A Multi-phase Approach for Improving Information Diffusion in Social Networks
为了最大化社会网络中的影响力传播，给定一定的预算的种子节点的数量，我们研究了在多个阶段中选择和激活种子节点的影响。特别是，我们制定了一个适当的目标函数，两个阶段的独立级联模型下的影响力最大化，研究其性质，并提出算法，确定种子节点在两个阶段。我们还研究了确定最佳的时间分裂和两个阶段之间的延迟的问题。
2015-02-21 cs.SI
D-Sempre: Learning Deep Semantic-Preserving Embeddings for User interests-Social Contents Modeling
社交媒体消费的指数增长需要有效的用户兴趣-社交内容建模，以实现更个性化的推荐和社交媒体摘要。然而，由于社会内容的异质性，传统的方法缺乏捕捉这些多模态数据之间隐藏的语义相关性的能力，这导致社会内容理解和用户兴趣之间的语义鸿沟。为了有效地弥合语义鸿沟，我们提出了一种新的深度学习框架，用于用户兴趣-社交内容建模。我们首先挖掘和解析数据，即文本内容，视觉内容，社会背景和社会关系，从异构的社交媒体源。然后，我们设计了一个双分支网络，将社会内容和用户映射到同一个潜在空间。特别地，该网络由大余量目标训练，该目标以端到端的方式将跨实例距离约束与实例内语义保持约束相结合。最后，学习深度语义保持嵌入（D-Sempre），并通过计算社交内容和用户之间的距离来给出排名结果。为了验证D-Sempre在用户兴趣-社交内容建模中的有效性，我们构建了一个Twitter数据集并进行了大量的实验，结果表明，D-Sempre有效地整合了来自异构社交媒体源的多模态数据，并捕捉了用户兴趣与社交内容之间隐藏的语义关联。
2018-02-18 cs.SI
A Re-Conceptualization of Online Misinformation Diffusion
在线社交网络为错误信息的传播提供了便利。一些理论家把错误信息的问题看作是知识的问题，因此也是无知的问题。这种假设导致了错误信息（错误信念）被正确信息（真实信念）抵制的解决方案。我们认为，信息更好地理解为八卦。我们认为，八卦传播是社会资本经济的一部分，它有一种特定的话语语法，模仿普通的人类八卦。但也存在一些关键差异。这些差异产生了巨大的社会和政治分裂影响。如果我们把注意力从信息的真假转移到八卦的社会动态上，我们就能更有效地应对在线社交网络的挑战和危险。我们的论点有三个部分。(1)我们简要地批评错误信息的认识论和真理为中心的帐户。(2)我们将八卦的基本话语语法描述为一种社会实践。(3)然后，我们将在线信息的属性与八卦的话语语法相匹配。虽然八卦有一种特殊的话语形式，但其在线模式涉及许多独特的社会特征，这些特征将产生巨大的和分裂的社会和政治影响。我们的目标不是要取代现有的信息扩散理论，而是要用一个描述性的流言模型来扩充这些理论。信息扩散模式应被理解为一种工具，用来探索与离线社区相结合的不断发展的在线社区的社会学。
2022-08-12 cs.SI
Social diffusion and global drift in adaptive social networks
社会传染已经在不同的背景下进行了研究。社会传染的许多实例可以被建模为一个感染过程，其中一个特定的状态（产品，时尚，知识，行为等的采用）。通过个体之间的联系在个体之间传播。与此同时，其他形式的社会传染可能更好地理解为一个扩散过程，在这个过程中，个人的状态往往与社会规范同化（即，当地平均状态）在他/她的邻域内。与影响是非线性、单向、快速和潜在破坏性的感染场景不同，社会扩散是线性、双向、渐进和收敛的。个体状态与其邻居平均状态之间的距离总是减小的，从而保证了一个均匀的全局状态是网络长期稳定的平衡状态。这听起来并不像感染动力学那样有趣或令人兴奋，这可能是为什么很少有关于社会扩散过程数学模型的研究。在这里，这项研究试图揭示社会扩散的一个未被认识的特征，即，它可能导致网络的全局平均状态的非平凡漂移。虽然有些违反直觉，但这种全球漂移确实是可能的，因为与物理扩散过程不同，社会扩散过程不是保守的。在下文中，将提出一个社会扩散的数学模型来解释这一现象的机制，并提出一些可能的集体行动来影响全球漂移的方向。社会传播与个人和集体进步的相关性将被简要讨论，重点是教育应用。
2014-06-30 cs.SI physics.soc-ph
Measuring social spam and the effect of bots on information diffusion in social media
机器人一直在在线平台生态系统中发挥着至关重要的作用，作为生成内容和向社交媒体人群传播信息的高效自动工具。在本章中，我们将讨论社交机器人在社交媒体内容传播动态中的作用。特别是，我们将首先调查机器人生成的内容的扩散动态之间的一些差异，而不是人类，在政治沟通的背景下，然后研究社交媒体垃圾邮件活动的扩散动态背后的机器人的特点。
2017-08-27 cs.SI physics.soc-ph
How Social Reinforcement Shapes Word-of-Mouth: A Conviction-Based Model for Marketing Diffusion and Network Targeting
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Narmi Inc.（Narmi公司）
该研究针对现有扩散模型忽略社会强化对口碑影响的问题，提出基于信念的PT模型，通过营销定向与种子投放验证其能提升策略效果与预测准确性。
