Threshold-limited spreading in social networks with multiple initiators
社会影响力驱动的观点改变的经典模型是阈值模型。在这里，我们研究的情况下，多个{ \it发起者}触发级联的阈值模型动态驱动的意见变化的级联，所有节点具有相同的采用阈值$ϕ$。具体而言，使用经验和程式化模型的社交网络，我们研究级联大小作为一个函数的发起分数$p$。我们发现，即使对于任意高的值的$ϕ$，存在一个临界引发剂分数$p_c(ϕ)$超过该级联成为全球。网络结构，特别是集群，在这种情况下起着重要的作用。类似于以前研究的单节点或单集团发起人的情况下，我们观察到，网络内的社区结构促进意见传播到更大程度上比一个同质的随机网络。最后，我们研究了不同的引发剂选择策略的级联的大小和级联窗口的效果。
2013-06-26 cond-mat.stat-mech cs.SI physics.soc-ph
Modeling of Information Diffusion on Social Networks with Applications to WeChat
在线社交网络中记录的用户活动的痕迹，例如随着时间的推移创建、查看和转发/共享信息，为定量和系统地理解社交网络上的信息扩散过程开辟了新的可能性。从像微信这样的在线社交网络中，我们可以收集大量的信息级联树，每个信息级联树都告诉消息/信息的传播轨迹，例如哪个用户创建了信息，哪些用户查看或转发了哪些邻居分享的信息。在这项工作中，我们提出了两个异质非线性模型。这两个模型都通过微信数据进行了验证，重现和解释了级联树的关键特征。具体来说，我们首先应用随机递归树（RRT）的级联树的拓扑结构建模，捕捉关键功能，即平均路径长度和度方差的级联树的节点数（大小）的树。具有单个参数$θ$的RRT模型描述树的生长机制，其中现有树中的节点具有连接到新添加的节点的概率$d_i^θ$，该概率取决于现有节点的度$d_i$。所识别的参数$θ$量化级联树的相对深度或宽度，指示信息经由星形广播或病毒式逐跳扩散传播。RRT模型解释了枢纽的出现，因此随着级联大小的增加，平均路径长度可能会更小，正如在微信中观察到的那样。我们进一步提出了随机敏感视图转发删除（SVFR）模型来描述动态用户行为，包括创建，查看，转发和忽略一个消息在一个给定的社会网络。
2017-04-11 cs.SI physics.soc-ph
Cascade-driven opinion dynamics on social networks
Institute of Informatics and Telematics (IIT) of the National Research Council (CNR), Italy（意大利国家研究委员会信息学与遥测研究所）
本文提出 FJC 模型，整合信息 cascades 和意见动态，揭示社交化与新闻分享如何影响意见演变，强调中心意见领袖的影响力增强。
2026-03-16 cs.SI
The Opacity Problem in Social Contagion
时尚、产品采用、暴民、谣言、迷因和新兴规范是各种各样的社会传染，它们被建模为网络级联。这些级联的实证研究是脆弱的，我们所描述的“不透明问题”：无法观察到的临界水平的同伴影响所需的触发个人的行为变化。即使有最大的信息，网络级联揭示的间隔，约束临界水平的同行曝光，而不是临界值本身。现有的实践使用区间最大值，系统地高估了行为改变所需的社会影响。仿真结果表明，高估可能是常见的，在幅度大。一项针对320万Twitter用户的标签级联的实证研究证实了这一点：五分之一的标签采用由于不透明问题而遭受临界值不确定性。不同的假设，这些时间间隔导致定性不同的结论的作用，同伴强化扩散。我们介绍了一种解决方案，结合确定紧密有界的区间预测不确定的临界值，使用节点级信息。
2018-11-19 cs.SI physics.soc-ph
Disentangling sources of influence in online social networks
在线社交网络中的信息传播由两种类型的影响促进-在社交网络的用户之间起作用的内源性（同伴）影响和对应于各种外部媒介（例如在线新闻媒体）的外源性（外部）影响。然而，从数据中推断这些影响仍然是一个挑战，特别是当关于用户激活的数据很少时。在本文中，我们提出了一种方法，只使用一个社会网络结构和一个单一的激活级联产生估计的内源性和外源性的影响。我们的方法利用了两种类型的影响之间的统计差异-内源性取决于每个用户的社交网络结构和当前状态，而外源性则独立于这些。我们评估我们的方法模拟激活级联以及从几个大型Facebook的政治调查应用程序获得的级联。我们表明，我们的方法是能够提供估计的内源性和外源性的影响，在网上社交网络，表征激活每个单独的用户是内源性或外源性驱动，并确定最有影响力的用户群体。
2019-03-27 cs.SI physics.soc-ph
Seed selection for information cascade in multilayer networks
信息传播是在线社交媒体领域的一个有趣领域。在这项工作中，我们正在研究如何以及不同的种子选择策略影响的传播过程中使用独立的级联模型模拟十八个多层社交网络。基于从Facebook公共页面提取的用户交互数据构建了15个网络，其中树是从公共存储库下载的多层网络（其中两个是Twitter网络）。结果表明，单层网络的各种最先进的种子选择策略，如K-Shell或VoteRank，在多层网络上表现不佳，并且被度中心性所超越。
2017-10-12 cs.SI physics.soc-ph
Hierarchical Information Enhancement Network for Cascade Prediction 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）
针对现有级联预测方法未能利用不同模态间分层语义关联的问题，提出分层信息增强网络HIENet，融合级联序列、社交图和子级联图，有效提升了预测性能。
2024-03-22 cs.AI cs.SI
Modeling self-sustained activity cascades in socio-technical networks
