Estimating Properties of Social Networks via Random Walk considering Private Nodes
准确分析社交网络的图属性是一项具有挑战性的任务，因为对图数据的访问限制。为了解决这一挑战，已经研究了几种通过随机游走从少量样本中获得无偏估计的算法。然而，现有的算法没有考虑真实社交网络中隐藏邻居的私有节点，导致了一些实际问题。在这里，我们设计了基于随机行走的算法来准确地估计属性，而不会出现私有节点引起的任何问题。首先，我们设计了一个基于随机行走的抽样算法，包括邻居选择，以获得具有马尔可夫性质的样本和计算权重，为每个样本，以纠正抽样偏差。此外，对于两个图属性估计器，我们提出了加权方法，以减少不仅采样偏差，但由于私人节点的估计误差。所提出的算法提高了现有算法的估计精度高达92.6%的真实世界的数据集。
2020-07-12 cs.SI
Enforcing transparent access to private content in social networks by means of automatic sanitization
社交网络已经成为愿意发布和消费大量异构信息的数百万个人的重要交汇点。一些研究表明，在这些平台上发布的数据可能包含敏感的个人信息，外部实体可以收集和利用这些知识为自己的利益服务。尽管已经提出了一些保护社交网络用户隐私的方法，但是它们通常对受保护的内容应用严格的访问控制措施，更糟糕的是，它们不能使用户理解哪些内容是敏感的。最后但并非最不重要的是，它们中的大多数需要社交网络运营商的合作，或者它们无法提供能够与知名和已部署的社交平台一起工作的实用解决方案。在本文中，我们提出了一个新的计划，解决所有这些问题。新系统被设想为一个独立的软件，不依赖于使用中的社交网络，可以透明地应用于大多数现有网络。根据由社交网络的用户直观地定义的一组隐私要求，所提出的方案能够：（i）自动检测用户的出版物中的敏感数据;（ii）构造这些数据的净化版本;以及（iii）通过根据读者对出版物的所有者的凭证向读者公开或多或少的信息来提供对敏感内容的隐私保护透明访问。我们还研究了所提出的系统的适用性一般，并说明其行为在两个案例研究。
2016-07-04 cs.CR cs.SI
Non-Bayesian Social Learning with Imperfect Private Signal Structure
非贝叶斯社会学习模型是描述社交网络上信念动态的经典模型之一，它假设网络中的成员通过贝叶斯推理过程拥有准确的信号知识。为了使非贝叶斯社会学习模型更适用于人类和动物社会，本文通过假设私人信号结构偏差的存在对该模型进行了扩展。每个时间步中的社会成员使用不完全信号知识形成其贝叶斯部分信念，然后将其邻居的信念合并到该贝叶斯部分信念中以形成新的信念报告。首先，我们研究了孤立智能体的内在学习能力，并推导出信号结构需要满足的条件，使这个孤立的智能体做出最终正确的决定。根据这些条件，智能体的信号结构进一步分为“保守”、“激进”和“消极”三种类型。“然后，我们将上下文从孤立的代理切换到连接的网络;我们的命题和模拟表明，保守的代理是社交网络学习真实状态的主导力量，而其他两种类型可能会阻止网络成功学习。虽然非贝叶斯社会学习机制确实存在脆弱性，但“更保守”和“避免过度自信”可能是真实社交网络中每个主体共同改善社会学习过程和结果的有效策略。
2019-05-20 cs.SI
Publishing Community-Preserving Attributed Social Graphs with a Differential Privacy Guarantee
我们提出了一种新的方法发布差异私人合成属性图。与以前的方法不同，我们的方法能够保留原始图的社区结构，而不牺牲捕获全局结构属性的能力。我们的建议依赖于C-AGM，一个新的社区保持属性图的生成模型。我们配备C-AGM与有效的方法，属性图采样和参数估计。对于后者，我们引入差分私有计算方法，这使我们能够发布具有强大的正式隐私保证的社区保护合成属性社交图。通过全面的实验，我们表明，我们的新模型优于其最相关的同行在合成差异私人属性的社会图，保留社区结构的原始图，以及度序列和聚类系数。
2019-08-31 cs.CR cs.SI physics.soc-ph
Sharing Social Network Data: Differentially Private Estimation of Exponential-Family Random Graph Models
出于现实生活中的问题，共享包含敏感的个人信息的社交网络数据，我们提出了一种新的方法来发布和分析合成图，以保护隐私的社交网络捕获的个人关系，同时保持统计结果的有效性。一个案例研究，使用版本的安然电子邮件语料库数据集的应用程序和实用性的建议的技术在解决具有挑战性的问题，维护隐私\emph{and}支持开放访问网络数据，以确保现有的研究和发现新的科学见解，可以通过分析这些数据。在$ε$ -边差分隐私下，我们使用一种简单有效的随机响应机制生成合成网络，然后使用基于似然的缺失数据推理和马尔可夫链蒙特卡罗技术对生成的合成网络拟合指数族随机图模型.
