Modeling the Social Influence of COVID-19 via Personalized Propagation with Deep Learning
Nanjing University of Finance and Economics(南京财经大学);Nanjing University of Aeronautics and Astronautics(南京航空航天大学)
社会影响力预测已经渗透到许多领域,包括市场营销、行为预测、推荐系统等。然而,传统的预测社会影响力的方法不仅需要领域专业知识,还依赖于提取用户特征,这可能非常繁琐。另外,处理非欧几里德空间中的图形数据的图卷积网络(GCN)不能直接应用于欧几里德空间。为了克服这些问题,我们扩展了DeepInf,使其可以通过页面排名域的转移概率来预测COVID-19的社会影响。此外,我们的实现产生了一个基于深度学习的个性化传播算法,称为DeepPP。所得到的算法结合了个性化的传播的神经预测模型与近似个性化的传播的神经预测模型从网页排名分析。四个来自不同领域的社交网络以及两个COVID-19数据集被用来证明所提出的算法的效率和有效性。与其他基线方法相比,DeepPP提供了更准确的社会影响力预测。此外,实验证明DeepPP可以应用于COVID-19的真实世界预测数据。
2022-07-26 cs.LG cs.SI
Sinkless: A Preliminary Study of Stress Propagation in Group Project Social Networks using a Variant of the Abelian Sandpile Model
我们进行社会网络分析的53名学生分为三个学期和13组,使用传统的措施,如特征向量中心性,中间中心性,度中心性,以及定义一个变体的阿贝尔沙堆模型(ASM)的意图建模压力传播在大学课堂上。我们将这些分析的结果与收到的小组项目成绩相关联;由于数据集较小或收集不佳,我们无法得出任何这些网络措施与这些成绩相关的结论。然而,我们成功地使用这个数据集来定义一个离散的,递归的,更广义的ASM变体。阿贝尔沙堆模型,大学成绩,自组织临界性,不沉沙堆模型,社会网络分析,压力传播
2013-11-22 cs.SI physics.soc-ph
Hierarchical Propagation Networks for Fake News Detection: Investigation and Exploitation
从社交媒体上消费新闻正变得越来越受欢迎。然而,社交媒体也使假新闻得以传播。由于社交媒体带来的不利影响,虚假新闻检测越来越受到关注。然而,仅从新闻内容中检测假新闻的性能通常是有限的,因为假新闻被编写为模仿真实新闻。在现实世界中,新闻通过社交媒体上的传播网络传播。新闻传播网络通常涉及多个层次。在本文中,我们研究了具有挑战性的问题,调查和利用社会媒体上的新闻分层传播网络的假新闻检测。为了理解新闻传播网络与假新闻之间的相关性,本文首先从宏观和微观两个层面构建了假新闻和真新闻的层次传播网络,然后对假新闻和真新闻的传播网络的语言、结构和时间特征进行了对比分析,展示了利用这些特征检测假新闻的潜力。第三,我们展示了这些传播网络特征对虚假新闻检测的有效性。我们进一步验证了这些功能的有效性,从功能的重要性分析。总而言之,这项工作提出了分层传播网络和假新闻的数据驱动视图,并为更健康的在线新闻生态系统铺平了道路。
2019-03-21 cs.SI
Towards Propagation-aware Representation Learning for Supervised Social Media Graph Analytics
本文提出融合双编码器与动力学引导传播模块的通用表示学习框架,通过传播感知编码提升社交媒体图分析在噪声下的鲁棒性和跨任务通用性,并在图分类、节点分类和链接预测上取得最先进性能。
2025-09-01 cs.SI
InfoPattern: Unveiling Information Propagation Patterns in Social Media
InfoPattern是一个演示系统,聚焦社交媒体中语言与意识形态的相互作用,通过红队测试、立场检测和信息传播图发现,模拟对抗回应、识别政治情绪并揭示主张演变。
2023-11-27 cs.CL cs.SI
Rumor Detection on Social Media with Temporal Propagation Structure Optimization
Beihang University(北京航空航天大学)
针对现有社交媒体谣言检测方法忽略传播时序与结构噪声的问题,提出结合加权时序传播树、结构熵编码树与递归神经网络的检测方法,在两个常用数据集上表现更优。
2024-12-12 cs.CL cs.SI
RA-ICM: A Novel Independent Cascade Model Incorporating User Relationships and Attitudes
针对现有信息传播模型忽略非相邻用户关系与用户态度的问题,提出融合两类因素的RA-ICM模型,经6个真实微博数据集验证,其预测精度更高、时间复杂度更低,更贴合真实传播规律。
2024-03-11 cs.SI
Schemes of Propagation Models and Source Estimators for Rumor Source Detection in Online Social Networks: A Short Survey of a Decade of Research
本文综述了在线社交网络中谣言源检测的三种传播模型和三种源估计方案,探讨了十年来相关研究的进展与核心方法。
2021-01-04 cs.DM cs.LG cs.SI
Measuring Information Propagation in Literary Social Networks
School of Information(信息学院);UC Berkeley(加州大学伯克利分校)
我们提出了在文学中建模信息传播的任务,在其中,我们试图识别从字符A到字符B到字符C的信息片段,只给出了它们在文本中的活动的描述。我们描述了一个新的管道测量信息传播在这一领域,并发布了一个新的数据集的扬声器属性,使这个管道的一个重要组成部分的评估范围更广的文学文本比以前研究。利用这条管道,我们分析了5,000多部小说作品中的信息传播动态,发现信息通过填补连接不同社区的结构漏洞的角色流动,并且女性角色被描绘成比男性角色更频繁地填补这个角色。
2020-10-06 cs.CL cs.SI
Information Propagation Analysis of Social Network Using the Universality of Random Matrix