2026-10-12 cs.SI
Modeling the Dynamics of Discussions in Social Networks
本文提出了一种基于过程控制中已知的FOPDT模型（一阶加死区）的电子讨论动态建模方法。该模型的知识点的可能性，估计动态运动的讨论，以及理解和设计他们的维护和指导。真正的讨论正在进行。
2016-01-11 cs.SI
Modeling of User Portrait Through Social Media
如今，互联网上已经积累了大量有用的用户信息和社会行为数据，这为在线分析用户的个性特征提供了可能。本文提出了一种基于计算语言学特征的心理建模方法，对新浪微博用户的大五人格特质及其与用户社会行为的关系进行了研究。据我们所知，这是第一个调查新浪微博用户的个人资料信息，社交网络行为和人格特质之间的潜在关系的研究。我们的研究结果证明了一种有效的建模方法，可以在不中断客户的情况下了解社交媒体上用户的人口统计和心理画像，这对于商业广告提供更好的个性化产品和服务是有用的。
2019-06-15 cs.SI
Information Diffusion in Social Networks: Friendship Paradox based Models and Statistical Inference
由于社交网络的激增，社交网络中信息扩散的动态模型和统计推断是在过去十年中取得显著进展的一个领域。信息传播的建模和推理可应用于有针对性的广告和营销、预测选举、预测投资者情绪和确定流行病爆发。本章讨论了与社交网络中的信息扩散相关的三个重要方面：（1）观察偏差（称为友谊悖论（一个图论结论））和单亲传染（朋友的朋友的影响）如何影响信息扩散动力学。(ii)社交网络如何根据信息扩散的状态调整其结构连接性。(iii)如何估计由信息扩散引起的网络状态。本章讨论的所有三个主题的动机都源于网络科学和社会感知的最新发现。此外，还讨论了从这些主题中产生的未来研究的几个方向。
2018-12-14 cs.SI physics.soc-ph
Modeling Information Diffusion in Online Social Networks with Partial Differential Equations
Twitter和Facebook等在线社交网络在信息交流方面获得了极大的普及。空前数量的数字数据的可用性加速了在线社交网络中信息扩散的研究。然而，由于在线社交网络的快速变化和社会互动的复杂性，在线社交网络中的信息传播机制仍然是难以捉摸的。关于在线社交网络上的信息扩散的许多先前工作基于经验和统计方法。在线社交网络上信息扩散的动力学模型大多涉及仅依赖于时间的常微分方程。在最近的一些论文中，作者提出使用偏微分方程（PDE）来描述在线社交网络上信息扩散的时间和空间模式。建立在直观的网络距离，如友谊跳在线社交网络，反应扩散方程考虑到各种外部的网络外的来源，如主流媒体的影响，并提供了一个新的分析框架，研究结构和主题的影响，在网上社交网络的信息扩散的相互作用。在本调查中，我们讨论了一些基于偏微分方程的模型，这些模型是用从流行的在线社交网络（如Digg和Twitter）收集的真实数据集进行验证的。介绍了在线社交网络中信息流守恒定律和基于行波解的信息传播速度等新进展，以巩固PDE模型的基础，并强调在线社交网络中数学家、计算机科学家和研究人员面临的新机遇和挑战。
2013-10-01 cs.SI physics.soc-ph
Limits of Multilayer Diffusion Network Inference in Social Media Research
该研究通过大量合成数据实验系统分析多层扩散网络推断框架的性能，揭示其在不同网络结构与扩散设置下的性能波动规律，为真实场景下的推断适用性评估提供参考，并发布了准确率更优的公开实现。
2024-10-07 cs.SI
Information Diffusion in Social Networks in Two Phases
在给定种子节点数量的前提下，最大化信息扩散问题是社交网络研究中的一个重要课题。现有文献集中在单相扩散，其中在扩散开始时选择所有种子节点，并且同时激活所有选定的节点。本文详细研究了多阶段选择和激活种子节点的效果。具体来说，我们研究扩散在两个阶段，假设研究良好的独立级联模型。首先，我们制定了一个目标函数的两阶段扩散，研究其性质，并提出有效的算法，寻找种子节点在两个阶段。接下来，我们研究了两个相关的问题：（1）预算分割，旨在最佳地分割两个阶段之间的总预算和（2）调度，旨在确定一个最佳的延迟后，开始第二阶段。我们的主要结论包括：（a）在严格的时间约束下，使用单相扩散，（b）在中等时间约束下，使用具有短延迟的两阶段扩散，同时将大部分预算分配给第一阶段，以及（c）当没有时间约束时，使用具有长延迟的两阶段扩散，同时将大约三分之一的预算分配给第一阶段。
2017-06-23 cs.SI
Learning User Representations in Online Social Networks using Temporal Dynamics of Information Diffusion
本文提出了一种新的方法来学习在线社交网络中用户的低维分布式表示。现有的方法依赖于网络结构所形成的社会关系，用户之间提取这些表示。然而，网络信息可能是过时的、不完整的或动态变化的。此外，在某些情况下，获取网络信息的成本可能高得令人望而却步。因此，我们提出了一种替代方法的基础上，从正在谈论的话题在社交网络的意见。我们利用用户采用主题的时间信息，以便将它们嵌入到实值向量空间中。通过大量的实验，我们调查的表示学习和他们的功效，在用户之间的链接结构的信息保存的属性。我们还评估了两个不同的预测任务中的表示，即预测最有可能的未来采用者的主题和预测用户的地理位置。实验来验证所提出的方法进行了大规模的社交网络提取Twitter，包括约770万用户和他们的活动约360万主题在一个月之久的时间。
