Inspecting Interactions: Online News Media Synergies in Social Media
社交媒体的日益普及从根本上改变了新闻内容的传播方式，包括新层面的互动尝试。到目前为止，传统的新闻媒体，如报纸，电视和广播已经适应了他们的活动，通过利用社交媒体，博客，网站等在线新闻媒体。本文提供了一些洞察到全球流行的新闻媒体的社交媒体存在。尽管事实上，这些大型新闻媒体通过社会媒体环境传播内容在很大程度上，很少有人知道的新闻项目的生产者，供应商和消费者在社会媒体的新闻媒体社区，为了更好地了解这些互动，这项工作的目的是分析新闻项目在两个大型社会媒体，Twitter和Facebook。为此，我们收集了48家新闻媒体在Twitter和Facebook上发布的所有帖子，使用152 K tweets和80 K Facebook帖子的数据集进行描述性和预测性分析。我们探索了一组在社交媒体中自己创建内容的新闻媒体，那些将新闻发布到其他新闻媒体的媒体，以及那些从其他新闻媒体消费新闻内容和/或共享副本的媒体。我们提出了一个预测模型，以增加新闻媒体的普及读者的基础上的帖子数量，追随者数量和互动的数量在新闻媒体社区内进行。研究结果表明，新闻媒体应分散自身的内容，首先在社交媒体上发布，以成为受欢迎的新闻媒体，并获得更多的新闻读者对其新闻项目的吸引力。
2018-09-16 cs.SI
Dual Side Deep Context-aware Modulation for Social Recommendation
Nanjing University（南京大学）；Hong Kong University of Science and Technology（香港科技大学）
社会化推荐通过利用在线社交网络平台的社会关系来有效地提高推荐性能。用户之间的社会关系提供用于对用户对候选项目的兴趣进行建模的朋友信息并且帮助项目暴露给潜在消费者（即，项目吸引力）。然而，有两个问题没有得到很好的研究：第一，为了用户的利益，现有的方法通常聚集的朋友的信息上下文的候选项目，这种浅的上下文感知聚合使他们遭受有限的朋友的信息。其次，对于物品吸引力，如果物品的过去消费者是目标用户的朋友或与目标用户具有相似的消费习惯，则物品可能对目标用户更具吸引力，但大多数现有方法忽略了关系增强上下文感知的物品吸引力。为了解决上述问题，我们提出了DICER（Dual Side Deep Context-aware Modulation for SocialRecommendation）。具体而言，首先提出了一种新的图神经网络来建模社交关系和协作关系，并在高阶关系之上引入双边深度上下文感知调制来捕获好友信息和项目吸引力。在两个真实数据集上的实验结果表明了该模型的有效性，并进行了进一步的实验，以帮助理解双重上下文感知调制的工作原理。
2021-03-16 cs.AI cs.IR cs.SI
Discovering items with potential popularity on social media
预测在线内容的未来流行度在许多应用中非常重要。在无标度网络中存在偏好依附现象，受其影响，热门项目变得更受欢迎，从而导致长尾分布问题。因此，可能受欢迎的新项目（潜在项目）被已经受欢迎的项目所抑制。本文提出了一种新的模型，能够识别潜在的项目。它通过考虑最近收到的链接或评级的数量以及受欢迎程度的衰减来识别潜在的受欢迎项目。为了获得一个有效的模型，我们只考虑内容的时间特征，避免了提取其他特征的成本。我们发现，人们会追随同龄人最近的行为。在适合或质量项目已经流行的项目失去它的受欢迎程度。预测准确性是在三个工业数据集上测量的，即Movielens，Netflix和Facebook wall post。实验结果表明，与现有模型相比，该模型具有更好的预测精度。
2016-04-05 cs.IR cs.SI
Modelling High-Order Social Relations for Item Recommendation
在线社交网络的流行使得研究社会关系如何影响用户选择成为必要。然而，大多数现有的方法只利用一阶社会关系，即连接到目标用户的直接邻居。高级社会关系，例如，朋友的朋友在很大程度上被忽略了，而朋友的朋友对揭示用户偏好非常有用。在这项工作中，我们专注于建立社交网络中的高阶邻居的间接影响，以提高项目推荐的性能。与主流的社会关系规则化模型学习与社会关系不同，我们建议在预测模型中直接考虑社会关系，旨在学习更好的用户嵌入以改进推荐。为了解决高阶邻居随着订单大小急剧增加的挑战，我们建议沿着社交网络递归地“传播”嵌入，有效地将高阶邻居的影响注入用户表示。我们在Yelp和豆瓣两个真实数据集上进行了实验，以验证我们的高阶社会推荐（HOSR）模型。实证结果表明，我们的HOSR显著优于最近基于图正则化的预测器NSCR和IF-BPR+，以及基于图卷积网络的社会影响力预测模型DeepInf，实现了任务的新的最先进水平。
2020-03-23 cs.IR cs.SI
VIP: Incorporating Human Cognitive Biases in a Probabilistic Model of Retweeting
社交媒体中的信息传播取决于许多因素，包括网站如何显示信息，用户如何导航以找到感兴趣的项目，用户的口味以及信息的“病毒性”，即，其倾向于被采纳，或转发，一经曝光。概率模型可以从用户的项目采用历史中了解用户的口味，并向用户推荐新项目。然而，目前的模型忽略了已知会影响行为的认知偏见。具体地说，人们对列表顶部的项目的注意力要比列表底部的项目多。因此，靠近用户社交媒体流顶部的项目比下面出现的项目具有更高的可见性，并且更有可能被看到和采用。另一个偏见是由于项目的适应性：一些项目有一个高的倾向，传播后曝光，无论采用用户的利益。我们提出了一个概率模型，将人类的认知偏见和个人相关性的信息传播的生成模型。我们使用该模型来预测包含URL的消息如何在Twitter上传播。我们的工作表明，考虑认知因素的用户行为模型可以更好地描述和预测社交媒体中的用户行为。
2015-02-02 cs.SI
ConsisRec: Enhancing GNN for Social Recommendation via Consistent Neighbor Aggregation
社会化推荐旨在融合社会链接和用户-项目交互，以缓解评分预测的冷启动问题。图神经网络（GNN）的最新发展激励人们努力设计基于GNN的社交推荐框架，以同时聚合社交和用户-项目交互信息。然而，大多数现有的方法忽略了社会不一致的问题，这直观地表明，社会联系不一定是一致的评级预测过程。社会不一致性可以从情境和关系两个层面观察到。因此，我们打算赋予GNN模型解决社会不一致问题的能力。我们建议通过将采样概率与邻居之间的一致性得分相关联来对一致的邻居进行采样。此外，我们使用关系注意力机制来分配具有高重要性因素的一致关系以进行聚集。在两个真实数据集上的实验验证了模型的有效性。
2021-05-05 cs.SI