2016-09-23 cs.CR cs.SI stat.AP
Public and private beliefs under disinformation in social networks
本研究构建社交网络意见动力学模型，探究虚假信息下私人与公开信念的演化，发现少数共谋者会引发认知失调峰值，辟谣者可缓解该效应。
2023-07-25 cs.SI physics.soc-ph
Effect of Social Media on Website Popularity: Differences between Public and Private Universities in Indonesia
社交媒体已经成为通过网站加强社交网络和信息共享的重要因素。社交媒体不仅改变了社交网络，还为社会组织、行动主义、政治、医疗甚至大学的学术关系提供了宝贵的工具。研究人员进行本研究的目的是a）。研究大学对社交媒体的学术使用，b）。衡量大学拥有的社交媒体的受欢迎程度和知名度。这项研究只限于印度尼西亚的大学。研究对象包括公立和私立大学。样本量包括264所大学，他们的排名都包括在2012年7月版的Webometrics和4ICU中。研究的社交媒体包括Facebook、Twitter、Flicker、LinkedIn、Youtube、Wikipeda、博客、大学拥有的社交网络社区和开放式课程软件。本研究使用了一种数据汇集和测量的方法：使用Alexa和Majestic SEO。使用Pearson卡方检验分析社交媒体所有权，使用数据序和独立t检验社交媒体对网站流行度的影响。研究显示，大多数社交媒体用户使用Facebook，其次是Twitter。无论是否使用社交媒体，Alexa排名的受欢迎程度和Majestic SEO在大学中的可见性也存在最显着的差异。
2014-03-08 cs.CY cs.SI
Building a healthier feed: Private location trace intersection driven feed recommendations
本文提出一种基于私有位置轨迹交集、无需第三方或公开数据暴露的同意优先信息流推荐方法，通过移动轨迹重叠代理现实社交联系，以促进本地社区融入和社会资本积累。
2023-09-20 cs.CY cs.SI
Centrally Administered State-Owned Enterprises' Engagement in China's Public-Private Partnerships: A Social Network Analysis
中国公私伙伴关系（PPP）的一个显著特点是国有企业（SOEs）的深度参与，特别是那些由中央/国家政府（CSOEs）管理的企业。本文结合资源基础理论和资源依赖理论对民营企业参与PPP网络进行了解释。基于网络视角，本文与以往研究的不同之处在于，它将整个PPP治理网络作为一个整体进行研究，并将所有PPP参与者的嵌入式网络位置作为一个整体进行研究，而不是单独的、孤立的PPP交易。基于2012-2017年PPP项目的数据来源，运用社会网络分析，从国有企业拥有和获取战略性资产的优势出发，检验了假设的国有企业在形成PPP中的网络优势。研究结果表明，随着时间的推移和地理空间的变化，CSOEs在跨部门的PPP网络中具有主导影响力和控制力。本文还建议政策制定者应缩小国有企业和私营企业之间的资源差距，只有这样，才能提高非国有企业在中国公私伙伴关系中的存在和参与。
2021-01-06 cs.SI
Distributed Private Online Learning for Social Big Data Computing over Data Center Networks
Huazhong University of Science & Technology（华中科技大学）；Peking University（北京大学）；Northwestern Polytechnical University（西北工业大学）；National University of Singapore（新加坡国立大学）
