Sentiment Paradoxes in Social Networks: Why Your Friends Are More Positive Than You?
大多数人认为他们的朋友比他们自己更积极,表现出一种情感障碍。心理学研究将这种矛盾归因于人类的认知偏差。为了理解这一现象,我们研究了社交网络中的情感悖论。我们的研究表明,用户的社会联系(朋友,追随者或追随者)确实(不仅仅是虚幻的)比用户本身更积极。这主要是因为积极的用户有更多的朋友。我们确定了五个情绪悖论在不同的网络层次,从黑社会到大规模的社区。实证和理论证据提供了验证这种情绪悖论的存在。通过研究情感悖论与其他成熟的网络悖论之间的关系,友谊悖论和活动悖论,我们发现用户情绪与他们的朋友数量呈正相关,但很少与他们的社交活动。最后,我们展示了如何情感悖论可以用来预测用户的情绪。
2020-05-02 cs.SI
Strong Friendship Paradox in Social Networks
本文分析社交网络中的强友谊悖论,阐明其依赖高阶网络结构,并可推广到个体特质而引发多数错觉,从而影响局部观察与网络集体现象理解。
2024-12-03 cs.SI
Do you trade with your friends or become friends with your trading partners? A case study in the G1 cryptocurrency
我们研究了通过最近一种名为$\breve{G}1$的加密货币进行的社会关系和金融交易之间的相互作用。它的特点是将通常的交易记录与可靠的已确定用户网络相结合。这使得有机会观察到底是谁通过社交网络向谁汇款。这个社交网络是这种加密货币的关键部分,因此,它在确保节点对应于唯一的、可识别的、真实的人类用户方面投入了大量精力,只有当他们在现实世界中至少见过一次时才能联系在一起。利用这些数据,我们研究了社会关系如何影响交易结构,反之亦然。我们发现,用户几乎只与他们在社交网络中联系的人进行交易。相反,他们倾向于与他们永远不会与之进行交易的人建立社会联系。
2021-05-05 cs.SI
Dynamics of Human Social Networks: People, Time, Relationships, and Places
先进的社会互动感测技术的可用性为社会网络分析提供了细粒度的数据。虽然收集社交网络数据的传统方法可能受制于人类回忆社交细节的能力,但人们对其与其网络中的人的亲密度的评级是重要的。本研究评估的关系之间的亲密度评级,感觉互动和共享的娱乐场所。研究发现,人们倾向于给与他们相处时间更长的人高亲密度评级。共享的地方与社会亲密度评级相关,但与互动的长度无关。这项研究的结果突出了感知互动和亲密度评级的重要性。
2013-08-06 cs.SI physics.soc-ph
Social Influence Distorts Ratings in Online Interfaces
本研究提出新框架分析社会影响对在线评分的影响,发现线性与非线性系统均可能导致评分偏离真实均值,揭示众包信息聚合的局限,助力设计更稳健的评分系统。
2025-02-27 cs.MA cs.SI econ.TH
Bias and variance in the social structure of gender
个体倾向于与与自己相似的人成为朋友,通常被称为同质性,这是社交网络的一个突出且研究充分的特征。许多机器学习方法利用同质性来基于个体的朋友的属性来预测个体的属性。与此同时,最近的研究表明,性别同质性在实践中可能很弱或不存在,这使得性别预测特别具有挑战性。在这项工作中,我们确定了另一个有用的结构特征,用于预测性别,性别偏好的过度分散,由对特定性别有极端偏好的个体引入,无论他们自己的性别如何。我们称这种属性为“一个人的爱”,并共同描述了在社交网络的偏好偏差和偏好方差的同质性和同质性的统计结构。对于预测,我们发现这种极端性别偏好的模式引入了朋友的朋友相关性,其中个人与他们的朋友的朋友相似,而不一定与他们的朋友相似。我们分析了美国大学的在线友谊网络和美国高中的离线友谊网络,并观察到基于朋友的预测方法与基于朋友的朋友的预测方法之间的根本差异,“你保持的公司”,“你保持的公司”。“这些发现为一般属性预测,特别是性别预测提供了另一种视角,使保护属性隐私的任务变得更加复杂。
2017-05-13 cs.SI
Evolving Social Networks via Friend Recommendations
一个社交网络在一段时间内随着新的联系和关系的形成而成长。近年来,我们目睹了Facebook、Twitter等在线社交网络的大规模增长。因此,了解这些网络的命运已成为一个极其重要的问题。因此,预测社交网络的发展是一个极其重要的问题。一个好的社会网络演化模型可以帮助理解网络结构中发生变化的属性。在本文中,我们提出了这样一个社交网络的演化模型。我们将社交网络建模为无向图,其中节点表示人,边表示他们之间的友谊。我们将进化过程定义为一组规则,这些规则非常类似于社交网络在现实生活中的发展。我们模拟的演变过程,并显示,如何从一个初始的网络,一个网络的演变使用这个模型。我们还讨论了我们的模型如何可以用来模拟各种复杂的社交网络以外的在线社交网络,如政治网络,各种组织等。