Deep Social Collaborative Filtering
推荐系统对于缓解网络世界中的信息过载问题至关重要。大多数现代推荐系统通过基于协同过滤技术的交互来捕获用户对项目的偏好。除了用户与物品的交互之外，社交网络还可以提供有用的信息来理解用户的偏好，如同质性和影响力等社会理论所建议的。最近，深度神经网络已经被用于社交推荐，其促进用户-项目交互和社交网络信息。然而，这些模型大多不能充分利用社会网络信息。它们只使用来自直接邻居的信息，但远距离邻居也可以提供有用的信息。同时，这些模型大多对邻居的信息一视同仁，没有考虑具体的建议。然而，对于具体的建议案，与具体项目有关的信息将有所帮助。此外，这些模型中的大多数都没有明确地捕获邻居对社交推荐项目的意见，而不同的意见可能会对用户产生不同的影响。在本文中，为了解决上述挑战，我们提出了DSCF，一个深度社会协同过滤框架，它可以利用社会关系的各个方面的推荐系统。两个真实世界数据集上的综合实验表明了该框架的有效性。
2019-07-16 cs.IR cs.SI
Graph Neural Networks with Dynamic and Static Representations for Social Recommendation
Sun Yat-sen University（中山大学）
基于图神经网络的推荐系统由于其学习包括社交网络在内的各种边信息的优异能力而受到越来越多的研究兴趣。然而，以往的工作通常集中在建模用户，没有太多的关注项目。此外，项目的吸引力随着时间的推移可能发生的变化，这就像用户的动态兴趣很少被考虑，也没有项目之间的相关性。为了克服这些局限性，本文提出了具有动态和静态表示的社交推荐图神经网络（GNN-DSR），它考虑了用户和项目的动态和静态表示，并结合了它们的关系影响。GNN-DSR分别对用户兴趣和项目吸引力的短期动态和长期静态干扰表示进行建模。此外，注意力机制用于聚合用户对目标用户的社会影响力和相关项目对给定项目的影响力。最后结合用户和项目的潜在因素进行预测。在三个真实推荐系统数据集上的实验验证了GNN-DSR的有效性。
2022-01-31 cs.IR cs.LG cs.SI
Quantified Self Meets Social Media: Sharing of Weight Updates on Twitter
越来越多的人使用可穿戴设备和其他智能设备来量化各种健康状况，从睡眠模式到体重，再到心率。在这些量化自我中，许多人选择通过Twitter和Facebook等在线社交网络公开分享他们的数据。在这项研究中，我们使用了选择将智能体重秤连接到Twitter的用户的数据，提供了他们体重的可靠时间序列，以及对他们社交环境和一般在线行为的见解。具体来说，我们研究哪些社交媒体特征可以预测身体状况，例如个人层面的体重和人群层面的活动模式。我们表明，这是可能的预测个人的体重使用他们的在线社交行为，如他们的自我描述和鸣叫。每周和每月的量化自我行为模式也被发现。这些发现有助于建立监测公共卫生的模型，并有更多的定制个人培训干预措施。虽然有许多研究单独使用量化的自我或社交媒体数据，但这是少数几个结合两个数据源的研究之一，据我们所知，这是唯一一个使用公共数据的研究。
2016-02-28 cs.SI
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
Resolving Multi-party Privacy Conflicts in Social Media
通过社交媒体共享的项目可能会影响多个用户的隐私-例如，描述多个用户的照片、提及多个用户的评论、邀请多个用户的事件等。当前主流社交媒体基础设施中缺乏多方隐私管理支持使得用户无法适当地控制这些项目实际上被共享给谁。能够将多个用户的隐私偏好合并到一个项目的单个策略中的计算机制可以帮助解决这个问题。然而，合并多个用户的隐私偏好并不是一件容易的事情，因为隐私偏好可能会发生冲突，因此需要解决冲突的方法。此外，这些方法需要考虑用户如何实际上就冲突的解决方案达成一致，以便提出受要共享的项目影响的所有用户都可以接受的解决方案。目前的方法要么要求太高，要么只考虑聚合隐私偏好的固定方式。在本文中，我们提出了第一个计算机制，以解决冲突的多方隐私管理在社交媒体，能够适应不同的情况下，通过建模的让步，用户达成解决冲突。我们还提出了一个用户研究的结果，我们提出的机制优于其他现有的方法，在多少倍，每种方法匹配用户的行为。
2016-02-22 cs.SI
MindVote: When AI Meets the Wild West of Social Media Opinion
针对现有LLM舆论预测评估脱离真实社交媒体语境的问题，本文提出首个基于Reddit和微博真实投票的基准MindVote，涵盖3918个投票、23个主题，并对15个LLM进行全面评估，推动更具社会智能的AI发展。
2025-11-08 cs.SI
Designing and Connectivity Checking of Implicit Social Networks from the User-Item Rating Data
\emph{Implicit Social Network}是一群人之间相互联系的社会结构，其中两个人如果有共同的兴趣就联系在一起。这种网络的一个真实的\mbox{-}生活例子是在线商业公司客户之间的隐式社交网络，如果两个客户喜欢相似的物品，那么他们之间存在优势。这样的网络通常是有用的不同的商业应用，如\textit{target advertisement}，\textit{viral marketing}等，在这篇文章中，我们在这个方向上研究两个基本问题。第一个问题是，给定一个电子\mbox{-}商店的用户\mbox{-}项目评分数据，我们如何在它的用户之间设计隐含的社交网络;第二个问题是，在设计它的时候，我们是否可以获得用户之间的连接信息。形式上，我们称第一个问题为\textsc{Implicit User Network Design}问题，第二个问题为\textsc{Implicit User Network Design with Connectivity Checking}问题。对于第一个问题，我们提出了三种不同的算法，即\emph{`Exhaustive Search Approach'}，\emph{`Clique Addition Approach'}，和\textit{`Matrix Multiplication\mbox{-}Based Approach'}…
2020-04-05 cs.MA cs.SI
Multi-agent Attacks for Black-box Social Recommendations
The Hong Kong Polytechnic University（香港理工大学）；City University of Hong Kong（香港城市大学）