随着互联网技术的快速发展，云计算和社交网络已经变得无处不在。越来越多的人参与到社交网络中，获得了大量的在线社交数据。为了从获取的大量数据中挖掘知识，预测用户的社会行为，迫切需要在社交网络中实现数据采掘。几乎所有的在线网站都使用云服务来有效地处理从分布式数据中心收集的大规模社交数据。这些数据是如此的大规模，高维和广泛分布，我们提出了一个分布式稀疏在线算法来处理它们。此外，隐私保护是社交网络中的一个重要问题。我们不应该损害网络中个人的隐私，而这些社会数据正在为数据采掘而学习。因此，本文也考虑了隐私问题。我们的模拟结果表明，适当的稀疏数据将提高我们的算法的性能和隐私保护的方法并没有显着损害所提出的算法的性能。
2016-02-21 cs.DC cs.LG cs.SI
On Non-Bayesian Social Learning
我们研究了Jadbabaie，Sandroni和Tahbaz-Salehi最近提出的信息聚合和社会学习模型，其中个体代理试图通过使用私人观察和邻居的信念迭代更新他们的信念来学习正确的世界状态。没有个体代理的私人信号可能提供足够的信息来揭示未知状态。因此，智能体与其社会邻居中的其他人分享他们的信念，以相互学习。在每个时间步，每个代理接收一个私人信号，并计算贝叶斯后验作为中间信念。然后将中间信念与邻居的信念进行平均，以形成下一个时间步的个体信念。我们找到了一组最小的充分条件，在此条件下，智能体将学习未知的状态，并达成共识，他们的信念没有任何假设的私人信号结构。关键使能因素是一个结果，表明使用此更新，智能体最终将正确预测不确定的未来。
2011-03-22 cs.SI physics.soc-ph
Social Learning with Coordination Motives
社会学习的理论研究通常假设每个代理人的行为只影响她自己的收益。在本文中，我提出了一个模型，其中代理人的行为直接影响其他代理人的收益。在离散时间线上，存在一个社区，在每个时期包含随机数的代理。在每个智能体需要采取行动之前，社区会收到一个关于世界底层状态的私人信号，并可能会观察到以前社区中的一些过去的行动。如果一个代理人的行为与国家的行为相匹配，或者如果更多的代理人采取与她相同的行为，那么她的收益就会更高。我分析了两种观察结构：外生观察和代价战略观察。在这两种情况下，协调动机增强社会学习的意义上，代理人采取正确的行动，显着更高的概率时，社区规模大于阈值。特别是，这个概率达到一（渐近学习）与无限的私人信念，可以任意接近一个有界的私人信念。然后，我讨论了多重均衡的问题，并使用风险优势作为均衡选择的标准。研究发现，在选择均衡中，社区规模对外生观察下的学习没有影响，对内生观察和无界私人信念下的学习有促进作用，对内生观察和有界私人信念下的学习有促进或阻碍作用。
2015-10-29 cs.GT cs.SI
Adaptive Differentially Private Structural Entropy Minimization for Unsupervised Social Event Detection
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空间安全学院）；Beihang University（北京航空航天大学）；Hong Kong University of Science and Technology（香港科技大学）；Beijing University of Posts and Telecommunications（北京邮电大学）；North China Electric Power University（华北电力大学）；Beijing Institute of Technology（北京理工大学）
提出无监督且隐私优先的社交事件检测框架ADP-SEMEvent，通过自适应差分隐私构建消息图并利用基于最优子图的2维结构熵最小化算法进行事件检测，在保护隐私的同时实现了与最先进方法相当的检测性能。
2024-07-23 cs.AI cs.SI
Inside the x-rated world of "premium" social media accounts
