The Social Media Genome: Modeling Individual Topic-Specific Behavior in Social Media
社交媒体中的信息传播不仅依赖于静态的关注者结构，还依赖于特定主题的用户行为。因此，需要新的模型，结合动态用户行为。为此，我们提出了一个模型，为个人的社交媒体用户，称为基因型。基因型是用户的兴趣、活动和接受新信息的敏感性的每个主题的总结。我们证明了用户基因型保持不变的主题内，通过采用它们的分类在大规模的真实网络中传播的新信息。此外，我们提取特定主题的影响骨干结构的基础上的信息采用，并表明它们显着不同的静态追随者网络。当用于新内容传播的影响力预测时，与纯粹的结构特征相比，我们的基因型模型和影响力骨干能够实现超过20%的改进。我们还表明，用户基因型和影响骨干的知识允许设计的有效策略，以最大限度地减少特定主题的信息传播的延迟。
2013-07-01 cs.SI physics.soc-ph
Dirichlet-Survival Process: Scalable Inference of Topic-Dependent Diffusion Networks
Université de Lyon（里昂大学）；ERIC UR 3083（埃里克研究单位3083）
网络上的信息传播可以通过考虑三个特征来有效地建模：文档的内容，相对于其他出版物的出版时间，以及传播者在网络中的位置。大多数以前的作品模型，其中两个联合，或依赖于严重的参数化方法。基于最近的Dirichlet点过程文献，我们引入了Houston（隐藏在线用户主题网络）模型，该模型在非参数无监督框架中共同考虑了所有这些特征。它推断动态主题相关的基础扩散网络在连续时间设置以及所述主题。它是无监督的;它将形状为\textit{(time of publication, information's content, spreading entity)}的未标记三元组流视为输入数据。在线推理使用顺序蒙特卡罗算法进行，该算法随数据集的大小线性缩放。我们的方法产生相应的改进，在现有的基线上的集群恢复和子网推理任务。
2022-12-12 cs.IR cs.LG cs.SI
Twitter and Facebook posts about COVID-19 are less likely to spread false and low-credibility content compared to other health topics
2020年2月2日，世界卫生组织宣布COVID-19社交媒体为“信息流行病”，特别注意错误信息-通常被理解为虚假声明。为了了解信息流行病的范围和规模，我们分析了2020年3月8日至5月1日期间来自Twitter和Facebook的5亿多条关于COVID-19和其他健康主题的帖子。根据之前的工作，我们假设URL源可信度是虚假内容的代理，但我们也测试了这个假设。与预期相反，我们发现有关COVID-19的消息更有可能包含与更可信来源的链接。此外，平均而言，与不可信来源的链接相比，链接到政府来源和中等可信度新闻的信息被分享的频率更高。这些结果表明，与其他健康话题相比，关于COVID-19的更模糊形式的错误信息可能更有可能通过可靠来源传播。此外，认为可信度是虚假内容的充分代表的假设可能高估了网上虚假内容的普遍性：链接到最不可信来源的帖子中，只有不到25%包含虚假内容。我们的研究结果强调了区分明确的谎言和更模糊形式的错误信息的重要性，因为在科学不确定性的环境中寻找意义。
2021-03-26 cs.SI physics.soc-ph
Mobile Conductance and Gossip-based Information Spreading in Mobile Networks
在本文中，我们提出了一个通用的分析框架，在移动网络中的信息传播的基础上，一个新的性能指标，移动电导，这使我们能够分离的移动模型的细节，从移动传播时间的研究。我们得出了一个一般的结果，在移动网络中的信息传播时间在这个新的度量，并通过几个流行的移动模型实例化。通过大规模网络仿真来验证我们的分析。
2014-02-22 cs.SI
Real-time Topic-aware Influence Maximization Using Preprocessing
Microsoft Research（微软研究院）；Tsinghua University（清华大学）
影响力最大化是在社交网络中找到一组种子节点的任务，使得这些种子节点基于特定影响力扩散模型的影响力传播最大化。话题感知的影响扩散模型最近被提出来解决这样的问题，即一对用户之间的影响通常是话题依赖的，并且在网络中传播的信息、想法、创新等（本文中统称为项目）通常是话题的混合。在本文中，我们专注于主题感知的影响力最大化任务。特别是，我们研究这些主题的预处理方法，以避免从头开始为每个项目重做影响力最大化。我们探讨了两种预处理算法的理论依据。我们的实证结果表明，在现有的研究中获得的数据表明，我们的算法之一脱颖而出，作为一个强有力的候选人提供微秒级的在线响应时间和竞争力的影响力传播，合理的预处理工作。
2014-11-21 cs.LG cs.SI
Modeling the Popularity of Twitter Hashtags with Master Equations
在这项工作中，我们引入了一个模型的基础上，主方程来描述的Twitter社交网络上的主题和标签的流行度的时间演变。具体来说，我们将特定主题标签在网络上出现的次数建模为时间的函数。在我们的模型中，这个量的行为取决于网络的度分布和社区对主题或标签的外在兴趣。从主方程，我们能够获得明确的解决方案的平均值和方差。我们提出了一个伽马核函数来模拟主题流行度，这是相当简单，并产生合理的结果。最后，我们通过分析通过公共API获得的实际Twitter数据来验证模型的可扩展性。
2020-03-03 cs.SI math.PR