谱图理论给出了一种代数方法来分析网络的动态,通过使用矩阵,代表网络结构。然而,由于不能精确地给出矩阵元素来表示社会网络的结构,因此谱图理论在社交网络中的应用并不容易。矩阵元素应根据人与人之间的关系设定,但这种关系无法从可获得的数据中准确量化(例如,呼叫历史和聊天历史)。为了解决这个问题,我们利用随机矩阵的普适性和社交网络的特点。作为这样的随机矩阵,我们使用归一化拉普拉斯矩阵的网络中的链接权重是随机给定的。在本文中,我们首先澄清,普遍性(即,Wigner循环定律)出现在特征值频率分布中,而与链路权重分布无关。然后,利用谱图理论和归一化拉普拉斯矩阵的普适性分析了信息的传播速度。作为结果,我们表明,如果结构(即,人与人之间的关系)的社会网络的变化。
2018-04-04 cs.SI physics.soc-ph
Characterizing User Behavior and Information Propagation on a Social Multimedia Network
越来越多的现代社交活动通过在线社交网络进行。这些社区的成员通常扮演着不同的角色,可以从对用户在线活动的观察中推断出来。其中一个活动是共享多媒体,其普及程度可能会有很大的不同。在这里,我们讨论了我们对来自同意的Facebook用户的匿名数据的初步分析,以及相关的人口统计和心理特征。我们提出了五个集群的用户共同观察到的在线行为,这些用户也表现出相关的个人资料特征。最后,我们确定了一些最流行的多媒体内容的共同属性。
2013-05-08 cs.SI physics.soc-ph
Popular Topics Spread Faster: New Dimension for Influence Propagation in Online Social Networks
在线社交网络(Online Social Network,OSN)的信息传播速度快,成为病毒式营销的重要平台。尽管在过去的十年中,OSN中的病毒式营销相关问题已经得到了广泛的研究,但现有的工作都假设已知的传播速率,并且无法解决流行主题的速率可能动态增加的情况。在本文中,我们提出了一种新的模型,动态影响传播(DIP),它允许传播速率的变化过程中的扩散,可以用来描述信息传播在OSN更真实。在DIP的基础上,我们定义了一个新的研究问题:DIP下的阈值激活问题(TAP-DIP)。TAP-DIP比TAP更一般化,可用于DIP模型的研究。然而,它在已经存在的P-hard TAP问题上又增加了一层复杂性。尽管它的硬度,我们能够近似TAP-DIP与$O(\log|V|)$的比例。我们的解决方案包括两个主要部分:1)Lipschitz优化技术和2)一个新的解决方案的一般版本的TAP,多TAP问题。我们使用各种真实的OSN数据集对我们的解决方案进行了实验测试,并证明了我们的解决方案不仅在知道速率增加时生成高质量但小得多的种子集,而且具有可扩展性。此外,考虑DIP与否对结实率的选择有显著影响。
2017-08-25 cs.SI
Political Propagation of Social Botnets: Policy Consequences
2016年美国大选是一个分水岭事件,敌对国家的选举干预广泛使用了软件机器人网络和数据驱动的通信,将干扰转化为人机协作的目标驱动功能。回顾崩溃后的辩论,我们反思了使用社交僵尸网络的政策后果,并了解其对抗性操作在催化制度衰退,日益增长的基础设施焦虑,增加行业监管,更脆弱的个人和更扭曲的想法方面的影响,最重要的是,以机器人机构本身的形式出现了一个意想不到的选区。本文首先简要介绍了社会僵尸网络的性质和演变,然后讨论了政策后果。对于未来的工作,重要的是要了解这些软件机器人的代理和集体属性,以便设计制度和社会技术机制,减轻使用这些机器人干预民主进程的对抗性社会工程的风险。
2022-05-10 cs.CY cs.SI
Modeling Aggression Propagation on Social Media
网络攻击已经在各种环境和在线社交平台中进行了研究,并使用最先进的机器和深度学习算法对不同的数据进行建模,以自动检测和阻止这种行为。由于在自己的(在线)社交圈中毒性和攻击性增强,用户可能会受到影响而采取攻击性行为,甚至欺凌他人。实际上,这种行为可以从一个用户和邻居传播到另一个用户和邻居,从而在网络中传播。有趣的是,据我们所知,还没有任何研究对攻击性行为的网络动力学进行建模。在本文中,我们朝着这个方向迈出了第一步,通过使用意见动态研究社交媒体上的攻击传播。我们提出了一些方法来模拟侵略如何从一个用户传播到另一个,这取决于每个用户是如何连接到其他侵略性或常规用户。通过对Twitter数据的广泛模拟,我们研究了攻击性行为如何在网络中传播。我们用爬行和注释的地面实况数据验证我们的模型,达到80%的AUC,并讨论我们工作的结果和影响。
2021-06-25 cs.CY cs.SI
Reach and speed of judgment propagation in the laboratory
近年来,大量的研究表明,判断和行为可以在人与人之间传播。政治动员、健康实践、利他主义和情绪状态等各种现象都表现出类似的社会传染动力。然而,判断传播的精确机制还没有得到很好的理解,因为很难控制诸如同质性或动态网络结构等混杂因素。我们介绍了一种新的实验设计,使严格的研究判断传播。在这个设计中,实验链的个人可以修改他们的初步判断,在视觉感知任务后,观察前任的判断。将一个非常优秀的执行者定位在链条的顶部,会造成一个性能差距,这会引发一波又一波的判断沿着链条传播。我们通过实验评估了判断传播的动态。尽管在成对的个体中有很强的社会影响力,但判断在链条上传播的范围很少超过三到四个分离度的社会距离。此外,计算机模拟显示,判断传播的速度随着与源的社会距离呈指数衰减。我们发现,信息失真和其他人的错误的超重是两个个人层面的机制,阻碍判断传播的规模链。我们的研究结果有助于社会传染过程的理解,我们的实验方法提供了许多新的机会,在实验室中研究判断传播。
2017-04-05 cs.SI physics.soc-ph
Dynamic time warping distance for message propagation classification in Twitter
Université de Tunis(突尼斯大学);Université de Rennes I(雷恩第一大学);Centre d’Etude et de Recherche des Télécommunications(电信研究中心);Université de Carthage(迦太基大学)
社会信息分类是近年来引起众多研究者关注的一个研究领域。事实上,社交信息与普通文本不同,因为它具有一些特殊特征,例如简短。然后,开发新的方法来处理社会信息,现在是必不可少的,使其分类更有效。在本文中,我们主要感兴趣的社会信息的分类的基础上,他们在网上社交网络(OSN)的传播。我们提出了一个新的距离度量的基础上的动态时间弯曲距离,我们使用它与概率和证据k近邻(k-NN)分类器分类传播网络(PrNets)的消息。传播网络是一个有向无环图(DAG),用于记录消息的传播轨迹、遍历的链路及其类型。我们测试了所提出的度量与所选择的k-NN分类器在真实世界的传播轨迹,从Twitter的社交网络收集,我们得到了良好的分类精度。
