首页/论文/1702.05913

arXiv 1702.059132017-02-20cs.SIcs.CY

为什么级联大小遵循幂律？

Why Do Cascade Sizes Follow a Power-Law?

Karol Węgrzycki, Piotr Sankowski, Andrzej Pacuk, Piotr Wygocki

备注：: 8 pages, 7 figures, accepted to WWW 2017
DOI：: 10.1145/3038912.3052565

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

摘要英文摘要相关论文

摘要：

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。

英文摘要：

We introduce random directed acyclic graph and use it to model the information diffusion network. Subsequently, we analyze the cascade generation model (CGM) introduced by Leskovec et al. [19]. Until now only empirical studies of this model were done. In this paper, we present the first theoretical proof that the sizes of cascades generated by the CGM follow the power-law distribution, which is consistent with multiple empirical analysis of the large social networks. We compared the assumptions of our model with the Twitter social network and tested the goodness of approximation.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

阅读原文

阅读 PDF ↗

arXiv 页面 ↗HTML 原文 ↗

本文内容

摘要英文摘要相关论文

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。

继续探索

相关论文

级联大小分布：为什么它们很重要以及如何有效地计算它们

Cascade Size Distributions: Why They Matter and How to Compute Them Efficiently

Harvard T.H. Chan School of Public Health（哈佛陈曾熙公共卫生学院）；Harvard Medical School（哈佛医学院）

级联模型是理解、预测和控制流行病传播和信息传播的核心。相关的优化，包括影响力最大化、模型参数推断或疫苗接种策略的开发，在很大程度上依赖于从模型中采样。这要么是低效的，要么是不准确的。作为替代方案，我们提出了一个有效的消息传递算法，计算加权有向网络和推广的独立级联模型的级联大小的概率分布。我们的方法是精确的树，但可以应用于任何网络拓扑结构。它很好地近似了局部树状网络，可以扩展到大型网络，并且可以在更密集的网络上获得令人惊讶的良好性能，因为我们也可以在真实世界的数据上进行扩展。

2020-12-16cs.AIcs.SIphysics.soc-ph

基于级联社会信息的跟踪垃圾邮件检测

Follow Spam Detection based on Cascaded Social Information

在过去的十年中，我们见证了在线社交网络服务（SNS）的爆炸式增长，如Facebook，Twitter，RenRen和LinkedIn。虽然SNS提供了各种各样的好处，例如，促进人际关系，社区形成和新闻传播，但它们也吸引了不请自来的妓女。垃圾邮件发送者滥用SNS作为快速和广泛传播垃圾邮件的工具。垃圾邮件、未经请求的或不适当的信息严重损害了服务的可信度和可靠性。因此，检测垃圾邮件发送者已成为一个紧迫和关键的问题，在SNS。本文讨论了Twitter中的Follow垃圾邮件。垃圾邮件发送者不会向公众传播烦人的信息，而是跟踪（订阅）合法用户，并跟踪合法用户。基于垃圾邮件发送者的在线关系与合法用户的在线关系不同的假设，我们提出了检测垃圾邮件发送者的分类方案。特别是，我们专注于级联的社会关系，并设计了两个计划，TSP过滤和SS过滤，其中每一个都利用三重显着性配置文件（TSP）和社会地位（SS）在一个两跳的子网络集中在对方。我们还提出了一个empersion技术，级联过滤，结合TSP和SS属性。我们在真实Twitter数据集上的实验表明，所提出的三种方法是非常实用的。所提出的方案是可扩展的，因为它们不是分析整个网络，而是检查以用户为中心的两跳社交网络。我们的性能研究表明，所提出的方法产生显着更好的性能比以前的计划在真阳性和假阳性。

