Social Network Analytics for Churn Prediction in Telco: Model Building, Evaluation and Network Architecture
社交网络分析方法正被用于电信行业，以预测客户流失取得了巨大成功。特别是它已被证明，关系学习者适应这个特定的问题，提高预测模型的性能。在目前的研究中，我们基准不同的策略，构建一个关系学习者，将它们应用到总共八个不同的呼叫详细记录数据集，来自世界各地的电信组织。我们统计评估关系分类器和集体推理方法对关系学习器的预测能力的影响，以及关系学习器与传统的电信行业客户流失预测方法相结合的模型的性能。最后，我们研究了网络构建对模型性能的影响;我们的研究结果表明，网络中边和权重的定义确实会对预测模型的结果产生影响。作为研究的结果，最好的配置是一个非关系学习者丰富的网络变量，没有集体推理，使用二进制权重和无向网络。此外，我们还提供了如何以最佳方式应用社交网络分析进行电信行业流失预测的指导方针，从网络架构到模型构建和评估。
2020-01-18 cs.CY cs.SI
Simulating Relational Event Histories: Why and How
本文提出基于dyadic与actor-oriented关系事件模型的网络模拟框架并实现于R包remulate，通过三个案例展示其在模型评估、理论构建和网络干预分析中的价值。
2025-01-08 cs.SI stat.ME
Relational Prompt-based Pre-trained Language Models for Social Event Detection
Kunming University of Science and Technology（昆明理工大学）；Beijing Institute of Technology（北京理工大学）；Beihang University（北京航空航天大学）；North China Electric Power University（华北电力大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
针对GNN社会事件检测中边噪声及文本与关系难以联合学习的问题，提出RPLM_SED，通过成对多关系消息建模、关系提示学习和聚类约束提升表示区分度，并在多场景取得SOTA。
2024-09-10 cs.AI cs.CL cs.LG
Connections between Relational Event Model and Inverse Reinforcement Learning for Characterizing Group Interaction Sequences
University of Texas at Austin（得克萨斯大学奥斯汀分校）
在本文中，我们探讨了以前未识别的连接关系事件模型（REM）从网络科学领域和反向强化学习（IRL）从机器学习领域的能力，以表征序列的有向社会互动事件组设置。REM是一种传统的方法来解决这样的问题，而IRL的应用是一个很大程度上unbeaten path.We开始检查REM和IRL的数学组件，并找到两种方法之间的直接类比，以及IRL方法的独特之处。我们展示了特殊的实用程序IRL在表征群体的社会互动与实证实验，在其中，我们使用IRL推断个人的行为偏好的基础上，从一组虚拟现实游戏玩家互动和合作，以实现一个共同的目标的定向通信事件的序列。我们的比较和实验为社会行为分析引入了新的视角，并有助于激发社会网络分析和机器学习之间联系的新研究机会。
2020-10-19 cs.LG cs.SI
Dynamic Multi-Relational Chinese Restaurant Process for Analyzing Influences on Users in Social Media
IBM Research - India（IBM印度研究院）；Indian Institute of Science（印度科学学院）