DISHONEST: Dissecting misInformation Spread using Homogeneous sOcial NEtworks and Semantic Topic classification
Pacific Northwest National Laboratory（西北太平洋国家实验室）；University of California San Diego（加利福尼亚大学圣迭戈分校）
本研究针对COVID-19期间虚假信息传播的回声室效应问题，结合转发网络与主题建模关联社交互动与内容维度，提出新的用户社交移动速度指标，验证了二者的相关性在虚假信息泛滥子社区中依然成立。
2024-12-12 cs.AI cs.CL cs.SI
Online Popularity and Topical Interests through the Lens of Instagram
在线社会技术系统可以作为现实世界的代理来研究人类行为和大规模的社会互动。在这里，我们关注Instagram，一个媒体共享在线平台，其受欢迎程度一直在上升，聚集了数亿用户。Instagram展示了多种功能，包括社交结构，社交标签和媒体共享。用户之间的社交互动网络对各种动态进行建模，包括关注者/被关注者关系和用户通过帖子/评论进行的通信。用户可以上传和标记照片和图片等媒体，他们可以在平台上“喜欢”和评论每条信息。在这项工作中，我们研究了我们的Instagram数据集的三个主要方面：（i）其异构交互网络的结构特征，以揭示自组织和主题诱导社区结构的出现;（ii）内容生产和消费的动态，以了解全球趋势和流行用户的出现;（iii）用户用标签标记媒体的行为，以确定他们如何投入注意力并探索他们的主题兴趣的多样性。我们的分析提供了线索，以了解人类的行为动力学的社会技术系统，特别是用户和内容的流行程度，用户在在线环境中的互动机制，以及如何集体趋势出现从个人的主题利益。
2014-06-30 cs.CY cs.SI physics.data-an
Effects of Algorithmic Trend Promotion: Evidence from Coordinated Campaigns in Twitter's Trending Topics
本文利用印度和土耳其的 Twitter 数据，量化标签登上热门话题页对新增推文数量的因果效应，发现该算法推广能带来统计显著但适度的回报，并主要帮助低影响力用户和新用户突破自身网络传播内容。
2023-04-08 cs.CY cs.HC cs.SI
What Drives Online Popularity: Author, Content or Sharers? Estimating Spread Dynamics with Bayesian Mixture Hawkes
University of Technology Sydney（悉尼科技大学）
提出贝叶斯混合霍克斯模型，联合学习来源、内容和传播因素，在转发级联数据上优于现有模型，并揭示点击诱饵风格对不同出版商的有效性差异。
2024-08-21 cs.LG cs.SI
Controversial information spreads faster and further in Reddit
在线用户在社交网络上讨论和交谈各种话题。Facebook、Twitter、Reddit等许多网络都可以让用户自由分享信息。这些网络上共享的丰富信息使它们成为研究人类信息传播行为各个方面的一个有吸引力的领域。在许多有趣的行为中，社会级联中的争议性是我们非常感兴趣的。众所周知，在网上讨论中必然会发生争议。在线社交网络平台Reddit有一个功能，如果用户对该评论有不同的看法，它会将评论标记为有争议的。这项研究与以前试图理解社交网络上的争议性的不同之处在于，我们不调查已知有争议的话题。相反，我们研究了典型的级联与评论，读者认为是有争议的问题讨论。这项工作的问题是，有争议的信息级联是否比Reddit中没有争议的信息级联具有独特的特征。我们使用从Reddit收集的数据，包括大约1700万个帖子及其与网络安全问题相关的相应评论，来回答这些新出现的问题。从所进行的比较分析来看，有争议的内容传播得更快，距离其来源更远。了解这一现象将有助于用户或组织如何利用它来帮助控制和传播特定的受益信息。
2020-06-24 cs.SI
Assessing Individual and Community Vulnerability to Fake News in Social Networks
自社交媒体盛行以来，虚假信息的瘟疫，俗称假新闻，一直影响着新闻消费者的生活。因此，理解虚假信息在社交网络中的传播在文献中获得了大量关注。虽然大多数提出的模型进行内容分析的信息，没有太多的工作已经做了探索的社区结构，也发挥了重要作用，在决定人们如何接触it.In本文中，我们的想法的基础上计算信任社交网络，提出了一种新的社区健康评估模型对假新闻。基于社区的邻居、边界和核心节点的概念，提出了新的评估指标来量化节点（个体级）和社区（群体级）对虚假信息传播的脆弱性。我们的模型假设，如果边界节点信任社区的邻居节点谁是传播者，社区的密集连接的核心节点很可能成为传播者。我们测试我们的模型与社区使用三种流行的社区发现算法的基础上，从Twitter收集的信息传播网络的两个新的数据集。我们的实验结果表明，所提出的指标表现明显优于网络传播虚假信息比那些传播真实的，表明我们的社区健康评估模型是有效的。
2021-02-04 cs.SI
Topical differences between Chinese language Twitter and Sina Weibo
Northeastern University（东北大学）；Center for Data Science（数据科学中心）；New York University（纽约大学）