在过去的几年里，社交媒体影响者的激增是成人娱乐行业的一部分，被称为表演者。为了将他们的在线存在货币化，表演者经常从事违反社交媒体社区准则的行为，例如出售订阅以访问他们的私人“高级”社交媒体账户，在那里他们分发成人内容。在本文中，我们收集和分析来自FanCentro的数据，FanCentro是一个在线市场，演员可以在Snapchat和Instagram等平台上向私人账户出售成人内容和订阅。我们的工作旨在揭示流行的社交媒体平台及其产品之上的半非法成人内容市场，以及分析表演者的人口统计，活动和内容。
2020-09-24 cs.SI
On Word-of-Mouth and Private-Prior Sequential Social Learning
本文研究口碑（WoM）序列社会学习范式，分析估计逐代退化及最终信念公开广播并被全体采纳的机制，结合理论与仿真揭示其对不同智能体性能的差异化影响。
2025-09-02 cs.MA cs.SI cs.SY
Differentially Private Data Analysis of Social Networks via Restricted Sensitivity
我们引入了限制敏感性的概念，作为全局和平滑敏感性的替代方案，以提高差异隐私数据分析的准确性。受限敏感度的定义与全局敏感度的定义类似，不同之处在于，我们不是对所有可能的数据集进行量化，而是利用查询者可能拥有的关于数据集的任何信念来量化受限的一类数据集。具体来说，给定一个查询f和一个关于数据集D的结构的假设H，我们一般地展示了如何将f转换成一个新的查询f_H，其全局灵敏度（在所有数据集上，包括那些不满足H的数据集）匹配查询f的受限灵敏度。此外，如果查询者的信念是正确的（即，D在H中）则f_H（D）= f（D）。如果信念是不正确的，那么f_H（D）可能是不准确的。我们通过考虑回答关于社交网络的查询的任务来证明这个概念的有用性，我们将社交网络建模为图和其顶点的标签的组合。特别是，虽然我们的通用程序是计算效率低下，为特定的定义H的有界度的图形，我们展示了有效的方法，使用不同的投影为基础的技术来构建f_H。然后，我们分析了两个重要的查询类：子图计数查询（例如，三角形的数目）和局部简档查询（例如，一个间谍和一个计算机科学家互相认识的人数）。我们证明，这种查询的限制的敏感性可以显着低于其平滑的敏感性。因此，使用受限敏感度，我们可以保持隐私，无论D是否在H中，同时在H为真的情况下提供更准确的结果。
2013-02-01 cs.CR cs.SI physics.soc-ph
An Influence Network Model to Study Discrepancies in Expressed and Private Opinions
本文提出一种融合私人观点演化与从众表达压力的影响网络模型，分析观点指数收敛及个体观点差异产生的条件，并用 Asch 实验验证其解释与预测能力。
2019-02-22 cs.MA cs.SI cs.SY
Social Learning with Endogenous Network Formation
我研究的问题，社会学习的模型中，代理顺序移动。每个智能体都接收到一个关于世界潜在状态的私人信号，观察一个邻居的过去行为，并选择她的行为试图与真实状态相匹配。早期的研究强调羊群行为在某些特殊情况下以正概率发生;最近的研究表明，渐近学习在更一般的观察结构下是可以实现的。特别是，对于无界的私人信念，渐近学习发生当且仅当代理观察到一个接近的前任，即，接近的前体的动作揭示极限中的真实状态。然而，在这些研究中，一个普遍的假设是，在社会观察结构是外生的。与大多数以前的文献相比，我在本文中假设观察是内生的和昂贵的。更具体地说，每个智能体必须支付特定的成本来进行任何观察，并可以策略性地选择一组行动来私下观察。我引入了最大学习（相对于成本）的概念，作为渐近学习的自然扩展：当代理在支付观察成本后可以在极限内以概率1学习真实状态时，社会实现了最大学习。我表明，只观察一个密切的前任是不够的学习真正的国家与无限的私人信念和积极的成本。相反，当且仅当观察的大小扩展到无穷大时，最大学习发生。我提供了有趣的比较静态模型中的各种设置如何影响学习概率。例如，在正成本下学习真实状态的概率可能比在零成本下更高;此外，在较弱的私有信号下学习真实状态的概率可能更高。
2016-05-11 cs.SI
Bayesian Evidence Accumulation on Social Networks
