调递减的分布,正如在单通道数据的实证研究中所观察到的那样。我们还发现,由于抽样方法的不同,可能会出现或加强重复性。我们分析了我们的发现的深远影响。
2016-10-28 cs.SI physics.soc-ph
Using Proximity to Predict Activity in Social Networks
社交网络的结构包含了可用于预测其演变的信息。从某种意义上说,“近”的节点比更远的节点更有可能在未来连接起来。我们表明,结构信息也可以帮助预测节点的活动。我们使用接近度来捕捉网络中两个节点彼此“接近”的程度。除了在链接预测任务中使用的标准邻近度量,如邻域重叠,我们引入了新的度量模型,不同类型的网络节点之间可能发生的相互作用。我们认为,“更接近”的节点在社会网络中,更相似的是他们的活动。我们研究这种说法使用的数据在社交媒体网站Digg和Twitter上的URL推荐。我们表明,在追随者图中的两个用户的结构接近度与他们的活动的相似性有关,即,两人推荐了多少个URL。我们还表明,给定朋友的活动,知道他们与用户的接近程度可以帮助更好地预测用户将推荐哪些URL。我们比较了不同的接近度指标的活动预测任务的性能,并发现一些指标导致实质性的性能改善。
2011-12-13 cs.SI physics.soc-ph
Social Graph Restoration via Random Walk Sampling
在数据访问受限的情况下分析社交图谱对第三方研究人员来说是一个挑战。为了解决这一挑战,已经开发了许多通过随机游走估计结构特性的算法。然而,大多数现有的算法仅限于局部结构特性的估计。在这里,我们提出了一种方法来恢复原始的社会图从随机游走获得的小样本。所提出的方法生成一个图,保持估计的局部结构特性和结构的子图采样的随机行走。我们比较所提出的方法与子图采样使用爬行方法和现有的方法生成一个图形,结构上类似于原始图形通过随机游走。我们的实验结果表明,所提出的方法更准确地再现局部和全局的结构属性的平均和原始图的视觉表示比比较方法。我们希望我们的方法将导致对有限数据访问的社交图的详尽分析。
2022-01-19 cs.SI physics.soc-ph
Leveraging History for Faster Sampling of Online Social Networks
如何对这些数据进行有效的分析已经成为一个越来越重要的研究问题。鉴于这种社交网络的庞大规模,许多现有的研究采取抽样技术,通过其限制性的Web/API接口从在线社交网络中抽取随机节点。几乎所有这些都使用完全相同的随机游走的基本技术-基于马尔可夫链蒙特卡罗的方法,迭代地从一个节点过渡到它的随机邻居。随机游走自然适合这个问题,因为对于大多数在线社交网络,我们可以通过接口发出的唯一查询是检索给定节点的邻居(即,不能访问全图拓扑)。然而,随机游走的问题是“老化”期,其在采样分布收敛到使得能够以统计有效的方式绘制样本的固定值之前需要大量的转换/查询。在本文中,我们考虑了一个新的问题,加快随机游动的基本设计(即,减少其所需的查询数量),而不改变其实现的固定分布,从而使得能够在线社交网络上对现有的基于采样的分析技术进行更有效的“插入式”替换。我们的主要思想是利用随机游动的历史来构造一个高阶马尔可夫链。我们开发了两种算法,循环邻居和分组邻居随机游走(CNRW和GNRW),并证明,无论社会网络拓扑结构是什么,CNRW和GNRW提供更好的效率比基线随机游走,同时实现相同的平稳分布。我们通过对现实世界的社交网络和合成图的大量实验证明了我们的技术比现有技术的优越性。
2015-05-09 cs.SI physics.soc-ph
Rethinking Centrality: The Role of Dynamical Processes in Social Network Analysis
在社会网络分析中使用的许多流行的测量方法,包括中心性,都是基于随机游走的。随机游走是一个随机过程的模型,其中一个节点每次与另一个节点交互。然而,随机游走可能不适合于建模社会现象,包括流行病和信息扩散,其中一个节点可能同时与许多其他节点交互,例如,通过向其邻居广播病毒或信息。为了产生有意义的结果,社会网络分析算法必须考虑节点之间的交互性质。在本文中,我们将动态过程分为保守和非保守,并将它们与网络分析中使用的著名中心性度量:PageRank和Alpha-Centrality。我们证明,通过对用于广播信息的在线社交网络中的用户进行排名,非保守的阿尔法中心性通常会导致比保守的PageRank更好地与经验排名方案达成一致。
2014-03-27 cs.SI physics.soc-ph
Social Diffusion and Global Drift on Networks