新浪微博是中国最受欢迎的微博平台，目前有超过$500M$用户使用，被认为是中国社交生活的代理。在这项研究中，我们对比了新浪微博和中文Twitter上的讨论，以观察中国文化的两种不同分支：中国境内使用新浪微博的人受到政府的限制，而境外的人可以完全匿名地自由发言。首先，我们提出了一个简单的ad-hoc算法来识别Tweets和微博的主题。与以往的微消息主题检测不同，本文的算法考虑的是内容相同但标签不同的主题。我们的算法也可以检测主题的推文和微博没有任何\#标签。使用一个大型的微博和中文推文语料库，涵盖从1月$1$到12月$31$，$2012$，我们获得了一个主题列表，使用聚类的标签，然后我们可以使用它们来比较两个平台。令人惊讶的是，我们发现在最受欢迎的$100$主题中没有共同的条目。此外，只有$9.2\%$的推文与新浪微博平台上的热门$1000$话题相对应，相反，只有$4.4\%$的微博被发现讨论最热门的Twitter话题。我们的研究结果显示，两个平台上的社会关注度存在显着差异，新浪微博上最受欢迎的话题与娱乐有关，而大多数推文与新浪微博中几乎不存在的文化或政治内容相对应。
2015-12-22 cs.CL cs.SI physics.soc-ph
To what extent homophily and influencer networks explain song popularity
预测新歌的流行程度已经成为音乐行业的标准做法，并为那些做得好的人提供了比较优势。为此目的，在机器学习预测模型方面投入了相当大的努力。已知在这些模型中，相关预测参数包括内在抒情和声学特性、外在因素（例如，出版商的影响力和支持），以及艺术家以前的受欢迎程度。人们对歌曲流行传播的社会因素关注较少。最近，有报道称，音乐同质性的证据--社会关系密切的人也有共同的音乐品味。在这里，我们确定如何音乐同质性可以用来预测歌曲的流行。这项研究是基于last.fm在线音乐平台的广泛数据集，从中我们可以提取听众和他们的听力模式之间的社会联系。为了量化网络在歌曲传播中的重要性，并最终决定其流行程度，我们使用音乐同质性来设计一个预测影响参数，并表明将其纳入最先进的机器学习模型可以增强对歌曲流行程度的预测。的影响参数提高了预测精度（TP/（TP+FN））从0.14到0.21约50%，这表明在音乐的传播中的社会成分发挥至少作为艺术家的知名度或流派的影响显着的作用。
2022-11-28 cs.SI physics.soc-ph
The effect of wording on message propagation: Topic- and author-controlled natural experiments on Twitter
Cornell University（康奈尔大学）；Google Inc.（谷歌公司）
考虑一个人试图在社交网络上传播一个重要消息。他/她可能会花几个小时来制作信息。这真的重要吗虽然之前有大量的工作研究预测社交媒体内容的受欢迎程度，但措辞本身的影响很少被研究，因为它经常与作者和主题的受欢迎程度混淆。为了控制这些混杂因素，我们利用了一个令人惊讶的事实，即有许多对tweet包含相同的url，由同一个用户编写，但使用不同的措辞。有了这样的配对，我们会问：哪个版本吸引了更多的转发？事实证明，这是一项比预测热门话题更困难的任务。尽管如此，人类可以比偶然更好地回答这个问题（但远非完美），我们开发的计算方法可以比普通人和在非受控数据上训练的强大竞争方法做得更好。
2014-05-06 cs.CL cs.SI physics.soc-ph
Friendship Paradox Biases Perceptions in Directed Networks
一个话题或观点在网络中的受欢迎程度可能与其实际受欢迎程度大不相同。例如，在社交媒体平台的在线网络中，在他们的帖子中提到某个主题的人数-即，它在全球的受欢迎程度-可能与人们在社交信息中看到的有很大的不同-也就是说，它的感知受欢迎度-其中提要聚合了他们朋友的帖子。我们将这种差异的根源追溯到定向网络中的友谊悖论，即平均而言，人们不如他们的朋友（或追随者）受欢迎。我们确定网络结构的条件，引起这种感知偏差，并验证了经验使用的数据从Twitter的研究结果。在我们的样本中，在Twitter用户发布的消息中，我们识别出在用户的社交提要中出现频率高于全局的主题，即，在所有职位中。此外，我们提出了一个投票算法，利用友谊悖论，以获得一个主题的全球流行率从个人的偏见的看法统计有效的估计。我们的特点的偏差的投票估计，提供了一个上限，其方差，并验证算法的效率，通过我们的Twitter数据上的合成投票实验。我们的论文阐明了非直观的方式，其中有向网络的结构可以扭曲社会的看法和由此产生的行为。
2019-05-13 cs.SI physics.soc-ph
Successful New-entry Prediction for Multi-Party Online Conversations via Latent Topics and Discourse Modeling
随着社交媒体的日益普及，在线人际沟通在人们的日常信息交流中发挥着至关重要的作用。由于其在许多场景中的应用，新人是否以及如何更好地参与社区引起了人们的极大兴趣。虽然一些早期社会化研究取得了显著的成果，但这些研究主要集中在基于小群体的社会学调查上。为了帮助个人度过早期的社会化时期，并参与在线对话，我们研究了一个新的任务，以预测新来者的消息是否会被其他参与者在多方对话（以下简称成功的新进入预测）。这项任务将成为在线助理和社交媒体研究的重要组成部分。为了进一步研究这种参与成功的关键因素，我们采用了一个无监督的神经网络，变分自动编码器（VAE），检查的主题内容和话语行为从新人的聊天历史和会话的持续的背景。此外，两个大规模的数据集，从Reddit和Twitter，收集支持新条目的进一步研究。在Twitter和Reddit数据集上进行的大量实验表明，我们的模型显著优于所有基线和流行的神经模型。对新进入行为的其他可解释和视觉分析揭示了如何更好地参与他人的讨论。