2017-01-26 cs.AI cs.SI stat.ML
Tripartite Heterogeneous Graph Propagation for Large-scale Social Recommendation
Clova AI Research, NAVER Corp.(NAVER公司Clova人工智能研究院);Search Solution Inc.(搜索解决方案公司);LINE Plus Corp.(LINE Plus公司)
图神经网络(GNNs)已经成为一种很有前途的关系表示方法,包括推荐系统。然而,社交图的各种挑战性问题阻碍了GNN用于社交推荐的实际使用,例如它们复杂的噪声连接和高度异质性。GNN的过度平滑也是基于GNN的社交推荐的障碍。在这里,我们提出了一个新的图嵌入方法异构图传播(HGP)来解决这些问题。HGP使用组-用户-项目三方图作为输入,以减少社交图中的边的数量和路径的复杂性。为了解决过度平滑的问题,HGP在个性化的基于PageRank的传播方案下嵌入节点,分别用于组用户图和用户项图。使用注意力机制来集成来自每个图的节点嵌入。我们在一个由1,645,279个节点和4,711,208条边组成的大规模真实世界数据集上评估我们的HGP。实验结果表明,HGP在AUC和F1评分指标方面优于几个基线。
2019-07-24 cs.IR cs.LG cs.SI
Propagation Dynamics of Rumor vs. Non-rumor across Multiple Social Media Platforms Driven by User Characteristics
该研究结合Twitter与微博的近百万真实用户数据,分析谣言与非谣言的多平台传播差异,揭示了“旁观者”用户的传谣特点、名人的审慎态度及可信度侵蚀效应等规律。
2024-01-31 cs.SI
Layered Label Propagation: A MultiResolution Coordinate-Free Ordering for Compressing Social Networks
我们继续从WebGraph开始的关于图压缩的研究路线,但是我们将重点转移到社交网络的压缩(例如,LiveJournal):已经使用了很长时间来压缩web图的方法依赖于节点的特定排序(字典法URL排序),其扩展到一般社交网络并非微不足道。在本文中,我们提出了一个解决方案,混合聚类和订单,并设计了一个新的算法,称为分层标签传播,建立在以前的工作可扩展的聚类,可用于重新排序非常大的图(数十亿个节点)。我们的实现使用过度分解来积极地在多核架构上执行,使得在几个小时内重新排序超过6亿个节点的图形成为可能。在各种各样的网络图和社交网络上进行的实验表明,将所提出的算法产生的顺序与WebGraph压缩框架相结合,相对于所有当前已知的技术,在网络图和社交网络上都提供了压缩的重大增加。这些改进使得在主存储器中分析更大的图形成为可能。
2011-10-14 cs.DS cs.SI physics.soc-ph
A Survey on False Information Detection: From A Perspective of Propagation on Social Networks
本文从社交网络传播视角综述虚假信息检测,提出同质与异质传播分类法,并指出统一基准、多模态及辟谣任务等未来方向。
2025-06-22 cs.SI
Dynamical evolution of social network polarization and its impact on the propagation of a virus
本文研究社交网络极化的动态演化及其网络结构变化,并通过基于智能体的模型比较选择性接种与均匀接种,发现极化网络会显著加剧病毒传播。
2024-06-12 cs.CY cs.SI physics.soc-ph
MPPFND: A Dataset and Analysis of Detecting Fake News with Multi-Platform Propagation
Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);School of Cyber Security, University of Chinese Academy of Sciences(中国科学院大学网络安全学院);Division of Emerging Interdisciplinary Areas, Hong Kong University of Science and Technology(香港科技大学新兴交叉学科 division)
本文提出MPPFND数据集和APSL模型,利用图神经网络提取多平台社会背景特征,通过考虑跨平台传播差异提升假新闻检测性能。
2025-05-16 cs.AI cs.SI
Rumor Detection on Social Media with Reinforcement Learning-based Key Propagation Graph Generator
The Chinese University of Hong Kong(香港中文大学);Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学)
针对社交媒体谣言检测中传播图噪声和结构不足的问题,提出基于强化学习的KPG框架,通过生成关键传播图提升检测性能,在四个数据集上优于现有方法。
2025-06-22 cs.AI cs.LG cs.SI
Universality, criticality and complexity of information propagation in social media
社交媒体中的信息雪崩通常与大脑中神经元活动的雪崩类似。虽然大量的文献揭示了存在一个独特的过程,表征神经元活动在生物体之间的基本协议,在网上社交媒体的信息动态是远远不够理解。在以前的研究中发现,信息雪崩的统计规律在整个系统中并不稳健,并且使用完全不同的过程来表示信息传播的合理驱动机制。在这里,我们分析了从众多在线平台(包括Telegram,Twitter和微博)收集的近10亿个时间戳事件,观察时间超过10年,以表明社交媒体中的信息传播是一个普遍而关键的过程。普适性来自于对跨平台的相同宏观模式的观察,而不管手头特定系统的细节如何。从幂律分布和相应的超标度关系推导出临界行为,表征信息雪崩的大小和持续时间。神经元活动可以被建模为一个简单的传染过程,其中只有一个单一的暴露于活动可能足以使其扩散。相反,对我们数据的统计测试表明,简单和复杂的传染混合在一起,其中一个人的参与需要多个熟人的曝光,这是社交媒体中信息传播的特征。我们表明,该过程的复杂性与传播的信息的语义内容。关于音乐、电影和电视节目的对话话题往往以简单的传染过程传播,而关于政治/社会主题的有争议的讨论则遵循复杂传染的规则。