本文研究了一个对称加权网络上的社会扩散数学模型,在这个网络中,各个节点的状态逐渐被其邻居的平均状态所形成的局部社会规范所同化。与物理扩散不同,该过程不是状态守恒的,因此网络的全局状态(即,节点状态的总和)将漂移。渐近平均节点状态将是由其强度加权的初始节点状态的平均值。在这里,我们表明,虽然在这个过程中的全局状态是不保守的,强度和状态向量的内积是保守的,而不是,和完美的正相关节点状态和本地平均值的自我/邻居的强度比总是导致向上(或至少中性)的全球漂移。我们还表明,强度的负向影响均匀化的速度。基于这些发现,我们提出了一个自适应的链接权重调整方法,以实现最高的向上的全局漂移,通过增加强度状态的相关性。该方法的有效性,通过数值模拟和现实世界的社会应用的影响进行了讨论。
2015-03-04 cs.SI physics.soc-ph
Hierarchical sequencing of online social graphs
在在线通信中,个体行为者的行为模式和在此过程中情感的使用可以导致呈现多层次结构和中观社区的复杂社会图。利用图的单纯复形表示,我们深入研究了基于MySpace对话框的在线社交网络的拓扑结构。该网络具有原始的社区结构。此外,我们模拟情绪传播在这个网络中,使识别两个情绪传播层。分析结果在三个结构向量量化的图形的架构在不同的拓扑结构水平。值得注意的是,通过共享链接,三角形和四面体面出现的结构经常出现,范围从树状到最大的5-团及其各自的复合体。另一方面,只传播消极或积极情绪信息的结构似乎具有由链接和三角形组成的简单得多的拓扑结构。此外,我们引入了节点的结构向量,它代表了节点所在的每个拓扑层次上的单形数。这样的单形的总数决定了我们定义的节点的拓扑维数。所提出的结果表明,节点的拓扑维数提供了一个合适的措施,社会资本的措施,代理人的能力,作为一个经纪人在紧凑的社区,所谓的Simmelian经纪。我们还将结果推广到更广泛的一类计算机生成的网络。调查网络层节点向量的组成部分表明,相同的节点发展不同的社会情感关系,有影响力的节点通过结合不同层的连接来建立社会资本。
2014-10-27 cs.SI physics.soc-ph
Community Detection in Social Network using Temporal Data
社交网络促进了参与者或用户之间有联系的社交空间。这种联系及其模式是基于他们的生活方式和交流方式。同样,在Facebook、Twitter、Myspace等在线社交媒体网络中,多个用户属于多个特定社区。社交网络表示大型现实世界定向社交图。从这些图中检测社区或集群是一个相当大的研究兴趣的问题。使用具有共同边和共同属性的相邻节点形成社区。现有的大多数社区发现算法通常考虑节点内容来分析社区的属性。一些算法使用节点之间的链接来确定图中的密集区域。但是,由于传统的顶点和边数据提取方法没有考虑节点间的连通性,同时利用边内容和顶点内容来检测社区还有待研究和验证。本文提出了一种互联空间聚类模型(Interlinked Spatial Clustering Model,ILSCM),该模型提供相关内容选择和时间主题提取,用于基于上下文关键字识别节点之间的介数,从而检测社区。
2019-04-10 cs.SI physics.soc-ph
Uncovering nodes that spread information between communities in social networks
从在线社交网络中收集的许多数据集中,已经观察到定义明确的社区结构。大量的用户参与这些网络,所产生的图形的大小带来了计算上的挑战。在识别负责社区之间信息流的节点方面有特别的需求;例如,在时间Twitter网络中,当社区之间的连接稀疏并且不同节点集群之间存在很少的边缘时,社区之间的边缘在传播活动峰值方面发挥着关键作用。这里提出的新算法的目的是通过测量一个节点到另一个社区节点的邻近程度来揭示这些关键连接。我们看看在一个以上的社区和他们周围的节点,影响接收到的信息和广播给他们的地方的边缘的节点。该方法依赖于一个选定的固定数量的步骤,从一个以上的社区与边缘的节点起源的独立随机游走。对于我们所考虑的大型网络,现有的度量(如介数中心性)很难计算,即使使用最新的方法来近似所需的大量操作。因此,我们设计了一种算法,可扩展到当前的大数据需求的需求,并有能力利用并行处理能力。新算法在合成数据上进行了说明,可以仔细判断结果,也可以在真实的大规模Twitter活动数据上进行说明,可以获得新的见解。
2014-01-14 cs.SI physics.soc-ph
Predicting Node Degree Centrality with the Node Prominence Profile
节点的中心性衡量其在网络中的相对重要性。中心性有许多应用,包括推断个人在社交网络中的影响力或成功,以及由此产生的社交网络动态。虽然我们可以计算给定网络快照中任何节点的中心性,但许多应用程序也有兴趣了解个人在未来的潜在重要性。然而,当前的中心性不一定是未来中心性的有效预测。虽然有不同的度量中心性,我们集中在本文的程度中心性。我们开发了一种方法,调和优先附件和三元封闭捕捉节点的突出配置文件。我们表明,建议的节点显着配置文件的方法是一个有效的预测度中心。值得注意的是,我们的分析表明,在进化的早期阶段的个人显示出独特的和强大的签名的程度中心化的趋势,充分预测他们的突出配置文件。我们在四个真实世界的社交网络中评估我们的工作。我们的研究结果具有重要的意义,需要预测的应用程序,一个节点的未来度中心,以及社会网络动力学的研究。