针对黑盒社交推荐中非定向攻击研究不足、社交关系与物品档案难协调的问题，提出基于多智能体强化学习的MultiAttack框架，生成冷启动物品档案与跨社区社交关系实现攻击，经真实数据集验证有效。
2024-09-16 cs.AI cs.SI
Maximizing Welfare in Social Networks under a Utility Driven Influence Diffusion Model
受病毒式营销等应用的启发，影响力最大化（IM）问题在文献中得到了广泛的研究。我们的目标是选择一小部分用户来采用一个项目，从而导致其他用户的大量采用。现有的工作有三个关键的限制。(1)它们不考虑用户在购买/采用物品时的经济考虑。(2)大多数关于多个项目的研究都集中在竞争上，互补项目受到的关注有限。(3)对于网络所有者，最大限度地提高社会福利是重要的，以确保客户的忠诚度，这是没有解决在以前的工作中的IM文献。在本文中，我们解决了所有这三个限制，并提出了一个新的模型，称为UIC，结合效用驱动的项目通过网络的影响力传播。在这种互补的背景下，我们提出了社会福利最大化问题。我们表明，虽然目标函数既不是submodular也不是supermodular，令人惊讶的是，一个简单的贪婪分配算法实现了$(1-1/e-ε)$的最佳预期社会福利的一个因素。我们开发了\textsf{bundleGRD}，这个近似算法的可扩展版本，并证明，与真实和合成数据集的综合实验，它显着优于所有基线。
2019-05-30 cs.SI econ.EM
Graph Neural Networks for Social Recommendation
City University of Hong Kong（香港城市大学）；Michigan State University（密歇根州立大学）；The Hong Kong Polytechnic University（香港理工大学）
近年来，图神经网络（GNNs），它可以自然地集成节点信息和拓扑结构，已被证明是强大的学习图形数据。GNN的这些优点为推进社会推荐提供了巨大的潜力，因为社会推荐系统中的数据可以表示为用户-用户社交图和用户-项目图;学习用户和项目的潜在因素是关键。然而，构建基于GNN的社会推荐系统面临着挑战。例如，用户-项目图对交互及其相关联的意见进行编码;社会关系具有异质强度;用户涉及两个图（例如，用户-用户社交图和用户-项目图）。为了同时解决上述三个挑战，在本文中，我们提出了一种新的图神经网络框架（GraphRec）的社会建议。特别是，我们提供了一个原则性的方法来共同捕捉用户项图中的交互和意见，并提出了框架GraphRec，它连贯地建模两个图和异构的优势。在两个真实数据集上的大量实验证明了所提出的框架GraphRec的有效性。我们的代码可在\url{https://github.com/wenqifan03/GraphRec-WWW19}上获得
2019-11-23 cs.IR cs.LG cs.SI
Causal Disentanglement for Regulating Social Influence Bias in Social Recommendation
School of Electrical and Data Engineering, University of Technology Sydney（悉尼科技大学电气与数据工程学院）；School of Artificial Intelligence, Chongqing University of Arts and Sciences（重庆文理学院人工智能学院）
针对社交推荐中社交影响偏差盲目消除会损害推荐效果的问题，提出基于因果解耦的框架CDRSB，通过解耦嵌入和动态权重调节偏差，在四个真实数据集上优于现有最优方法。
2024-03-06 cs.AI cs.SI
More than Meets the Tie: Examining the Role of Interpersonal Relationships in Social Networks
基于960万对Twitter用户数据，研究人际关系类型对语言、话题、交流频率和昼夜模式的影响，并证明将关系作为特征可提升转推预测性能。
2021-05-13 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
Influence Maximization Based on Dynamic Personal Perception in Knowledge Graph
社交网络上的病毒式营销，也被称为影响力最大化（IM），旨在通过最大化其影响力的总传播来选择k个用户来推广目标项目。然而，大多数以前的作品IM不探讨动态用户感知的促进项目的过程中。在本文中，通过利用知识图谱（KG）来捕捉动态用户感知，我们制定了影响力最大化与动态个人感知（IMDPP）的问题，考虑用户的偏好和社会影响，反映了相关项目采用的影响。我们证明了IMDPP的难度，并设计了一个近似算法，命名为动态感知播种在目标市场（Dysim），通过探索的概念，动态可达性，目标市场，和实质性的影响，以选择和促进一系列相关的项目。我们评估的性能与国家的最先进的方法相比，使用真正的社交网络与真正的KG的Dysim。实验结果表明，Dysim在大型数据集中有效地实现了高达6.7倍的影响力传播。
2021-10-01 cs.SI
Integrating Heterogeneous Information via Flexible Regularization Framework for Recommendation
近年来，社会化推荐兴起，它利用用户之间的社会关系来提高推荐性能。然而，在许多应用中，社会关系是不存在的或非常稀疏。同时，用户或项目的属性信息可以丰富。如何利用这些属性信息来提高推荐性能是一个很大的挑战。本文将推荐系统中的对象和关系组织成一个异构信息网络，并引入基于Meta路径的相似性度量来评估用户或项目的相似性。此外，提出了一种基于矩阵分解的双正则化框架SimMF，通过采用用户和项目的相似性作为对用户和项目潜在因子的正则化，灵活地集成不同类型的信息。大量的实验不仅验证了SimMF的有效性，而且还揭示了一些有趣的发现。我们发现，用户和项目的属性信息可以显着提高推荐准确率，他们的贡献似乎比社会关系更重要。实验还表明，不同的正则化模型对用户和项目有明显不同的影响。
2015-11-12 cs.IR cs.SI
Opinion Maximization in Social Networks
通过不同观点的综合和对比形成意见的过程一直是经济学和社会科学中许多研究的主题。今天，这一过程也体现在在线社交网络和社交媒体中。成功的促销活动的关键特征是，他们考虑到这种意见形成的动态，以创造一个关于特定信息项目，如一个人，一个产品，或一个想法的整体有利的意见。在本文中，我们采用了一个完善的社会意见动态模型，并正式确定一组目标个人的积极意见的信息项将最大限度地提高整体积极的意见，在社会网络中的项目的问题的广告设计问题。我们把这个问题称为“竞选”。我们研究了CAMPAIGN问题的复杂性，并设计了求解该问题的算法，在实际数据上的实验证明了算法的有效性和实用性。