2021-10-06 cs.SI physics.soc-ph
A Social Influence Model Based On Circuit Theory
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,很少有现有的影响力模型是易于处理的,有效的描述信息传播过程中,特别是当处理的困难,将来自多个节点的组合影响的影响。为此,在本文中,我们提供了一个社会影响力模型,阐明了这一障碍的基础上电路理论。该模型极大地提高了测量任何一对节点之间的影响力强度的效率,并且可以用于以连贯的方式解释现实世界的影响力传播过程。此外,这个电路理论模型为社会影响力最大化问题提供了一个自然的解决方案。当应用于实际数据时,电路理论模型始终优于最先进的方法,并且可以大大减轻影响力最大化问题的计算负担。
2012-06-08 cs.SI physics.soc-ph
Prebunking Design as a Defense Mechanism Against Misinformation Propagation on Social Networks
本文将最优 prebunking 形式化为带安全约束的策略综合问题,提出近似策略优化信息传递时机,在不干扰用户体验的前提下防御社交媒体上的错误信息传播,实验证明其能将重复信息传递的成本减半。
2023-11-23 cs.SI cs.SY eess.SY
Lifespan and propagation of information in On-line Social Networks a Case Study
自1950年以来,信息流一直是科学研究的中心。直到90年代末互联网普及之前,这些研究都是基于传统的离线社交网络。离线信息流研究中的一些观察结果,如两步沟通流和弱联系的重要性,在几个在线研究中得到了验证,表明扩散的信息从一个在线社交网络(OSN)流向其他几个。在这一流动中,信息与每个网络的用户分享并由其复制。此外,原始内容根据其主题,每个OSN的动态和曝光度而增强或减弱。在这样的概念中,每个OSN被认为是彼此交互的信息流的层。在本文中,我们研究这种流量在几个社交网络,以及它们的扩散和寿命在多个OSN,在用户生成的内容。我们的研究结果验证了感知的内容和信息连接在各种OSN。
2014-03-06 cs.IR cs.SI physics.soc-ph
Competitive Propagation: Models, Asymptotic Behavior and Multi-stage Games
在本文中,我们提出了一类传播模型的多个竞争产品在社会网络。我们认为两种传播机制:社会转换和自我转换,分别对应于内源性和外源性因素。提出了一个新的概念,产品转换图,以描述相互竞争的产品之间的相互作用。根据社会和自我转化的时间顺序,我们开发了两个马尔可夫链模型,并在独立性近似的基础上,我们近似它们与两个各自的差分方程组。对这两个近似模型的理论分析揭示了系统的渐近行为依赖于产品转换图和社会网络的结构以及初始条件。除了理论工作外,本文还通过数值分析研究了社会转化先于自我转化的情形下,独立性近似的精确性和马尔可夫链模型的渐近行为。最后,我们提出了一类多人多阶段竞争传播博弈,并讨论了播种质量的权衡,以及播种资源在个体之间的分配。我们研究了在每个阶段唯一的纳什均衡,并分析了系统的行为时,每个球员都采取的政策在纳什均衡。
2016-09-29 cs.MA cs.SI math.DS
Effective spreading from multiple leaders identified by percolation in social networks
社交网络是信息传播的一个新平台,但它的成功关键取决于发起信息传播的传播者的选择。在本文中,我们删除边缘在网络中随机和网络段成孤立的集群。然后,每个集群中最重要的节点形成一组有影响力的传播者,这样从他们传播的新闻将导致广泛的覆盖和最小的冗余。该方法很好地利用了每个社会聚类中信息传播的预传播状态和覆盖范围之间的相似性,得到一组分布式、协调的传播者。我们在Facebook网络上的测试表明,该方法优于传统的基于中心性的方法。因此,所建议的识别有影响力的传播者的方法揭示了社交网络上信息传播的新范式。
2015-08-18 cs.SI physics.soc-ph
Rumour Detection via News Propagation Dynamics and User Representation Learning
Vrije Universiteit Brussel(布鲁塞尔自由大学);imec(比利时微电子研究中心);CRRC Zhuzhou Institute Co., Ltd.(中车株洲所研究院有限公司)
谣言由来已久,并以后果严重著称。社交媒体平台的迅速发展使谣言的负面影响成倍增加;因此,及早发现谣言变得非常重要。已经引入了许多方法来利用新闻的内容或社会背景来检测谣言。然而,大多数现有的方法忽略或没有有效地探索社交媒体中的新闻传播模式,包括社交媒体用户与新闻跨时间的交互序列。在这项工作中,我们提出了一种基于深度学习的谣言检测新方法。我们的方法通过学习用户的表示和用户响应的时间相互关系来利用新闻的传播过程。在Twitter和微博数据集上进行的实验证明了该方法的最新性能。
2019-04-18 cs.CL cs.LG cs.SI
Social- and Mobility-Aware Device-to-Device Content Delivery
移动在线社交网络服务已经经历了快速增长,其中经由社交连接在用户之间传播的大量用户生成的社交媒体内容已经显著地挑战了传统的内容递送范例:首先,由于有限的带宽和存储容量,将由用户生成的所有内容复制到很好地"适配"接收器的边缘服务器变得困难。出于设备到设备(D2D)通信,允许用户与智能设备直接传输内容,我们建议复制带宽密集型的社交内容,在设备到设备的方式。基于对边缘网络区域中社交内容传播和用户移动模式的大规模测量研究,我们观察到:(1)设备到设备复制可以显著帮助用户从附近的相邻对等体下载社交内容;(2)社交传播和移动模式都影响内容应该如何被复制;(3)复制策略取决于区域特征({\em e.g.},用户如何跨区域移动)。使用这些测量的见解,我们提出了一个联合\emph{propagation- and mobility-aware}内容复制策略的边缘网络区域,其中社会内容分配给用户在边缘网络区域根据社会图,内容传播和用户移动性的联合考虑。跟踪驱动的实验进一步验证了该方案的优越性:与传统的纯移动和基于流行度的方法相比,该方案能够显著提高设备到设备复制成功交付的社交内容数量($2-4$倍).