2014-12-06 cs.SI physics.soc-ph
Sampling promotes community structure in social and information networks
文献中研究的任何网络都不可避免地只是其现实世界模拟的一个样本代表。此外,网络采样最近经常应用于大型网络,以实现更快,更有效的分析。尽管如此,网络结构的变化所引入的抽样仍然远远没有理解。在本文中,我们研究了存在的特征组的节点在抽样社会和信息网络。我们考虑了不同的网络采样技术,包括随机节点和链路选择,网络探索和扩展。我们首先观察到,社交网络的结构揭示了紧密联系的群体,如社区,而信息网络的结构更好地描述了结构等效节点的模块。然而,尽管有这些显着的差异,采样网络的结构表现出更强的特征,由社区样组比原来的网络,无论其类型和一致的各种采样技术。因此,在社会和信息网络中通常观察到的丰富的社区结构在某种程度上只是采样的人工制品。
2015-04-13 cs.SI physics.data-an physics.soc-ph
Random Walk Sampling in Social Networks Involving Private Nodes
针对社会网络中私有节点不公开邻居数据导致现有随机游走估计算法存在偏差的问题,提出一种扩展的随机游走采样框架及校正估计器,将网络规模、平均度数等属性的估计偏差降低高达92.6%。
2023-05-21 cs.SI
Characterizing Nodes and Edges in Dynamic Attributed Networks: A Social-based Approach
如何基于社会方面来刻画动态属性网络中的节点和边?我们解决这个问题,探索演员和他们的相关属性随着时间的推移之间的联系的强度,从而捕捉演员的社会角色和他们在不同的社会网络场景中的动态互动的意义。为此,我们应用社会概念,以促进更好地理解涉及行为者及其社会动机的潜在复杂性。更具体地说,我们探讨的概念,社会资本的战略定位的一个特定的演员在社会结构的经纪人的概念,创造桥梁的能力与多样化的模式,和封闭,聚合节点的能力与类似的模式。因此,我们揭示了不同的学术合作网络和问答社区的社会互动的差异。我们还统计验证我们的社会定义考虑的重要性,节点和边缘的社会结构,通过网络属性。
2022-07-14 cs.SI
Modeling Spread of Preferences in Social Networks for Sampling-based Preference Aggregation
在人口众多的情况下,收集个人对一组备选方案的偏好并得出总体或集体偏好是一项密集的任务。我们表明,社会网络的人口基础可以利用有效地完成这一任务,通过采样的一个小的子集的代表性节点的偏好。我们首先开发了一个Facebook应用程序来创建一个由节点偏好和底层社交网络组成的数据集,使用该数据集,我们开发了一个模型,该模型可以捕获偏好在典型社交网络中的节点之间的分布情况。因此,我们提出了一个适当的目标函数的问题,选择最佳代表节点。我们设计了两个算法,即,Greedy-min提供了一个广泛的流行的投票规则类的性能保证,和Greedy-sum在实践中表现出优异的性能。我们比较了这些算法对随机轮询和流行的中心性措施的性能,并提供了一个详细的分析所获得的结果。我们的分析表明,使用社交网络信息选择代表有利于聚合与个人话题相关的偏好(例如,生活方式),而具有合理样本大小的随机轮询足以聚集与社会话题相关的偏好(例如,政府政策)。
2017-11-15 cs.SI physics.soc-ph
Sampling a Network to Find Nodes of Interest
当前研究的重点是识别社交网络中感兴趣的人。我们对研究代表非法或秘密活动的暗网络特别感兴趣。在这样的网络中,人们不太可能在被询问时透露准确的信息。我们提出了REDLEARN,这是一种用于对暗网络进行采样的算法,其目标是识别尽可能多的感兴趣节点。我们考虑两个现实的谎言场景,描述了黑暗网络中的个人如何试图隐藏他们的联系。我们在几个真实世界的多层网络上测试并展示了我们的结果,并表明REDLEARN比下一个最佳策略提高了340%。
2017-01-09 cs.SI physics.soc-ph
On the Shoulders of Giants: Incremental Influence Maximization in Evolving Social Networks