2022-02-09 cs.SI
Topicality and Social Impact: Diverse Messages but Focused Messengers
对各种问题发表评论的用户是否比专注于一个领域的用户更有可能获得高影响力？一般的Twitter标签，如#lol，是否比新颖的标签，如#instantlyinlove更受欢迎？像这样的问题需要一种方法来检测隐藏在与个人或标签相关的消息背后的主题，以及这些主题之间的相似性。在这里，我们开发了这样一种方法，通过检测标签共现网络中的社区来识别相似标签的集群。然后，用户的兴趣的主题多样性量化的熵她的主题标签在不同的主题集群。类似的措施也适用于基于共现标签的主题标签。我们发现，早期采用者或共同出现的标签的高度主题多样性意味着未来标签的高度流行。相反，低多样性有助于个人积累社会影响力。简而言之，多样化的信息和重点突出的信使更有可能产生影响。
2014-02-21 cs.CY cs.SI physics.soc-ph
An analysis of community structure in Brazilian political topic-based Twitter networks
Twitter等在线社交网络是就各种主题传播舆论的重要平台。通过分析用户在推特上的帖子，根据他们的意见分享对他们进行分类，可以帮助营销广告和政治活动专注于特定的用户组。基于社区发现的技术对于分类Twitter用户特别有用，因为它们不需要基于规则的方法或标记的数据来执行聚类任务。在本文中，我们构建了网络使用的数据，在巴西的政治讨论提取Twitter。我们发现：（i）这些网络遵循幂律分布，表明少数受欢迎的用户负责大部分的“提及”和“转发”;（ii）最受欢迎的推文是病毒式的，并在社区中传播，而大多数剩余的推文都被困在它们起源的社区中;以及（iii）与积极情绪相关的词语在与巴西总统选举相关的网络社区中占主导地位，并出现在病毒式推文中。
2019-06-14 cs.CY cs.SI
Why Do You Spread This Message? Understanding Users Sentiment in Social Media Campaigns
Twitter越来越多地被用于传播有关竞选活动的信息。这些活动试图通过他们的推特账户获得追随者，影响追随者并通过他们传播信息。在本文中，我们探讨了追随者的情绪对运动的主题和他们的转发率的运动所产生的消息之间的关系。我们对多个社交媒体活动的追随者进行了分析，发现这种情绪和转发率之间存在统计学显著相关性。根据我们的分析，我们在不同社交媒体活动的追随者中进行了一项在线干预研究。我们的研究表明，基于他们对活动的情绪来定位追随者可以比其他一些基线方法提供更高的转发率。
2014-03-24 cs.SI physics.soc-ph
Diffusion paths between product life-cycles in European phonographic markets
我们调查了在欧洲12个最大的国家唱片市场演出的近17000首热门单曲的产品生命周期，这些国家包括：奥地利、比利时、法国、德国、爱尔兰、意大利、荷兰、挪威、西班牙、瑞典、瑞士和英国。我们考虑了每个国家过去50年（1966-2015）的每周单曲排行榜。我们分析了流行单曲流行的传播（图表顶部）作为一个流行病学的过程中进行的各个欧洲国家。热门单曲在各国之间具有传染性。因此，我们考虑了最初的热门单曲发行和在连续的全国单曲排行榜上达到最高位置之间的时间延迟。我们创建了一个有向的国家网络，代表了国家之间热门单曲流行度的变化。它是通过模拟最可能的路径和挑选最频繁的链接。最初流行单一病毒发布的国家被认为是感染源。我们的算法建立了生成树附加新的节点。附着的概率取决于：1）新节点的免疫力2）来自树的先前节点的感染性。因此，我们获得了一个枢纽英国，一个桥梁荷兰和离群意大利和西班牙的流行传播网络。我们发现了一个流行单曲流行传播的特征拓扑结构。这个网络和欧洲的地理或文化网格地图之间的正相关关系也被观察到。然而，流行度传播网络具有复杂网络的一些典型性质。
2016-06-20 cs.SI nlin.AO physics.soc-ph
Information Spreading on Almost Torus Networks
近年来，流行病建模在电信和计算机网络领域得到了广泛的应用。我们考虑流行的易感-感染-易感传播模型作为信息传播的度量。在这项工作中，我们分析了信息传播的一类特殊的网络表示几乎环面网络和晶格可以被认为是限制时，环面长度趋于无穷大。几乎环面网络是指去掉某些节点或边的环面网络拓扑结构。我们发现这些图的特征多项式的显式表达式和严格的计算下界。这些表达式使我们能够估计它们的谱半径，从而估计信息如何在这些网络上传播。
2013-12-27 cs.SI physics.soc-ph
The effects of network structure, competition and memory time on social spreading phenomena
在线社交媒体极大地影响了我们彼此沟通的方式。然而，很少有人知道什么是驱动动态信息流的在线社会系统的基本机制。在这里，我们介绍了一个生成模型的在线分享行为，分析上易于处理，它可以重现经验微博数据的几个特点，标签的使用，如（时间依赖）重尾分布模因流行。所提出的框架构成了一个空模型的社会传播现象，在纯实证研究或模拟为基础的模型相比，清楚地区分了两个不同的因素影响模因的流行：用户的记忆时间和社会网络的连接结构的作用。
2016-03-30 cs.SI nlin.AO physics.soc-ph
Topic Modelling of Swedish Newspaper Articles about Coronavirus: a Case Study using Latent Dirichlet Allocation Method