2017-10-20 cs.SI
Ego Network Structure in Online Social Networks and its Impact on Information Diffusion
在过去的几年里，在线社交网络（OSNs）吸引了大量的研究人员的兴趣，由于他们在社会中的核心作用。通过对OSN的分析，人们研究了许多社会现象，例如人们之间的病毒式信息传播。目前尚不清楚的是OSN的微观结构属性（即用户的个人网络，也称为自我网络）与这种现象的出现之间的关系。更好地了解这种关系对于为未来互联网创建服务至关重要，例如根据用户的需求和特点制作高度个性化的广告。在本文中，我们通过分析大量Facebook和Twitter用户样本的自我网络来弥补这一差距。我们的研究结果表明，OSN的微观结构特性是有趣的相似，发现在社交网络形成离线。特别是，在线自我网络显示出与离线相同的结构，社交联系以大小和组成兼容的层次排列。通过对Twitter自我网络的分析，我们发现，关系强度和自我网络圈子对信息在网络中的传播有着直接的影响。具体来说，用户和她在Twitter上的朋友之间的直接联系频率（关系强度的代理）与用户从他们的朋友生成的推文中进行的转推频率之间存在高度相关性。我们分析了Twitter中每个自我网络层的相关性，发现了它们在信息传播中的作用。
2022-06-06 cs.SI
User modeling for point-of-interest recommendations in location-based social networks: the state-of-the-art
近年来，基于位置的服务（LBS）的快速增长极大地丰富了人们的城市生活，吸引了数百万用户。基于位置的社交网络（LBSN）允许用户在物理位置签到，并随时随地与他们的朋友分享关于兴趣点（POI）的每日提示。这样的签到行为可以让日常的真实体验通过互联网迅速传播。此外，LBSN中的这种签到数据可以充分利用，以了解人类日常运动和移动的基本规律。本文通过对LBSN的数据分析，重点回顾了兴趣点推荐的用户建模分类。首先，我们简要介绍了LBSNs的结构和数据特点，然后我们提出了一个形式化的用户建模的兴趣点推荐LBSNs。根据兴趣点推荐的用户建模方法充分利用了哪种类型的LBSNs数据，我们将用户建模算法分为四类：基于纯签到数据的用户建模、基于地理信息的用户建模、基于时空信息的用户建模和基于地理社会信息的用户建模。最后，在总结现有工作的基础上，从五个方面指出了未来的挑战和新的发展方向
2017-12-19 cs.SI
Untangling the role of diverse social dimensions in the diffusion of microfinance
社交网络上个人之间的联系可以代表不同的互动维度，这些网络上信息和创新的传播可能更多地受到某些维度的推动。在本文中，我们调查这个问题，通过研究印度农村村庄内的小额信贷的扩散，并占整个多层结构的底层社交网络。我们定义了一个新的衡量节点的中心性，扩散的多功能性，并表明，这是一个更好的预测小额信贷参与率比以前引入的措施定义在聚合单层社交网络。此外，我们解开了每个社会维度所扮演的角色，发现最突出的角色是由与信任有关的层的中心节点所扮演的，从而为小额信贷扩散的关键触发因素提供了新的线索。
2016-11-24 cs.SI physics.soc-ph
A General Language for Modeling Social Media Account Behavior
恶意行为者利用社交媒体抬高股价、影响选举、传播错误信息和挑拨离间。为此，他们采用的策略包括使用不真实的账户和活动。检测这些滥用行为的方法目前依赖于专门针对可疑行为设计的功能。然而，这些方法的有效性随着恶意行为的发展而衰减。为了应对这一挑战，我们提出了一个通用的语言建模社交媒体帐户的行为。这种语言中的单词称为BLOC，由从不同字母中提取的符号组成，代表用户操作和内容。该语言非常灵活，可以应用于对各种合法和可疑的在线行为进行建模，而无需进行大量的微调。使用BLOC来表示Twitter帐户的行为，我们在检测社交机器人和协调的不真实行为方面实现了与最先进的方法相当或更好的性能。
2022-11-01 cs.SI
Evolutionary Dynamics of Information Diffusion over Social Networks
当前的社交网络具有极大的规模，每时每刻都产生巨大的信息流。信息如何在社交网络上传播引起了业界和学术界的广泛关注。现有的大多数信息扩散分析工作都是基于机器学习方法，侧重于社会网络结构分析和经验数据采掘。然而，信息扩散的动态，这是严重影响网络用户的决策，行动和他们的社会经济互动，一般被大多数现有的工作忽略。在本文中，我们提出了一个进化博弈论的框架来模拟动态信息扩散过程中的社交网络。具体地，我们推导了完全网络、均匀度网络和非均匀度网络中的信息扩散动力学，重点研究了两种特殊网络：Erdens-Rényi随机网络和Barabási-Albert无标度网络.我们发现，这三种网络上的信息扩散动力学都是无标度的，并且当网络规模足够大时，这三种网络上的信息扩散动力学都是相同的。为了验证我们的理论分析，我们在合成网络和真实世界的Facebook网络上进行了信息扩散的模拟。在Twitter标签数据集上的实验结果表明，该模型能够很好地拟合和预测真实社交网络上的信息扩散.