识别最有影响力的个人可以为开发和部署有效的病毒式营销策略提供宝贵的帮助。以前的研究主要集中在设计有效的算法或算法来找到给定的静态社会网络上的前K个有影响力的节点。然而,事实上,现实世界的社交网络随着时间的推移而不断发展,并且对改变的网络的重新计算不可避免地导致长的运行时间,从而显著影响效率。本文从真实世界的痕迹中观察到,社会网络的演化遵循优先依附规则,影响力节点主要是从高度节点中选择出来的。这样的观察揭示了IncInf的设计,IncInf是一种增量方法,可以根据以前的信息而不是从头开始计算,在不断发展的社交网络中有效地定位前K个有影响力的个人。特别是,IncInf通过将拓扑演化的影响局限于局部区域来定量分析节点的影响扩散变化,并进一步提出了一种剪枝策略,有效地将搜索空间缩小到经历重大增长或度高的节点。我们在真实世界的动态社交网络(包括Facebook、NetHEPT和Flickr)上进行了广泛的实验。实验结果表明,与最先进的静态启发式算法相比,IncInf算法在保持影响扩散匹配性能的同时,在执行时间上实现了高达21倍的加速。
2015-08-05 cs.SI physics.soc-ph
Graph Sampling Approach for Reducing Computational Complexity of Large-Scale Social Network
在线社交网络服务为人类的社交互动提供了平台。如今,各种在线交互产生了大规模的社交网络数据。网络分析有助于从网络内部参与者之间的关系中挖掘知识和模式。这种方法对于支持许多实际应用中的预测和决策过程非常重要。社会网络分析方法学借用了图论的方法,提供了几个指标,使我们能够测量网络的特定属性。一些度量计算是在没有考虑可扩展性的情况下构建的,因此它在计算上是昂贵的。在本文中,我们提出了一个图采样的方法来减少社会网络的大小,从而减少计算操作。自然图的采样策略,使用边随机采样,节点随机采样,和随机游动的性能比较,每个选定的图形属性。我们发现,图形采样策略的性能取决于测量的图形属性。
2021-02-18 cs.SI
Social Sensor Placement in Large Scale Networks: A Graph Sampling Perspective
在大规模的在线社交网络中,为了检测/跟踪新闻爆发和防止谣言传播而放置传感器是一个具有挑战性的问题。该问题是一种子集选择问题:从一个大的总体中选择一个小的项目集,以最大化某个预先指定的集合函数。但它是NP完全的。现有的代理成本非常高,特别是对于通常包含数亿用户的现代OSN。本文的目的是设计方法,以找到\emph{good solutions},可以很好地权衡效率和准确性。我们首先表明,它是可能的,以获得一个高质量的解决方案的概率保证从“{ \em候选集}”的底层社会网络。通过探索这个候选集,可以提高放置社交传感器的效率。我们还介绍了如何使用“{ \em图形采样}",这具有优势,不需要完整的网络拓扑结构的先验知识,比以前的方法可以获得这个候选集。在两个真实数据集上进行的实验表明,该方法不仅具有准确性和有效性,而且在检测和预测新闻爆发方面也是有效的。
2013-12-06 cs.SI physics.soc-ph
Analysis of Neighbourhoods in Multi-layered Dynamic Social Networks
存在于各种IT系统的员工、客户或用户之间的社交网络已成为日益重要的研究领域之一。社交网络由节点-社交实体和连接节点对的边组成。在常规的单层社交网络中,两个节点-即人与单个边缘连接,而在多层社交网络中,对于一对节点可能存在许多不同类型的链接。如今,存在于所有社交媒体中的关于人及其互动的数据提供了关于一个网络中许多不同类型关系的信息。分析这些数据,不仅可以获得有关网络结构和特征的知识,还可以了解人际关系的语义。他们是直接还是不直接?人们倾向于与一个特定的人保持单一或多重关系吗?什么样的沟通方式对他们最重要?对这些和更多问题的回答使我们能够得出关于人类交互的语义的结论。遗憾的是,大多数用于社会网络分析(SNA)的方法可能仅适用于单层社交网络。为此,本文提出了一些新的多层社交网络的结构测度,特别是:跨层聚类系数、跨层度中心性和各种版本的多层度中心性。作者还研究了社会网络中五个不同层的多层邻里的动态。在现实世界的数据集上提出的概念的评价。本文提出的度量方法可直接应用于各种集合分类方法,即根据节点的结构输入特征为节点分配标签。
2012-07-18 cs.SI physics.soc-ph
Identify Influential Nodes in Online Social Network for Brand Communication
近年来,在线社交网络变得非常流行,这促使越来越多的公司通过社交媒体推广他们的品牌和产品。提出了一种识别在线社会网络中品牌传播影响力节点的方法。我们首先构建一个加权网络模型的用户和他们的关系提取的品牌相关的内容。我们从网络结构和品牌参与度两个方面对社区中节点的个体价值进行了定量度量。然后提出了一种从虚拟品牌社区中识别有影响力节点的算法。该算法通过节点的个体值以及其周围节点的个体值来评估节点的重要性。我们提取和构建一个虚拟的品牌社区,为一个特定的品牌从现实生活中的在线社交网络作为数据集,并实证评估所提出的方法。实验结果表明,该方法能够识别在线社交网络中有影响力的节点。该方法可以得到更高的用户认证率和用户覆盖率。