理解并最终预测社交网络中信息和激活级联的出现的能力是复杂社会技术系统研究的核心。然而，社会互动的复杂性使这成为一项具有挑战性的事业。以前的级联模型的工作假设，这种集体现象的出现是在当地附近的个人观察到的活动，但不考虑是什么决定了随时间变化的过程中传播信息的意愿。在这里，我们提出了一个机械模型，占在一个简化的设置中的个人状态的时间演变。我们将个体的活动建模为一个复杂的相互作用的集成和发射振荡器网络。该模型再现了真实系统中级联的统计特性，为研究状态依赖活动情景下级联的时间演化提供了框架。
2013-05-18 cs.SI physics.soc-ph
Improving Information Cascade Modeling by Social Topology and Dual Role User Dependency
Fudan University（复旦大学）
社交网络上的信息扩散（也称为信息级联）由于其在许多领域的应用价值，在过去的十年中得到了大量的研究。近年来，包括递归神经网络模型在内的序列模型被广泛应用于信息级联的预测。然而，顺序模型捕获的级联序列中的用户依赖性通常是单向的，并且与扩散树不一致。例如，后继者的真实触发可以是非直接前导者而不是序列中的直接前导者。为了更充分地捕捉用户依赖关系，实现精确的级联建模，提出了一种非顺序信息级联模型TAN-DRUD（Topology-aware Attention Networks with Dual Role User Dependency）。受经典通信理论的启发，TAN-DRUD通过捕捉信息发送者和接收者的双重角色用户依赖关系，在信息级联建模方面取得了令人满意的性能。此外，TANDRUD将社交拓扑纳入两级注意力网络中，以增强信息扩散预测。我们在三个级联数据集上的大量实验表明，我们的模型不仅优于最先进的级联模型，而且能够利用拓扑信息和推断扩散树。
2022-04-07 cs.LG cs.SI
Postmortem Analysis of Decayed Online Social Communities: Cascade Pattern Analysis and Prediction
最近，许多在线社交网络，如MySpace，Orkut和Mysterster，都面临着其成员的不活动衰退，这导致了这些网络的崩溃。这种不活跃性衰减的原因、机制和预防机制尚未完全了解。在这项工作中，我们分析了StackExchange平台上的腐烂和活着的子网站。分析主要集中在这些社区的成员之间发生的不活动级联。我们提供的措施，以了解衰变过程和统计分析，以提取模式，伴随着不活跃的衰变。此外，我们使用机器学习预测级联规模和级联病毒式传播。这项工作的结果包括一个统计上的显着差异的衰变模式之间的衰变和活着的子网站。这些模式主要是：级联规模，级联病毒性，级联持续时间和级联相似性。此外，与基线预测因子相比，贡献的预测框架显示出令人满意的预测结果。在实证证据的支持下，本研究的主要发现是：（1）衰减过程不是由一个网络度量控制的，而是由多个度量更好地描述;（2）StackExchange子网站的专家成员主要负责StackExchange子网站的活动或不活动;（3）统计子网站正在经历可能导致其完全衰退的衰退动态;以及（4）衰退的子网站最初不像活跃的子网站那样对不活动衰退具有较低的弹性。
2018-10-10 cs.SI
What Stops Social Epidemics?
在理解图上的传播过程的动态方面的理论进展表明存在一个流行阈值，低于该阈值，没有流行病形成，高于该阈值，流行病传播到图的很大一部分。我们观察到社交媒体网站Digg上的信息级联，其传播速度足以让一个初始传播者感染数百人，但最终只影响整个网络的0.1%。我们发现，两个影响，以前研究的孤立，结合合作，大大限制了Digg上的级联的最终大小。首先，由于Digg网络的高度集群结构，大多数知道一个故事的人都是通过多个朋友接触到它的。这种结构降低了流行病的门槛，同时适度减缓了级联的总体增长。此外，我们发现，Digg上的社会传染机制指出了信息传播和其他传染过程之间的根本区别：尽管在一个社会群体中有多种感染机会，但人们不太可能成为反复接触信息的传播者。这种机制的结果对于更多的聚类图变得更加明显。最终，这种影响严重限制了Digg上社交流行病的规模。
2011-04-01 cs.SI physics.soc-ph
Full-scale Cascade Dynamics Prediction with a Local-First Approach
信息级联在各种社交网站中无处不在。是什么机制推动信息在网络中扩散？级联的结构和大小如何随时间演变？什么时候以及哪些用户会采用某个消息？探讨这些问题可以大大加深我们对信息级联的理解，并促进各种重要的应用，包括病毒式营销，谣言预防，甚至链接预测。以往的研究大多只关注最终叶栅尺寸的预测。同时，这些方法都是依赖于叶栅图的方法，这使得它们趋向于大叶栅的预测，并导致了只有在叶栅已经变得很大之后才能预测的批评。在本文中，我们研究了一个基本问题：全尺寸叶栅动力学预测。也就是说，如何预测何时以及哪些用户在级联过程的任何时间点被激活。在这里，我们提出了一个统一的框架，FScaleCP，来解决这个问题。给定历史级联，我们首先将局部传播行为建模为分类问题。通过数据驱动的学习，我们通过测量级联动态的驱动机制来识别共同的模式。在此基础上，我们提出了一种直观的异步传播方法，通过有效地聚集当地的传播行为，全尺寸的级联动力学预测。在社交网络数据集上的大量实验表明，该方法的性能明显优于其他最先进的基线。
2015-12-28 cs.SI physics.soc-ph
Cascading Behavior in Yelp Reviews
社交媒体已经改变了市场营销和消费者研究的景观，因为企业的采用和推广越来越依赖于客户如何在Facebook，Twitter，Yelp等平台上互动和感受企业社会评论网站，如Yelp已成为有关不同企业的重要信息来源。这些在线平台上的社会影响可能导致个人采用或推广导致信息级联的想法和行动。在过去的几年里，关于信息级联的研究越来越受欢迎，但大多数研究都集中在Twitter和Facebook等平台上。使用级联对产品的采用或推广进行研究可以帮助确定社会影响的重要潜在模式。在这项工作中，我们分析了信息的传播，即在欧洲和北美不同城市的Yelp中的级联。我们列举并分析了Yelp社交网络中出现的不同级联拓扑。我们的一些重要发现包括在Yelp评论中存在大量级联，表明社会影响的重要性，级联的重尾分布以及在初步评论的基础上准确预测级联大小的可能性。此外，我们还发现，与级联的根结点和根评论的属性相比，非根节点根结点和非根评论的特征是重要得多的特征类型。这些发现可以帮助社会科学家更系统地分析不同城市的客户行为。此外，它还可以帮助城市中的企业了解不同的消费趋势，从而改善他们的流程和产品。