2016-05-02cs.IRcs.SI

你为什么要传播这个消息？了解社交媒体活动中的用户情绪

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。

2014-03-24cs.SIphysics.soc-ph

随机网络上的趋势驱动信息级联

Trend-driven information cascades on random networks

全球级联的阈值模型已被广泛用于模拟现实世界的集体行为，如时尚的传染性传播和新技术的采用。这些级联模型的一个共同特性是，一个极小的种子部分可以通过局部感染传播到无限大网络的有限部分。然而，在社会和经济网络中，个人的行为往往不仅受到其直接邻居的影响，而且还受到大多数人作为一种趋势的影响。趋势影响个人的行为，而个人的行为创造了趋势。为了分析这种局部和全局尺度现象之间的复杂相互作用，我通过引入一种新类型的节点，称为\textit{global nodes}（或\textit{trend followers}），其激活概率取决于全局尺度趋势，特别是激活节点在种群中的百分比，来推广标准阈值模型。该模型表明，一旦出现趋势，全球节点就起到了加速级联的作用，同时降低了趋势出现的概率。因此，全球节点要么促进级联，要么抑制级联，这表明，适度份额的趋势追随者可以最大限度地提高级联的平均规模。

2015-12-02cs.SIphysics.soc-ph

利用网络模体表征导致扩散抑制的时间网络演化

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。

2019-03-03cs.SI

基于独立级联模型的在线新闻网络时间波动标度建模

Modelling of temporal fluctuation scaling in online news network with independent cascade model

我们发现，在线新闻媒体的活动遵循时间波动标度律，我们使用一个独立的级联模型来恢复这一功能，该模型增加了一个不同的炒作参数，代表了原始文章的病毒潜力。我们使用Event Registry平台追踪2016年期间11个不同主题的10，000多家新闻媒体的活动。分析超过22，000，000篇文章，我们发现波动标度指数$α$以一种特征方式依赖于所有考虑的主题的时间窗口大小$Δ$-新闻媒体活动对于$Δ>15\mathrm{min}$部分同步，对于$Δ=1\mathrm{day}$交叉。该模型在几个合成网络模型以及从真实数据中提取的网络上运行。我们的方法抛弃了时间戳不完全可靠的观测，并专注于共同出现的出版商在级联的类似措辞的新闻项目。我们利用事件注册表的新闻聚类功能，找到新闻媒体发布的内容之间的相关性，以发现共同的信息传播路径在已发布的文章，并估计独立级联模型中的边的权重。虽然独立的级联模型遵循波动标度律与平凡的指数$α=0.5$，我们认为，除了底层的合作网络的拓扑结构的时间聚类的文章具有类似的炒作是必要的定性再现的波动标度中观察到的数据。

2019-01-25cs.SIphysics.soc-ph

更多相关论文收起更多论文

我为什么不能跟着你？负责任推荐系统中的支持和反对理由

Why should I not follow you? Reasons For and Reasons Against in Responsible Recommender Systems

Universidade de São Paulo（圣保罗大学）

一些推荐系统（RS）诉诸解释，以提高信任的建议。然而，目前的解释生成技术倾向于强烈支持推荐的产品，而不是提出支持和反对它们的理由。我们认为，一个RS可以更好地提高整体的信任和透明度，坦率地显示这两种原因给users.We开发了这样一个RS利用知识图谱和应用Snedegar的实践推理理论。我们表明，我们实现的RS具有出色的性能，我们报告的实验与人类受试者，显示的价值，提出支持和反对的理由，在信任，参与和说服力的显着改善。

2020-09-08cs.AIcs.IRcs.SI

Twitter关注者网络的大规模研究，以描述处方药滥用推文的传播

A Large-Scale Study of the Twitter Follower Network to Characterize the Spread of Prescription Drug Abuse Tweets