在做决定时，我们会受到收集到的证据以及朋友和邻居的意见的指导。我们如何将我们的私人信仰与我们从社交网络中获得的信息相结合？为了理解人类使用的策略，将它们与最佳整合所有证据的观察者进行比较是有用的。在这里，我们推导出理性（贝叶斯最优）代理的网络模型，这些代理积累私人测量并观察其邻居的决策，以在两个选项之间做出不可逆转的选择。由此产生的信息交换动态具有有趣的特性：当一个选项是首选时，随着时间的推移，决策的缺失可以提供越来越多的信息。在递归网络中，决策的缺失会导致一系列的信念更新，类似于关于常识的文献中的信念更新。从观察重复非决策中获得的信息与实现无关，除非代理人的私人信息是多余的。另一方面，在更大的网络中，一个单一的决定可以触发一系列的协议和分歧，这取决于代理收集的私人信息。我们的方法在经济学文献中的社会决策模型（在很大程度上忽略了决策的时间动态）与神经科学和心理学中广泛使用的单观察者证据累积模型之间提供了一座桥梁。
2020-03-02 cs.SI physics.soc-ph q-bio.NC
Distributed Hypothesis Testing with Social Learning and Symmetric Fusion
我们研究了社会学习在分布式检测模型中的实用性，该模型具有共享同一目标的代理：优化商定标准的集体决策。我们表明，社会学习在某些情况下是有帮助的，但在其他情况下是徒劳的（因此基本上是一个分心）。具体来说，我们认为贝叶斯二进制假设检验的分布式检测和融合系统，其中所有的决策代理进行平等的权重二进制投票。团队中的决策代理根据自己的私人信号和所有先前的本地决策顺序地做出本地决策。当所有智能体都观测到条件独立同分布的私有信号时，最优决策规则不受先前局部决策的影响。完美的贝叶斯推理将抵消社会学习的所有影响。当智能体观察到不同信噪比的私人信号时，如果团队决策只得到集体的认可，社会学习也是徒劳的。反之，社会学习则能严格提高团队绩效。此外，代理人做出决策的顺序影响团队决策。
2014-04-04 cs.IT cs.MA cs.SI
Anomalous Edge Detection in Edge Exchangeable Social Network Models
针对有向社交网络图的异常边检测问题，本文利用边可交换性区分异常与正常边，并提出带假阳性率上界保证的保形预测检测器，实验表明其性能优于基线方法。
2023-08-21 cs.SI stat.ML
Impact of Social Learning on Privacy-Preserving Data Collection
我们研究了一个模型，其中数据收集器通过支付机制从用户处获取数据，旨在从引发的数据中了解底层状态。每个用户的私人信号代表了她对状态的了解;通过社交互动，每个用户还可以学习她的社交朋友的信号的嘈杂版本，这被称为“学习组信号”。多亏了社会学习，用户在私人信号之外拥有了关于国家的更丰富的信息。基于她的私人信号和学习的组信号，每个用户做出战略决策，以向数据收集器报告她的数据的隐私保护版本。我们建立了一个贝叶斯博弈论框架来研究社会学习对用户数据报告策略的影响，并据此设计了数据收集者的支付机制。我们的研究结果表明，在一般情况下，所需的数据报告策略在贝叶斯-纳什均衡的形式可以是一个对称的随机响应（SR）的战略或信息非扩散（ND）的战略。具体来说，一个广义的多数表决规则是由每个用户应用到她的嘈杂的组信号，以确定遵循哪种策略。此外，当用户使用ND策略时，她完全基于她的组信号而独立于她的私有信号来报告隐私保护数据，这指示她的隐私成本为零。我们强调，当用户使用ND策略时，报告的数据仍然是关于潜在状态的信息，因为它是基于她学习的组信号。因此，数据收集器和用户都可以从社会学习中受益，这降低了隐私成本，并有助于在给定的支付预算下改善状态估计。我们进一步推导出的最低总支付需要达到一个给定的水平的状态估计精度的界限。
2019-03-07 cs.GT cs.SI
DREAMS: A Social Exchange Theory-Informed Modeling of Misinformation Engagement on Social Media
University of Technology Sydney（技术科技大学）