2020-06-24 cs.SI
Extracting real social interactions from social media: a debate of COVID-19 policies in Mexico
Universidad Nacional Autónoma de México (UNAM)(墨西哥国立自治大学);Instituto de Investigaciones en Matemáticas Aplicadas y en Sistemas, Universidad Nacional Autónoma de México (UNAM)(墨西哥国立自治大学应用数学和系统研究所);Instituto de Investigaciones Biomédicas, Universidad Nacional Autónoma de México (UNAM)(墨西哥国立自治大学生物医学研究所);Centro de Ciencias de la Complejidad, Universidad Nacional Autónoma de México(墨西哥国立自治大学复杂科学中心);Lakeside Labs GmbH(湖畔实验室有限公司)
本文通过分析社交媒体中朋友和敌人的动态网络,揭示了新冠政策辩论中真实社交互动的结构特征。
2021-06-16 cs.SI physics.soc-ph
Communication dynamics in finite capacity social networks
在通信网络中,结构和动态是紧密耦合的。该结构控制着信息流,其本身由节点之间交换信息的动态过程所塑造。为了协调结构和动力学,一个通用的模型,基于节点之间的局部相互作用,被认为是在大型社交网络的通信。在协议的数据从一个大型的人类组织,我们表明,流量是非马尔可夫和个人的时间限制控制。我们确认我们的模型的通用性,同时预测度相关的节点活动,信息输入和输出的节点和度分布之间的平衡。最后,我们量化网络分析的局限性时,它是基于在一个有限的时间段内采样的数据。
2012-09-07 cs.SI physics.soc-ph
A Linear Circuit Model For Social Influence Analysis
了解信息传播行为对于有效利用社交网络中的社会影响力至关重要。然而,现有的影响力模型是既听话,有效地描述信息传播过程和定量测量的社会影响力。为此,在本文中,我们开发了一个线性的社会影响力模型,命名为电路,由于它的密切关系的电路网络。基于预定义的社会影响力的四个公理,我们首先证明了我们的模型可以有效地测量任何一对节点之间的影响力强度。沿着这条线,识别节点的影响的上限以用于潜在的使用,例如,减小了搜索空间。此外,我们还提供了电路模型的物理含义,并深入分析了它与现有方法(如PageRank)的关系。然后,我们提出电路模型提供了一个自然的解决方案,计算每个节点的权威,并找到一组节点的社会影响力最大化的问题。最后,该模型的有效性进行了评估,在现实世界的数据。大量的实验结果表明,电路模型始终优于国家的最先进的方法,可以大大减轻影响力最大化问题的计算负担。
2012-09-10 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
Critical Node Detection in Temporal Social Networks, Based on Global and Semi-local Centrality Measures
本研究关注时态社交网络中的关键节点检测,提出了三种新度量方法,并基于 SIR 流行病模型验证其能更准确地识别影响节点,可应用于控制流行病传播或加速信息传播。
2024-09-23 cs.SI physics.soc-ph
Robustness of Social Networks: Comparative Results Based on Distance Distributions
给定一个社交网络,它的哪个节点在决定它的结构方面有更大的影响力?更正式地说:哪个节点移除顺序对网络结构的影响最大?我们第一次在结合网络图和社交网络的设置中处理这个众所周知的问题,使用的数据集比以前的文献中出现的数据集大几个数量级,这要归功于最近开发的一些算法和软件工具,这些算法和软件工具使我们能够准确地近似可达对的数量和图中距离的分布。我们的实验突出了社交网络和网络图的结构的深刻差异,显示了以前的实验结果的显着局限性,并在同一时间揭示了标签传播作为一种新的和非常有效的方式定位节点,从结构的角度来看是重要的聚类。
2011-10-20 cs.SI physics.soc-ph
Signed Node Relevance Measurements
在本文中,我们进行了初步的和全面的研究问题的测量节点的相关性签署社交网络。我们设计了许多相关性测量签署社交网络从本地和全球的角度来看,并调查签署相关性测量,平衡理论和签署网络属性之间的联系。实验结果进行了研究与四个现实世界的数据集上签署的网络分析任务的签署相关性测量的影响。