在这篇文章中，我们进行了一个大规模的Twitter追随者网络的研究，涉及约0.42万用户谁证明DA，以表征DA推文在网络中的传播。我们的观察揭示了一个非常大的巨型组件的存在，涉及99%的这些用户与密集的本地连接，促进了这种消息的传播。我们进一步确定了网络上的活跃级联，并观察到DA推文的级联通过几个紧密相连的用户群体的参与而在很长一段距离内传播。此外，我们的观察还揭示了一个集体现象，涉及一个大的活动边缘节点（与少量的追随者和追随者）以及一个小的连接良好的非边缘节点，共同努力，朝着这样的蔓延，从而可能复杂的过程中逮捕这样的级联。此外，我们发现，用户对某些药物的参与，如Vicodin，Percocet和OxyContin，这些药物在Twitter上被提及最多。另一方面，对于Lortab等提及较少的药物，随着对此类推文的接触增加，参与概率变高，从而表明在Twitter上参与的药物滥用者仍然容易采用新药物，从而进一步加剧了问题。

2021-02-17cs.SI

在线信息级联扩散中隐藏的影响者的作用

The role of hidden influentials in the diffusion of online information cascades

在多个社交网站、不同的活动模式和不同的用户-用户关系的多元化背景下，“信息级联”的概念几乎是明确的。尽管可以用不同的方式来定义这种信息级联，但重要的是要检查所观察到的一些模式是否是现代社交媒体上发生的各种传染过程所共有的。在这里，我们探讨一种类型的信息级联，即那些时间限制，相关的两种社会根源的话题在Twitter上。具体而言，我们表明，在这两种情况下，级联的大小分布以下的肥尾分布，并在级联是否达到系统范围内的比例主要是由所谓的隐藏的影响的存在。后者的节点不是枢纽，相反，往往充当信息传播的防火墙。我们的研究结果是很重要的，更好地了解复杂的传染病的动态，并从实际的一面，在病毒现象的有效传播者的识别。

2013-03-19cs.SIphysics.soc-ph

CasGCN：基于信息扩散图的级联增长预测

CasGCN: Predicting future cascade growth based on information diffusion graph

Renmin University of China（中国人民大学）；University of Liverpool（利物浦大学）；Loughborough University（拉夫堡大学）

突然爆发的信息级联，可能会导致极端观点、时尚潮流的改变、谣言的不可控传播等意想不到的后果。如何有效地预测未来的级联规模，特别是对于Twitter和微博等社交媒体平台上的大规模级联，已经成为一个重要的问题。然而，现有的方法是不够的，在处理这个具有挑战性的预测问题。传统的方法严重依赖于手工制作的特征或不切实际的假设。端到端的深度学习模型（例如循环神经网络）不适合直接处理图形输入，并且无法处理嵌入在级联图中的结构信息。在本文中，我们提出了一种新的用于级联增长预测的深度学习架构，称为CasGCN，它采用图卷积网络从图形输入中提取结构特征，然后在进行级联大小预测之前对提取的特征和时间信息应用注意力机制。我们在两个真实世界的级联增长预测场景（即，实验结果表明，CasGCN算法的性能优于几种基线算法，尤其是在大规模级联时。

2020-09-10cs.LGcs.SI

使用内容、网络和外源信号进行深级联预测的不完全Gamma积分

Incomplete Gamma Integrals for Deep Cascade Prediction using Content, Network, and Exogenous Signals

Jadavpur University（贾达普大学）；Adobe（奥多比）

信息级联（如转发）的行为已被广泛建模。虽然基于点过程的生成模型长期以来一直用于估计级联增长，但深度学习极大地增强了多样化特征的集成。我们观察到两个显着的时间信号级联数据，尚未强调或报告给我们的知识。首先，级联根的受欢迎程度会强烈影响级联大小，但这种影响会随着时间的推移而迅速下降。第二，在根内容的新颖性（相对于流外部语料库）和所得到的级联的相对大小之间存在可测量的正相关性。针对这些观察结果，我们提出了GammaCas，这是一种新的级联增长模型，作为时间的参数函数，它结合了来自内容的深度影响信号（例如，推文文本），网络特征（例如，根用户的追随者），以及外生事件源（例如，在线新闻）。具体来说，我们的模型通过定制的循环网络处理这些信号，然后其状态提供级联速率函数的参数，该参数随时间积分以预测级联大小。网络参数使用观察到的级联进行端到端训练。GammaCas在一个大规模的转发级联数据集上的表现明显优于七个最近的不同基线，再加上时间对齐的在线新闻-它击败了最好的基线，在肯德尔的$τ$相关性方面增加了18.98%，平均绝对百分比误差减少了$35.63$。广泛的消融和案例研究发掘有趣的见解关于转推级联动态。