2013-12-02 cs.SI physics.soc-ph
Adverse Online Social Interactions: A Multi-Level Evolutionary Analysis of Local Patterns, Diffusion, and Community Disruption
Florida State University（佛罗里达州立大学）；Vanderbilt University（范德堡大学）；Utah State University（犹他州立大学）
提出多层次框架，从微观、中观、宏观分析不良社交互动如何局部出现、传播并破坏社区，发现结构断开与有毒沟通互补影响社区演化。
2026-06-23 cs.SI
Can Generative Agent-Based Modeling Replicate the Friendship Paradox in Social Media Simulations?
本文提出用于社交媒体仿真的生成式智能体建模框架，并基于美国2020年大选和QAnon数据集验证友谊悖论能够自然涌现，表明GABM可有效建模全局网络动态。
2025-02-09 cs.SI
Who Will Share My Image? Predicting the Content Diffusion Path in Online Social Networks
University of California, Davis（加州大学戴维斯分校）；Hanyang University（汉阳大学）
内容流行度预测已经被广泛研究，因为它对Facebook，Instagram，Twitter和Pinterest等社交媒体网站的用户和主机的重要性和兴趣。然而，现有的工作主要集中在使用单个度量（例如喜欢或分享的总数）对流行度进行建模。在这项工作中，我们提出了Diffusion-LSTM，这是一种基于记忆的深度递归网络，可以学习递归地预测图像通过社交网络的整个扩散路径。通过结合用户的社会特征和图像特征，并编码的扩散路径，迄今为止所采取的一个显式的存储单元，我们的模型预测的扩散路径的图像更准确地相比，替代基线，要么只编码图像或社会特征，或缺乏记忆。通过将单个用户映射到用户原型，我们的模型可以推广到训练过程中没有看到的新用户。最后，我们证明了我们的模型的能力，生成的扩散树，并显示生成的树非常类似地面实况树。
2017-11-29 cs.CV cs.SI
Multi-Winner Contests for Strategic Diffusion in Social Networks
战略传播鼓励参与者通过奖励成功的推荐，在促进利益攸关方议程方面发挥积极作用。随着社交媒体不断改变人们的沟通方式，战略传播已成为利益相关者影响人们的决策或行为以实现预期目标的有力工具。现有的奖励机制的战略扩散通常是脆弱的假名攻击或没有个人理性的参与者，成功的推介。在这里，我们介绍了一种新的多赢家竞赛（MWC）机制的战略扩散在社交网络。MWC机制满足几个理想的属性，包括假名防，个人理性，预算约束，单调性，子图约束。四个真实世界的社会网络数据集的数值实验表明，利益相关者可以显着提高参与者的总努力与适当的设计的竞争。我们的工作揭示了如何设计操纵抵抗机制与适当的比赛。
2019-03-11 cs.MA cs.SI
Profit Maximization for Viral Marketing in Online Social Networks using Two Phase Diffusion Approach
Indian Institute of Technology Jammu（印度技术研究所詹穆分校）
本文提出双阶段扩散方法，通过分阶段分配预算以提高在线社交网络中病毒营销的利润
2026-01-22 cs.SI
Tracking Infection Diffusion in Social Networks: Filtering Algorithms and Threshold Bounds
本文研究了图上的统计信号处理方法，用于跟踪社交网络中的传染扩散。感染（或信息）扩散使用易感-感染-易感（SIS）模型建模。采用平均场近似方法，通过确定性常微分方程近似离散值的感染度分布演化，得到了感染扩散的生成模型。感染度分布遵循多项式动力学，并使用精确的非线性贝叶斯滤波器估计。我们计算后Cramer-Rao界，以获得依赖于网络结构的滤波器的基本限制。考虑到真实世界网络的时变特性，利用生成式模型研究了真实世界网络的扩散阈值与度分布之间的关系。此外，我们验证了我们的方法的有效性，从现实世界的在线社交系统，Twitter的扩散数据。我们发现，SIS模型是一个很好的适合信息扩散和非线性滤波器有效地跟踪信息扩散。
2016-10-31 cs.SI physics.soc-ph
Trends Prediction Using Social Diffusion Models
随着社交媒体在我们日常生活中的日益主导地位，在过去的几年中，预测社交媒体趋势的能力的重要性一直在迅速增长。虽然许多工作集中在网络中的异常检测，有很少的理论工作预测的可能性异常网络模式，全球蔓延，并成为“趋势”。在这项工作中，我们提出了一个分析模型的社会扩散动力学传播网络模式。我们所提出的方法是基于信息扩散模型，并能够预测未来的趋势的基础上，分析过去的社会互动社区的成员。我们提出了一个分析下限的概率，新兴的趋势将成功地通过网络传播。我们使用两个全面的社交数据集来展示我们的模型-在麻省理工学院进行了一年多的“朋友和家人”实验，分析了140名用户的完整活动，以及包含超过150万名“e投睿”社交交易社区成员的完整活动的金融数据集。
2011-11-20 cs.SI physics.soc-ph
Diffusion of Real-Time Information in Social-Physical Networks