2017-10-25 cs.SI physics.soc-ph
Sampling Online Social Networks by Random Walk with Indirect Jumps
基于随机游走的采样方法在表征大型网络方面越来越受欢迎和重要。虽然功能强大,但当图是松散连接时,它们会遇到混合速度慢的问题,这会导致估计精度差。带跳跃的随机游走(RWwJ)可以解决慢混合问题,但如果图不支持均匀顶点采样(UNI),则不适用。在这项工作中,我们开发的方法,可以有效地采样一个图形,而不需要UNI,但仍然享有类似的好处RWwJ。我们观察到,许多正在研究的图,称为目标图,并不孤立存在。在许多情况下,目标图与辅助图和二分图相关,它们一起形成了一个更好的连通的{ \em双层网络结构}。这种新的观点为图采样带来了额外的好处:如果直接采样目标图很困难,我们可以在其他两个图的帮助下间接采样。我们提出了一系列新的图采样技术,利用这样的两层网络结构来估计目标图的特征。在合成网络和真实网络上进行的实验证明了这些新技术的有效性和实用性。
2017-08-30 cs.SI physics.soc-ph
Fast and Scalable Analysis of Massive Social Graphs
图分析是在线社交网络、生物网络中的蛋白质相互作用和互联网流量分析等应用的关键组成部分。具有数亿个节点的大规模图(例如社交图)的到来对图分析应用提出了独特的挑战。这些应用程序中的大多数依赖于计算节点对之间的距离,对于大型图,使用传统算法(如广度优先搜索(BFS))可能需要几分钟才能计算出来。在本文中,我们研究了如何在当今的海量图形上实现可扩展的图形处理。我们探索了图坐标系的设计空间,这是一种通过将图嵌入坐标空间来在恒定时间内精确近似节点距离的新方法。我们表明,双曲线嵌入产生相对较低的失真误差,并提出参宿七,双曲线图坐标系,适合于高效的并行化跨计算集群。Rigel产生的结果比以前的系统要精确得多,并且在计算集群之间自然地可并行化,使其能够为多达4300万个节点的图形提供准确的结果。最后,我们表明,参宿七的功能可以很容易地扩展到定位(近)节点对之间的最短路径。在一次性预处理成本之后,Rigel在10微秒内回答节点距离查询,并且还产生最短路径结果,其速度比具有类似准确度的先前最短路径系统快18倍。
2011-07-30 cs.SI physics.soc-ph
A Community-aware Network Growth Model for Synthetic Social Network Generation
本文提出了一种新的网络增长模型ComAwareNetGrowth,旨在模拟现实世界中社交网络的演化过程。该模型在离散时间内工作。在每个时间步,基于(i)随机图模型,(ii)偏好连接模型,(iii)三角形闭合模型,或(iv)四边形闭合模型,在(a)现有节点之间或(b)现有节点和新节点之间创建(I)社区内或(II)网络中任何地方的新链接。参数控制在链接创建中采用特定机制的概率。在Karate和Caltech社交网络上的实验结果表明,该模型在聚类系数、模块度、平均路径长度、直径和幂律指数等方面都能很好地模拟真实世界的社交网络.进一步的实验表明,ComAwareNetGrowth模型能够生成具有不同统计量的各种合成网络。
2019-01-11 cs.SI physics.soc-ph
Community Detection via Random and Adaptive Sampling
在本文中,我们考虑由有限数量的非重叠社区组成的网络。为了提取这些社区,可以从大的可用数据集中采样节点对之间的交互,这允许对给定的节点对进行多次采样。当对节点对进行采样时,观察到的结果是一个二进制随机变量,如果节点相互作用,则等于1,否则等于0。如果节点属于相同的社区,则结果更有可能是积极的。对于给定的节点对样本或观测预算,我们希望联合设计一个采样策略(采样节点对的序列)和一个聚类算法,以尽可能高的准确度恢复隐藏的社区。我们考虑非自适应和自适应采样策略,并为这两类策略,我们得到的基本性能限制满足任何采样和聚类算法。特别是,我们提供了必要的条件,准确地恢复社区的网络规模越来越大的算法的存在。我们还设计了简单的算法,准确地重建社区时,这是在所有可能的,因此证明了准确的社区发现的必要条件也是足够的。随机块模型中的经典社区发现问题可以看作是这里考虑的问题的一个特例。但是我们的框架涵盖了更一般的场景,其中采样节点对的序列可以以自适应的方式设计。本文对随机区组模型给出了新的结果,并将分析推广到自适应抽样的情况。
2014-02-19 cs.SI physics.soc-ph
De-anonymizing scale-free social networks by percolation graph matching