我们研究的问题，分析各种因素的影响，影响个人在社交媒体上发布的消息的影响。这个问题具有挑战性，因为通过社交媒体网络传播的各种类型的影响同时作用于任何用户。此外，影响因素的主题组成和用户对这些影响的敏感性随着时间的推移而变化。这个问题以前没有研究过，现成的模型不适合这个目的。为了捕捉这些各种因素的复杂的相互作用，我们提出了一个新的非参数模型称为动态多关系中餐馆过程。这考虑了用户网络的数据生成，并且还允许参数随时间推移而演变。为这个模型设计适合大规模社交媒体数据的推理算法是另一个挑战。为此，我们提出了一个可扩展的和多线程的推理算法的基础上在线吉布斯抽样。对大规模Twitter和Facebook数据的广泛评估表明，提取的主题在应用于作者身份和评论预测时优于最先进的基线。更重要的是，我们的模型对主题趋势和用户个性趋势产生了有价值的见解，超出了现有方法的能力。
2012-05-07 cs.LG cs.SI physics.soc-ph
Relational Access Control with Bivalent Permissions in a Social Web/Collaboration Architecture
我们描述了一个访问控制模型，已实现的Web内容管理框架“Deme”（与“团队”押韵）。Deme中的访问控制就是我们所说的“二价关系对象访问控制”（BROAC）的一个例子。这个模型建立在Giunchiglia等人最近关于基于关系的访问控制（RelBAC）的工作，以及其他关于关系、灵活、细粒度和XML访问控制模型的工作的基础上。我们描述Deme的架构和审查访问控制模型，激励我们的方法。BROAC允许肯定权限和否定权限，这两种权限可能相互冲突。我们认为，在目标数据库中的对象定义访问控制规则的有用性，并为解决权限冲突的必要性，在社交网络/协作架构。在描述了Deme访问控制的工作原理之后，包括Deme中不同权限类型之间的优先关系，我们提供了几个现实场景中出现权限冲突的示例，并展示了Deme如何解决这些冲突。初始性能测试表明，权限检查在实际Deme网站上的时间呈线性增长。
2013-02-07 cs.CR cs.SI
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
Connection Discovery using Shared Images by Gaussian Relational Topic Model
社交图谱代表用户之间的在线友谊，是许多应用程序的基本数据类型之一，例如社交媒体中的推荐，病毒式传播预测和营销。然而，由于用户的隐私问题，这些数据可能不可用，或者由社交网络运营商保持私密，这使得这样的应用变得困难。近年来，通过用户共享的多媒体内容来推断用户兴趣和发现用户连接引起了越来越多的关注。本文提出了一种高斯关系主题模型，用于社交媒体中用户共享图片的连接发现。该模型不仅将用户的兴趣作为潜在变量通过他们的共享图像进行建模，而且还考虑了用户之间的连接作为他们的共享图像的结果。它明确地将用户共享图像以分层、系统和监督的方式与用户连接相关联，并为该问题提供了端到端的解决方案。本文还推导了有效的变分推理和学习算法的后验的潜变量和模型参数。通过对Flickr中20万多幅图像的实验表明，该方法的性能明显优于以往的方法。
2016-12-12 cs.IR cs.SI
From Relational Data to Graphs: Inferring Significant Links using Generalized Hypergeometric Ensembles
从关系数据中推断网络拓扑结构是数据分析中的一个重要问题。典型的应用包括从人类互动的数据中重建社会关系，从DNA微阵列数据中推断基因共表达网络，或者基于文档中单词的共现来学习语义关系。解决这些问题需要技术来推断噪声关系数据中的重要链接。在这篇简短的论文中，我们提出了一个新的统计建模框架来应对这一挑战。它建立在广义超几何集合，一类生成随机模型，产生分析听话的概率空间的有向，多边缘图。我们展示了如何使用这个框架来评估嘈杂的关系数据中的链接的意义。我们说明了我们的方法在两个数据集捕获的时空接近关系的社会系统中的演员。结果表明，我们的分析框架提供了一种新的方法来推断关系数据的重要联系，与有趣的角度挖掘社会系统的数据。
2017-07-07 cs.SI physics.soc-ph stat.ME
Continuous Queries for Multi-Relational Graphs
通过处理不断增长的社交媒体或新闻流来应对时间紧迫的事件是一项重大的技术挑战。这些数据源中的许多可以建模为多关系图。对于关系数据库，已经广泛地研究了用于搜索通常在监视应用中出现的罕见事件的连续查询或技术。这项工作致力于回答自然出现的问题：我们如何在动态图上有效地执行连续查询？本文提出了一种精确的子图搜索算法，利用时间特性的代表性查询在线新闻或社交媒体监测。该算法是基于一种新的数据结构称为子图连接树（SJ-Tree），利用底层的多关系图的结构和语义特征。本文最后在几个真实世界的数据集上进行了广泛的实验，证明了这种方法的有效性。