2016-06-14 cs.MM cs.NI cs.SI
It's Always April Fools' Day! On the Difficulty of Social Network Misinformation Classification via Propagation Features
鉴于在线社交网络(OSN)在人们获取信息和形成观点方面的巨大影响,它们成为恶意实体的一个有吸引力的游乐场,这些实体希望传播错误信息,并利用其影响。事实上,错误的信息很容易在OSN上传播,对现代社会是一个巨大的威胁,也可能影响选举的结果,甚至使人们的生命处于危险之中(例如,传播“反疫苗”的错误信息)。因此,对于我们的社会来说,对通过OSN传播的信息进行某种“验证”至关重要。大规模验证的需要将大大受益于自动工具。在本文中,我们表明,这是很难进行自动分类的错误信息只考虑内容传播级联的结构特性。我们专注于结构属性,因为它们本质上很难被操纵,目的是规避分类系统。为了支持我们的说法,我们对Facebook上属于阴谋论(代表错误信息)和科学新闻(代表经过事实核查的内容)的帖子进行了广泛的评估。我们的研究结果表明,阴谋内容实际上是以一种很难与科学内容区分开来的方式产生反响的:对于我们调查的分类机制,分类F1分数在内容传播阶段从未超过0.65,即使在传播完成后仍然小于0.7。
2017-01-16 cs.SI physics.soc-ph
A blockchain based Secure and Trusted framework for Information Propagation on Online Social Networks
在线社交网络自然地促进了用户共享信息。在这些平台上,每个用户根据自己的兴趣分享信息。由用户共享的特定信息可以是合法的或伪造的。有时,用户和组传播的错误信息可能会造成混乱,或者在某些情况下,可能会导致骚乱。目前,像ALT新闻和Cobrapost这样的第三方检查信息的真实性,但需要花费太多的时间来验证新闻。因此,需要一个强大的新系统来检查网络中的信息真实性,以阻止错误信息的传播。在本文中,我们提出了一个基于区块链的框架,用于在对等层面安全地共享信息。在区块链模型中,通过组合信息块来创建链。网络中的每个节点根据其可信度向对等节点传播信息。节点的可信度将根据相应的信息而变化。发送方和接收方之间的信任以两种方式计算:(i)用于在对等体级别共享信息的本地信任,以及(ii)用于网络中每个用户的可信度检查的全局信任。我们使用来自Facebook的真实数据集来评估我们的框架。我们的方法达到了83%的准确率,这表明我们提出的框架的有效性。
2018-12-26 cs.SI
Challenges and Opportunities in Rapid Epidemic Information Propagation with Live Knowledge Aggregation from Social Media
Georgia Institute of Technology(佐治亚理工学院)
由于其不可预测性,快速变化的情况(如COVID-19大流行)对AI/ML模型来说是一个重大挑战。%大流行蔓延的最可靠指标是检测呈阳性的病例数。然而,这些测试既不完整(由于未经测试的无症状病例),也很晚(由于从最初的接触事件,症状恶化和测试结果的滞后)。社交媒体可以补充物理测试数据,因为它的覆盖范围更快、更广,但也带来了不同的挑战:大量的噪音、错误信息和虚假信息。我们认为,只要满足两个条件,社交媒体就可以成为大流行病的良好指标。第一个(真正的新颖性)是从不可预测的演变情况中捕捉新的、以前未知的信息。第二个(事实与虚构)是可核实的事实与错误信息和虚假信息的区别。满足这两个条件的社交媒体信息被称为实时知识。我们采用循证知识获取(EBKA)方法,通过整合社交媒体来源和权威来源来收集、过滤和更新实时知识。虽然数量有限,但来自权威来源的可靠训练数据能够过滤错误信息并捕获真正的新信息。我们描述了实施EBKA的EDNA/LITMUS工具,将Twitter和Facebook等社交媒体与世卫组织和CDC等权威来源整合在一起,创建和更新有关COVID-19大流行的实时知识。
2020-11-09 cs.LG cs.SI
An Agent-Based Model of Message Propagation in the Facebook Electronic Social Network
设计了一个大规模的基于Agent的Facebook普通用户模型,以在微观层面上分析在线社交网络中信息扩散的潜在机制。基于代理的模型网络结构是基于Facebook的样本。使用擦除配置模型和公共邻居的想法,一个新的校正过程,以克服丢失的图边缘的问题,构建一个Facebook网络图的代表性样本。模型参数基于假设和一般活动模式(如发布率,在Facebook上花费的时间等)。从Facebook上的一般数据中提取。利用基于Agent的模型,分析了不同场景下帖子长度、帖子评分和发布者好友数对墙帖传播的影响。研究结果表明,后内容的成功后传播的影响最大。然而,有趣和吸引人但冗长的帖子(例如一个有趣的视频)不如简短但不起眼的帖子(例如一张有趣的照片)传播得好。与产品采用和疾病传播传播模型相反,观察到Facebook帖子扩散中没有类似的“流行病”阈值。
2016-11-22 cs.MA cs.SI
A Multimodal Framework for Topic Propagation Classification in Social Networks
Chongqing University of Posts and Telecommunications(重庆邮电大学)
本文提出一种社交网络话题传播预测模型,通过引入用户关系广度与权威性改进PageRank,结合Text-CNN、Bi-LSTM与Transformer融合多维特征,在F1-Score等指标上显著优于传统及单模态深度学习模型。