我们研究实时的【形】信息的扩散行为。通常，实时的【形】信息只在有限的时间段内有价值，因此需要在其“截止日期”之前交付。“因此，实时的【形】信息在一群频繁互动的人之间传播要比在孤立的个人之间传播容易得多。有了这个洞察力，我们认为一个社会网络，其中包括许多集团和信息可以迅速传播的集团内。此外，信息也可以通过在线社交网络，如Facebook，twitter，Youtube等共享。我们通过研究相变行为来表征实时的【形】信息的扩散。利用非齐次随机网络的理论，我们表明，社会网络有一个临界阈值以上的信息流行病很可能发生。我们还从理论上量化了最终收到消息的个体的分数大小。最后，数值结果表明，在一定条件下，社会网络中的大规模集团可以极大地促进实时的【形】信息的传播。
2012-03-31 cs.SI physics.soc-ph
Preserving privacy enables "co-existence equilibrium" of competitive diffusion in social networks
随着社交媒体的出现，不同的公司经常同时推广竞争产品，以获得社交网络中用户的口碑传播和采用。对于这种竞争扩散的情况，先前的研究表明，较弱的产品将很快灭绝（即，“赢家通吃”）。然而，有趣的是，在实践中，竞争产品，如iPhone和Android手机，往往在市场上共存。这种差异可能是由许多因素造成的，例如现实世界中的用户可能由于对产品或隐私保护的不满意而不会传播其对产品的使用的现象。在本文中，我们将用户的隐私传播行为的竞争扩散的两种产品，并开发了一个问题的隐私意识的竞争扩散。然后，我们证明了隐私保护机制可以实现“共存均衡”（即，两种竞争产品在均衡中共存）在社交网络上的竞争扩散中。除了严格的分析，我们还证明了我们的结果与实验在真实的网络拓扑结构。
2019-11-02 cs.CR cs.SI
A method for assessing the success and failure of community-level interventions in the presence of network diffusion, social reinforcement, and related social effects
在社区环境中进行的预防和干预工作往往面临严格评价的独特分析挑战。由于社区预防工作（通常在地理上是孤立的）不能像其他预防方案那样得到控制，而且这些社区的人际互动水平有所提高，因此需要进行严格的评估。即使在社区干预工作中实施“黄金标准”随机对照试验，鉴于信息在封闭网络环境中的非正式社会传播，对内部有效性的威胁也可能受到质疑。本文提出了一种新的防治效果评价方法，将影响防治效果的社会因素从社区内部分离出来。我们正式介绍的方法和它的实用程序在几个阿拉斯加土著村庄实施的自杀预防计划。研究结果表明，有希望探索八个社会学措施的干预效果，面对社会扩散，社会强化和直接治疗。政策和研究意义进行了讨论。
2018-01-25 cs.SI physics.soc-ph
A Self-Learning Information Diffusion Model for Smart Social Networks
在大数据时代，越来越多的社会活动被数字化，从而变得可追溯，因此社交网络的研究越来越受到学术界的关注。人们普遍认为，社交网络在信息扩散过程中发挥着重要作用。然而，相反的问题，即，信息扩散过程是如何重建社交网络的，在很大程度上被忽视了。在本文中，我们提出了一个新的框架来理解这种逆转效应。具体来说，我们首先介绍了一个新的信息扩散模型在社交网络，考虑两种类型的个人，即，聪明的和正常的人，以及两种信息，真的和假的信息。由于社交网络由具有自我学习能力的人类个体组成，如果一个人从其邻居那里收到了一条真实（或虚假）的消息，那么这个人对其邻居的信任就会增加（或减少）。基于这样一个简单的自学习机制，我们证明了社交网络确实可以变得更聪明，更好地区分真假信息。此外，我们观察到基于新模式的社会分层的出现，即，最初由更接近聪明的个人发布的真实消息可以由更多的其他人转发，这通过自学习机制得到增强。我们还发现了交叉优势，即，两个链式网络之间的互联可以使相关个体具有更高的社会影响力，即，他们的消息可以被相对更多的其他人转发。我们从理论上得到了这些结果，并通过仿真验证了它们，这有助于更好地理解社交网络和信息扩散之间的相互作用。
2018-11-11 cs.SI physics.soc-ph
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
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
Early Warning Analysis for Social Diffusion Events
人们对发展社会传播过程的预测能力有相当大的兴趣，例如，可以早期识别新出现的有争议的情况，快速检测疾病爆发，或准确预测潜在的病毒性想法或行为的最终影响范围。本文提出了一种新的方法来解决这个预测分析问题，其中利用中尺度网络动态分析来生成对复杂社会现象的有用预测。我们首先推导出一个随机混合动力系统（S-HDS）模型的扩散过程发生在社交网络与现实的拓扑结构，这种建模方法的灵感来自最近的工作在生物学证明，S-HDS提供了一个有用的数学形式主义，以表示复杂的，多尺度的生物网络动态。然后，我们进行正式的随机可达性分析与此S-HDS模型，并得出结论，社会扩散过程的结果可能取决于至关重要的方式与底层网络的社区结构和核心-外围结构的过程中的早期动态相互作用。这一理论发现为开发机器学习算法提供了基础，该算法能够对社会扩散事件进行准确的预警分析。警告算法的实用性，和基于网络的预测指标的力量，证明通过实证调查的传播的政治模因在社交媒体网络。此外，我们说明了潜在的安全信息学应用的方法，通过案例研究，涉及大规模的抗议活动和政治动机的网络攻击的预警分析。
2012-12-31 cs.SI physics.soc-ph
Analysing the Social Spread of Behaviour: Integrating Complex Contagions into Network Based Diffusions