2013-01-30 cs.SI physics.soc-ph
A Multi-Modal Latent-Features based Service Recommendation System for the Social Internet of Things
针对现有社交物联网服务推荐方法未挖掘多模态内容下潜在物品-物品结构的问题，本文提出基于潜在特征的推荐系统，通过多模态聚合构建潜在物品图并结合图卷积优化物品表示，性能优于现有方法。
2024-04-13 cs.IR cs.SI
Characterizing and Modeling the Dynamics of Activity and Popularity
社会化媒体是Web 2.0时代获取海量信息的最重要渠道，它是由用户和物品组成的两层网络。人类活动和项目受欢迎程度的动态是社交媒体网络中的一个关键问题。在本文中，通过分析用户活动和项目流行度的增长在四个经验的社会媒体网络，即，Amazon、Flickr、Delicious和Wikipedia，发现用户和物品之间的交叉链接更有可能由活跃用户创建，并被热门物品获取，其中用户活跃度和物品受欢迎程度是通过与用户和物品相关联的交叉链接数量来衡量的。这表明用户通常跟踪受欢迎的项目，总体而言。然而，它被发现，不活跃的用户更严重的跟踪流行的项目比活跃的用户。受实证分析的启发，我们提出了一个演化模型，这种网络的演化是由两步随机游走驱动的。数值实验表明，该模型可以定性地再现经验网络中观察到的用户活动和项目流行度的分布。这些结果可能有助于理解社交媒体网络中活动和流行的微观动态。
2014-02-28 cond-mat.stat-mech cs.SI physics.soc-ph
soc2seq: Social Embedding meets Conversation Model
Amazon Inc.（亚马逊公司）；Square Inc.（Square公司）
虽然在移动应用程序上喜欢或提升帖子很容易做到，但用书面注释回复要困难得多，这是由于提出有意义的回复的认知负荷以及输入文本的机制。在这里，我们提出了一种新的文本回复生成模型，它超越了当前的自动回复和预测文本输入模型，考虑到用户的内容偏好，他们的会话风格的特质，甚至他们的社交图的结构。具体来说，我们已经开发了两种类型的个性化用户交互模型：基于内容的会话模型，它利用位置与用户信息，和基于社交图的会话模型，它结合了基于内容的会话模型与社交图。
2017-11-27 cs.CL cs.SI
When Crowdsourcing Meets Mobile Sensing: A Social Network Perspective
移动传感是一种新兴的技术，它利用智能体参与的数据进行决策或状态估计，包括多媒体应用。本文研究了移动感知方案的结构，并介绍了移动感知的众包方法。受社交网络的启发，人们可以在参与式代理之间建立信任，以利用群体的智慧进行移动传感。一个原型的社会网络启发的移动多媒体和传感应用程序的说明目的。真实世界数据集上的数值实验表明，通过众包的移动传感性能的改善。移动传感与互联网层的挑战进行了讨论。
2015-08-03 cs.SI stat.ML
When Cyber Aggression Prediction Meets BERT on Social Media
网络攻击越来越成为侵蚀社交媒体环境的普遍现象。然而，传统的自陈式问卷由于主观性强、费用高等原因，在当今的网络环境下已难以应用。在这项研究中，我们提出了基于尖端深度学习算法的网络攻击预测模型。基于320个活跃微博用户的社交媒体活动，我们构建了基本、动态和内容特征。我们从三个方面阐述了网络攻击：社会排斥、恶意幽默和内疚感。然后结合预训练的BERT模型建立预测模型。经验证据表明，在没有额外预训练信息的情况下，BERT模型的性能优于传统的机器学习模型，并支持更强的预测。该研究为网络攻击预测提供了坚实的理论模型。此外，本研究亦有助于探讨网路攻击行为及社群媒体平台的组织。
2023-01-05 cs.CY cs.SI
On the dual nature of adoption processes in complex networks
社会技术系统中的采纳过程已经被广泛地研究，无论是经验上的还是理论上的。社会规范、行为，甚至书籍、音乐或其他商业或技术产品在人群中传播的方式通常被建模为社会传染过程，在这个过程中，社会系统的代理人可以感染他们在底层社会联系网络上的邻居。最近，各种模型也被提出来再现发现过程的典型动态，在发现过程中，智能体探索想法或项目之间的关系空间以寻找新奇事物。在这两种类型的过程中，底层网络的结构，分别是第一种情况下的社会联系网络和第二种情况下的项目之间的关系网络，起着根本性的作用。然而，这两个过程一直被视为传统和独立的研究。在这里，我们简要概述了现有的社会传播和探索模式，以及这两个方向的最新进展。我们建议将它们视为同一采用过程的两个互补方面：一方面，有些物品在相互影响的个人社交网络中传播，另一方面，个人探索要采用的物品之间的相似性网络。所提出的方法的双重性质为网络和数据科学家的科学界带来了新的挑战。最后，我们概述了一些可能的方向，我们认为可能是相关的，以探讨在未来几年。
2021-04-19 cs.SI physics.soc-ph
On the Accuracy of Hyper-local Geotagging of Social Media Content
社交媒体用户每年分享数十亿个项目，其中只有一小部分是地理标记的。我们提出了一种数据驱动的方法，用于通过对出现在文本中的超本地n-gram的位置分布进行建模来识别可以与超本地地理区域相关联的非地理标记的内容项。我们探讨了这种方法的准确性，精度和覆盖率之间的权衡。此外，我们还探索了从多个平台和设备接收的内容之间的差异，并显示，例如，通过不同的来源和应用程序共享的内容会产生显著不同的地理分布，最好根据其来源对项目进行建模和预测。我们的研究结果显示了数据驱动方法对短社交媒体文本进行地理标记的潜力和界限，并为所有使用数据驱动方法定位内容的应用程序提供了启示。
2015-02-01 cs.IR cs.SI
LA-CTR: A Limited Attention Collaborative Topic Regression for Social Media
概率模型可以从用户在社交媒体网站上的项目采用历史中学习用户的偏好，并且反过来，基于学习到的偏好向用户推荐新项目。然而，目前的模型忽略了心理因素在塑造在线社交行为中发挥重要作用。其中一个因素是注意力，它是一种整合感知和认知特征的机制，用于选择用户将有意识地处理并可能最终采用的项目。最近的研究表明，人们的注意力是有限的，这限制了他们的在线互动，并且他们将有限的注意力不均匀地分配给其他人。我们提出了一个合作的主题回归模型，采用有限的，非均匀划分的注意力。我们表明，该模型能够学习更准确的用户偏好比最先进的模型，不考虑人类的认知因素。具体来说，我们分析了社会新闻聚合器上的新闻项目投票，并表明我们的模型比其他模型更能预测投票。我们的研究表明，心理社会动机的模型能够更好地描述和预测观察到的行为比模型，只考虑潜在的社会结构和内容。