2013-03-09 cs.DB cs.SI
EGGS: A Flexible Approach to Relational Modeling of Social Network Spam
University of Oregon（俄勒冈大学）
社交网站面临着不断的垃圾邮件，不必要的信息，分散，骚扰，甚至欺骗诚实的用户。这些信息往往很短，很难单独识别。此外，垃圾邮件发送者伪装他们的邮件看起来合法，欺骗用户点击链接，欺骗垃圾邮件过滤器容忍他们的恶意行为。因此，一些垃圾邮件过滤器检查域中的关系结构，例如用户和消息之间的连接，以更好地识别欺骗性内容。然而，即使使用关系结构，它也经常以不完整或特别的方式被利用。在本文中，我们提出了扩展的基于组的图形模型的垃圾邮件（EGGS），一个通用的方法分类垃圾邮件在网上社交网络。我们不是单独标记每个消息，而是在相关消息具有相同作者、相同内容或其他特定于域的连接时将它们分组在一起。为了对相关消息进行推理，我们结合了两种流行的方法：堆叠图形学习（SGL）和概率图形模型（PGM）。这两种方法都捕捉到了这样一种想法，即当相关消息也是垃圾邮件时，消息更有可能是垃圾邮件，但它们的方式不同; SGL使用顺序分类器预测，而PGM使用概率推理。我们将我们的方法应用到四个不同的社交网络领域。在大多数实验环境中，EGGS比独立模型更准确，特别是当正确的标签不确定时。对于PGM的实现，我们比较了马尔可夫逻辑网络和概率软逻辑，发现两者都能很好地工作，没有一个占主导地位，SGL和PGM的组合通常比单独使用要好。
2020-01-28 cs.IR cs.LG cs.SI
Characterizing Polarization in Social Networks using the Signed Relational Latent Distance Model
Technical University of Denmark（丹麦技术大学）
图表示学习已经成为表征和理解网络结构的重要工具，特别是社交网络。通常，这些表示学习方法将网络嵌入到低维空间中，其中每个个体的角色可以根据其潜在位置来表征。社交网络目前的一个主要问题是出现两极分化和过滤泡沫，促进“我们与他们”的心态，这种心态可能由被认为最终导致政治暴力和民主侵蚀的极端立场所界定。这种极化网络通常以反映喜欢和不喜欢的有符号链接来表征。我们提出了潜在的符号关系潜在距离模型（SLIM），首次使用的似然函数的符号网络和扩展的建模，以不同的极端位置的特征，通过限制嵌入空间的多面体。在四个真实的社会符号极化网络上，我们证明了该模型提取了低维特征，可以很好地预测友谊和敌意，同时提供了可解释的可视化定义的极端位置时，赋予模型的嵌入空间限制到多面体。
2023-03-03 cs.LG cs.SI stat.ML
My tweets bring all the traits to the yard: Predicting personality and relational traits in Online Social Networks
Aristotle University of Thessaloniki（塞萨洛尼基亚里士多德大学）；National University Ireland Maynooth（爱尔兰国立梅努斯大学）
在线社交网络（OSN）中的用户会留下反映其个性特征的痕迹。对这些痕迹的研究对于许多领域都很重要，例如社会科学，心理学，OSN，市场营销等。尽管基于在线行为的人格预测研究显着增加，但重点主要集中在个人人格特质上，而忽视了人格的关系方面。本研究旨在通过提供一个预测模型，包括社会关系特征（依恋取向）与标准人格特征相结合的OSN的整体人格特征分析，以解决这一差距。具体来说，我们首先设计了一种特征工程方法，从OSN用户账户中提取广泛的特征（包括行为、语言和情感）。然后，我们设计了一个机器学习模型，该模型根据提取的特征预测用户心理特征的分数。所提出的模型架构的灵感来自于嵌入在心理学理论中的特征，即，利用人格方面之间的相互关系，并导致与最先进的方法相比，提高了准确性。为了证明这种方法的有用性，我们将我们的模型应用于两个数据集，一个是随机OSN用户，另一个是组织领导者，并比较了他们的心理状况。我们的研究结果表明，这两个群体可以清楚地分开，只有使用他们的心理概况，这开辟了一个有前途的方向，为未来的研究OSN用户的特征和分类。