2017-12-04 cs.SI
Conspiracy vs science: A large-scale analysis of online discussion cascades
随着社交媒体平台和社交网站的出现和迅速扩散，近年来我们的日常生活中出现了大量错误信息。我们利用涵盖超过140万条帖子和1800万条评论的大规模数据集，调查了两种不同叙述的传播--（i）阴谋信息，其说法通常未经证实，因此在某种程度上被称为错误信息，以及（ii）科学信息，其来源通常很容易识别和验证--在在线社交媒体平台上。我们发现，阴谋级联往往在多代分支过程中传播，而科学级联更有可能以广度优先的方式增长。具体来说，阴谋信息会引发更大的级联，涉及更多的用户和世代，持续时间更长，比科学信息更具病毒性和突发性。内容分析表明，阴谋级联包含更多的负面词汇和情感词汇，表达愤怒，恐惧，厌恶，惊讶和信任。我们还发现，阴谋级联更关注政治和有争议的话题。在应用机器学习模型后，我们在区分阴谋和科学叙述方面的AUC得分接近90%。我们发现，阴谋级联比科学级联更有可能被更广泛的用户控制，这给错误信息的管理带来了新的挑战。虽然政治亲和力被认为会影响错误信息的消费，但很少有证据表明信息源的政治取向在阴谋信息的传播过程中发挥作用。我们的研究为当前的错误信息研究提供了补充证据，并对阻止传播和减轻网上错误信息的影响具有实际的政策意义。
2021-04-06 cs.SI physics.soc-ph
A Framework for Quantitative Analysis of Cascades on Networks
在线社交网络中的信息如何流动？信息级联的结构和规模如何随时间演变？如何有效地挖掘级联动力学中包含的信息？我们的做法，这些问题的经验，并提出了一个有效的和可扩展的数学框架，对网络级联的定量分析。我们定义了一个级联生成函数，捕捉级联的微观动力学的细节。我们表明，这个函数也可以用来计算级联的宏观性质，如它们的大小，传播，直径，路径数，和平均路径长度。我们提出了一种算法来有效地计算级联生成函数，并证明，虽然显着压缩信息内的级联，但它仍然允许我们准确地重建其结构。我们使用这个框架来研究Digg社交网络上的信息动态。Digg允许用户发布和投票的故事，并很容易看到的故事，朋友们已经投票。作为一个故事传播Digg通过投票，它产生级联。我们提取了超过3,500个Digg故事的级联，并计算了它们的宏观和微观特性。我们确定了级联动态的几个趋势：通过链接，分支和社区传播。我们讨论这些如何影响通过Digg社交网络的故事的传播。我们的计算框架是通用的，并提供了一个实用的解决方案，即使是非常大的级联的微观结构的定量分析。
2010-11-17 cs.CY cs.SI physics.soc-ph
Potential Networks, Contagious Communities, and Understanding Social Network Structure
在本文中，我们研究如何网络的代理采用特定的技术涉及到的基础网络的结构，该技术的采用蔓延。我们开发了一个模型，并表明，网络的代理采用特定的技术可能具有显着不同的特点，从社会网络的代理技术传播。例如，由级联引起的网络可能具有重尾度分布，即使原始网络没有。这提供了证据表明，通过在底层社交网络上采用技术而创建的在线社交网络可能看起来与社交网络有根本的不同，并表明如果我们试图使用来自许多在线社交网络的数据来直接推断社交网络的结构，则使用这些数据可能会误导我们。我们的研究结果为数据集中重复观察到的某些属性提供了另一种解释，例如：重尾度分布，网络致密化，收缩直径和网络社区概况。这些特性可能是由某种“抽样偏差”造成的，而不是由基本社会结构的属性造成的。通过在本身不包含这些属性的传统网络模型上使用级联来生成网络，我们仍然可以可靠地生成包含所有这些属性的网络。有趣的未来研究的一个机会是开发新的方法，正确地推断底层网络结构的数据，通过级联传播在底层网络上生成的网络。
2013-04-06 cs.SI physics.soc-ph
A data-driven analysis to question epidemic models for citation cascades on the blogosphere
博客网络中的引用级联通常被认为是信息在这个社交媒体上传播的痕迹。在这项工作中，我们质疑这一点，使用结构和语义分析的五个月活动的最具代表性的博客的法语community.Statistical措施显示，我们的数据集与那些可以在文献中找到的许多功能，这表明存在一个相同的基本过程。然而，对文章内容的进一步分析表明，在这种背景下，流行的对级联的类似于数学的描述是误导性的。一个基本的模型，只考虑了博客的行为和他们有限的社会网络，解释了数据的几个重要统计特征。这些论点支持这样一种观点，即引用的主要目的可能不是在博客圈传播信息。
2013-06-03 cs.SI physics.soc-ph
The Impact of Heterogeneous Thresholds on Social Contagion with Multiple Initiators
阈值模型是复杂社会系统中传染病传播的一个简单但经典的模型。为了捕捉社会影响的复杂性，我们调查的阈值限制级联的行为在多个启动器的存在下，作为阈值的分布是不同的两个极端的情况下，相同的阈值和均匀分布的数值和分析的过渡。我们通过采用节点阈值的截断正态分布来实现这一点，并且当我们改变标准差时观察到级联大小的非单调变化。此外，对于一个足够大的传播的阈值分布，社会影响过程的临界点行为消失，取而代之的是由发起人集的大小所控制的平滑交叉。我们证明，对于一个给定的大小的发起人集，有一个特定的方差的阈值分布的意见传播最佳。此外，在合成图的情况下，我们表明，传播渐近成为独立的系统的大小，和全球级联可以出现只是由一个单一的节点添加到启动器集。
2015-11-20 cs.SI physics.soc-ph
Do Cascades Recur?