社会学习行为的传播发生在许多动物物种中，了解行为如何传播可以为社会性的原因和后果提供新的见解。在野生种群中，行为传播通常被认为是一种“简单的传染”。然而，新出现的证据表明，行为可能经常作为“复杂传染病”传播，这对传播的方式和程度产生了重大影响。我们提出了一个新的框架，使全面检查的行为传染的社会学习策略整合到基于网络的扩散分析。我们展示了我们的方法如何允许确定社会纽带和行为传播之间的关系，识别个人层面的传播规则，并检查人口层面的社会结构的影响。我们提供的资源，允许跨不同系统的一般应用程序，并演示如何进一步研究特定的发展可以。最后，我们概述了这个框架促进的新机会，理解社会性的概念贡献，及其在各个领域的应用。
2020-12-16 cs.SI q-bio.QM
Experiments in Inferring Social Networks of Diffusion
信息扩散是发生在网络上的基本过程。虽然观察信息扩散过程中的个人传输很少是现实的，但通常可以观察个人何时首次发布信息。我们专门研究了以前发表的算法NETINF，该算法以概率的方式确定了最能解释观察到的感染时间的最佳网络。我们探讨了该算法如何在一系列本质上不同的社交和信息网络拓扑结构上执行，从新闻博客和网站到Twitter到Reddit。
2019-10-09 cs.IT cs.SI math.IT
PRINCE: Privacy-Preserving Mechanisms for Influence Diffusion in Online Social Networks
由于方程1中的一个关键符号错误，本文已被作者撤回。随着在线社交网络的发展，人们对如何在在线社交网络中传播影响力进行了广泛的研究，提出了许多算法和模型。然而，许多基本问题也被忽视了。其中，最重要的问题是在线社交网络中影响力传播的激励方面和隐私方面（如节点关系）。考虑到这些缺陷，并结合强大的工具，从差分隐私，我们提出了PRINCE，这是一系列的\underline{IN}流感\underline{CE}在网上社交网络的扩散，以解决问题的\underline{PR} ivacy保护机制。我们不仅从理论上证明了PRINCE的许多优良性质，而且还实现了PRINCE，以广泛地评估其性能。评估结果表明，PRINCE取得了良好的性能。据我们所知，PRINCE是在线社交网络中第一个差异化的影响力扩散机制。
2014-02-12 cs.GT cs.SI
Diffusion processes through social groups' dynamics
阿克塞尔罗德的模型描述了一系列文化特征在由个体行为者构成的社会中的传播。然而，在社会背景下，个人对特定态度的选择也是社区、团体和政党形成的基础。群体中的成员资格完全改变了开始根据社会身份行事的单个代理人的行为。群体作为一个单一的实体在他们之间行动和互动，但仍然保持着内部的动力。我们表明，在一定条件下的社会动力学，在文化传播过程中引入群体动力学避免了扁平化的文化成为一个单一的实体，并保留了文化态度的多样性。我们还考虑了在这种动态背景下的扩散过程，展示了在群体的选择决定社会结构的情况下，信息和创新可以在人群中传播的条件。
2011-03-04 cs.SI physics.soc-ph
Inf-VAE: A Variational Autoencoder Framework to Integrate Homophily and Influence in Diffusion Prediction
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
近年来，人们对理解和预测社交媒体平台（如Twitter、Facebook等）上的信息传播产生了极大的兴趣。现有的扩散预测方法主要是通过将扩散级联投射到当地的社交社区上来利用受影响用户的顺序。然而，这未能捕获在任何级联中没有显式表现的全局社会结构，导致具有有限历史活动的非活跃用户的性能较差。在本文中，我们提出了一种新的变分自编码器框架（Inf-VAE），通过保持邻近度的社会和位置编码的时间潜变量来联合嵌入同质性和影响。为了对社会同质性进行建模，Inf-VAE利用强大的图神经网络架构来学习有选择地利用用户的社会联系的社会变量。给定一系列种子用户激活，Inf-VAE使用一种新的表达性共同关注融合网络，该网络共同关注他们的社交和时间变量，以预测所有受影响用户的集合。我们在多个真实世界社交网络数据集上的实验结果，包括Digg，微博和Stack-Exchange，证明了Inf-VAE在最先进的扩散预测模型上的显着收益（22%MAP@10）;我们为具有稀疏活动的用户以及在种子集中缺乏直接社交邻居的用户实现了巨大的收益。
2020-01-01 cs.LG cs.SI
Empirical Evaluation of Link Deletion Methods for Limiting Information Diffusion on Social Media
Graduate School of Engineering, Information and Systems, University of Tsukuba（筑波大学研究生院工程、信息与系统研究科）；Faculty of Engineering, Information and Systems, University of Tsukuba（筑波大学工学部工程、信息与系统学科）
研究通过实际转发 cascades 日志评估链接删除方法的有效性，发现即使删除50%的链接，信息扩散规模仍仅减少至原规模的50%，表明该方法抑制信息扩散的效果有限。
2026-03-23 cs.CY cs.SI
Conjoining Speeds up Information Diffusion in Overlaying Social-Physical Networks