2020-09-22 cs.CY cs.LG cs.SI
Unsupervised Social Bot Detection via Structural Information Theory
本文提出基于结构信息理论的无监督可解释社交机器人检测框架UnDBot，通过构建社交多关系图、优化异构结构熵和社区标注方法，在真实数据集上取得优于代表性方法的检测效果。
2024-04-21 cs.SI
Relational hyperevent models for polyadic interaction networks
本文提出关系超事件模型（RHEM），通过超边协变量刻画多元交互网络中发送者与整个接收者集合的事件率，解决传统REM无法表达重复向相同接收者集合发送的模式，并在Enron数据上验证其优势。
2022-11-02 cs.SI stat.AP
Attributed Multi-Relational Attention Network for Fact-checking URL Recommendation
Worcester Polytechnic Institute（伍斯特理工学院）；Alibaba Group（阿里巴巴集团）
为了打击假新闻，研究人员主要集中在检测假新闻和记者建立和维护事实核查网站（例如，Snopes.com和Politifact.com）。然而，假新闻传播通过社交媒体网站得到了极大的促进，而这些事实核查网站并没有得到充分利用。为了克服这些问题并补充现有的对抗假新闻的方法，在本文中，我们提出了一种基于深度学习的事实检查URL推荐系统，以减轻假新闻在Twitter和Facebook等社交媒体网站中的影响。特别是，我们提出的框架包括一个多关系的注意模块和异构的图形注意网络，以学习复杂/语义之间的关系，用户-URL对，用户对，和URL-URL对。在真实数据集上的大量实验表明，我们提出的框架优于8个最先进的推荐模型，实现至少3~5.3%的改进。
2020-01-07 cs.CL cs.IR cs.SI
Adolescent relational behaviour and the obesity pandemic: A descriptive study applying social network analysis and machine learning techniques
本研究运用社会网络分析和无监督机器学习技术，分析青少年班级内基于饮食和性别属性的亚群体形成，发现群体凝聚力与肥胖相关因素相似性有关，并验证了同质性概念。
2024-02-04 cs.LG cs.SI
Understanding the Personal Networks of People Experiencing Homelessness in King County, WA with aggregate Relational Data
University of Washington（华盛顿大学）；King County Regional Homelessness Authority（金县区域无家可归者管理局）
利用2022-2024年对金县3000多名无家可归者的调查数据，通过网络抽样方法分析其熟人、密友、亲属和同伴推荐网络，发现社会连通性随时间下降，但亲属网络扩大，表明社会隔离加剧且家庭支持依赖增强。
2026-06-15 cs.SI physics.soc-ph
Quantifying Human Priors over Social and Navigation Networks
University of London（伦敦大学）
本文利用图的组合结构分析社会互动与空间导航两类行为实验，量化人类关系性知识的先验，揭示跨领域一致与领域特异的偏差特征。
2024-02-28 cs.AI cs.LG cs.SI
The Nonparametric Metadata Dependent Relational Model
Brown University（布朗大学）
我们介绍了非参数元数据依赖关系（NMDR）模型，贝叶斯网络数据的非参数随机块模型。NMDR允许与每个节点相关联的实体在潜在社区的无界集合中具有混合成员资格。学习回归模型允许这些成员资格依赖于任意节点元数据，并根据任意节点元数据进行预测。我们开发了有效的MCMC算法学习NMDR模型部分观察到的节点关系。回顾MCMC方法允许我们的采样器直接与NMDR的无限棒断裂表示，避免了有限截断的需要。我们的研究结果表明，从现实世界的社会和生态网络中恢复有用的潜在社区，以及元数据在链接预测任务中的有用性。