Saarland University（萨尔兰大学）；University of Malta（马耳他大学）；University of Manchester（曼彻斯特大学）
本研究使用潜在狄利克雷分配（LDA）方法对6515篇瑞典报纸冠状病毒文章进行主题建模，分析约14个月内的主题变化，为流行病时代的社会经济与医疗分析提供公开可用的语料库和代码。
2023-04-18 cs.CL cs.SI
Characterizing information importance and the effect on the spread in various graph topologies
本文对不同时代不同媒介的新闻本质进行了深入的分析，提出了一个适合信息传播特点的数学模型。该模型增强了信息扩散模型，以考虑冲突的信息以及给定时代流行度方面的新闻主题分布。我们将这些信息转换为一个单独的图形节点模型，以确定给定某个类别和相关因子的新闻项的传播。这两个模型被用来作为一个基地，为不同的图形拓扑结构的信息传播的模拟。模拟是压力测试，并与现实世界的数据进行比较，以证明其相关性。然后，我们能够使用这些模拟来推导出一些关于信息传播优化的结论性陈述。
2017-06-22 cs.SI physics.soc-ph
Detecting the Influence of Spreading in Social Networks with Excitable Sensor Networks
利用传感器检测社交网络中的疫情传播具有重要的应用意义。受人类对外界刺激的生理感觉形成机制的启发，本文提出了一种通过构建可兴奋传感器网络来检测传播影响的新方法。利用可激发传感器网络的放大效应，我们的方法可以更好地检测小规模的传播过程。同时，它也可以区分大规模的扩散实例，由于可激发元素的自抑制效应。通过对典型的现实世界社交网络（facebook、coauthor和email社交网络）上的不同传播动态的模拟，我们发现，与其他常用的传感器放置方法（如随机、有针对性、熟人和距离策略）相比，可兴奋传感器网络能够在更广泛的影响范围内检测和排名传播过程。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，我们的方法可以检测到更多的传播主题在实践中。我们的方法提供了一个新的方向，传播检测，并应设计有效的检测方法是有用的。
2015-04-02 cs.SI physics.soc-ph
Topic words analysis based on LDA model
Ohio State University（俄亥俄州立大学）
社会网络分析（SNA）是描述和建模特定人群的社会联系的研究领域，在网络服务中很受欢迎。我们的主题词分析项目是一种SNA方法，用于将从Obama.com到在俄亥俄州哥伦布市注册的帐户的电子邮件中的主题词可视化。基于SNA中流行的主题模型--潜在狄利克雷分配（LDA）模型，我们研究了个体对目标受体群体的偏好。吉布斯抽样被用来估计主题和词的分布。我们的培训和测试数据是来自无碳服务器Datagreening.com的电子邮件。我们使用并行计算工具BashReduce进行字处理，并在每个潜在主题下生成相关词，以发现专门发送给当地哥伦布接收者的政治新闻的典型信息。使用并行工具BashReduce在两个实例上运行，我们的项目贡献了近30%的速度处理原始内容，与本地处理一个实例上的内容相比。此外，实验结果表明，在选择适当大小的主题词列表的情况下，我们项目中应用的LDA模型比TF-IDF模型查找目标词的准确率高出53.96%。
2014-05-15 cs.DC cs.IR cs.LG
Spreading dynamics in complex networks
在复杂网络中寻找有影响力的传播者是一个具有重要意义的问题，可以应用于各个领域，从流行病控制，创新扩散，病毒式营销，社会运动到思想传播。在本文中，我们首先展示了一些最重要的理论模型，描述了传播过程，然后分别讨论了定位个人和多个有影响力的传播者的问题。这两个主题的最新方法。为了识别特权单传播者，本文总结了几种广泛使用的中心性，如度中心性、介数中心性、PageRank、k-shell等。有了这个广泛的数据集，我们发现各种措施可以传达非常不同的节点信息。在LiveJournal社交网络的所有用户中，只有一小部分参与传播。对于LiveJournal中的传播过程，度可以以更高的概率定位参与信息扩散的节点，而k壳在发现影响力大的节点时更有效。我们的研究结果应该提供有用的信息，在现实中设计有效的传播策略。
2013-12-22 cs.SI physics.soc-ph
Information Spread Over an Internet-mediated Social Network: Phases, Speed, Width, and Effects of Promotion
在这项研究中，我们通过跟踪新闻文章在社交网络上的传播，研究了促进信息在互联网上传播的速度和宽度的效果。传播速度是指新闻在给定时间内达到的读者数量，而传播宽度是指新闻在社交网络中从新闻发布者传播到多远。在分析了30小时内的六个故事后，我们发现，一个故事在社交网络成员中的流行度有三个阶段：扩张，头版和饱和。当故事被发布并且文章从源节点传播到社交网络的连接组件内的节点时，扩展阶段开始。当新闻聚合器在其首页推广故事时，头版阶段发生，导致故事在连接的节点之间传播的速度更快，同时将文章传播到社交网络的原始连接组件之外的节点。饱和阶段是指故事老化，其在社交网络中的传播速度减慢，表明节点之间的流行饱和。在这三个阶段中，我们观察到的信息传播的宽度变化最小，这是由社交网络中传播直径的宽度相对较低的增加所暗示的。我们看到，本文提供了各种利益相关者的第一手经验数据建模，设计和改进当前的基于Web的服务，特别是IT教育工作者设计和改进学术课程，并提高当前的网络使能部署的知识和在线评估的技能。