2015-09-24 cs.SI
Determination of Friendship Intensity between Online Social Network Users Based on Their Interaction
在线社交网络(OSN)是现代通信的最流行的形式之一,其中最著名的是Facebook。关于OSN上用户之间联系的信息通常非常稀少。它只知道用户是否连接,而连接的强度是未知的。所描述的研究的目的是确定和量化OSN用户之间的友谊强度的基础上分析他们的互动。我们建立了一个数学模型,它使用:监督机器学习算法随机森林,实验确定通信参数的重要性和系数为每个交互参数的基础上,通过调查进行的研究的答案。在设计友谊强度计算模型时考虑用户意见是一种新颖的方法,与以往文献中的研究相反。该模型的准确性进行了验证的例子中确定一个更好的朋友提供的对。
2018-06-29 cs.SI
Peer Ratings in Massive Online Social Networks
在线同行评分形式的即时质量反馈是现代大规模在线社交网络(MOSNs)的显著特征。它允许网络成员表示他们对帖子、评论、照片等的赞赏。一些MOSN支持正面和负面(签名)评级。在这项研究中,我们对1.1万名MOSN成员的个人资料进行了评级,并收集了用户对评级的回应。MOSN用户对同行评级非常敏感:33%的受试者访问了研究人员的个人资料以回应评级,21%的人还对研究人员的个人资料图片进行了评级,5%的人留下了文字评论。受试者留下的分数是高度两极化的:在六个可用的分数中,最消极和最积极的也是最受欢迎的。等级分为三个几乎同样大小的类别:互惠,慷慨和吝啬。我们提出了慷慨,互惠和仁慈的定量措施,并分析了他们对受试者的人口统计。
2014-01-22 cs.SI physics.soc-ph
Risks of Friendships on Social Networks
在本文中,我们探讨了风险的朋友在社交网络的友谊模式所造成的,通过使用现实生活中的社交网络数据,从以前定义的风险模型。特别是,我们观察到,可以通过分析用户对朋友的朋友的态度来挖掘友谊的风险。这使我们能够对社交网络上的友谊和风险动态提供新的见解。
2012-10-11 cs.SI physics.soc-ph
Extracting Implicit Social Relation for Social Recommendation Techniques in User Rating Prediction
Sharif University of Technology(谢里夫理工大学);Vienna University of Technology(维也纳工业大学)
推荐在我们的日常生活中扮演着越来越重要的角色。推荐系统自动向用户推荐他们可能感兴趣的项目。最近的研究表明,将社会信任的矩阵分解方法明显提高评级预测的准确性。这些方法主要使用用户明确表达的信任分数。然而,让用户提供彼此的明确信任分数通常是具有挑战性的。有相当多的作品,提出信任度来计算和预测用户之间的信任分数的基础上,他们的互动。在本文中,首先,我们提出了如何在推荐系统中通过描述用户之间的Hellinger距离来从用户对项目的评分中提取社会关系。然后,我们建议将预测的信任分数到社会矩阵分解模型。通过分析社会关系抽取从三个著名的现实世界的数据集,这两个:信任和推荐数据,我们得出结论,使用隐式的社会关系在社会推荐技术具有几乎相同的性能相比,由用户明确表达的实际信任分数。因此,我们建立我们的方法,称为Hell-TrustSVD,在最先进的社会推荐技术之上,将提取的隐式社会关系和用户对活跃用户的项目预测给出的评级结合起来。据我们所知,这是第一次使用提取的社会信任信息扩展TrustSVD。实验结果表明,在不存在显式信任的情况下,采用隐式信任进行矩阵分解,可以获得比现有方法更好的用户评分预测效果。
2017-03-17 cs.LG cs.SI
Generating Reliable Friends via Adversarial Training to Improve Social Recommendation
近年来的社会化推荐研究大多假设人们与他们的朋友分享相似的偏好,并且在线社会关系有助于改进传统的推荐系统。然而,这种假设往往是站不住脚的,因为在线社交网络是相当稀疏的,大多数用户只有少量的朋友。此外,由于建立社交网络过程中的随机性,显性朋友可能不会分享相似的兴趣。因此,为每个用户发现一些可靠的朋友在推进社交推荐中起着重要作用。与其他研究侧重于提取有价值的显性社会联系不同,我们的工作注重在观察到的和未观察到的社交网络中识别可靠的朋友。具体来说,本文提出了一个基于生成对抗网(GAN)的端到端社会化推荐框架。该框架由两个模块组成:一个生成器,用于生成可能增强社交推荐模型的好友;一个搜索器,负责评估这些生成的好友,并根据当前用户及其好友的偏好对项目进行排名。通过生成器和搜索器之间的竞争,我们的框架可以动态地自适应地生成可靠的朋友,这些朋友可以完美地预测当前用户在特定时间的偏好。结果,显式社会关系的稀疏性和不可靠性问题可以得到缓解,社会推荐性能显着提高。在真实数据集上的实验研究证明了该框架的优越性,并验证了生成的可靠朋友的积极效果。