2013-11-05 cs.IR cs.SI physics.soc-ph
A Neural Influence Diffusion Model for Social Recommendation
精确的用户和项目嵌入学习是构建成功推荐系统的关键。传统上，协同过滤（CF）提供了一种从用户-项目交互历史中学习用户和项目嵌入的方法。然而，由于用户行为数据的稀疏性，性能受到限制。随着在线社交网络的出现，社会推荐系统已经被提出来利用每个用户的本地邻居的偏好来减轻数据稀疏性以更好地进行用户嵌入建模。我们认为，对于社交平台的每个用户，她的潜在嵌入受到她信任的用户的影响。随着社会影响力在社会网络中的递归传播和扩散，每个用户的兴趣在递归过程中发生变化。然而，目前的社交推荐模型只是利用每个用户的本地邻居建立静态模型，而没有模拟全局社交网络中的递归扩散，导致推荐性能不佳。在本文中，我们提出了一个深度影响传播模型，以刺激用户如何影响社会推荐的递归社会扩散过程。对于每个用户，扩散过程从融合相关特征的初始嵌入和捕获潜在行为偏好的自由用户潜在向量开始。我们提出的模型的核心思想是，我们设计了一个逐层的影响传播结构，以模拟用户的潜在嵌入如何随着社会扩散过程的继续而演变。我们进一步表明，我们提出的模型是通用的，可以应用时，用户~（项目）属性或社会网络结构是不可用的。最后，在两个真实数据集上的大量实验结果清楚地表明了我们提出的模型的有效性，与最佳基线相比，性能提高了13%以上。
2019-04-20 cs.IR cs.SI
MPC meets SNA: A Privacy Preserving Analysis of Distributed Sensitive Social Networks
在本文中，我们正式的分布式敏感社交网络（DSSNs），其中包括网络，如敌意网络，金融交易网络，供应链网络和性关系网络的概念。与研究得很好的传统社交网络相比，考虑到网络所编织的个人的隐私问题，DSSN的研究往往更具挑战性。在目前的工作中，我们设想使用安全的多方工具和技术进行隐私保护社会网络分析在DSSNs。作为实现这一目标的一步，我们设计了有效的数据无关算法，用于计算给定DSSN的K壳分解和PageRank中心性度量。所设计的数据不经意算法可以转化为等价的安全计算协议。我们还列出了一系列需要解决的挑战，采用安全计算协议作为一个实际的解决方案，研究DSSNs。
2017-05-19 cs.CR cs.SI
Group colocation behavior in technological social networks
我们分析了两个大的数据集，从技术网络的位置和社会数据：用户位置记录从一个在线的基于位置的社交网络服务，和匿名的电信数据从欧洲手机运营商，为了调查个人和群体行为之间的差异与物理位置。我们发现两个数据集之间的协议：首先，个人更有可能在一个他们以前没有去过的地方与一个朋友见面，但当与一个更大的群体在一起时，他们往往会在熟悉的地点见面。我们还发现，一群人更有可能在他们的其他朋友去过的地方见面，而且地方的类型强烈影响群体在那里见面的倾向。群体和个体移动性之间的这些差异具有潜在的技术应用，例如，在基于位置的社交网络中的地点推荐中。
2014-08-08 cs.SI physics.soc-ph
Distributed Online Learning in Social Recommender Systems
在本文中，我们考虑分散的顺序决策在分布式在线推荐系统中，项目推荐给用户的搜索查询的基础上，以及他们的特定背景，包括购买项目的历史，性别和年龄，所有这些都包括用户的上下文信息。与集中式推荐系统相比，其中存在单个集中式卖方，其可以访问物品的完整库存以及销售和用户信息的完整记录，在分散式推荐系统中，每个卖方/学习者仅可以访问其自己的产品的物品库存和用户信息，而不能访问其他卖方的产品和用户信息，但如果它出售另一个卖家的商品，可以获得佣金。因此，卖家必须分布式地为进入的用户找出推荐哪些物品（从自己的物品或另一卖家的物品的集合中），以便最大化来自自己的销售和佣金的收入。我们制定了这个问题作为一个合作的上下文强盗问题，分析约束的性能相比，最佳的推荐策略给予用户到达和库存的物品，以及上下文相关的购买概率的每个项目的完整实现的卖家，并验证我们的结果通过数值例子的分布式数据集适应亚马逊数据。我们评估了卖方的性能对卖方拥有的物品库存的依赖性，它与其他卖方的连接数量，以及卖方通过向其用户出售其他卖方的物品而获得的佣金。
2014-01-22 cs.LG cs.SI stat.ML
Evolution of Social Networks: A Microfounded Model
许多社会都是由人们在一段时间内相遇和互动而形成的网络组织起来的。在本文中，我们提出了第一个模型来捕捉微观基础的社交网络的演变，有限理性的代理人的不同类型的加入网络，满足其他代理随机随着时间的推移，并因此决定形成社会关系。我们的模型的一个基本前提是，在现实世界的网络中，代理人通过推理他们随着时间的推移遇到的代理人可以给予的好处来形成链接。我们研究了新兴网络的友谊和流行收购的演变，给出了以下外生参数：结构机会主义，类型分布，同质性，和社会合群。我们发现，一个代理找到“朋友”所需的时间是由外生参数的影响：代理谁是更合群，更同性恋，机会主义少，或属于一个类型的“少数民族”平均花费更长的时间寻找友谊。此外，我们表明，优先附件是一个新兴的双重优惠会议过程的结果：一个过程，引导代理的某种类型，以满足更受欢迎的相似类型的代理具有更高的概率，从而创建不同类型的代理的流行程度演变的不对称。
2015-08-14 cs.SI physics.soc-ph
Who is next: rising star prediction via diffusion of user interest in social networks
寻找有潜力增加销售的项目在网上市场非常重要。在本文中，我们建议研究这个新颖而实用的问题：后起之秀预测。我们称这些潜在的项目为新星，这意味着他们有能力从低营业额项目上升到未来的畅销书。新星可以用来帮助电子商务平台的不公平推荐，平衡供需，使零售商受益，合理分配营销资源。虽然对后起之秀的研究可以带来很大的好处，但它也给我们提出了挑战。后起之秀的销售趋势在短期内波动剧烈，并表现出更多的偶然性，这些偶然性是由一些外部事件引起的（例如，COVID-19导致口罩的购买量增加）高于其他项目，这是现有销售预测方法无法解决的问题。为了解决上述问题，本文观察到，在社交网络中，新星的出现与用户兴趣的早期扩散密切相关，这一点在Taocode（一个在淘宝上扩散用户兴趣的中介）的案例中得到了验证。因此，我们提出了一个新的框架，RiseNet，将用户兴趣扩散过程与项目动态特征，以有效地预测新星。具体来说，我们采用耦合机制来捕捉项目和用户兴趣之间的动态相互作用，并采用一个特殊设计的GNN的框架来量化用户的兴趣。我们在淘宝提供的大规模真实数据集上的实验结果证明了我们提出的框架的有效性。