信息共享的级联是内容在社交媒体上到达受众的主要机制，一项积极的研究已经研究了这种级联是如何发展和消退的，这种级联形式是内容在人与人之间重新共享。在本文中，我们对Facebook上的级联进行了大规模的分析，时间跨度要长得多，发现一个更复杂的画面出现了，其中许多大的级联重复出现，表现出多次爆发的流行与之间的静止期。我们通过测量爆发之间的时间，它们在社交网络中的重叠和接近程度，以及参与每个高峰的个人的人口统计数据的多样性来表征复发。我们发现，内容的病毒式传播，正如其最初的流行程度所揭示的那样，是复发的主要驱动因素，该内容的多个副本的可用性有助于引发新的爆发。尽管如此，超过一定的流行度的内容，复发率下降的级联开始耗尽感兴趣的个人的人口。我们重现这些观察到的模式，在一个简单的模型中的内容重现模拟一个真实的社交网络。仅使用级联的初始突发的特性，我们在预测它是否会在未来复发表现出很强的性能。
2016-02-02 cs.SI physics.soc-ph stat.ML
Super-blockers and the effect of network structure on information cascades
对在线社交网络上的信息级联进行建模在从市场营销到内乱预测等领域都很重要，然而底层网络结构强烈影响这种级联的概率和性质。即使是简单的级联动力学，大级联的概率几乎完全取决于网络特性，著名的网络，如Erdos-Renyi和Barabasi-Albert，从同一个模型中产生了截然不同的级联。事实上，“超级传播者”的概念已经出现，用来描述在社交网络中促进全球级联的具有高度影响力的节点。在这里，我们使用一个简单的全球级联模型来表明，在网络中的局部性的存在增加了全球级联的概率，由于连接节点的脆弱性增加。而不是“超级传播者”，我们发现这些高度连接的“超级阻断者”在重尾网络中的存在实际上降低了全球级联的概率，同时促进了信息传播。
2018-03-21 cs.SI physics.data-an physics.soc-ph
Predicting Diffusion Reach Probabilities via Representation Learning on Social Networks
Boğaziçi University（博阿齐奇大学）
网络上两个节点之间的扩散到达概率被定义为从一个节点发起的级联到达另一个节点的概率。无限数量的级联将使得能够计算任何两个节点之间的真实扩散到达概率。然而，级联的数量有限，人们通常只能使用所有可用级联中的一小部分。在这项工作中，我们解决的问题，估计扩散到达概率只给出了有限数量的级联和部分信息的基础网络结构。我们提出的策略采用节点表示学习来生成节点嵌入并将其馈送到机器学习算法中，以创建预测扩散到达概率的模型。我们提供了实验分析，在两个现实世界的社交网络上使用综合生成的级联。计算结果表明，在叶栅所占比例较小的情况下，该方法优于现有叶栅计算值。
2019-01-12 cs.LG cs.SI stat.ML
DeepCP: Deep Learning Driven Cascade Prediction Based Autonomous Content Placement in Closed Social Network
Sun Yat-sen University（中山大学）；Tencent Inc.（腾讯公司）
在线社交网络（OSN）正在成为内容级联扩散的最流行的主流平台。为了在OSN中为用户提供令人满意的体验质量（QoE），许多研究致力于通过在开放的社交网络场景（例如，Twitter和微博）。在本文中，我们采取了一个新的方向，即在封闭的社交网络中放置受欢迎程度感知的内容（例如，WeChat Moment），用户的隐私得到了高度增强。我们提出了一种新的数据驱动的整体深度学习框架，即DeepCP，用于联合扩散感知级联预测和自主内容放置，而无需利用用户的个人和社交信息。我们首先设计了一个时间窗LSTM模型，用于内容流行度预测和级联地理分布估计。因此，我们进一步提出了一种新的自主内容放置机制CP-GAN，它采用生成对抗网络（GAN）进行敏捷放置决策，以减少内容访问延迟，提高用户的QoE。我们使用微信矩（WM）中的级联扩散轨迹进行了大量的实验。评估结果证实，所提出的DeepCP框架可以预测的内容流行度与高准确性，以实时的方式生成高效的放置决策，并实现显着的内容访问延迟减少现有的计划。
2020-03-09 cs.LG cs.NI cs.SI
Affinity Paths and Information Diffusion in Social Networks
对通过社交网络传播信息的广泛兴趣产生了大量的社会动力学模型。他们中的大多数使用理论假设来解释他们的扩散机制，而少数基于经验的平均他们的措施，在许多不同内容的消息。我们的实证研究跟踪一步一步的电子邮件传播的一个不变的病毒式营销信息深入到内容的影响，并发现了新的和引人注目的功能。传播级联的拓扑结构和动态显示的模式不是从携带消息的电子邮件网络继承的。它们的断开连接，低传递性，树状级联呈现出节点转发消息的概率与其目标邻居的平均数量之间的正相关性，并显示出随着传播路径长度的增加，参与者的参与度增加。这种模式没有描述过，也没有复制的任何现有的信息扩散模型，可以解释，如果参与者使他们的传递决策唯一的基础上，他们的网络邻居的本地知识与消息内容的亲和力。我们通过一个程式化的，基于代理的模型，复制真实的信息扩散级联中观察到的\emph{Affinity Paths}，证明了这种机制的可行性。
2011-05-17 cs.SI physics.soc-ph
On Misinformation Containment in Online Social Networks
网上广泛传播的错误信息可能会引起公众恐慌和严重的经济损失。错误信息遏制问题旨在通过发起竞争活动来限制错误信息在在线社交网络中的传播。出于现实的情况下，我们提出了第一次分析的情况下，当一个任意数量的级联是允许的错误信息遏制问题。本文有四个贡献。首先，我们提供了一个形式化的多级联扩散模型，并引入了一个重要的概念称为级联优先级。其次，我们证明了错误信息遏制问题不能近似在多项式时间内的$Ω(2^{\log^{1-ε}n^4})$的一个因素，除非$NP \subseteq DTIME(n^{\polylog{n}})$。第三，我们介绍了几种类型的级联优先级，经常看到在现实的社交网络。最后，我们设计了新的算法来解决错误信息遏制问题。令人鼓舞的实验结果支持所提出的算法的有效性。
2018-09-20 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
A Comparison of Methods for Cascade Prediction
信息级联存在于互联网上各种各样的平台。一个非常重要的现实问题是确定哪些信息级联可以像病毒一样传播。解决这一问题的系统可用于各种应用，包括公共卫生、营销和反恐。作为一个级联可以被认为是社会网络和时间序列的复合。然而，在相关文献中，提出了解决级联预测问题的方法，实验设置往往仅限于一个单一的指标为一个特定的问题制定。此外，很少注意到这些方法的运行时间。在本文中，我们首先制定的级联预测问题的分类和回归。然后比较了基于中心性、基于特征和基于点过程的级联预测方法。我们进行了比较，通过评估的方法的准确性指标和运行时间。结果表明，基于特征的方法在预测精度方面优于其他方法，但开销很大，特别是对于大数据集。而基于点过程的方法在模型不能很好地适应数据时也会遇到运行时间长的问题。本文试图解决的问题，以允许系统的开发人员为社会网络分析，以选择最合适的方法来预测病毒的信息级联。
2016-06-18 cs.SI physics.soc-ph