2019-09-08 cs.IR cs.SI
Expenditure Aware Rating Prediction for Recommendation
评分预测是推荐系统中研究较多的一个问题,它利用用户与项目之间的交互信息来预测用户对项目的评分。除了用户和项目之间的评级信息之外,还使用了许多附加信息来促进推荐,例如社会关系和地理位置。在电子商务网站上,用户与商品之间每笔交易的支出信息随处可见,往往出现在评分信息旁边,但很少有研究支出与评分之间的相关性。在本文中,我们首先研究了它们在真实数据集上的相关性,并提出了支出感知的评级预测问题。从中国知名社交媒体平台大众点评的数据集中,我们发现支出与评分之间存在一些深刻的相关性:1)支出较高的交易或体验通常会导致较高的评分; 2)当真实支出高于用户的正常支出行为时,用户通常会给出较高的评分; 3)支出行为存在多个等级。基于这三个观察,我们提出了一个支出件评级预测方法(EARP),基于低秩矩阵分解,有效地将支出信息。在五个真实数据集上的大量实验表明,EARP不仅总是优于其他最先进的基线,而且还发现了用户和企业的潜在特征。
2016-10-18 cs.SI
Rating Effects on Social News Posts and Comments
在信息寻求者首次转向数字来源获取新闻和观点的时候,我们理解社交媒体在人类行为中扮演的角色至关重要。当信息消费者也通过其在线活动充当信息生产者和编辑者时,情况尤其如此。为了更好地了解编辑评级对在线人类行为的影响,我们报告了两个大规模的社交媒体体内实验的结果。我们发现,对社交媒体帖子和评论的小而随机的评级操纵会导致下游评级发生重大变化,从而导致显著不同的最终结果。我们发现,对帖子进行积极处理会产生积极的羊群效应,平均增加11.02%的最终评级,但对评论进行积极处理则不会。与相关工作的结果相反,我们发现对帖子和评论进行负面处理的负面羊群效应,平均降低了帖子的最终评级5.15%和评论的37.4%。与对照组相比,当帖子接受积极处理时,帖子达到高评级(>=2000)的概率增加了24.6%,当评论接受消极处理时,评论降低了46.6%。
2016-06-20 cs.CY cs.HC cs.SI
A partial knowledge of friends of friends speeds social search
米尔格拉姆的经验表明,只知道与朋友有联系的人可以通过几个步骤找到美国的任何人。后来的研究表明,社交网络拓扑结构使一个节点知道它的完整路由,以更少的步骤找到一个任意的目标。然而,人们在只知道个人关系的情况下有效转发的成功仍然没有得到充分的解释。为了研究这个问题,我们在一个真正的基于位置的社交网络Gowalla上模拟它。它提供了明确的信息,每个用户的朋友和时间位置有用的研究人类的流动性。在这里,我们使用它进行了大量的计算实验,以建立新的必要和充分条件,实现社会搜索效率。结果表明,只有朋友的友谊边的分布和部分知识是必要的,充分的社会搜索的效率。令人惊讶的是,使用友谊边的原始分布的搜索效率并不依赖于节点如何分布到空间中。此外,使用每个节点拥有的关于其朋友的朋友的有限知识的效果是强非线性的。我们发现,只有当这种知识仅限于朋友的朋友的一小部分时,这种使用的收益才能在统计上显着增长。
2021-08-20 cs.SI physics.soc-ph
Everything About You: A Multimodal Approach towards Friendship Inference in Online Social Networks
以前的在线社交网络(OSN)隐私研究大多集中在使用一种类型的信息来推断另一种类型的信息或仅使用静态配置文件数据(如用户名、配置文件图片或家庭位置)的受限场景。然而,如今用户的多媒体足迹已经变得非常多样化。在现实中,对手会利用随着时间的推移可获得的所有类型的信息来实现其目标。在本文中,我们分析OSN隐私,共同利用长期的多模态信息。我们特别关注社会关系的推理。我们考虑了用户共享的帖子的五个流行组件,即图像,标签,标题,地理位置和发布的友谊。对真实世界OSN数据集的大规模评估表明,虽然我们的单模态攻击实现了强大的预测,但我们的多模态攻击导致了AUC(ROC曲线下面积)高于0.9的更强性能。我们的研究结果强调了在用户的多媒体足迹越来越多样化的时代,需要多模式混淆方法来保护隐私。
2020-03-02 cs.SI