2022-03-29 cs.SI physics.soc-ph
Balancing User Preferences by Social Networks: A Condition-Guided Social Recommendation Model for Mitigating Popularity Bias
Jilin University（吉林大学）；The Hong Kong Polytechnic University（香港理工大学）；Griffith University（格里菲斯大学）
本文提出CGSoRec模型，通过去噪社交网络和调整用户偏好权重，缓解推荐中的流行偏见。模型包含条件引导的社交去噪和扩散推荐模块，在三个真实数据集上验证了有效性。
2026-04-10 cs.LG cs.SI
A Soft Recommender System for Social Networks
Islamic Azad University（伊斯兰阿扎德大学）
最近的社交推荐系统受益于友谊图来做出准确的推荐，相信社交网络中的朋友具有完全相同的兴趣和偏好。一些研究已经受益于硬聚类算法（如K-means），以确定用户之间的相似性，从而定义的友谊程度。在本文中，我们更进一步地识别真正的朋友，以便提出更现实的建议。我们计算了用户之间的相似性，以及用户和项目之间的依赖性。我们的假设是，由于用户偏好的不确定性，模糊聚类，而不是经典的硬聚类，是有益的准确推荐。结合C-均值算法得到软用户聚类的不同隶属度。然后，根据软聚类定义用户的相似性度量。随后，在训练方案中，我们确定了用户和项目的潜在表示，使用矩阵分解从庞大而稀疏的用户-项目-标签矩阵中提取。在参数调整中，我们找到了软社会正则化和用户项依赖项影响的最佳系数。我们的实验结果表明，所提出的模糊相似性度量提高了实际数据中的建议相比，基线社会推荐系统与硬聚类。
2020-01-08 cs.IR cs.LG cs.SI
FAIRY: A Framework for Understanding Relationships between Users' Actions and their Social Feeds
Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）
用户越来越依赖社交媒体订阅来消费日常信息。提要中的项目，如新闻、问题、歌曲等，通常是由用户的社交联系人、她的兴趣和她在平台上的行为的复杂相互作用引起的。用户自己的行为和接收到的提要之间的关系通常令人困惑，许多用户希望清楚地解释为什么向他们显示某些项目。透明度和可解释性是现代世界中认知过载、过滤气泡、用户跟踪和隐私风险的关键问题。本文介绍了FAIRY，一个框架，系统地发现，排名，并解释用户的行动和项目之间的关系，在他们的社交媒体提要。我们在平台上的用户的本地邻居建模为交互图，异构信息网络的一种形式，仅从有关用户容易访问的信息构建。我们假设该交互图中连接用户和她的提要项的路径可以作为用户的相关解释。这些路径是用一个学习排名模型来评分的，该模型捕捉了相关性和可重复性。两个社交平台上的用户研究证明了FAIRY方法的实际可行性和用户利益。
2019-11-05 cs.LG cs.SI stat.ML
Disentangling the Effects of Social Signals
同行推荐是一项众包任务，它利用许多人的意见来识别在线有趣的内容，如新闻，图像或视频。对等推荐应用通常使用社交信号，例如，事先推荐的数量，引导人们去看更感兴趣的内容。人们对社交信号的反应，结合内容质量及其呈现顺序，决定了同行推荐的结果，即，物品人气。使用Amazon Mechanical Turk，我们通过实验测量了社交信号在同行推荐中的影响。具体来说，控制后的变化，由于项目的内容和位置，我们发现，社会信号影响项目的流行程度约一半的位置和内容。这些效应在某种程度上是相互关联的，因此社会信号加剧了“富人更富”的现象，这导致了更广泛的受欢迎程度差异。此外，社交信号会改变个人偏好，产生“羊群效应”，使人们对内容的判断产生偏见。尽管如此，我们发现，社会信号提高了同行推荐的效率，减少了投入的努力，评估内容，同时保持推荐质量。
2016-01-27 cs.CY cs.IR cs.SI
Deep Adversarial Social Recommendation
City University of Hong Kong（香港城市大学）；Michigan State University（密歇根州立大学）；The Hong Kong Polytechnic University（香港理工大学）
随着社交网络对人们日常生活的影响越来越大，近年来，社会推荐技术得到了快速发展，以提高推荐系统的性能。大多数现有的社会化推荐方法统一了用户-项目交互（项目域）和用户-用户连接（社会域）的用户表示。然而，它可能会限制用户在各自领域的表示学习，因为用户在两个领域中的行为和交互不同，这使得他们的表示是异构的。此外，大多数传统的推荐系统不能有效地优化这些目标，因为他们利用负采样技术，这是无法提供足够的信息指导训练过程中的优化过程。在本文中，为了解决上述挑战，我们提出了一种新的深度对抗性社交推荐框架DASO。它采用双向映射的方法来传递用户的信息之间的社会域和项目域使用对抗学习。在两个真实数据集上的综合实验表明了该框架的有效性。
2019-05-30 cs.IR cs.LG cs.SI
Predictability of extreme events in social media
这是我们日常社交媒体体验的一部分，看似普通的项目（视频，新闻，出版物等）出乎意料地获得了大量的关注。在这里，我们调查这些事件是多么出乎意料。我们提出了一种方法，给定项目的一些信息，量化事件的可预测性，即，提前识别最成功项目的潜力被定义为基于相同信息的任何预测的质量的上限。将这种方法应用于不同的数据，从YouTube视频中的浏览量到Usenet讨论组中的帖子，我们不变地发现，对于最极端的事件，可预测性会增加。这表明，尽管固有的随机集体动态的用户，有效的预测是可能的最极端的事件。
2014-12-08 cs.SI physics.data-an physics.soc-ph
Extracting Implicit Social Relation for Social Recommendation Techniques in User Rating Prediction
Sharif University of Technology（谢里夫理工大学）；Vienna University of Technology（维也纳工业大学）