2025-03-05 cs.AI cs.NE cs.SI
Fake News Detection on Social Media using Geometric Deep Learning
Fabula AI(法布拉人工智能公司);USI Lugano(卢加诺瑞士意大利语大学);Imperial College(帝国理工学院)
社交媒体如今是全球数百万人的主要新闻来源之一,因为它们成本低,易于访问和快速传播。然而,这是以值得怀疑的可信度和暴露于“假新闻”的重大风险为代价的,故意误导读者。自动检测假新闻带来了挑战,挑战了现有的基于内容的分析方法。其中一个主要原因是,新闻的解释通常需要政治或社会背景或“常识”的知识,而目前的NLP算法仍然缺乏这些知识。最近的研究表明,假新闻和真新闻在社交媒体上的传播方式不同,形成了可以用于自动检测假新闻的传播模式。与基于内容的方法相比,基于简化的方法具有多种优势,其中包括语言独立性和对对抗攻击的更好的弹性。本文提出了一种基于几何深度学习的虚假新闻自动检测模型。底层核心算法是经典CNN到图的概括,允许融合异构数据,如内容,用户简档和活动,社交图和新闻传播。我们的模型在Twitter上传播的新闻故事上进行了训练和测试,并由专业的事实核查组织进行了验证。我们的实验表明,社交网络结构和传播是实现高度准确(92.7%ROC AUC)假新闻检测的重要特征。其次,我们观察到,假新闻可以在传播几个小时后的早期阶段被可靠地检测出来。第三,我们在时间上分离的训练和测试数据上测试模型的老化。我们的研究结果表明,基于传播的方法可以作为基于内容的方法的替代或补充策略来检测假新闻。
2019-02-10 cs.LG cs.SI stat.ML
Pack and Measure: An Effective Approach for Influence Propagation in Social Networks
Lebanese American University(黎巴嫩美国大学)
本文研究了独立级联模型下的影响力最大化问题,提出基于 $d$-packing 和顶点中心性的“打包与度量”种子集选择方法,通过选取距离远且局部影响力高的顶点,实现了高效的种子选择。
2023-12-31 cs.AI cs.DS cs.SI
Influence Maximization in Multi-layer Social Networks Based on Differentiated Graph Embeddings
本文提出Inf-MDE,一种基于差异化图嵌入的多层社交网络影响力最大化方法,通过自适应局部影响力聚合机制,有效捕获层间异质性与层内扩散动态,在多个数据集上显著优于现有方法。
2025-08-14 cs.SI
Unifying Multimodal Source and Propagation Graph for Rumour Detection on Social Media with Missing Features
本文提出统一多模态图Transformer网络UMGTN,结合多模态源特征与传播图特征,并通过多任务学习处理图像或回复缺失问题,在多个真实数据集上取得最先进性能且保持鲁棒性。
2023-07-06 cs.MM cs.SI
Multi-perspective Memory Enhanced Network for Identifying Key Nodes in Social Networks
University of Science and Technology of China(中国科学技术大学);CETC Academy of Electronics and Information Technology Group Co(中国电子科技集团公司电子科学研究院)
针对现有方法视角单一且泛化能力不足的问题,提出多视角记忆增强网络(MMEN),结合用户属性与传播结构双视角及记忆网络识别关键节点,显著提升了未知场景下的泛化性能与识别效果。
2024-03-22 cs.AI cs.SI
The Potential of Social Media Analytics for Improving Social Media Communication of Emergency Agencies
越来越多的人在危机时期使用社交媒体寻求信息或协调救济活动。因此,应急机构也越来越多地使用社交媒体,以接触更多处于危机局势中的人。然而,应急机构也可以利用社交媒体上的大量可用数据来了解公众对它们的看法,并改善它们的沟通。在这项研究中,我们研究了Twitter的通信关于德国紧急机构“Johanniter Unfall-Hilfe”进行频率,情绪,社交网络和内容分析。结果显示,一个右翼政治集团在政治上利用了与该机构有关的事件。此外,一些人利用社交媒体表达批评。可以得出结论,在应急管理专业人员的日常工作中使用社交媒体分析有助于改善他们的社交媒体沟通策略。
2020-04-18 cs.SI
Structure-based Sybil Detection in Social Networks via Local Rule-based Propagation
社交网络中的Sybil检测是一个基本的安全研究问题。基于结构的方法已被证明是有前途的检测Sybils。现有的基于结构的方法可以分为基于随机游走(RW)的方法和基于循环置信传播(LBP)的方法。基于RW的方法不能同时利用标记的Sybil和标记的良性用户,这限制了它们的检测精度,和/或它们对噪声标签不鲁棒。基于LBP的方法是不可扩展的,并且不能保证收敛。在这项工作中,我们提出了SybilSCAR,一种新的基于结构的方法来检测在社交网络中的Sybils。SybilSCAR是可扩展的,收敛的,准确的,鲁棒的标签噪音。首先,我们提出了一个框架,统一基于RW和LBP的方法。在我们的框架下,这些方法可以被视为迭代地将(不同的)本地规则应用于每个用户,从而在社交图中传播标签信息。其次,我们设计了一个新的本地规则,SybilSCAR迭代地应用到每个用户检测Sybils。我们比较SybilSCAR与最先进的基于RW和基于LBP的方法理论和经验。从理论上讲,我们表明,通过适当的参数设置,SybilSCAR有一个更严格的渐近约束的数量Sybils被错误地接受到一个社会网络比现有的基于结构的方法。从经验上讲,我们使用合成Sybils的社交网络和具有真实Sybils的大规模Twitter数据集(41.7M节点和1.2B边缘)进行评估。我们的研究结果表明:1)SybilSCAR比最先进的基于RW的方法更准确,对…