DREAMS基于社会交换理论，通过序列到序列建模提升社交媒体虚假信息互动预测精度，达到43.6%的性能提升。
2026-02-02 cs.AI cs.SI
Removal of Data Incest in Multi-agent Social Learning in Social Networks
在线声誉系统的动机，我们研究社会学习的网络中，代理人相互作用的时间依赖图，以估计一个潜在的自然状态。智能体记录他们自己的私人观察，然后使用贝叶斯规则更新他们对自然状态的私人信念。基于他们的信念，每个代理然后从有限集合中选择一个动作（评级），并通过社交网络传输此动作。这种网络上的社会学习的一个重要后果是信息的毁灭性的多次重复使用，称为数据乱伦（或错误信息传播）。本文在有向无环图上研究了社会学习环境下的数据乱伦管理问题。我们给出了消除数据乱伦的社会交互图拓扑的充分必要条件。提出了一种数据乱伦消除算法，使得社会学习的公共信念（以及代理的行为）不受数据乱伦传播的影响。这导致具有更高信任评级的在线信誉系统。数值例子说明了所提出的最优数据乱伦消除算法的性能。
2013-11-05 cs.SI physics.soc-ph
Context-Aware Detection and Victim-Centered Response Generation for Online Harassment in Private Messaging
Georgia Institute of Technology（佐治亚理工学院）；The University of Texas at Austin（德克萨斯大学奥斯汀分校）；University of Pittsburgh（匹兹堡大学）
本文研究了大型语言模型如何支持私人信息交流中的在线骚扰检测与回应，通过构建一个包含80,053条Instagram私信的标注数据集，开发了上下文感知的级联分类流水线，并提出了一种以受害者为中心的回应框架，生成心理上合理的AI回应，经评估发现其在情感支持和缓和冲突方面显著优于原始回应。
2026-05-18 cs.CL cs.CY cs.SI
A Social Network Approach to Analyzing Token Properties and Abnormal Events in Decentralized Exchanges
本研究利用社交网络和图方法分析以太坊去中心化交易所（UniswapV2和SushiSwap）的代币属性，发现网络呈无标度特征，且代币中心性可用于洞察市场价格与检测异常。
2023-10-21 cs.SI
Social MediARverse Investigating Users Social Media Content Sharing and Consuming Intentions with Location-Based AR
本研究针对社交媒体增强现实宇宙（Social MediARverse）中不同环境对用户AR内容参与度的影响，通过在线调查110名参与者、操控空间类型等变量，发现动态AR内容更受青睐且私人环境更适合分享，为相关设计提供了指导。
2024-08-30 cs.HC cs.SI
Social Learning with Questions
这项工作研究了顺序社会学习（也称为贝叶斯观察学习），以及私人通信如何使代理能够避免羊群到错误的动作/状态。从开创性的BHW（Bikhchandani，Hirshleifer和Welch，1992年）模型开始，渐近学习不会发生，我们允许代理人向他们的前辈的有界子集提出私人和有限的问题。在保留BHW模型中代理人的公开观察历史及其贝叶斯理性的同时，我们进一步假设提出问题的能力和问题本身都是常识。然后将提问问题解释为划分的信息集，我们研究了有限容量问题是否可以实现渐进学习。将我们的注意力限制在网络中，每个代理只允许查询她的直接前任，一个显式的构造表明，每个代理的1位问题足以实现渐近学习。
2018-11-12 cs.GT cs.SI
Information exchange on an academic social networking site: A multidiscipline comparison on researchgate Q&A