推荐在我们的日常生活中扮演着越来越重要的角色。推荐系统自动向用户推荐他们可能感兴趣的项目。最近的研究表明，将社会信任的矩阵分解方法明显提高评级预测的准确性。这些方法主要使用用户明确表达的信任分数。然而，让用户提供彼此的明确信任分数通常是具有挑战性的。有相当多的作品，提出信任度来计算和预测用户之间的信任分数的基础上，他们的互动。在本文中，首先，我们提出了如何在推荐系统中通过描述用户之间的Hellinger距离来从用户对项目的评分中提取社会关系。然后，我们建议将预测的信任分数到社会矩阵分解模型。通过分析社会关系抽取从三个著名的现实世界的数据集，这两个：信任和推荐数据，我们得出结论，使用隐式的社会关系在社会推荐技术具有几乎相同的性能相比，由用户明确表达的实际信任分数。因此，我们建立我们的方法，称为Hell-TrustSVD，在最先进的社会推荐技术之上，将提取的隐式社会关系和用户对活跃用户的项目预测给出的评级结合起来。据我们所知，这是第一次使用提取的社会信任信息扩展TrustSVD。实验结果表明，在不存在显式信任的情况下，采用隐式信任进行矩阵分解，可以获得比现有方法更好的用户评分预测效果。
2017-03-17 cs.LG cs.SI
Econoinformatics meets Data-Centric Social Sciences
由于信息和通信技术（ICT）的出现和传播，我们的社会已经计算机化和全球化。这使我们能够根据关于人类活动的大量数据来调查我们自己的社会经济系统。本文讨论了处理大量数据产生的复杂性以及链接不同来源的数据的方法。此外，给出了几个例子的应用研究econoinformatics为日本证券交易所，外汇市场，国内酒店预订数据和国际航班预订数据显示。主要信息是，时空信息是综合不同数据源数据的关键要素。
2013-04-19 cs.SI physics.soc-ph q-fin.GN
Talk it up or play it down? (Un)expected correlations between (de-)emphasis and recurrence of discussion points in consequential U.S. economic policy meetings
Cornell University（康奈尔大学）；University of Washington（华盛顿大学）
在做出重要决定的会议上，哪些项目受到更多关注可能会影响结果。我们研究了不同类型的修辞（去）强调-包括模糊限制语，最高级，对比连词-与什么被重温后，控制项目频率和扬声器。我们的数据包括美联储公开市场委员会（FOMC）的定期会议记录，这些会议决定了美国货币政策的重要方面。令人惊讶的是，我们发现，在对冲背景下出现的词语，通常被认为是表达不确定性的一种方式，更有可能在随后的会议中重复，而最高级所表示的强烈强调对随后会议中的单词重复有轻微的负面影响。我们还观察到有趣的模式，这些影响如何根据社会因素，如地位和性别的扬声器。例如，对冲的积极影响是更明显的女性发言人比男性发言人。
2016-12-19 cs.CL cs.SI physics.soc-ph
DiffNet++: A Neural Influence and Interest Diffusion Network for Social Recommendation
Hefei University of Technology（合肥工业大学）；Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（合肥综合性国家科学中心人工智能研究院）；The University of Arizona（亚利桑那大学）
社会化推荐利用用户之间的社会联系来预测用户的未知偏好，这可以缓解基于协同过滤的推荐中的数据稀疏性问题。早期的方法依赖于利用每个用户的一阶社交邻居的兴趣来进行更好的用户建模，并且未能从全局社交网络结构中对社交影响力扩散过程进行建模。最近，我们提出了一个神经影响扩散网络的初步工作（即，DiffNet）用于社会推荐（Diffnet），它对递归社会扩散过程进行建模，以捕获每个用户的高阶关系。然而，我们认为，由于用户在用户-用户社交网络和用户-项目兴趣网络中都扮演着核心角色，因此仅对社交网络中的影响力扩散过程进行建模会忽略用户-项目兴趣网络中用户潜在的合作兴趣。在本文中，我们提出了DiffNet++，DiffNet的一个改进的算法，在一个统一的框架内模型的神经影响力扩散和兴趣扩散。DiffNet++通过将社会化推荐重构为以社会网络和兴趣网络为输入的异构图，同时注入这两种网络信息进行用户嵌入学习，从而改进了DiffNet。这是通过从三个方面迭代地聚合每个用户的嵌入来实现的：用户的先前嵌入、来自社交网络的社交邻居的影响力聚合以及来自用户-项目兴趣网络的项目邻居的兴趣聚合。此外，我们设计了一个多层次的注意力网络，学习如何从这三个方面专注地聚合用户嵌入。最后，在两个真实数据集上的大量实验结果清楚地表明了我们提出的模型的有效性。
2021-01-05 cs.IR cs.LG cs.SI
Maximizing Social Welfare in a Competitive Diffusion Model
University of British Columbia（不列颠哥伦比亚大学）；Microsoft Research（微软研究院）
影响力最大化（IM）由于在病毒营销和感染遏制等方面的应用，在文献中获得了大量的关注。它的目的是选择少量的种子用户采用一个项目，使采用传播到网络中的大量用户。竞争性即时通信侧重于网络中竞争项目的传播。现有的工作竞争IM有几个限制。(1)他们未能将经济激励纳入用户的项目采用决策。(2)大多数作品的目的是最大限度地采用一个特定的项目，而忽略了不同项目发挥的集体作用。(3)他们主要关注竞争的一个方面--纯粹的竞争。为了解决这些问题，我们研究竞争IM下的效用驱动的传播模型称为UIC，并研究社会福利最大化。一般来说，这个问题不仅是NP-难的，而且在任何常数因子内都是NP-难的。因此，我们设计即时相关的有效近似算法的一般情况下，以及一个$(1-1/e-ε)$ -近似算法的限制设置。我们的算法优于不同的基线竞争IM，无论是在解决方案的质量和运行时间在大型真实网络下的合成和真实的效用配置。
2020-12-06 cs.AI cs.IT cs.SI
Graph Embedding Based Hybrid Social Recommendation System
项目推荐任务是一个广泛研究的课题。深度学习和谱方法的最新发展为高效的图嵌入技术铺平了道路。但是很少有研究将这些图嵌入应用于社交图的推荐任务。本文重点研究了各种嵌入方法应用于社会图的项目推荐任务的性能。此外，提出了一种混合模型，其中所选择的嵌入模型组合在一起，给出一个集体输出。我们提出了这样一个混合模型的假设，将执行更好的推荐任务比个人嵌入。以个体嵌入为基准，对混合模型在同一任务下的推荐性能进行了评估和比较。标准度量用于定性比较。结果发现，所提出的混合模型优于基线。