2015-07-23 cs.SI physics.soc-ph
Characterizing Information Spreading in Online Social Networks
在线社交网络（OSN）正在改变信息在整个互联网上传播的方式。深入了解OSN中的信息传播，可以带来社会效益和商业效益。在本文中，我们描述了信息传播的动态（例如，如何快速和广泛的信息传播对时间）在OSN的开发一个通用的和准确的模型的基础上的交互式马尔可夫链（IMC）和平均场理论。该模型明确揭示了网络拓扑结构对OSN中信息传播的影响。此外，我们扩展了我们的模型，以适应时变的用户行为和不断变化的信息流行度。我们的模型使用六个关键参数来捕捉信息传播的复杂动态模式。基于人人网数据集的大量测试验证了该模型的准确性，表明该模型能够准确刻画人人网视频分享的动态模式，并成功预测未来的传播趋势。
2015-01-23 cs.SI physics.soc-ph
Exact Computation of Influence Spread by Binary Decision Diagrams
评价社交网络中的影响力传播是评价病毒式营销口碑效应的基本步骤。关于这个主题有大量的研究;然而，在标准的随机级联模型下，影响扩散的精确计算是已知的#P-hard。因此，现有的研究使用基于蒙特卡罗模拟的近似，以避免精确的计算。我们提出了第一个算法来计算独立级联模型下的影响传播。该算法首先为影响力扩散的所有可能实现构造二元决策图（BDD），然后在所构造的BDD上利用动态规划计算影响力扩散。为了有效地构建BDD，我们设计了一个新的基于前沿的搜索类型的过程。所构造的BDD也可用于解决其他影响扩散相关问题，如无拒绝随机抽样、条件影响扩散评估、动态概率更新和概率优化问题的梯度计算。我们进行了计算实验，以评估所提出的算法。该算法在合理的时间内成功地计算了现实世界中具有100条边的网络上的影响传播，这是朴素算法完全不可能实现的。我们还进行了一个实验，通过比较所提出的算法获得的确切的影响扩散来评估基于蒙特卡罗模拟的近似的准确性。
2017-01-06 cs.DS cs.SI
Gossip-based Information Spreading in Mobile Networks
近年来，移动网络由于其在各个领域的广泛应用而受到越来越多的研究兴趣，移动自组织网络（MANET）和车载自组织网络（VANET）就是其中两个突出的例子。移动性带来了挑战和机遇：如[1]所示，已知要提高网络吞吐量。本文基于Gossip算法分析了移动性对信息传播的影响。我们的贡献是双重的。首先，我们提出了一个新的性能指标，移动电导，这使我们能够分离的移动模型的细节从移动传播时间的研究。其次，我们探讨了几种流行的移动模型的移动电导，并提供相应的结果的见解。大规模网络仿真验证了我们的分析。
2014-02-26 cs.NI cs.SI
Characterizing Engagement Dynamics across Topics on Facebook
本研究通过分析Facebook上约5700万条帖子，探究争议性主题的病毒式传播与用户极化的关联，发现主题参与动态存在相似模式，且初始爆发性可预测用户未来的负面反应。
2022-11-30 cs.CY cs.SI
Analyzing users' sentiment towards popular consumer industries and brands on Twitter
Lithium Technologies | Klout
社交媒体是一个统一的平台，让用户表达他们对从日常生活到消费品牌和产品的看法等主题的想法。这些用户在塑造其他消费者的意见方面发挥着巨大的影响力，并影响品牌认知，品牌忠诚度和品牌宣传。在本文中，我们分析了1900万Twitter用户对62个热门行业的意见，包括12,898个企业和消费者品牌，以及相关的主题，通过情感分析的3.3亿推文在一个月的时间跨度。我们发现用户往往对制造业最为积极，而对服务业最为消极。此外，他们在与品牌互动时往往比在Twitter上更积极或消极。我们还发现，一个行业内对品牌的看法差异很大，我们使用两个行业作为用例来证明这一点。此外，我们发现，不同行业的主题情绪之间没有很强的相关性，表明主题情绪高度依赖于他们所提到的行业的背景。我们展示了这种分析的价值，以评估品牌对社交媒体的影响。我们希望这项初步研究将证明对研究人员和公司都有价值，有助于了解用户对行业，品牌和相关主题的看法，并鼓励在这一领域进行更多的研究。
2017-09-21 cs.CL cs.IR 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
Modeling Spread of Preferences in Social Networks for Sampling-based Preference Aggregation
在人口众多的情况下，收集个人对一组备选方案的偏好并得出总体或集体偏好是一项密集的任务。我们表明，社会网络的人口基础可以利用有效地完成这一任务，通过采样的一个小的子集的代表性节点的偏好。我们首先开发了一个Facebook应用程序来创建一个由节点偏好和底层社交网络组成的数据集，使用该数据集，我们开发了一个模型，该模型可以捕获偏好在典型社交网络中的节点之间的分布情况。因此，我们提出了一个适当的目标函数的问题，选择最佳代表节点。我们设计了两个算法，即，Greedy-min提供了一个广泛的流行的投票规则类的性能保证，和Greedy-sum在实践中表现出优异的性能。我们比较了这些算法对随机轮询和流行的中心性措施的性能，并提供了一个详细的分析所获得的结果。我们的分析表明，使用社交网络信息选择代表有利于聚合与个人话题相关的偏好（例如，生活方式），而具有合理样本大小的随机轮询足以聚集与社会话题相关的偏好（例如，政府政策）。