OSSINT - Open Source Social Network Intelligence An efficient and effective way to uncover "private" information in OSN profiles
在线社交网络(OSN)(例如Facebook)为用户提供共享信息的工具以及一组隐私控制偏好以规范信息的传播。当前的隐私控制对于保护内容数据是有效的。然而,在保护许多用户认为是私密的上下文信息(例如社交网络结构)时,调整它们的复杂性会破坏它们的效率。在本文中,我们展示了Facebook信息泄露问题的严重程度。特别是,我们展示了推断的可能性,从网络“周围”的受害者用户,受害者设置为隐藏的一些信息。我们开发了一个名为OSSINT(开源社交网络INTelligence)的系统,在我们以前的工具SocialSpy之上,它能够推断受害者个人资料的隐藏信息,并从公共信息中检索私人信息。OSSINT检索受害者的友谊网络,并显示如何推断额外的私人信息(例如,用户个人偏好和爱好)。我们提出的系统OSSINT对网络拓扑信息进行了额外的研究,即,使用受害者的朋友的朋友网络(距受害者简档2跳的距离)来预测新的友谊,并且因此可能推断出完整Facebook网络的私人信息。OSSINT正确地改进了SocialSpy之前的结果,预测平均有11个额外的友谊,峰值为20个新朋友。此外,OSSINT,为考虑受害者配置文件演示了如何可能推断现实生活中的信息,如当前的城市,家乡,大学,应该是私人的。
2016-11-21 cs.SI
ConsisRec: Enhancing GNN for Social Recommendation via Consistent Neighbor Aggregation
社会化推荐旨在融合社会链接和用户-项目交互,以缓解评分预测的冷启动问题。图神经网络(GNN)的最新发展激励人们努力设计基于GNN的社交推荐框架,以同时聚合社交和用户-项目交互信息。然而,大多数现有的方法忽略了社会不一致的问题,这直观地表明,社会联系不一定是一致的评级预测过程。社会不一致性可以从情境和关系两个层面观察到。因此,我们打算赋予GNN模型解决社会不一致问题的能力。我们建议通过将采样概率与邻居之间的一致性得分相关联来对一致的邻居进行采样。此外,我们使用关系注意力机制来分配具有高重要性因素的一致关系以进行聚集。在两个真实数据集上的实验验证了模型的有效性。
2021-05-05 cs.SI
Close Friends, Popular Peers, Team formation and Leadership in Group Projects
本文讨论了一个看似无关的学生群体和一个概念不同的问题陈述内形成的各种相互关联的关系。本研究使用社会网络分析(SNA)来分析和绘制个体之间的联系。SNA有助于理解一群人在执行某项任务时的心理。这可能有助于预测类似群体可能执行这些任务的进一步模式。正如本文所讨论的,对项目团队成员选择的分析间接地暗示了一个部门中的友谊,并可以预测可能由此产生的新友谊。收集的数据可以使用Gephi和NodeXL等各种分析工具表示为社交网络。分析的结果确定了学生中受欢迎的同伴,并阐明了其背后的原因。此外,还推导出了诸如亲密朋友列表、节点的社会影响力等各种其他推论。
2021-12-30 cs.SI
Keep Your Friends Close and Your Facebook Friends Closer: A Multiplex Network Approach to the Analysis of Offline and Online Social Ties
社交媒体允许人们在网上进行前所未有的互动。然而,人类社会行为的一个基本方面是人们倾向于将自己与志同道合的人联系起来,形成在线和离线的同质社交圈。在这项工作中,我们应用了一个新的模型,使我们能够区分不同强度的社会关系,并观察在74名大学生的在线和离线社交网络中,关于政治,音乐,健康,住宅部门和大学一年的同质性证据。我们提出了一个多路复用网络的方法,社会关系的强度,在这里应用到移动通信数据-电话,短信,并共同定位,使我们能够通过考虑学生之间利用的通信渠道的数量来确定维度的关系。我们发现,强的社会关系的特点是最大限度地利用沟通渠道,而弱的关系,最小的使用。我们能够识别75%的亲密友谊,90%的弱关系,以及90%的Facebook友谊。然后,我们表明,较强的关系表现出更大的配置文件的相似性比较弱的。除了在政治和健康方面的社会圈子高度同质性,我们观察到音乐,住宅部门和大学一年的强烈同质性。尽管Facebook友谊高度依赖于居住地和年份,但学生的在线社交圈而不是线下社交圈中可以发现不太同质的内容,尤其是在政治和音乐方面。
2014-03-31 cs.SI physics.soc-ph
Which friends are more popular than you? Contact strength and the friendship paradox in social networks