2019-08-26 cs.IR cs.SI
Keen2Act: Activity Recommendation in Online Social Collaborative Platforms
University of Saskatchewan（萨斯喀彻温大学）；Singapore Management University（新加坡管理大学）；McLaren Applied（迈凯伦应用技术公司）
GitHub和Stack Overflow等社交协作平台越来越多地用于通过协作提高工作效率。为了改善这些平台中的用户体验，期望具有一种推荐系统，其不仅可以建议项目（例如，GitHub存储库），而且还包括要对建议项目执行的活动（例如，forking一个repository）。为此，我们提出了一种新的方法，称为Keen 2Act，它将推荐问题分解为两个阶段：Keen和Act步骤。Keen步骤为给定用户标识他/她可能感兴趣的项目的（子）集合。然后，Act步骤向用户推荐要对所识别的项目集执行哪些活动。这种分解提供了一种实用的方法来处理复杂的活动推荐任务，同时产生更高的推荐质量。我们使用两个真实世界的数据集来评估我们提出的方法，并获得了令人鼓舞的结果，Keen 2Act优于几个基线模型。
2020-05-11 cs.IR cs.LG cs.SE
De-anonymization of Social Networks with Communities: When Quantifications Meet Algorithms
如今，一个关键的隐私驱动的问题是通过将匿名社交网络映射到相关的跨域辅助网络来重新识别它们。先前的工作通常基于将社交网络建模为表示用户及其关系的随机图，并且随后通过在没有足够理由的情况下提出的成本函数来量化映射的质量。此外，如何在算法上满足这种量化的需求仍然是未知的，即，找到成本函数的最小值。我们在一个更现实的社会网络模型中解决了这些问题，该模型由社区结构参数化，可以作为去匿名化的辅助信息。通过最大后验概率（MAP）估计，我们的第一个贡献是新的和合理的成本函数，当最小化时，在以最高概率找到正确的映射方面比以前的成本函数具有优越性。成本函数的可行性，然后第一次在算法上的特点。在证明一般乘法不可近似性的同时，我们能够提出两种算法，它们分别在成功进行用户重新识别时具有ε-加法近似性和条件最优性。我们的理论研究结果得到了经验验证，从罕见的真实跨域网络中提取了一个值得注意的数据集，这些数据集再现了真正的社交网络去匿名化。理论和实证观察也表明了社区信息在增强隐私推理中的重要性。
2017-07-27 cs.CR cs.NI cs.SI
Persuasion Meets AI: Ethical Considerations for the Design of Social Engineering Countermeasures
Facebook或Instagram等社交网站的隐私与人们的自我披露决定以及他们预见与大量不同受众分享个人信息的后果的能力密切相关。尽管如此，在线隐私决策往往基于虚假的风险判断，使人们容易向不受信任的接收者透露敏感数据，并成为社会工程攻击的受害者。人工智能（AI）与说服机制（如轻推）相结合，是促进SNS用户预防性隐私行为的一种有前途的方法。然而，结合行为干预与高水平的个性化可以是一个潜在的威胁，人们的机构和自主权，即使应用到社会工程对策的设计。本文详细阐述了推动机制可能对基于人工智能的对策的发展带来的伦理挑战，特别是对解决SNS中不安全的自我披露做法的挑战。总体而言，它赞同制定个性化的风险意识解决方案，作为i）一种道德方法来抵制社会工程，以及ii）作为促进反思隐私决策的有效手段。
2020-09-27 cs.CY cs.HC cs.SI
When LLM Meets Hypergraph: A Sociological Analysis on Personality via Online Social Networks
本文提出基于环境视角的人格社会学分析框架，利用LLM从低质量记录生成高质量用户画像，并通过超图神经网络建模用户与社会环境的交互，同时发布了首个包含超图结构和社会信息的数据集。
2024-07-04 cs.IR cs.SI
The Pulse of News in Social Media: Forecasting Popularity
新闻报道的时效性很强。新闻项目之间也存在着尽可能广泛传播的激烈竞争。因此，预测社交网络上新闻项目的受欢迎程度的任务既有趣又具有挑战性。先前的研究已经处理了基于早期流行度来预测最终的在线流行度。然而，最理想的是在发布之前预测项目的受欢迎程度，从而促进做出适当决策以修改文章及其发布方式的可能性。在本文中，我们构建了一个多维的特征空间，来自一篇文章的属性，并评估这些功能的有效性，作为在线流行度的预测。我们研究了回归和分类算法，并证明了尽管人类行为具有随机性，但预测twitter上的受欢迎程度范围是可能的，总体准确率为84%。我们的研究还有助于说明传统上突出的来源和社交网络上非常流行的来源之间的差异。
2012-02-02 cs.CY cs.NI cs.SI
Dual Graph Attention Networks for Deep Latent Representation of Multifaceted Social Effects in Recommender Systems
Shanghai Key Laboratory of Scalable Computing and Systems, Department of Computer Science and Engineering, Shanghai Jiao Tong University（上海交通大学计算机科学与工程系可扩展计算与系统上海市重点实验室）；WeChat, Tencent Inc.（腾讯公司微信）；UM-SJTU Joint Institute, Shanghai Jiao Tong University（上海交通大学密西根大学联合学院）
社会化推荐利用社会信息解决传统协同过滤方法中的数据稀疏性和冷启动问题。然而，大多数现有的模型假设来自朋友用户的社会效应是静态的，并且在恒定权重或固定约束的形式下。为了放松这个强假设，在本文中，我们提出了双图注意力网络来协作学习双重社会效应的表示，其中一个由用户特定的注意力权重建模，另一个由动态和上下文感知的注意力权重建模。我们还将用户域中的社会效应扩展到项目域，以便可以利用相关项目的信息来进一步缓解数据稀疏问题。此外，考虑到两个领域中不同的社会效应可能相互作用，共同影响用户对物品的偏好，提出了一种基于上下文多臂强盗的策略融合策略，以权衡各种社会效应之间的相互作用.在一个基准数据集和一个商业数据集上的实验验证了我们模型中关键组件的有效性。实验结果表明，与其他最先进的社会化推荐方法相比，我们的模型在推荐准确率上有了很大的提高。
2019-03-25 cs.IR cs.LG cs.SI