2017-11-15 cs.SI physics.soc-ph
Longitudinal Analysis of Discussion Topics in an Online Breast Cancer Community using Convolutional Neural Networks
Columbia University（哥伦比亚大学）；King’s College London（伦敦国王学院）
识别在线健康社区（OHC）中的讨论主题对各种应用程序至关重要，但可能很困难，因为OHC内容的主题通常是异构的，并且依赖于域。在本文中，我们提供了一个多类模式，一个注释数据集，和监督分类器的基础上卷积神经网络（CNN）和其他模型的任务分类的讨论主题。我们将CNN分类器应用于最受欢迎的乳腺癌在线社区，并进行纵向分析，以显示整个成员参与过程中的主题分布和主题变化。我们的实验结果表明，CNN优于其他分类器在主题分类的任务，并可以检测到某些轨迹的主题变化。
2016-04-07 cs.CL cs.CY cs.SI
Group dynamics of engagement with AI topics on Bluesky
University of Colorado Boulder（科罗拉多大学博尔德分校）
本研究通过Bluesky数据，结合网络SIR模型，分析AI事件（如DeepSeek R1发布）在不同群体中的参与动态，发现直接响应与网络传播强度不总一致，揭示群体参与模式的差异。
2026-09-30 cs.CY cs.SI physics.soc-ph
Predicting Central Topics in a Blog Corpus from a Networks Perspective
University of Michigan（密歇根大学）
在当今以内容为中心的互联网中，从数据分析的角度来看，博客变得越来越受欢迎和重要。根据维基百科，截至2011年2月，互联网上有超过1.56亿个公共博客。博客是我们当代社会的反映。从社会、心理、经济和政治角度来看，不同博客文章的内容都很重要。在博客世界中发现重要的主题仍然是一个需要大量探索的领域。我们试图提出一个程序，使用概率主题建模和网络中心性的措施，确定在博客语料库中的中心主题。
2014-05-10 cs.CL cs.IR cs.SI
Mitigating Misinformation Spreading in Social Networks Via Edge Blocking
本文研究独立级联模型下通过阻断有限数量边抑制错误信息传播的问题，证明其计算困难，并提出检测紧密社区、切断社区间边的算法，实验表明其优于中心性方法。
2023-08-17 cs.DS cs.SI
Heterogeneous Interventions Reduce the Spread of COVID-19 in Simulations on Real Mobility Data
世界各地都采取了重大干预措施，以减缓SARS-CoV-2病毒的传播。大规模封锁人员流动可以有效减少传播，但代价是社会功能受到极大限制。我们表明，自然的人类运动是统计上的差异，疾病的传播是显着影响一小群活跃的个人和聚集场所。我们发现，针对这些流动性最强的个人和受欢迎的场所的干预措施降低了峰值感染率和总感染人口，同时保持了较高的社会活动水平。这些趋势在来自世界各地多个城市的不同规模、分辨率和模式的真实人类流动数据的模拟中得到了一致的体现。观察结果表明，与广泛的全面干预相比，基于人员流动网络效应的更多样化的战略在流行病控制和常规社会活动之间提供了更好的平衡。
2021-04-08 cs.SI physics.soc-ph
A cooperate-defect model for the spread of deviant behavior in social networks
我们提出了一个博弈论模型的偏差行为在网上社交网络的传播。我们利用两个战略框架，其中每个球员的行为被归类为正常或偏差，并根据经典的囚徒困境游戏的合作缺陷的回报计划的演变。我们展示了收敛的个人行为随着时间的推移，最终的战略向量，并指出反例，这种收敛的囚徒困境的背景下。从一个流行的在线论坛收集的真实世界的数据集上验证的理论结果。
2014-08-16 cs.GT cs.SI physics.soc-ph
How Do Social Bots Participate in Misinformation Spread? A Comprehensive Dataset and Analysis
本文构建了一个同时标注错误信息与社交机器人的新浪微博大规模多模态数据集，并通过实验和分析揭示了社交机器人深度参与错误信息传播、放大回音室效应并操纵公众舆论的机制。
2025-09-19 cs.CY cs.SI
Containing misinformation spreading in temporal social networks
来自计算机科学、网络科学和数学等各个领域的许多研究人员都在关注如何遏制威胁社会系统和破坏社会健康的互联网错误信息的爆发。大多数关于这一主题的研究都将个体之间的联系视为静态的，但这些联系会随着时间的推移而变化，因此社交网络也是时间网络。目前还没有理论方法来解决时间网络中的错误信息爆发问题。因此，我们提出了一个错误信息传播模型的时间网络，并描述它使用一个新的理论方法。我们提出了一种基于优化最终爆发规模的策略，该策略优于随机包含（RC）和目标包含（TC）等简化策略。我们通过大量的数值模拟和理论分析，验证了我们的HC策略在人工和现实网络上的有效性。我们发现，HC策略大大提高了爆发阈值，降低了最终爆发阈值。
2019-04-24 cs.SI physics.soc-ph
Public sentiment analysis and topic modeling regarding COVID-19 vaccines on the Reddit social media platform: A call to action for strengthening vaccine confidence