随着学术社交网站的日益普及，需要对学术社交网站在学者中的使用情况进行研究，并对这些社交网站的有效性进行评估。然而，目前还不清楚目前的ASNS是否已经实现了他们的设计目标，因为学者们在这些平台上的实际在线互动仍然没有被探索。为了填补这一空白，本文提出了一项基于从ResearchGate收集的数据的研究。通过对ResearchGate Q&A中收集的1，128个帖子进行定性内容分析和统计分析，采用混合方法设计，我们研究了学者如何交换信息和资源，以及他们的做法如何在三个不同的学科中有所不同：图书馆和信息服务，艺术史和天体物理学。我们的研究结果表明，提问者的意图（即，寻求信息或讨论）在某些情况下大于纪律因素。在这三个学科中，对问题的回答提供了各种资源，包括专家的联系方式、引文、维基百科的链接、图像等。我们进一步讨论了理解学术信息交换和设计更好的学术社交网络界面的几个含义，这些界面应该通过减少混乱、提高问题的清晰度、促进学术内容管理。
2017-02-14 cs.SI
The impact of individual information exchange strategies on the distribution of social wealth
Hitachi Ltd.（日立有限公司）
本研究通过基于模拟的方法，探讨了不同信息交换与移动策略组合对社会财富分配的影响，发现信息交换策略显著影响财富分配，促进信息与资源公平获取对构建公正社会至关重要。
2023-04-02 cs.CV cs.SI
Can social microblogging be used to forecast intraday exchange rates?
有效市场假说（EMH）被广泛接受，在某些假设下成立。其含义之一是，至少在短期内，股票价格的预测不能优于随机游走模型。然而，最近许多研究强调金融行为的心理和社会维度，对有效市场假说的有效性提出了质疑。为了实现这一目标，在过去几年里，基于互联网的通信平台和搜索引擎被用来提取社会和经济趋势的早期指标。在这里，我们使用Twitter的社交网络平台，以高频日内交易规模对欧元/美元汇率进行建模和预测。使用时间序列和交易模拟分析，我们提供了一些证据，证明在Twitter等社交微博平台提供的信息在某些情况下可以提高关于非常短的（日内）外汇的预测效率。
2013-10-20 cs.CE cs.SI q-fin.ST
What Makes a Social Agent's Interactions Effective? Learning from Verifiable Outcomes in Paired Worlds
Alibaba Group（阿里巴巴集团）；The University of Tokyo（东京大学）
该研究针对现有社交智能体评估未检查计划的问题，构建HICO-Bench基准，提出PaCPO方法，将Qwen3-8B的可验证成功率从20.4%提升至28.3%。
2026-10-15 cs.AI cs.CL cs.SI
The Role of Communication Technology Across the Life Course: A Field Guide to Social Support in East York
我们研究如何加拿大人生活在多伦多东约克部分交换社会支持。正如我们必须解构社会支持以理解其组成部分一样，我们现在解构不同类型的通信技术如何发挥社会支持作用。我们借鉴了2013-2014年进行的101次深入访谈，以阐明东约克居民样本的支持网络，并识别通信技术在不同年龄组交换不同类型的社会支持中的作用。我们的研究结果表明，自20世纪60年代以来，我们的东纽约人样本所拥有的社会关系以及通过社交网络动员的支持类型没有太大变化：陪伴，小型和大型服务，情感援助和经济支持。改变的是通信技术如何以复杂的方式与不同类型的社会关系（伙伴，兄弟姐妹，朋友等）交织在一起。动员社会支持。我们发现，与兄弟姐妹和扩展的亲属沟通技术可以提高互动的频率，并有助于在远处交换支持。通过友谊纽带，通信技术提供了一种持续不断的互动。我们得出了社会支持理论和社会政策的影响，这些理论和社会政策与旨在帮助2019冠状病毒病大流行期间弱势群体的干预措施有关。
2021-09-28 cs.CY cs.SI