2020-05-27 cs.CR cs.SI
Combined Centrality Measures for an Improved Characterization of Influence Spread in Social Networks
影响力最大化(Influence Maximization,IM)的目标是在社交网络中发现最具影响力的用户。例如,在特定传播模型内最大化意见传播的用户。以前的工作研究了影响扩散和节点中心性措施之间的相关性,以绕过更昂贵的IM模拟。结果是有希望的,但不完整,因为这些研究调查的性能(即。例如,识别有影响力的用户的能力)的中心性措施,只有在有限的设置,e。例如,在一个实施例中,在无向/未加权网络中和/或在IM较不常见的传播模型内。在本文中,我们首先表明,良好的结果内的易感性-删除-删除(SIR)的无权重和无向网络的传播模型不一定转移到流行的独立级联(IC)的传播模型下的有向或加权网络。然后,我们确定了一组具有良好性能的加权和有向网络内的IC模型的中心性措施。我们的主要贡献是一种新的方式来结合在一个封闭的公式,以产生更好的结果的中心性措施。此外,我们还扩展了引力中心性(GC)与建议的组合中心性措施。我们在50个真实数据集上的实验表明,我们提出的中心性测度显著优于著名的中心性测度和最先进的GC测度。社交网络,影响力最大化,中心性测度,IC传播模型,影响力传播者
2020-03-11 cs.SI physics.soc-ph
The Veracity Problem: Detecting False Information and its Propagation on Online Social Media Networks
Charles Sturt University(查尔斯斯特大学)
本文针对社交媒体虚假信息检测中单维分析、协同行动识别不足和缺乏跨平台数据的问题,提出多特征集成框架、行动者意图识别方法及跨平台数据集构建方案。
2024-09-06 cs.LG cs.SI
Social Media Analytics in Disaster Response: A Comprehensive Review
本文综述社交媒体分析在灾害管理中的作用、方法、案例、伦理隐私问题及未来方向,为研究者和从业者提供系统性参考。
2025-06-07 cs.SI
Information Propagation in Clustered Multilayer Networks
在当今世界,个人之间的互动模式比以往任何时候都更加复杂。一些个体通过在线社交网络(例如,Facebook,Twitter),而有些人只通过传统的方式(例如,面对面)。因此,理解人类之间的信息传播的动态需要一个多层网络模型,其中在线社交网络与物理网络相结合。在这项工作中,我们发起了一个集群的多层网络模型中的信息扩散的研究,其中所有的组成层是随机网络具有高聚类。我们假设信息传播根据SIR模型和不同的信息在网络中的传输率。我们给出了信息流行的条件,概率和大小的结果,即,这种情况下,信息从一个人开始,并达到人口的正比例。我们发现,在任何一个层的聚类水平的增加,增加了流行病的阈值,并降低了最终的流行病在整个系统的大小。一个有趣的发现是,低传播性的信息在一个小而紧密连接的社交网络中传播得更有效,而高传播性的信息在一个大而松散连接的社交网络中传播得更好。
2015-09-13 cs.SI physics.soc-ph
RP-DNN: A Tweet level propagation context based deep neural networks for early rumor detection in Social Media
在社交媒体平台上,当信息有限、不完整和有噪声时,早期谣言检测(ERD)非常具有挑战性。大多数现有的方法在很大程度上都是在事件级检测上工作的,这需要收集与特定事件相关的帖子,并且只依赖于用户生成的内容。它们不适合在事件展开并广泛传播之前的早期阶段检测谣言来源。在本文中,我们解决的ERD在消息级别的任务。我们提出了一种新的混合神经网络架构,它结合了特定任务的基于字符的双向语言模型和堆叠的长短期记忆(LSTM)网络来表示输入源推文的文本内容和社会时间背景,用于在谣言发展的早期阶段对谣言的传播模式进行建模。我们应用多层注意力模型来共同学习多个上下文输入的注意力上下文嵌入。我们的实验采用了严格的留一交叉验证(LOO-CV)评估设置在七个公开的真实谣言事件数据集。我们的模型实现了最先进的(SoA)性能,可以在涵盖超过12个事件和2,967个谣言的大型增强数据中检测看不见的谣言。进行消融研究,以了解我们提出的模型的每个组件的相对贡献。
2020-03-02 cs.CL cs.IR cs.SI
Rumor Detection on Social Media with Bi-Directional Graph Convolutional Networks
Tsinghua University(清华大学);Tencent AI Lab(腾讯人工智能实验室)