我们研究的信息在一个覆盖的社会物理网络的扩散。具体来说，我们考虑以下设置：有一个物理信息网络，其中信息通过传统的通信媒体（例如，面对面的沟通，电话），并结合到这个物理网络，有在线社交网络，其中信息通过网站，如Facebook，Twitter，Facebook Feed，YouTube等传播。我们量化的大小和临界阈值的信息流行病在这个结合的社会物理网络，假设信息扩散根据SIR流行病模型。一个有趣的发现是，即使在单个网络中没有渗流，渗流（即，信息流行病）可以发生在联合的社会-物理网络中。我们还表明，无论是分析和实验，收到一个项目的信息（从任意节点开始）的个人的分数是显着较大的联合社会物理网络的情况下，相比的情况下，网络是不相交的。这些发现表明，将物理网络与在线社交网络相结合可以对信息扩散的速度和规模产生巨大影响。
2012-08-03 cs.SI physics.soc-ph
MIDMod-OSN: A Microscopic-level Information Diffusion Model for Online Social Networks
由于在线社交网络继续被普遍用于向公众传播信息，了解支配信息扩散的现象对于许多与安保和安全相关的应用至关重要，例如在危机和自然灾害期间最大限度地传播信息和遏制错误信息。在这项研究中，我们假设的功能，有助于在网上社交网络的信息扩散的显着影响所研究的事件类型。我们将Twitter事件分类为信息或趋势，然后探索与信息传播相关的节点到节点的影响力动态。我们建立了一个基于贝叶斯逻辑回归的学习和预测模型和随机森林的特征选择。真实世界数据集的实验结果表明，该模型优于最先进的扩散预测模型，在信息事件中达到93%的准确率，在趋势事件中达到86%。我们观察到，信息和趋势事件的模型显着不同，无论是在扩散过程中，并在用户的功能，管理扩散。我们的研究结果表明，追随者在扩散过程中起着重要的作用，它是可能的，而不必计算反应的数量，使用用户的扩散和OSN行为预测的趋势字符的消息。
2020-03-04 cs.SI physics.soc-ph
Lighthouse Principle for Diffusion in Social Networks
研究了社会网络中两组主体之间的影响关系。它提出了一个逻辑系统，捕捉命题性质的关系有效的所有阈值模型的社交网络具有相同的拓扑结构。该逻辑系统由函数相关的Armstrong公理和附加的Lighthouse公理组成。主要结果是这个逻辑系统的可靠性，完备性和可判定性定理。
2016-01-15 cs.LO cs.MA cs.SI
Diffusion of Innovations over Multiplex Social Networks
创新的方式（例如，新的行为、观念、技术、产品）在人们之间的传播可以决定其成败。在本文中，我们解决的问题，在多路复用的社交网络，一个人的邻居属于一个或多个网络（或层），如朋友，家人，或同事的创新扩散。为此，我们概括了一个基本的博弈论扩散模型，称为网络协调博弈，多路复用网络。我们提出了这个扩展模型的分析结果，并通过模拟研究验证它们，发现除其他属性外，创新成功的下限，虽然简单，直观地理解的结果，据我们所知，这是第一个扩展的博弈论创新扩散模型的多路网络，因此它提供了一个基本框架，以研究更复杂的创新动力学。
2014-08-25 cs.SI physics.soc-ph
Social Diffusion Sources Can Escape Detection
通过社交网络影响他人（或受他人影响）是所有人类社会的基础。无论这是通过谣言、观点还是病毒的传播发生的，识别传播源（即，发起人）是一个吸引了很多研究兴趣的问题。然而，现有的文献忽略了这样一种可能性，即源可能会策略性地修改网络结构（通过重新连接链路或引入假节点）以逃避检测。在这里，没有限制我们的分析，以任何特定的扩散情况下，我们关闭这个差距，通过评估两种机制，隐藏的来源，一个源于源的行动，另一个从网络结构本身。这表明源可以很容易地逃脱检测，并且删除链接比引入假节点更有效。因此，我们应该集中精力揭露隐藏的联系，而不是植入的实体;这样的曝光将大大提高我们发现扩散源的机会。
2021-11-11 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
Effects of Social Ties in Knowledge Diffusion: case study on PLOS ONE
为了捕捉知识扩散中的社会关系的影响，本文研究了从研究人员的合作出现的出版网络，使用引用信息作为手段来估计知识流。为此，我们分析了发表在PLOS ONE期刊上的论文，发现强有力的证据支持两个作者在合著网络中越接近，他们之间发生知识流动的概率就越大。此外，我们还发现，当涉及到知识扩散，强大的合著者的接近度比地理上的接近度更具决定性。
2016-10-28 cs.DL cs.SI physics.soc-ph
Weak ties: Subtle role of information diffusion in online social networks
在线社交网络作为一种社会化媒体，在社会信息扩散中发挥着至关重要的作用。然而，由于其独特的复杂性，在线社交网络中的扩散机制不同于其他类型的网络，我们仍然不清楚。同时，很少有研究揭示在线社交网络的结构和扩散的耦合动力学。为此，在本文中，我们提出了一个模型来研究如何在网上社交网络的结构与扩散的弱联系的角度。通过在大规模在线社交网络上的数值实验，我们发现与以往的一些研究结果相比，选择弱关系优先发布并不能使信息快速扩散，而随机选择可以实现这一目标。然而，当我们逐渐去除弱联系时，即使在随机选择的情况下，信息的覆盖率也会急剧下降。通过分析和实验，对这一现象给出了合理的解释.最后，我们得出结论，弱关系在在线社交网络中的信息扩散中起着微妙的作用。一方面，它们充当了将孤立的地方社区联系在一起的桥梁，突破了信息的地方陷阱。另一方面，选择它们作为优先发布的路径并不能帮助信息在网络中进一步传播。因此，弱联系可能在控制病毒传播和实际应用中的私有信息扩散方面有所帮助。
2010-12-14 cond-mat.stat-mech cs.SI physics.soc-ph