COVID-19大流行推动了历史上最快速的疫苗开发之一。然而，通过在线社交媒体传播的错误信息往往会导致疫苗的负面情绪和犹豫。为了调查社交媒体中与COVID-19疫苗相关的讨论，我们对2020年12月1日至2021年5月15日期间从13个关注COVID-19疫苗的Reddit社区收集的文本数据进行了情感分析和潜在狄利克雷分配主题建模。数据按月汇总和分析，以检测任何情绪和潜在主题的变化。ty分析表明，这些社区对疫苗相关讨论的积极情绪多于消极情绪，并且随着时间的推移保持不变。主题建模显示，社区成员主要关注副作用，而不是古怪的阴谋论。来自13个subreddit的Covid-19疫苗相关内容显示，这些社区表达的情绪总体上是积极多于消极的，自2020年12月以来没有发生有意义的变化。在整个LDA主题建模中检测到指示疫苗犹豫的关键词。关于疫苗的公众情绪和主题建模分析可以促进实施适当的信息传递、数字干预和新政策，以提高疫苗信心。
2021-08-22 cs.IR cs.SI
Spreading of Memes on Multiplex Networks
介绍了一个网络信息传播模型，并利用分支过程方法进行了分析。该模型概括了[Gleeson et al.，物理学修订版X，#20162;两种方式。首先，即使对于单重（单层）网络，模型也是针对由其邻接矩阵定义的任何特定网络定义的，而不是限于随机网络的集合。其次，引入了该模型的多个版本，以捕获从一个社交媒体平台向另一个社交媒体平台发布信息的用户的行为。在这两种情况下的分支过程分析表明，动力系统是，在低创新的限制，在临界点附近，这是已知的导致模因流行度的重尾分布类似于经验数据中观察到的。
2019-02-28 cs.SI physics.soc-ph
LA-LDA: A Limited Attention Topic Model for Social Recommendation
USC Information Sciences Institute（南加州大学信息科学研究所）；University of Maryland（马里兰大学）
社交媒体用户的注意力有限，这限制了他们可以处理的来自朋友的传入消息的数量。此外，他们比其他人更关注某些朋友的意见和建议。在本文中，我们提出了LA-LDA，一个潜在的主题模型，其中包括有限的，非均匀分布的注意力在扩散过程中的意见和信息在社会网络上传播。我们表明，我们提出的模型是能够学习更准确的用户模型，从用户的社交网络和项目采用行为比模型，不考虑有限的注意力。我们分析了社会新闻聚合器Digg上的新闻项目投票，并表明我们提出的模型能够更好地预测投票。我们的研究表明，心理社会动机的模型比只考虑主题的模型有更好的描述和预测观察到的行为的能力。
2013-01-26 cs.IR cs.LG cs.SI
Characterizing Information Diets of Social Media Users
随着Twitter和Facebook等社交媒体网站的广泛采用，信息的生产和消费方式发生了变化。早些时候，信息的唯一生产者是传统的新闻机构，它们通过大众媒体渠道向所有消费者广播同样精心编辑的信息。然而，现在，在在线社交媒体中，任何用户都可以成为信息的生产者，每个用户都可以选择与其他用户连接，从而选择她消费的信息。此外，大多数社交媒体网站提供的个性化推荐也有助于个人用户消费的信息。在这项工作中，我们定义了一个信息饮食的概念-这是一组给定的信息项的主题分布（例如，tweets）--来描述流行的Twitter社交媒体中各种类型的用户产生和消费的信息。在高水平上，我们发现（i）流行用户大多产生非常专业的饮食，只关注少数几个主题;事实上，新闻机构（例如，与他们的大众媒体饮食相比，（ii）大多数用户的消费饮食主要集中在他们感兴趣的一个或两个主题上，以及（iii）由Twitter提供的个性化推荐通过添加关于除了用户感兴趣的主要主题之外的不同主题的信息来帮助减轻用户消费饮食中的一些主题不平衡。
2017-04-05 cs.CY cs.HC cs.SI
The COVID-19 Social Media Infodemic
我们通过对Twitter、Instagram、YouTube、Reddit和Gab上的大量数据分析，解决有关COVID-19的信息传播问题。我们分析了对COVID-19话题的参与度和兴趣，并对每个平台及其用户在全球范围内的话语演变进行了差异化评估。我们将信息传播与表征每个社交媒体平台的基本复制数$R_0$的流行病模型相匹配。此外，我们描述了从可疑来源传播的信息，在每个平台上发现了不同数量的错误信息。然而，来自可靠和可疑来源的信息并没有呈现不同的传播模式。最后，我们提供了依赖于平台的谣言放大的数值估计。
2020-03-10 cs.SI nlin.AO physics.soc-ph
Modelling Competitive marketing strategies in Social Networks
在竞争性市场中，有大量的玩家生产相同的产品。每家公司都希望广泛传播其产品信息，使其产品在潜在买家中流行起来。一个公司的产品越受欢迎，该公司的收入就越高。一个模型中，两个球员竞争的大型网络中的信息传播。参与者同时选择初始种子节点，并根据独立级联模型（ICM）进行信息扩散。玩家的主要目标是选择种子节点，使它们将其信息传播到社交网络中尽可能多的节点。信息的传播速度在信息扩散过程中也起着非常重要的作用。社交网络中的任何节点都不会受到任何信息或一个或多个信息的影响。我们还分析了通过改变信息的传播速率，不同隔室中的节点比例会发生多大的变化。最后，建立了一个博弈论模型，得到了基于最佳反应函数的纳什均衡。这个模型是基于霍特林的选举竞争模型。
2018-05-05 cs.GT cs.IT cs.SI