我们解决的问题时,人与人之间的关系描述的无标度图的社交网络去匿名化。特别是,我们提出了一个严格的,渐近的数学分析网络去匿名化问题,同时捕捉幂律节点度分布的影响,这是一个基本的和相当普遍的特点,许多复杂的系统,如社交网络。通过应用自举渗透和一种新的图切片技术,我们证明了大的不均匀性的节点度导致显着减少的初始节点集,必须是已知的先验(种子),以成功地识别所有其他用户。我们的特点是使用不同的标准选择种子时,这一套的大小,我们表明,他们的数量可以小到$n^ε$,任何小${ε>0}$。我们的研究结果是通过一个真实的社会网络图上的模拟实验进行验证。
2014-11-26 cs.SI physics.soc-ph
A Model of Consistent Node Types in Signed Directed Social Networks
签名定向社交网络越来越普遍,其中用户之间的关系可以是积极的(表示信任等关系)或消极的(表示不信任等关系)。因此,积极和消极的关系之间的相互作用,在这样的网络已成为一个重要的研究课题。最近的研究集中在边缘符号推理的结构平衡理论或社会地位理论。然而,这两种理论都不能很好地解释当由该边连接的两个节点不共享共同邻居时观察到的边符号(例如,共同的朋友)。在本文中,我们开发了一种新的方法来处理这种情况,通过应用一个新的模型的节点类型。首先,我们分析了一个完全观察到的有向网络中的局部节点结构,推断出底层节点类型。两个节点之间的边的符号必须与它们的类型一致;这很好地解释了边的符号,即使没有共同的邻居。此外,我们表明,我们的方法可以扩展到包括定向三合会,当它们存在时,就像在基于结构平衡或社会地位理论的模型。我们基于部分观察到的Wikipedia、Slashdot和Epperly网络,在实证研究中计算贝叶斯节点类型,其中最大的网络(Epperly)有119 K个节点和841 K条边。我们的方法产生更好的性能比国家的最先进的方法,这三个签署有向网络。
2014-08-28 cs.SI physics.soc-ph stat.AP
On the Convexity of Latent Social Network Inference
在许多现实世界中,几乎不可能收集明确的社交网络数据。在这种情况下,整个网络必须从基础观测中推断出来。在这里,我们制定的问题,推断潜在的社交网络的基础上网络扩散或疾病传播数据。我们考虑传染在未观察到的社交网络的边缘传播,在那里我们只观察节点被感染的时间,但不观察谁感染了它们。给定这样的节点感染时间,我们然后确定最能解释观测数据的最佳网络。我们提出了一个最大似然方法的基础上凸规划的l1-like惩罚项,鼓励稀疏。对真实数据和合成数据的实验表明,我们的方法几乎完美地恢复了底层网络结构以及传染传播模型的参数。此外,我们的方法可扩展性很好,因为它可以在几分钟内推断出数千个节点的最佳网络。
2010-10-26 cs.SI physics.soc-ph
Partitioned Sampling of Public Opinions Based on Their Social Dynamics
民意调查通常是从整个人口中随机抽样,将个人意见视为独立的。在现实世界中,个人的意见往往是相互关联的,例如,在社交网络中的朋友之间。在本文中,我们探讨了分区抽样的思想,它划分的个人与高的意见相似性成组,然后分别抽样每一组,以获得一个准确的估计人口的意见。我们严格地将上述思想表述为一个优化问题。然后,我们表明,在每个组中只包含一个样本的简单分区总是更好的,并减少寻找最佳的简单分区,一个良好的研究Min-r-Partition问题。我们采用了一个近似算法和一个启发式算法来解决优化问题。此外,为了有效地获得意见相似度,我们采用了一个著名的意见演化模型来描述社会互动,并提供了一个精确的计算模型的基础上的意见相似度。我们使用合成和真实世界的数据集来证明,分区抽样方法的结果显着提高抽样质量,它是强大的,当一些意见相似性是不准确的,甚至丢失。
2016-11-25 cs.SI physics.data-an physics.soc-ph
Convex relaxation for finding planted influential nodes in a social network
我们考虑在社会网络中的影响力最大化的问题。我们重点研究的情况下,社会网络是一个有向的二部图,其弧连接到接收器的节点。我们考虑的情况下,确定性网络和概率图形模型,即所谓的“级联”模型。这个问题是要找到一个集合的$k$最有影响力的整数$k$。虽然这个问题是NP难的,但Kempe、Kleinberg和Tardos提出了一个多项式时间近似算法。在这项工作中,我们考虑凸松弛的问题。我们证明了凸优化可以恢复的情况下,网络是根据生成模型,其中有影响力的节点被种植,但随后被噪声掩盖。我们还证明了计算凸松弛可以成功的一个更现实的生成模型称为“森林火灾”模型。
2013-07-15 cs.SI math.OC physics.soc-ph
Algorithms for Influence Maximization in Socio-Physical Networks