Diffusive Logistic Model Towards Predicting Information Diffusion in Online Social Networks
在线社交网络最近已成为在数亿最终用户中传播信息和影响力的有效和创新渠道。许多先前的工作已经进行了实证研究，并提出了扩散模型，以了解在线社交网络中的信息扩散过程。然而，这些研究大多集中在时间维度上的信息扩散，即信息如何随时间传播。很少有人试图了解信息扩散的时间和空间维度。本文提出了一种偏微分方程（PDE），具体地说，是一种扩散Logistic（DL）方程来描述在线社交网络中信息扩散的时空特性。更具体地说，我们开发了一个基于偏微分方程的理论框架来测量和预测的密度在给定的距离从原始信息源经过一段时间后的影响用户。受影响的用户在时间和距离上的密度提供了对实际信息扩散过程的有价值的洞察。我们提出的时间和空间模式在一个真实的数据集收集的Digg社会新闻网站，并验证了建议的DL方程预测的信息扩散过程。实验结果表明，DL模型确实能够描述和预测在线社交网络中的信息传播过程。例如，对于Digg中获得24，099票的最热门新闻，DL模型在前6小时内所有距离的平均预测准确率为92.08%。据我们所知，本文是第一次尝试使用偏微分方程为基础的模型来研究在时间和空间两个维度上的在线社交网络中的信息扩散过程。
2011-08-01 cs.SI math.AP physics.soc-ph
Marketing Impact on Diffusion in Social Networks
本文提出了一种在社交网络的标准阈值模型中加入市场营销的方法。在此框架下，本文研究了社交网络中主体集合之间影响关系的逻辑性质。两种不同形式的这种关系被认为是：一个促销营销和预防营销。在每种情况下，提出了一个健全的和完整的逻辑系统描述的影响关系的属性。这两个系统都可以看作是Armstrong数据库理论中函数依赖公理的扩展。
2016-03-07 cs.LO cs.SI math.LO
CDGraph: Dual Conditional Social Graph Synthesizing via Diffusion Model
Institute of Information Science, Academia Sinica（中央研究院资讯科学研究所）；Research Center for Information Technology Innovation, Academia Sinica（中央研究院资讯科技创新研究中心）；Department of Electrical Engineering, National Taiwan University（国立台湾大学电机工程学系）；Department of Computer Science, TU Delft（代尔夫特理工大学计算机科学系）
针对数据稀缺与隐私问题下的条件社会图生成需求，提出首个双条件社会图扩散模型CDGraph，通过协同演化依赖、社会特性及新型分类器损失提升生成效果，实验验证其优于现有基线方法。
2023-11-06 cs.LG cs.SI
LLMs for Social Network Modeling: From Network Generation to Dynamic Processes
University of Victoria（维多利亚大学）；Leiden University（莱顿大学）
本综述首次系统梳理大语言模型在社交网络建模中的应用，将其分为网络生成与动态过程两类，并探讨了偏见与提示敏感性等挑战及未来方向。
2026-09-09 cs.AI cs.SI
Social-LLM: Modeling User Behavior at Scale using Language Models and Social Network Data
University of Southern California（南加州大学）
针对大规模社交网络建模的可扩展性挑战，提出Social-LLM方法，结合局部社交网络交互与大型语言模型，在七个真实数据集上验证了其在用户检测任务中的有效性。
2023-12-31 cs.AI cs.SI
Independent Asymmetric Embedding for Information Diffusion Prediction on Social Networks
Southwest University（西南大学）
对社交网络上的信息扩散进行预测，对于市场营销和舆论控制具有重要的现实意义。它旨在预测可能在社交网络上转发消息的个人。一类方法是基于人口统计学、复杂网络等先验知识建立可解释的模型来模拟和预测传播过程，另一类方法是完全数据驱动的，将节点映射到潜在空间进行传播预测。现有的潜空间设计和嵌入方法缺乏对用户间干预的考虑。本文提出了一种独立的非对称嵌入方法，将每个个体嵌入到一个潜在影响空间和多个潜在易感性空间中。基于信息扩散与热扩散现象的相似性，利用热扩散核建立嵌入规则。此外，我们的方法捕捉级联用户组合的同现规律，以提高计算效率。在真实世界数据集上进行的大量实验结果验证了我们方法的预测准确性和成本效益。
2022-05-26 cs.LG cs.SI
Co-Diffusion of Social Contagions
以前的社会传染模型考虑的传播，无论是一个传染病在相互依赖的网络或多个传染病的单层网络或竞争的假设下的时间。本文提出了一个新的多重传染扩散的阈值模型。个体被放置在具有周期性晶格和随机规则图层的多路复用网络上。在这些人口结构中，我们研究了扩散过程的两个关键方面之间的接口：两种传染病之间的协同作用水平，以及个体在采用后休眠的速度。休眠被定义为一种松散的免疫形式，它模拟了无抵抗的传播能力。蒙特卡罗模拟显示，较低的协同作用使传染更容易渗透，特别是那些在晶格上扩散。一种休眠的传染病的更快扩散可能会阻止另一种传染病的扩散，这与环形疫苗接种相似。我们发现，在一个带的协同作用，传染晶格进行双峰或三峰分支，如果他们是较慢的扩散传染。
2018-06-29 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