Cascade-LSTM: Predicting Information Cascades using Deep Neural Networks
University of South Florida（南佛罗里达大学）
预测动态社会环境中的信息流与当代社会的许多领域相关，从传播医疗保健信息到模因跟踪。虽然预测信息级联的增长已经在不同的社交平台上成功地解决了，但预测信息级联的时间和拓扑结构的探索有限。然而，准确预测有多少用户将发送特定用户的消息以及何时发送对于设计实用的干预技术至关重要。本文利用长短期记忆（LSTM）神经网络技术来预测信息级联的两个时空特性，即个体级信息传输的大小和速度。我们将这些预测算法与级联树的概率生成结合到一个生成测试模型中，该模型能够在Reddit和Github两个不同的平台上准确地生成级联树。我们的方法导致信息传递者的分类准确率超过73%，各种社交平台中的早期传递者的分类准确率为83%。
2020-04-26 cs.LG cs.SI
Toward Order-of-Magnitude Cascade Prediction
当一条信息（微博、照片、视频、链接等）当一个社交网络开始传播时，一个重要的问题出现了：它是否会传播到“病毒式”的比例--“病毒式”的定义是数量级的增长。然而，以前的几项研究已经确定，级联的大小和频率是通过幂律相关的-这导致了严重的不平衡，在这个分类问题。在本文中，我们设计了一套基于“结构多样性”的测量方法--参与特定级联的个人所处的各种社会环境（社区）。我们证明这些措施能够区分病毒和非病毒级联，尽管这个问题的数据严重不平衡。此外，我们利用这些测量值作为分类方法中的特征，成功地预测了从50到500次转发的微博，其精确度为0.69，病毒类的召回率为0.52-尽管此类样本不到2%。这明显优于我们的基线方法以及当前的最先进的。我们的工作也展示了我们如何在准确率和召回率之间进行权衡。
2015-08-13 cs.SI physics.soc-ph
Preference Enhanced Social Influence Modeling for Network-Aware Cascade Prediction
University of Science and Technology of China（中国科学技术大学）
网络感知的级联规模预测旨在通过对社交网络中的传播过程建模，预测用户生成信息的最终转发数量。通过社会影响力即状态激活来估计用户的转发概率在信息扩散过程中起着重要作用。因此，图神经网络（GNN）能够模拟节点之间的信息交互，是处理这一预测任务的有效方案。然而，现有的研究，包括基于GNN的模型通常忽略了用户的偏好，深刻影响状态激活的一个重要因素。为此，我们提出了一个新的框架，以促进级联大小预测，通过增强用户偏好建模根据三个阶段，即，偏好话题生成、偏好转移建模和社会影响激活。我们的端到端的方法，使用户激活过程的信息扩散更适应和准确。在两个大规模真实世界数据集上进行的广泛实验清楚地证明了我们提出的模型与最先进的基线相比的有效性。
2022-04-18 cs.AI cs.IR cs.SI
Understanding and forecasting lifecycle events in information cascades
大多数社交网站允许用户重新分享用户发布的信息。随着时间的推移，重新共享的级联增长，最终在一定时间段后饱和。虽然以前的研究主要集中在级联现象的一个方面，特别是预测级联何时会病毒式传播，但在本文中，我们通过分析级联生命周期中两个事件的发生采取了一种更全面的方法-最大增长期在重新共享方面的激增和级联开始下降的时期。我们解决的挑战，在确定这些时期，然后进行比较分析，这些时期的网络拓扑结构的角度。我们研究了几个节点为中心的结构措施的影响，使用格兰杰因果关系，这有助于我们量化的网络措施的意义，并了解在何种程度上网络拓扑结构的增长动力学的影响。该评估是在从微博社交网络中提取的7407个级联的数据集上进行的。使用我们的因果关系框架，我们发现，基于节点度的熵测度因果地影响了93.95%的级联中这些事件的发生。令人惊讶的是，这优于聚类系数和PageRank，我们假设这将更能反映基于早期研究的增长动态。我们还扩展了格兰杰因果向量自回归（VAR）模型预测事件发生在级联生命周期的时间。
2020-03-23 cs.SI physics.soc-ph
Uncovering Non-Normality in Information Flow: Network Structure and Dynamics of Social Media Cascades
Institute of Science Tokyo（东京科学大学）；Hirosaki University（弘前大学）；University of Aizu（会津大学）；The University of Tokyo（东京大学）
本研究通过谱非正态性量化X平台约58,000个级联网络，发现非正态性与峰值集中度强相关，且中期结构预测准确率可超80%，为信息扩散预测提供了新基准。
2026-10-28 cs.SI
Self-reinforcing cascades: A spreading model for beliefs or products of varying intensity or quality
University of Vermont（佛蒙特大学）；Vermont Complex Systems Institute, University of Vermont（佛蒙特大学佛蒙特复杂系统研究所）；Santa Fe Institute（圣塔菲研究所）；Department of Computer Science, University of Vermont（佛蒙特大学计算机科学系）；MACSI, Department of Mathematics and Statistics, University of Limerick（利默里克大学数学与统计系MACSI）；Department of Physics, Boston University（波士顿大学物理系）
本文提出了一种考虑自我强化机制的级联模型，揭示了在广泛参数范围内产生幂律分布的机制，挑战了传统临界性模型的假设。
2026-02-19 cs.SI physics.soc-ph
Examining Untempered Social Media: Analyzing Cascades of Polarized Conversations
University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
在线社交媒体，定期作为一个平台，级联两极分化的话题的谈话。在线社交网络中存在的固有社区结构（同质性）和Gab等边缘媒体的出现创造了在线“回声室”，放大了两极分化的影响，助长了有害行为。最近，在2018年10月，加布成为头条新闻，当时有消息称匹兹堡犹太教堂大屠杀背后的个人罗伯特·鲍尔斯是这个社交媒体网站的活跃成员，并利用它来表达他的反犹太主义观点和讨论阴谋论。因此，为了满足对这些边缘网点进行自动化数据驱动分析的需求，本研究提出了新的方法来发现Gab中普遍存在的主题以及它们如何在网络中级联。具体来说，使用大约3400万个帖子和370万个级联对话线程，接近30万用户;我们证明了Gab中基本上有五种级联模式，最“病毒”的模式从回声室模式开始，并扩展到整个网络。此外，我们经验表明，通过两个模型，即。易感感染和低音，级联结构如何从五种模式之一演变到另一个基于对话的主题高达84%的准确性。
2019-06-10 cs.LG cs.SI
AutoCas: Autoregressive Cascade Predictor in Social Networks via Large Language Models