友谊悖论指出,在社交网络中,自我往往比他们的改变程度低,或者说,“你的朋友比你有更多的朋友”。大多数研究都集中在友谊悖论及其对信息传输的影响上,但将网络视为静态和不加权的。然而,人们只能将有限的一部分注意力预算用于每一次社交互动:一个高学位的人可能没有那么多时间用于个人的社交联系,这迫使他们调整与不同社交联系的接触量。在这里,我们研究的背景下,不同的自我和改变之间的接触量的友谊悖论,发现接触量和友谊悖论的强度之间的连接。与自我相比,最频繁接触的分身表现出不太明显的友谊悖论,而不太频繁接触的分身更有可能是高程度的,并引起悖论。因此,我们主张用一个更微妙的版本来解释友谊悖论:“你最亲密的朋友比你的朋友略多一些”,在某些网络中,甚至可以说:“你最好的朋友并不比你的朋友多多少”。我们证明了这种关系是稳健的,在社交媒体和移动电话数据集中都有。这些结果对社交网络中的信息传递和影响有一定的影响,我们使用一个简单的动力学模型来探索。
2017-03-18 cs.CY cs.SI physics.soc-ph
Friendship Prediction in Composite Social Networks
友谊预测是社会网络分析(SNA)的一项重要任务。它可以帮助用户识别朋友并提高他们的活动水平。以前的大多数方法都是根据用户的历史记录来预测用户的友谊,例如他们现有的友谊,社交互动等。然而,在现实中,大多数用户在单个网络中的朋友有限,数据可能非常稀疏。稀疏性问题导致现有方法过拟合稀有观测值,并遭受严重的性能下降。当新的社交网络刚刚开始形成时,尤其如此。我们观察到,今天的许多社交网络本质上是复合的,人们经常参与多个网络。此外,用户的友谊总是相关的,例如,他们都是Facebook和Google+上的朋友。因此,通过将这些重叠用户视为桥梁,其他网络中的友谊知识可以帮助预测他们在当前网络中的友谊。这可以通过以集体方式利用不同网络中的知识来实现。然而,由于每个单独的网络都有自己的属性,这些属性可能与其他网络不兼容和不一致,因此将所有网络合并为一个网络可能无法很好地工作。提出的解决方案是通过分层贝叶斯模型提取不同网络之间的共同行为。它捕获跨网络的共同知识,同时避免由于网络差异而产生的负面影响。实证研究表明,所提出的方法提高了平均平均精度的友谊预测超过国家的最先进的基线在9个现实世界的社交网络数据集显着。
2014-02-17 cs.SI physics.soc-ph
Tell me something my friends do not know: Diversity maximization in social networks
社交媒体有很大的潜力来改善我们社会中的信息传播,然而,它们对一些不良影响负有责任,例如两极分化和过滤泡沫。因此,必须了解这些消极现象,并制定打击这些现象的方法。在本文中,我们提出了一种新的方法来解决在社交媒体中打破过滤器泡沫的问题。我们这样做的目的是最大限度地提高信息的多样性,接触到连接的社交媒体用户。我们制定的问题,最大限度地提高曝光的多样性作为一个二次背包问题。我们表明,建议的多样性最大化问题是不可近似的,因此,我们诉诸多项式非近似算法,启发的解决方案开发的二次背包问题,以及可扩展的贪婪算法。我们补充我们的算法与实例特定的上界,这是用来提供经验近似保证给定的问题实例。我们的实验评估表明,一个建议的贪心算法其次是随机局部搜索的算法的选择,鉴于其质量与。效率权衡。
2018-11-26 cs.SI
Random Voting Effects in Social-Digital Spaces: A case study of Reddit Post Submissions
在信息寻求者首次转向数字来源获取新闻和观点的时候,我们理解社交媒体在人类行为中扮演的角色至关重要。当信息消费者通过其在线活动也充当信息生产者和编辑者时,情况尤其如此。为了更好地了解编辑评级对在线人类行为的影响,我们报告了社交媒体中大规模体内实验的结果。我们发现,对社交媒体提交的小而随机的评级操纵会导致下游评级发生重大变化,从而导致最终结果显着不同。积极的治疗产生了积极的影响,平均提高了11.02%的最终评级。与对照组相比,积极治疗还使达到高评级(>=2000)的概率增加了24.6%。与相关研究的结果相反,我们还发现,消极的处理导致了负面影响,平均降低了5.15%的最终评级。
2015-06-05 cs.CY cs.MM cs.SI
Qualities and Inequalities in Online Social Networks through the Lens of the Generalized Friendship Paradox
友谊悖论是指在社交网络中,人们平均拥有的朋友比他们的朋友要少。广义的友谊悖论是对朋友数量以外的属性的扩展。友谊悖论及其广义版本最近引起了人们的关注,因为它们提供了关于网络结构和局部不平等的信息。在本文中,我们提出了几个措施的节点质量,捕捉不同方面的活动和影响力,在网上社交网络。使用这些措施,我们分析了广义的友谊悖论在Twitter上的流行程度,我们报告了高水平的流行率(高达90%以上的节点)。我们认为,这种普遍存在的友谊悖论及其广义版本的出现,因为在网络中的连接的等级性质。这种层次结构是嵌套的,而不是星形的。我们的结论是,这些悖论是集体现象,而不仅仅是由少数连接良好或高属性的节点。此外,我们的研究结果表明,很大一部分人可以体验广义的友谊悖论,即使在程度和属性之间没有显着的相关性。