Sustainability of Stack Exchange Q\&A communities: the role of trust
知识共享社区是任何知识型社会的基本要素。因此，了解它们是如何出现、运作和消失的至关重要。许多社会和经济因素影响着可持续的知识共享社区。在这里，我们探讨的社会互动和社会信任的结构在这些社区的出现中的作用。利用复杂网络理论的工具，我们分析了四对StackExchange社区的社会结构的早期演变，每一对社区对应于一个活跃的社区和一个封闭的社区。我们采用动态声誉模型来量化这些社区中社会信任的演变。我们的分析表明，活跃的社区具有更高的本地凝聚力和发展稳定和更强的连接的核心。可持续发展社区的平均声誉更高。在这些社区中，核心成员之间的信任很早就建立起来，并随着时间的推移保持在较高水平。我们的研究结果表明，努力创造一个稳定和值得信赖的核心可能是建立一个可持续的知识共享社区的关键。
2022-05-16 cs.SI physics.soc-ph
Physical forces between humans and how humans attract and repel each other based on their social interactions in an online world
粒子之间的物理相互作用是规范玻色子交换的结果。人类的相互作用是通过交换信息、商品、金钱、承诺、敌对行动等来介导的，而在物理世界中，相互作用及其相关的力量具有直接的动力学后果（牛顿定律），这种情况对人类的相互作用并不清楚。在这里，我们研究了在一个大型多人在线游戏中，通过交换消息、商品和敌对行动进行互动的人类之间的加速度。对于这个游戏，我们有关于大约1/2百万玩家之间的所有交互（交换事件）的完整信息，以及关于他们在任何时间点在游戏宇宙的度量空间中的轨迹（位置）。我们推导出的相互作用潜力的通信，贸易和攻击，并表明它们是谐波的性质。交换信息和交易商品的个体通常相互吸引，并在交换活动停止后立即开始分离。攻击的相互作用潜力反映了侵略性玩家通常的“打了就跑”战术。通过测量作为距离，速度和加速度的函数的相互作用强度，我们表明，玩家之间的“力”是直接相关的交换事件的数量。相互作用的可能性与距离的幂律与以前的现实世界经验工作一致。我们表明，所获得的潜力可以理解与一个简单的模型，假设一个交换驱动力与距离相关的汇率相结合。
2014-12-09 cs.SI physics.soc-ph
Maximizing Utility Among Selfish Users in Social Groups
我们考虑的问题，一个社会群体的用户试图获得一个“宇宙”的文件，首先从服务器，然后通过他们之间的交流。我们考虑自私的文件交换范例的给予和采取，即两个用户可以交换文件，只有当每个人都有独特的东西提供给对方。我们感兴趣的是最大限度地增加用户的数量，他们可以通过文件交换的时间表获得宇宙。我们首先提出了一个实用的文件采集范例。然后，我们提出了一种算法，它确保至少有一半的用户获得的宇宙具有高概率的$n$文件和$m=O(\log n)$用户时，$n\rightarrow\infty$，从而显示出近似比为2。扩展这些想法，我们展示了一个$1+ε_1$ -近似算法的$m=O(n)$，$ε_1>0$和一个$(1+z)/2 +ε_2$ -近似算法的$m=O(n^z)$，$z>1$，$ε_2>0$。最后，我们表明，对于任何$m=O(e^{o(n)})$，存在一个时间表的文件交换，确保至少有一半的用户获得宇宙。
2013-09-30 cs.DS cs.NI cs.SI
Belief Samples Are All You Need For Social Learning
Institute for Data, Systems, and Society (IDSS), Massachusetts Institute of Technology (MIT)（数据、系统与社会研究所（IDSS），麻省理工学院（MIT））
针对社交学习中智能体仅分享信念样本能否实现学习的问题，提出基于私有贝叶斯信念与邻居样本经验分布加权几何插值的更新机制，严格证明在强连通和集体可区分性假设下信念以概率1收敛至真实状态。
2024-03-25 cs.LG cs.SI cs.SY