2021-06-13cs.LGcs.SI

HierCas：用于信息级联流行度预测的层次时间图注意力网络

HierCas: Hierarchical Temporal Graph Attention Networks for Popularity Prediction in Information Cascades

Tsinghua University（清华大学）；Beijing University of Posts and Telecommunications（北京邮电大学）

本文提出HierCas，通过动态图建模、时间感知节点嵌入、图注意力机制和层次池化结构，在整个级联图上捕捉流行度趋势，有效解决了传统方法泛化性差及采样建模丢失动态信息的问题。

2024-04-27cs.AIcs.SI

网络级联扩散的变分拓扑神经模型

A Variational Topological Neural Model for Cascade-based Diffusion in Networks

Sorbonne Université（巴黎索邦大学）；LIP6（巴黎第六大学（LIP6））

在文献中已经提出了许多工作来捕捉网络中的扩散动力学。虽然他们中的一些人定义了图形马尔可夫模型来提取网络中节点感染之间的时间关系，但其他人认为扩散事件是通过递归神经模型的感染序列。在本文中，我们提出了一个模型在这两个极端的十字路口，它嵌入了历史的感染节点的扩散作为隐藏的连续状态。根据内容在到达给定节点之前所遵循的轨迹，影响概率的分布可能会有所不同。然而，内容轨迹通常隐藏在数据中，这会导致具有挑战性的学习问题。我们提出了一个拓扑递归神经模型，具有良好的实验性能的扩散建模和预测。

2018-12-28cs.LGcs.SIstat.ML

使用多LLM智能体模拟仇恨言论级联：实证基础、建模保真度与干预策略

Simulating Hate Speech Cascades with Multi-LLM Agents: Empirical Grounding, Modeling Fidelity, and Intervention Strategies

Indiana University Bloomington（印第安纳大学布卢明顿分校）

本研究通过多LLM智能体系统模拟在线仇恨言论传播，发现其能再现实证数据中的立场单一性和毒性同质性，并通过消融实验识别出智能体异质性为关键保真因素，提出针对密集网络的放大器干预策略。

2026-06-18cs.AIcs.CLcs.SI

DCC：一种基于级联的社交网络社区检测方法

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。

2022-12-21cs.CVcs.IRcs.LG

通过比较判别性秩检测事件级联中的社会影响

Detecting Social Influence in Event Cascades by Comparing Discriminative Rankers

Georgia Institute of Technology（佐治亚理工学院）；Insight Data Science（Insight数据科学公司）

事件级联的全局动态通常由同伴影响的局部动态控制。然而，从观测数据中检测社会影响是具有挑战性的，因为存在同质性等混淆和缺失数据等实际问题。我们提出了一个简单的判别方法来检测观测数据的影响。该方法的核心是训练一个排名算法来预测级联中下一个事件的来源，并将其样本外的准确性与缺乏与社会影响力相对应的特征的竞争基线进行比较。我们分析综合生成的数据表明，这种方法正确地识别存在混淆的影响，是强大的缺失数据和错误的-不像众所周知的替代品。我们将该方法应用于两个真实世界的数据集：（1）在美国众议院共同发起的立法在一个共享的竞选捐助者的社交网络;（2）关于希格斯玻色子发现的谣言在$10^5$ Twitter帐户的追随者网络。我们的模型确定了社会影响力在这些场景中的作用，并利用它对级联的未来轨迹进行更准确的预测。

2019-07-19cs.LGcs.SIphysics.soc-ph