2016-02-11 cs.SI physics.soc-ph
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
Designing and Connectivity Checking of Implicit Social Networks from the User-Item Rating Data
\emph{Implicit Social Network}是一群人之间相互联系的社会结构,其中两个人如果有共同的兴趣就联系在一起。这种网络的一个真实的\mbox{-}生活例子是在线商业公司客户之间的隐式社交网络,如果两个客户喜欢相似的物品,那么他们之间存在优势。这样的网络通常是有用的不同的商业应用,如\textit{target advertisement},\textit{viral marketing}等,在这篇文章中,我们在这个方向上研究两个基本问题。第一个问题是,给定一个电子\mbox{-}商店的用户\mbox{-}项目评分数据,我们如何在它的用户之间设计隐含的社交网络;第二个问题是,在设计它的时候,我们是否可以获得用户之间的连接信息。形式上,我们称第一个问题为\textsc{Implicit User Network Design}问题,第二个问题为\textsc{Implicit User Network Design with Connectivity Checking}问题。对于第一个问题,我们提出了三种不同的算法,即\emph{`Exhaustive Search Approach'},\emph{`Clique Addition Approach'},和\textit{`Matrix Multiplication\mbox{-}Based Approach'}…
2020-04-05 cs.MA cs.SI
Location Prediction: Communities Speak Louder than Friends
人类是社会性动物,他们与不同的朋友社区互动,进行不同的活动。文献表明,人的流动性受到其社会关系的制约。在本文中,我们调查的社会影响,一个人的社区对他的流动性,而不是所有的朋友从他的在线社交网络。这项研究可能特别有用,因为某些社交行为受到特定社区的影响,而不是所有朋友。为了实现我们的目标,我们首先制定一个衡量一个人的社会多样性,我们称之为“社区熵”。通过对两个现实生活中的数据集的分析,我们证明了一个人的流动性只受到他的社区的一小部分的影响,这种影响取决于社区的社会背景。然后,我们利用机器学习技术来预测用户的未来运动的基础上,他们的社区的信息。大量的实验证明了预测的有效性。
2016-04-01 cs.SI physics.soc-ph
Friendship Maintenance and Prediction in Multiple Social Networks
由于在线社交网络(OSN)的激增,用户发现他们自己参与多个OSN。这些用户留下他们的活动痕迹,因为他们保持友谊,并与这些OSN中的其他用户交互。在这项工作中,我们通过研究在Twitter和Instagram上都有账户的用户来分析用户如何在多个OSN中保持友谊。具体来说,我们研究了用户的友谊的相似性和友谊分布在多个OSN的均匀性。我们的研究表明,Twitter和Instagram中的大多数用户更喜欢在两个OSN中保持不同的友谊,在OSN中只保持一小部分共同的朋友。基于我们的实证研究,我们进行链接预测实验,预测丢失的友谊链接在多个OSN使用的邻居功能,邻居友谊维护功能和交叉链接功能。我们的链接预测实验表明,非监督方法可以在一个OSN中使用另一个OSN数据预测链接时产生良好的准确性,并且使用友谊维护和其他度量作为特征的监督方法可以进一步提高链接预测的准确性。
2017-03-02 cs.SI physics.soc-ph
Analyzing resilience of interest-based social networks against node and link failures
在典型的在线社交网络中,用户通过对称的朋友关系链接,并且可以基于共享的兴趣来定义朋友圈。在本文中,我们将研究社交网络,在这些网络中,用户根据友谊和共同兴趣建立链接。我们的目标是了解当节点和链路都允许失败时,这些网络在连接方面的弹性。我们推导出零-一定律以及节点和链路故障下连通性的渐近精确概率结果。结果回答了如何设置网络参数,使可靠的消息传播可以实现的问题。我们正式证明的结果,并通过实验确认的结果。
2019-11-02 cs.SI
Friendship networks and social status