University of Science and Technology of China（中国科学技术大学）；East China Normal University（华东师范大学）；Hefei University of Technology（合肥工业大学）
针对信息级联流行度预测，提出LLM增强的AutoCas模型，通过分词、自回归建模和提示学习适配级联数据，显著优于基线并具备扩展能力。
2025-02-25 cs.AI cs.SI
Don't Be Greedy: Leveraging Community Structure to Find High Quality Seed Sets for Influence Maximization
我们考虑通过选择固定数量的初始种子来最大化社会网络中的影响力传播的问题-这是网络级联研究中的一个中心问题。关于这个问题的大多数现有工作，正式称为影响力最大化问题，是为子模块叶栅设计的。尽管经验证据表明，许多级联是非次模块化的，但很少有工作集中在非次模块化的影响力最大化。我们提出了一个新的启发式解决的影响力最大化问题，并通过模拟现实世界和合成网络，我们的算法输出更有影响力的种子集比国家的最先进的贪心算法在许多自然情况下，平均提高了7%的子模块级联，和55%的非子模块级联。我们的启发式使用动态规划方法的社会网络的层次分解，利用之间的关系的传播级联和社区结构的社交网络。我们验证了网络结构的重要性，通过显示层次分解的质量影响我们的算法输出的种子集的质量。我们还提出了“最坏情况”的理论结果证明，在某些设置中，我们的算法输出的种子集是一个因素的$Θ(\sqrt{n})$更有影响力的贪心算法，其中$n$是网络中的节点数。最后，我们将我们的算法推广到一个消息传递版本，可以用来找到种子集，至少有尽可能多的影响力的动态规划算法。
2016-09-21 cs.SI physics.soc-ph
The Lifecycle and Cascade of WeChat Social Messaging Groups
社交即时通讯服务正在成为一种变革性的形式，人们在日常生活中与朋友联系和沟通-它们促进了社交团体的形成，并为人们带来了更强的社区感和联系。然而，研究界仍然对社会信息背景下群体的形成和演变知之甚少-他们的生命周期，随着时间的推移，他们的底层结构的变化，以及他们发展新成员的扩散过程。在本文中，我们分析了中国最大的独立消息通信服务微信群消息平台的日常使用日志，目的是了解社交消息群组聚集在一起，发展新成员并随着时间的推移而发展的过程。具体来说，我们发现了一个强大的二分法群体在其生命周期，并考虑到广泛的群体层次的功能，显示长期和短期的群体本质上是不同的，开发了一个可分性模型。我们还发现，消息群组的生命周期在很大程度上取决于它们在用户日常社交体验和特定目的中的社交角色和功能。鉴于长期和短期群体之间的强分离性，我们进一步解决了成功社区的早期预测问题。除了从群体层次的角度对群体的成长和演化进行建模外，我们还研究了群体成员的个体层次属性，并研究了群体获得新成员的扩散过程。通过考虑成员的历史参与行为以及他们嵌入的本地社会网络结构，我们开发了一个成员级联模型，并证明了预测邀请者的AUC为95.31%，预测受邀者的AUC为98.66%。
2016-02-20 cs.SI
IRIE: Scalable and Robust Influence Maximization in Social Networks
影响力最大化是在一定的影响扩散模型下选择社交网络中的顶级$k$种子节点以最大化其影响覆盖的问题。在本文中，我们提出了一种新的算法IRIE，集成了一个新的消息传递的影响力排名（IR），和影响力估计（IE）的影响力最大化的独立级联（IC）模型和它的扩展IC-N，包括负面意见传播的方法。通过大量的实验，我们证明了IRIE匹配的影响覆盖率的其他算法，而规模远远优于所有其他算法。此外，IRIE算法在不同网络密度和级联规模下，无论是运行时间还是内存使用都比其他算法更鲁棒和稳定。它比其他最先进的算法（如PMIA）快两个数量级，适用于具有数千万节点和边缘的大型网络，而与PMIA相比，它只使用一小部分内存。
2012-03-19 cs.SI physics.soc-ph
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
DCC: A Cascade based Approach to Detect Communities in Social Networks
National Institute of Technology Silchar（西尔查尔国家理工学院）；Eindhoven University of Technology（埃因霍温理工大学）
社交网络中的社区发现与发现和分组网络中固有的最相似的节点相关联。这些相似的节点通过计算结强度来识别。更强的关系表示连接的节点对共享的更高的邻近度。这项工作的动机是格兰米特的论点，表明强关系在于密集连接的节点和理论，社区核心在现实世界的网络是密集连接的。在本文中，我们介绍了一种新的方法称为\emph{Disjoint Community detection using Cascades (DCC)}，它证明了一个新的局部密度为基础的连接强度测量检测社区的有效性。在这里，利用联系强度来决定传播信息所遵循的路径。其思想是通过不断增加的联系强度引导，通过级联的元组信息向社区核心爬行。考虑到级联生成的步骤，一种新的优先成员资格的方法已经被开发来分配社区标签未分配的节点。$DCC$的有效性已经基于几个真实世界数据集和基线社区发现算法的质量和准确性进行了分析。
2022-12-21 cs.CV cs.IR cs.LG
Leveraging Motifs to Model the Temporal Dynamics of Diffusion Networks
基于社会影响力模型的信息扩散机制主要研究了当活跃邻居向用户暴露消息时采用的可能性。这个问题主要源于这样一个事实，即在大多数情况下，在易感节点被感染之前，社交网络中的一组活跃邻居中谁暴露了谁的明确信息是不可用的。在本文中，我们试图通过研究级联的时间网络结构来理解通过信息级联的扩散过程。在这样做的过程中，我们通过网络修剪技术，利用网络图案，以确定潜在的感染者负责从这些活跃的邻居之间的暴露，适应从一个节点的活跃邻居的曝光的影响。我们试图评估级联动力学建模中使用的组件的有效性，特别是暴露信息的附加效果是否有用。根据这个模型，我们开发了一种推理算法，即InferCut，它使用从模型和暴露信息中学习到的参数来预测给定级联中每个潜在易感用户的实际父结点。通过对真实世界微博社交网络数据集的实证分析，证明了在扩散过程的早期阶段，引入暴露信息对恢复暴露用户的确切父母的重要性。
2020-03-23 cs.SI physics.soc-ph
Correlated Cascades: Compete or Cooperate
在现实世界的社交网络中，存在多个级联，它们很少是独立的。他们通常相互竞争或合作。受社会学中的强化理论的启发，我们利用这样一个事实，即用户对任何行为的采用都是由其邻居的行为聚合来建模的。我们使用一个多维标记霍克斯过程来模拟用户的产品采用，从而在社交网络的级联传播。由此产生的推理问题被证明是凸的，并通过使用障碍方法并行求解。所提出的模型的优点是双重的，它的模型相关的级联，也学习潜在的扩散网络。在Twitter、URL缩短和音乐流媒体服务中收集的合成数据集和两个真实数据集上的实验结果表明，所提出的模型优于其他模型。
2016-11-22 cs.SI
Why Do Cascade Sizes Follow a Power-Law?