2012-06-27 cs.LG cs.SI stat.ML
Reward-Sharing Relational Networks in Multi-Agent Reinforcement Learning as a Framework for Emergent Behavior
University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）
在这项工作中，我们将“社会”的相互作用，通过用户定义的关系网络的MARL设置和检查的影响，代理代理关系的崛起的紧急行为。利用社会学和神经科学的见解，我们提出的框架模型代理关系使用的概念奖励共享关系网络（RSRN），其中网络边权重作为衡量一个代理的成功投资（或“关心”）另一个。我们构造关系奖励作为RSRN交互权重的函数，通过多智能体强化学习算法来集体训练多智能体系统。针对具有不同关系网络结构（例如，利己主义、社群主义和威权主义网络）。我们的研究结果表明，奖励分享关系网络可以显着影响学习行为。我们认为RSRN可以作为一个框架，不同的关系网络产生不同的涌现行为，往往类似于这种网络的直觉社会学的理解。
2022-07-14 cs.AI cs.MA cs.SI
Influence Maximization in Temporal Social Networks with a Cold-Start Problem: A Supervised Approach
NetEase（网易）
针对时序社交网络影响力最大化中的冷启动问题，提出基于模式的IPPs标记方法和张量化TGN模型，通过多关系时序图预测种子节点，离线实验提升精度效率，在线A/B测试验证冷启动解决效果与网络增长。
2025-04-15 cs.AI cs.SI
Going beyond accuracy: estimating homophily in social networks using predictions
Department of Sociology, Cornell University（康奈尔大学社会学系）；Department of Sociology, Dartmouth College（达特茅斯学院社会学系）；Qatar Computing Research Institute（卡塔尔计算研究所）
在在线社交网络中，通常使用节点类别的预测来估计同质性和其他关系属性的度量。然而，在线社交网络数据往往缺乏关于节点的基本人口统计信息。研究人员必须依靠预测的节点属性来估计同质性的措施，但很少有人知道这些措施的有效性。我们发现，估计同伦在网络中可以被看作是一个二元预测问题，和同伦估计是无偏的二元水平的残差总和为零的网络。节点级的预测模型，例如使用名称来分类种族或性别，通常不具有此属性，并且可能会在同质性估计中引入较大的偏差。由于沿二进制的误差自相关，会出现偏倚。重要的是，节点级别的分类性能不是同质性估计精度的可靠指标。我们比较的估计策略，使预测在节点和二分体水平，在不同的设置中的性能评估。我们提出了一种新的“自我改变”建模方法，优于标准的节点和二元分类策略。虽然本文的重点是同质性，结果推广到其他关系的措施，聚合预测沿二元网络。最后，我们建议研究设计，研究同质性在线网络。这篇论文的代码可以在https://github.com/georgeberry/autocorr上找到。
2020-01-30 cs.LG cs.SI
Fast inference of latent space dynamics in huge relational event networks
Università della Svizzera italiana（瑞士意大利语区大学）
提出一种基于似然的分层算法，利用平滑样条过程和凸聚类惩罚，在可解释潜在空间中快速推断大型关系事件网络的社区动力学，数分钟内可在公共GPU上拟合数百万节点。
2023-03-29 cs.LG cs.SI stat.CO
Multi-Relational Structural Entropy
本文提出多关系结构熵 MrSE，利用随机冲浪平稳分布统一刻画节点与关系类型选择，并以贪心算法优化，从而更准确解释多关系图结构并提升节点聚类和社会事件检测性能。
2024-05-11 cs.IT cs.SI math.IT
Information Extraction from Larger Multi-layer Social Networks