在友谊网络的实证研究中,参与者通常会在访谈或问卷调查中被要求识别他们的一些或所有亲密朋友,从而形成一个有向网络,其中友谊可以而且经常是在一对个体之间只朝一个方向发展。在这里,我们分析了大量代表美国高中和初中学生之间友谊的网络,并表明,没有回报的友谊模式远非随机。我们发现,在每个网络中,参与者都有一个从低到高的排名,几乎所有的无回报友谊都是由排名较低的人与排名较高的人建立友谊组成的。我们提出了一个最大似然法推导出这样的排名从观察到的网络数据和猜想,排名反映了社会地位的措施。我们特别注意到,互惠和非互惠的友谊服从不同的统计数据,表明不同的形成过程,排名与传统上与地位相关的参与者的其他特征相关,例如年龄和整体受欢迎程度(以朋友总数衡量)。
2012-05-30 cs.SI physics.soc-ph
Analysis of Home Location Estimation with Iteration on Twitter Following Relationship
用户的家庭位置被许多社交媒体应用使用,例如社交媒体分析。然而,由于用户的家庭位置通常不对公众公开,因此许多研究人员一直在尝试开发更准确的家庭位置估计。使用表达用户之间的关系的社交网络来估计用户的家庭位置。基于网络的家庭位置估计方法采用迭代的方法,通过传播估计的位置来估计更多用户的家庭位置。在这项研究中,我们分析的功能,基于网络的家庭位置估计与迭代,而使用的社会网络的基础上,以下关系的Twitter。结果表明,在朋友的位置中选择最频繁的位置的函数具有最好的准确性。我们的分析还表明,88%的用户,谁是在社交网络的基础上,以下关系,有至少一个正确的家庭位置在一跳(朋友和朋友的朋友)。根据社会网络的这一特性,我们指出两次迭代就足够了。
2016-08-30 cs.SI
Evaluating the effect of topic consideration in identifying communities of rating-based social networks
Mazandaran University of Science and Technology(马赞达兰科技大学)
在社会网络中寻找有意义的社区已经引起了许多研究者的关注。复杂网络的社团结构揭示了复杂网络的组织结构及其成员之间的隐藏关系。社区发现领域的大多数研究主要集中在网络的拓扑结构上,没有进行任何内容分析。如今,现实世界的社交网络包含了大量的信息,包括共享对象,评论,以下信息等,在最近几年,一些研究已经提出的方法,考虑在网络中交换的内容和网络的拓扑结构,以找到更有意义的社区。在本研究中,主题分析的效果,发现更有意义的社区在社交网站中,用户表达他们的感情对不同的对象(如电影)通过评级的手段进行了广泛的实验证明。
2016-04-26 cs.LG cs.SI stat.ML
A Friendship Privacy Attack on Friends and 2-Distant Neighbors in Social Networks
在无向社交图中,友谊链接涉及两个用户,并且友谊在两个用户的朋友列表中可见。这种友谊的双重可见性可能会引发隐私威胁。这是因为两个用户都可以单独控制友谊链接对其他用户的可见性,并且他们对链接的隐私政策可能不一致。即使他们中的一个对第三用户隐藏了链接,第三用户也可以从另一个用户的朋友列表中找到这样的友谊链接。此外,由于大多数用户允许他们的朋友在大多数社交网络系统中看到他们的朋友列表,因此对手可以利用不一致的策略来发起隐私攻击,以识别和推断目标用户的许多朋友。在本文中,我们提出,分析和评估这样的攻击,这是所谓的友谊识别和推理(PII)攻击。在PII攻击场景中,我们假设对手只能看到他的朋友列表和他的朋友的朋友列表,而这些朋友并没有对他隐藏朋友列表。然后,一个PII攻击包含两个攻击步骤:1)朋友识别和2)朋友推断。在朋友识别步骤中,对手试图根据他的朋友列表和他的朋友列表来识别目标的朋友。在朋友推断步骤中,对手试图推断目标的朋友使用建议的随机游走与重启方法。我们使用三个真实的社交网络数据集的实验结果表明,当对手和目标是朋友或2-远距离邻居时,FIS攻击通常是有效的。我们还全面分析了攻击结果,以找出哪些参数和网络特征值可能会促进PHI攻击。目前,大多数具有无向友谊图的流行社交网络系统,如Facebook,LinkedIn和Foursquare,都容易受到FIS攻击。
2013-12-01 cs.CR cs.SI physics.soc-ph
The Friendship Paradox and Systematic Biases in Perceptions and Social Norms