给定一个有向图(表示一个社交网络),影响力最大化问题是找到k个节点,当这些节点受到影响(或被激活)时,将最大化被激活的剩余节点的数量。在本文中,我们考虑了一个更一般的版本的问题,包括一个额外的一组节点,称为物理节点,这样的一个节点在社会网络中的一个或多个物理节点覆盖。物理节点在任何时候都以两种状态之一存在,打开或关闭,并且可以打开的物理节点的最大数量有限制。在该设置中,如果社交网络中的不活动节点在社交网络中具有足够的活动邻居并且如果它被开放的物理节点中的至少一个覆盖,则社交网络中的不活动节点变为活动的。这个问题出现在灾难恢复中,在灾难发生后,只有在其社交网络中的足够多的群体返回并且其附近的一些基础设施组件得到修复后,流离失所的社会群体才决定返回。一般的问题是NP-难近似在任何常数因子,因此,我们的特点是最佳和近似算法的特殊情况下的问题。
2020-11-30 cs.SI
Analyzing resilience of interest-based social networks against node and link failures
在典型的在线社交网络中,用户通过对称的朋友关系链接,并且可以基于共享的兴趣来定义朋友圈。在本文中,我们将研究社交网络,在这些网络中,用户根据友谊和共同兴趣建立链接。我们的目标是了解当节点和链路都允许失败时,这些网络在连接方面的弹性。我们推导出零-一定律以及节点和链路故障下连通性的渐近精确概率结果。结果回答了如何设置网络参数,使可靠的消息传播可以实现的问题。我们正式证明的结果,并通过实验确认的结果。
2019-11-02 cs.SI
Community Detection with Node Attributes and its Generalization
社区发现算法是理解社交网络中组织原则的基本工具。随着社交媒体平台的日益强大,当检测社区时,存在可以用途:社交网络的结构和节点属性的两个可能的信息源。然而,在社区发现的研究中,社交网络的结构和节点属性往往被分开解释。当这两个来源同时解释,一个共同的假设共享以前的研究是,节点属性与社区。本文提出了一种模型,该模型能够将拓扑信息和节点属性信息相结合,而无需假设相关性。该模型在节点属性与社区不相关的情况下,仍能以较高的精度恢复社区。我们推导出该模型的可检测性阈值,并使用置信传播(BP)进行推理。该算法是最佳的,因为它可以恢复社区的所有方式下降到阈值。这种新模型也有可能处理边缘内容和动态设置。
2016-04-12 cs.SI physics.soc-ph stat.ML
Towards a Standard Sampling Methodology on Online Social Networks: Collecting Global Trends on Twitter
大规模在线社交网络中最重要的当前挑战之一是建立能够收集和总结数据的简洁和连贯的方法。对在线社交网络(OSN)的内容进行采样作为知识发现工具发挥着重要作用。越来越难以忽视的事实是,目前的采样方法必须应对缺乏完整采样框架的情况,即,存在由有限的数据访问确定的强加条件。此外,另一个需要考虑的关键方面是社交网络服务用户产生的大量数据。在这种情况下,特别难以制定抽样方法来收集真正可靠的数据。因此,我们提出了一种低计算成本的方法,用于对Twitter等社交网络服务上的新兴全球趋势进行采样。本研究的主要目的,是开发一种方法,能够通过三个随机生成器:布朗,幻觉和水库进行有效的收集过程。这些随机发生器将与大都会-黑斯廷斯随机游走(MHRW)相结合,以改善采样过程。我们通过正确地提供所收集数据的描述性统计来证明我们方法的有效性。此外,我们还简述了在Twitter上进行实时收集的过程。最后,我们得出结论与趋势集中的图形描述和正式的收敛性分析,以评估是否提请样本已达到平衡状态,得到一个粗略的估计样本质量。
2015-07-06 cs.SI
Respondent-driven sampling bias induced by clustering and community structure in social networks
使用标准抽样方法对隐藏人口进行抽样特别具有挑战性,主要是因为缺乏抽样框。响应者驱动的抽样(RDS)是一种替代方法,利用同龄人之间的社会联系,以达到这些难以达到的人群中的个人和重量。这是一个滚雪球式的抽样程序,根据接触人数的差异,对被抽样的可能性调整答卷人的权重。在RDS中,社会联系的结构因此定义了采样过程并影响其覆盖范围,例如通过将采样限制在网络的子区域内。在本文中,我们研究的偏见引起的网络结构,如社会三角形,社区结构,和异质性的联系人的数量,在招聘树和RDS估计。我们模拟不同的网络结构和响应率的情况下,研究潜在的偏见,人们可能会期望在现实环境中。我们发现,估计变量的患病率与个人所属的网络社区的大小有关。此外,我们观察到,如果样本和网络的大小相似,那么在某些情况下,低度节点可能会被欠采样。最后,我们还表明,低响应率导致合理准确的平均估计的患病率,但产生相对较大的偏差。
2015-03-19 cs.SI physics.data-an physics.soc-ph