社交网络通常使用节点之间的多种不同类型的链接对社区结构进行编码。在本文中，我们介绍了一种新的方法来提取信息，从这样的多层网络，其中每种类型的链接形成自己的层。利用帕累托最优性的概念，社区发现在这种多层设置制定为多准则优化问题。我们提出了一个算法，找到一个近似的Pareto边界包含一个家庭的解决方案。在Twitter数据集上展示了这种方法的强大功能，其中节点是主题标签，并且层对应于（1）连接时间配置文件相似的主题标签对的行为边缘和（2）连接出现在相同推文中的主题标签对的关系边缘。
2015-07-01 cs.SI physics.soc-ph
Degree of Separation in Social Networks
根据小世界的概念，整个世界通过熟人的短链连接起来。在流行的想象中，这是在短语六度分离中捕捉到的，这意味着任何两个人最多只有六次握手。社会网络分析是对生态系统中相互作用单元之间关系的概念和信息的理解。在这种分析中，演员的属性被解释为他们之间的联系的结构。一般来说，行动者之间的关系联系是主要的，行动者的属性是次要的。本文提出了两种计算图中参与者或节点之间的平均分离度的方法。我们将这种方法应用于其他随机图描绘社交网络，然后比较这些图的平均分离度的特性。
2010-07-30 cs.SI physics.soc-ph
Understanding the impact of socialbot attacks in online social networks
像Twitter或Facebook这样的在线社交网络（OSN）是流行和强大的，因为它们允许在线接触数百万用户。它们也是社交机器人攻击的热门目标。如果不深入了解这种攻击的影响，在线社交网络作为促进对话或民主进程的工具的潜力就会受到威胁。在这个扩展的摘要中，我们提出了来自现场实验室实验的见解，其中社交机器人旨在操纵在线社交网络的社交图，在我们的案例中是Twitter。我们探索了目标人类用户之间的链接创建行为，我们的结果表明，社交机器人可能确实有能力塑造和影响在线社交网络中的社交图谱。然而，我们的研究结果也表明，外部因素可能发挥了重要作用，在创造社会联系的OSN。
2014-02-25 cs.SI physics.soc-ph
Weighted Random Walk Sampling for Multi-Relational Recommendation
在信息过载的网络中，个性化推荐系统是帮助用户找到最相关信息的重要工具。最常用的推荐框架假设用户交互的特点是一个单一的关系。然而，对于许多任务，例如社交网络中的推荐，用户-项目交互必须被建模为多个关系的复杂网络，而不仅仅是单个关系。最近的多关系分解和混合推荐模型的研究表明，使用扩展的元路径来捕获额外的信息，用户和项目在网络中可以提高在这样的网络中的推荐的准确性。大部分的工作集中在未加权的异构网络，并应用这些技术，加权关系必须简化为二进制的。然而，与加权边缘相关联的信息，例如用户评级，这可能是至关重要的推荐，在这样的二进制化中丢失。本文提出了一种边采样频率为边权重函数的随机游走采样方法，并应用该方法在加权异构网络中生成扩展元路径。通过这种采样技术，我们在多个数据集上的推荐准确性和模型生成效率方面都表现出了改进的性能。
2017-03-02 cs.IR cs.SI
Understanding the Embedding Models on Hyper-relational Knowledge Graph
Southeast University（东南大学）；The Hong Kong Polytechnic University（香港理工大学）；Tencent（腾讯）
本文通过分解方法评估经典KGE模型在超关系知识图谱上的表现，发现其可与专用模型媲美，并揭示现有HKGE模型的不足，进而提出FormerGNN框架以保留拓扑、捕获长程依赖并整合信息，实验证明其性能优越。
2025-08-05 cs.CL cs.LG cs.SI
Les Misérables Dialogue: A film-based network representation of social communication
Uppsala University（乌普萨拉大学）
本研究以《悲惨世界》1998年电影为基础构建对话时间文本网络，结合十维社会模型生成多层网络表示，还提出从叙事源构建交流数据集的通用方法。
2026-10-12 cs.CL cs.CY cs.SI