本文引入随机有向无环图，并利用它对信息扩散网络进行建模。随后，我们分析了Leskovec等人[19]引入的级联生成模型（CGM）。到目前为止，对这一模型的实证研究还很少。在本文中，我们提出的第一个理论证明，由CGM产生的级联的大小遵循幂律分布，这是符合多个大型社交网络的实证分析。我们将我们的模型的假设与Twitter社交网络进行了比较，并测试了近似的良好性。
2017-02-20 cs.CY cs.SI
PersonalityGate: A General Plug-and-Play GNN Gate to Enhance Cascade Prediction with Personality Recognition Task
级联预测是从宏观或微观两个方面来估计级联的大小或状态。这对于理解社交网络中的谣言传播和新技术传播等信息扩散过程至关重要。最近，代替提取手工制作的特征或将级联序列嵌入到用于级联预测的特征向量中，引入了图神经网络（GNNs）以利用控制级联效应的网络结构。然而，这些模型没有考虑到社会因素，如人格特质，驱动人类参与信息扩散过程。在这项工作中，我们提出了一种新的多任务框架，用于增强级联预测与个性识别任务。特别地，我们设计了一个通用的即插即用的GNN门，命名为PersonalityGate，耦合到现有的基于GNN的级联预测模型，以提高其有效性，并提取个人的个性特质。在两个真实世界数据集上的实验结果证明了我们提出的框架在增强基于GNN的级联预测模型和预测个人人格特质方面的有效性。
2021-04-29 cs.SI
Uncovering Social Network Activity Using Joint User and Topic Interaction
Université Paris Saclay（巴黎萨克雷大学）；Université Paris Cité（巴黎城市大学）；ENS Paris Saclay（巴黎萨克雷高等师范学校）；CNRS（国家科学研究中心）；SSA；INSERM（法国国家健康与医学研究中心）；Centre Borelli（博雷利中心）；Centre d’Analyse et de Mathématique Sociales（社会分析与数学研究中心）；EHESS（高等社会科学研究院）；Laboratoire de Physique de l’École Normale Supérieure（高等师范学校物理实验室）；College of Computing, UM6P（计算学院，UM6P）
本文提出MIC模型，通过联合建模用户和主题交互，提升信息瀑布传播的建模性能，并提供双层可视化分析。
2026-03-10 cs.LG cs.SI stat.ML
Cascade-based Echo Chamber Detection
University of Pisa（比萨大学）；ICAR-CNR（意大利国家研究委员会信息与高性能计算研究所）；Sapienza University（罗马大学）；ISI Foundation（ISI基金会）；CENTAI（CENTAI研究所）；Eurecat（加泰罗尼亚技术中心）
尽管社交媒体中的回声室受到了相当多的审查，但它们的检测和分析的一般模型仍然缺失。在这项工作中，我们的目标是通过提出一个解释社交媒体足迹的概率生成模型来填补这一空白-即，社会网络结构和信息传播--通过一组潜在的社区，其特征是一定程度的回声室行为和意见两极化。具体来说，回声室被建模为社区，这些社区对具有类似意识形态极性的信息是可渗透的，而对相反倾向的信息是不可渗透的：这允许区分回声室和缺乏明确意识形态对齐的社区。为了学习模型参数，我们提出了一个可扩展的，随机适应的广义期望最大化算法，优化观察社会联系和信息传播的联合可能性。在合成数据上的实验表明，该算法能够正确地重建真实的潜在社区与他们的回声室行为和意见极性的程度。对两极分化的社会和政治辩论（如英国脱欧公投或COVID-19疫苗接种活动）的真实数据进行的实验证实了我们的提议在检测回声室方面的有效性。最后，我们展示了我们的模型如何提高辅助预测任务的准确性，例如姿态检测和未来传播的预测。
2022-08-09 cs.LG cs.SI physics.soc-ph
Using network motifs to characterize temporal network evolution leading to diffusion inhibition
网络模体是网络中过度表示的节点交互的模式，其先前已被用作构建块以理解社交网络的各个方面。本文利用模体模式来刻画社交网络中的信息扩散过程。我们研究信息级联的生命周期，以了解是什么导致级联再共享增长饱和，从而导致过期，我们称之为“扩散抑制”的事件。在试图了解是什么原因导致抑制，我们使用图案来剖析网络获得的信息级联加上历史扩散或社会网络链接的痕迹。我们的主要结果来自于对微博平台和Flixster电影评级的级联数据集的实验。我们观察了5节点无向基序的时间计数从级联时间网络导致抑制阶段。从分析中得出的经验证据使我们得出以下关于抑制前阶段的结论：（1）个体倾向于更多地从他们过去通过社交网络或先前的交互而认识的用户处采用信息，从而比具有线性链的非循环模式更频繁地创建包含三元组的模式，以及（2）用户需要多次曝光或多轮社会强化才能接受信息，结果信息开始缓慢传播，从而导致级联死亡。根据这些观察结果，我们使用基于基序的特征来预测抑制时网络的边缘基数。我们测试功能的图案模式，通过使用回归模型的个人模式和他们的组合，我们发现，图案的功能是更好的预测未来的网络组织比个人节点的中心。
2019-03-03 cs.SI
Heterogeneous Update Processes Shape Information Cascades in Social Networks
该研究探讨社交网络中不同更新规则个体的分布对信息级联的影响，发现简单传播者仅在度异质网络中放大级联，而基于阈值的传播者的聚集分布可削弱传播，揭示了角色分布对信息扩散的调控作用。
2025-01-15 cs.MA cs.SI