社交媒体因其传播新信息的特性在公众中迅速发展,导致谣言不断流传。与此同时,从社交媒体上的海量信息中发现谣言正成为一项艰巨的挑战。因此,一些深度学习方法被应用于通过谣言传播的方式来发现谣言,例如递归神经网络(RvNN)等,但是这些深度学习方法在谣言检测中只考虑了深度传播的模式,而忽略了广泛分散的结构。事实上,传播和扩散是谣言的两个重要特征。在本文中,我们提出了一种新的双向图模型,命名为双向图卷积网络(Bi-GCN),探索这两个特点,操作上的自上而下和自下而上的传播谣言。它利用具有自顶向下的谣言传播有向图的GCN来学习谣言传播的模式,并利用具有相反方向的谣言扩散图的GCN来捕获谣言扩散的结构。此外,在GCN的每一层都涉及到来自源帖子的信息,以增强谣言根源的影响力。令人鼓舞的实证结果在几个基准确认所提出的方法的优越性,在国家的最先进的方法。
2020-01-17 cs.LG cs.SI
Fake News Detection with Heterogeneous Transformer
The Hong Kong University of Science and Technology(香港科技大学)
假新闻在社交网络上的传播引起了公众对有效和高效的假新闻检测方法的需求。一般来说,社交网络上的假新闻是多模态的,与用户和帖子等其他实体有各种联系。社交网络中新闻内容的异质性以及与其他实体的关系给设计一个模型带来了挑战,该模型可以全面捕获社交网络中实体的局部多模态语义和传播模式的全局结构表示,从而有效准确地分类假新闻。本文提出了一种新的基于Transformer的模型:HetTransformer,利用Transformer的编码器-解码器结构捕获新闻传播模式的结构信息,解决了社交网络上的假新闻检测问题。我们首先捕获本地异构语义的新闻,帖子,和用户实体在社交网络。然后,我们应用Transformer来捕获社交网络中传播模式的全局结构表示,以用于假新闻检测。在三个真实世界数据集上的实验表明,我们的模型能够在假新闻检测中超越最先进的基线。
2022-05-06 cs.AI cs.SI
Launchers and Targets in Social Networks
社交网络中的影响力传播是一个越来越受关注的主题。这些网络中的一个相关问题是确定关键的影响者。这些参与者在病毒式营销策略和信息传播方面发挥着重要作用,包括政治宣传和假新闻。实际上,打击社交网络上恶意使用的一个重要方法是了解它们的属性、结构和消息传播的方式。本文提出了两个新的指标,用于分析社交网络中的消息传播,基于网络拓扑性质和权力的消息。第一个索引涉及每个节点作为消息启动器的强度,将节点分为启动器和非启动器。第二个索引处理每个成员作为消息接收者(目标)的可能性,将节点分为目标和非目标。发起人应指出具有强大影响力的人,目标个人应确定最佳目标消费者。当用于选择社交网络中的有效影响者时,这些指数可以辅助其他已知度量。例如,我们可以事先选择那些属于发起者组的成员,而不是根据其在网络中的程度(追随者数量)选择一个强大且可能昂贵的成员,并寻找最低程度的成员,这些成员可能更便宜,但仍然可以获得与最大程度成员几乎相同的影响力。在另一个方向上,使用第二个指标,强目标成员应该表征网络中信息的相关消费者,这可能包括假新闻的常规收集者。我们讨论这些指数使用小世界随机生成的图形和一些现实世界的社交网络在已知的数据集存储库。
2021-02-04 cs.SI
Prevalence and Propagation of Fake News
本文构建区分文章偏见性与真实性的传播模型,分析其与读者信念的关系,并面向平台和用户提出降低假新闻传播率的干预建议。
2021-06-17 cs.SI math.OC stat.AP
Social media marketing analytics : a multicultural approach applied to the beauty \& cosmetic sector
我们在本文中提出了一种多元文化的方法来社会媒体营销分析,应用在两个Facebook的品牌页面:法国(个人主义文化,品牌的国家)与沙特阿拉伯(集体主义文化,其国家主机之一),这是由一个internationalbeauty \& cosmetics公司发布。使用社会网络分析和内容分析,我们确定了这两个品牌页面中最受欢迎的帖子和最有影响力的用户,并突出了品牌和用户互动中出现的不同社区。这些社区似乎是文化为导向时,他们周围的社会化品牌的职位和产品线为导向时,广告品牌的职位。
2017-02-06 cs.SI
Recommending Influenceable Targets based on Influence Propagation through Activity Behaviors in Online Social Media
Amity Institute of Information Technology (AIIT), Amity University(阿米蒂信息技术学院(AIIT),阿米蒂大学)
在线社交媒体(OSM)是一个平台,通过它,用户通过消息传递,发布,反应,标记和分享不同的内容以及其他社交活动将自己呈现给连接的世界。如今,它对行业,商业和社会的各个方面以及用户生活产生了巨大的影响。在OSN平台中,接触目标用户是大多数企业和其他组织的主要关注点之一。识别和推荐有影响力的目标有助于高效和有效地吸引适当的受众。在本文中,一个有效的模型已被讨论在自我中心的OSN,结合一个有效的影响力测量推荐系统,以产生一个列表中的所有连接的网络成员中的任何特定的社交网络用户的最具影响力的目标用户。首先,基于所有活动更新了交互网络成员的列表。基于情感类型的特定影响力类别,推荐具有最相似活动的交互网络成员。之后,通过分析这些更新的交互网络成员列表中的最有影响力的网络成员的活动内容相对于主用户的活动内容的相似性和频率,在所需数量的基础上,以适当的排名来识别这些最有影响力的网络成员。通过这两个连续的阶段,主要用户的顶级影响力目标的有效列表已经从任何社交网络的自我中心观点中区分出来。
2020-06-04 cs.IR cs.LG cs.SI