Improving the robustness of online social networks: A simulation approach of network interventions
在线社交网络（OSN）是社会技术系统的主要例子，其中个人通过技术平台进行交互。OSN是非常不稳定的，因为用户进入和退出，并经常改变他们的互动。这使得这种系统的鲁棒性难以测量和控制。为了量化鲁棒性，我们提出了一个从有向交互网络获得的核心值。我们研究的出现大的辍学级联的用户离开OSN通过一个基于代理的模型。对于代理，我们定义了一个效用函数，它取决于他们的相对声誉和他们的交互成本。代理离开OSN的决定取决于此实用程序。我们的目标是通过影响效用低的特定药剂来防止辍学级联。我们确定的战略，以控制代理的核心和外围的OSN，使辍学级联显着减少，并增加了OSN的鲁棒性。
2019-10-31 cs.MA cs.SI nlin.AO
Local cascades induced global contagion: How heterogeneous thresholds, exogenous effects, and unconcerned behaviour govern online adoption spreading
创新、产品或在线服务的采用通常被解释为一个传播过程，在很大程度上受社会影响驱动，并受个人需求和能力的制约。为了模拟这一过程，人们通常引入行为阈值机制，如果系统满足一组条件，则可以引起全局级联的演变。然而，这些模型并没有解决时间方面的新兴级联，这在现实系统中可能会通过各种途径，从缓慢到快速的模式演变。在这里，我们通过对全球最大的互联网语音服务Skype社交网络的产品采用情况进行分析和建模，填补了这一空白。我们提供的分数行为阈值，这似乎是独立的采用自我的程度的异质性分布的实证证据。我们发现，现实世界的采用集群的结构是从根本上不同于以前的理论预期，因为脆弱的收养-引起一个单一的采用邻居-似乎是重要的，只有在本地，而自发的收养者到达一个恒定的速度和不关心的个人的参与管理全球出现的社会传播。
2016-01-29 cond-mat.stat-mech cs.SI physics.data-an
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
CasCIFF: A Cross-Domain Information Fusion Framework Tailored for Cascade Prediction in Social Networks
Chongqing University of Posts and Telecommunications（重庆邮电大学）；Chongqing Engineering Research Center of Software Quality Assurance, Testing and Assessment（重庆市软件质量保证与测评工程技术研究中心）；Auckland University of Technology（奥克兰理工大学）
针对现有级联预测方法在用户表示、时序利用和时空整合上的不足，提出跨域信息融合框架CasCIFF，利用多跳邻域和时间戳嵌入，并通过多任务学习统一用户分类与级联预测，提升预测性能。
2023-08-09 cs.LG cs.SI
Infectivity Enhances Prediction of Viral Cascades in Twitter
传染动力学模型最初是为传染病而开发的，现已被证明与在线社会系统中的信息、新闻和政治观点的研究相关。病毒传播过程的建模和预测是网络科学研究的重要课题。然而，许多关于信息级联的研究忽略了不同信息之间的感染性差异。在这里，我们采用在线级联的早期观察来估计不同信息的传染性。使用模拟和数据从现实世界的Twitter转发，我们证明，这些估计的传染性可以用来提高预测的病毒式的信息级联。开发我们的模拟来模仿现实世界的数据，我们考虑有限的有效时间的级联传输的效果，并证明了一个简单的模型，缓慢但不可忽略的衰减的传染性捕获的基本属性的转发分布。这些结果表明，推文的内在感染力与其扩散的复杂网络环境之间存在相互作用，强烈影响成为病毒级联的可能性。
2018-09-11 cs.SI physics.soc-ph
TiDeH: Time-Dependent Hawkes Process for Predicting Retweet Dynamics
在线社交网络服务允许其用户以文本、图像或视频的形式发布内容。推动内容传播的主要机制是用户重新分享其社交关系发布的内容的可能性，然后这些内容可能会在整个系统中级联。研究信息级联的一个基本问题是，能否建立可靠的数学模型，其参数可根据经验数据加以校准，以便预测一段时间的观测之后级联的未来走向。在本文中，我们专注于Twitter，特别是对原始推文的转发活动的时间模式。我们采用时间依赖霍克斯过程（Time-Dependent Hawkes Process，TiDeH）对系统进行建模，该模型充分考虑了用户的昼夜节律和信息的老化。预测模型的输入是观察到的转发次数和关于底层社交网络的结构信息。我们开发了一个程序参数优化和预测未来的配置文件的转推活动在不同的时间分辨率。我们验证了我们的方法在一个大型语料库的Twitter数据，并证明其系统的改进，在所有的时间制度，现有的方法。
2016-03-31 cs.SI physics.soc-ph
Inferring Network Structure from Cascades
许多物理、生物和社会现象都可以用网络上发生的级联来描述。通常，活动可以凭经验观察到，但不能观察到潜在的相互作用网络。在本文中，我们提供了三个拓扑方法来推断任何有向网络的结构给定的级联到达时间的集合。我们的公式适用于一类非常普遍的模型，其中节点的激活概率是其度和活跃邻居数量的通用函数。我们报告合成和真实网络的高成功率，几个不同的级联模型。
2017-07-21 cond-mat.dis-nn cs.SI physics.soc-ph