“友谊悖论”(Feld 1991)指的是这样一个事实,即平均而言,人们的朋友比他们的朋友要少。我表明,这种对最受欢迎的人的过度抽样放大了涉及互补性的行为。拥有更多朋友的人会体验到更大的互动效果,因此会更多地参与受社会影响的活动。考虑到友谊悖论,人们在对朋友进行抽样调查时,会比总体人群中的参与度更高。考虑到互补性,这反过来又扩大了平均参与度。此外,从一种行为中获得最大先天利益的人也往往是那些选择互动最多的人,从而导致进一步的反馈和放大。这些结果与研究发现人们一贯高估酒精,香烟和药物的同龄人消费相一致;并且可以帮助解释青少年滥用药物和酗酒以及其他行为的问题。我还讨论了这些结果如何变化的情况下,战略替代品,个人高估搭便车的同行。
2017-11-18 cs.SI physics.soc-ph
Applications of Structural Balance in Signed Social Networks
我们提出的措施,模型和链接预测算法的基础上签署的社交网络的结构平衡。某些社交网络除了通常的“朋友”链接外,还包含“敌人”链接。这些网络被称为签名社交网络。签名社交网络的经典和主要概念是结构平衡,即,三角形趋向于“平衡”,包括偶数个负边,如朋友-朋友-朋友和朋友-敌人-敌人三角形。在这篇文章中,我们介绍了几个新的签署网络分析方法,利用结构平衡测量部分平衡,发现社区的人的基础上平衡,绘制签署社交网络,并解决问题的链接预测。值得注意的是,所介绍的方法是基于符号图拉普拉斯算子和符号电阻距离的概念。我们评估我们的方法上收集的四个签名的社交网络数据集。
2014-02-27 cs.SI physics.soc-ph
Maximizing Acceptance Probability for Active Friending in On-Line Social Networks
好友推荐成功地促进了在线社交网络的爆炸式增长。当今大多数交友推荐服务旨在支持被动交友,其中用户被动地从推荐的候选者中选择交友目标。在本文中,我们提倡推荐支持主动交友,用户主动指定一个交友目标。据我们所知,在现有的在线社交网络服务中,还没有探索设计用于为用户系统地接近他的交友目标提供指导的推荐。为了最大限度地提高概率,交友目标将接受邀请,从用户,我们制定了一个新的优化问题,即\emph{Acceptance Probability Maximization (APM)},并开发了一个多项式时间的算法,称为\emph{Selective Invitation with Tree and In-Node Aggregation (SITINA)},找到最佳的解决方案。我们实现了一个积极的交友服务与SITINA在Facebook上验证我们的想法。我们的用户研究和实验结果表明,SITINA在解决方案的质量有效地优于人工选择和基线方法。
2013-02-27 cs.CY cs.SI physics.soc-ph
A Trust-based Recruitment Framework for Multi-hop Social Participatory Sensing
社会参与感测的想法提供了一个从友谊关系中受益的基础,招募了大量愿意参加感测活动的参与者。然而,选择值得信赖并提供高质量贡献的合适参与者具有挑战性。在本文中,我们提出了一个招聘框架的社会参与感。我们的框架利用多跳的友谊关系,以确定和选择合适的和值得信赖的参与者之间的朋友或朋友的朋友,并找到最值得信赖的路径给他们。该框架还包括一个建议组件,它提供了一组建议的朋友以及到他们的路径,这可以进一步用于招募或建立友谊。仿真结果表明,我们提出的招聘框架的有效性,选择了大量的合适的参与者,并提供了高的整体信任度的贡献,与单跳招聘架构相比。
2013-06-02 cs.SI physics.soc-ph
Are Friends Overrated? A Study for the Social News Aggregator Digg.com
在线社交网络(OSN)的主要特征是用户能够变得活跃,结交朋友,并通过评论,视频或消息与周围的人互动。这种社交互动通常被认为对这些平台的正常运作至关重要;因此,最近OSN的研究中有很大一部分调查了这些社交链接的特征和重要性,通过拓扑特性研究网络的友谊关系,由此产生的社区结构,并确定这些网络中个体成员的角色和重要性。在本文中,我们提出了一个多年的研究结果的在线社交网络Digg.com,表明朋友和朋友网络的重要性,在传播的信息是小于原来的看法。虽然我们确实注意到,用户形成并维持了一个信息交换的社会结构,但这些链接及其贡献的重要性非常低:即使兴趣几乎相同的用户,平均也只有2%的概率对传播和从朋友那里收到的信息做出反应。此外,在1000万条新闻中,只有大约50%的故事变得流行,我们发现用户之间的社会关系是成功传播的关键因素。我们的研究结果表明,存在以前未考虑的因素,用户活动之间的时间对齐和存在额外的逻辑关系超出了社交图的拓扑结构,能够驱动和引导这种OSN的动态。
2013-04-10 cs.SI physics.soc-ph
From acquaintance to best friend forever: robust and fine-grained inference of social tie strengths
社交网络通常只提供一种关于社会关系的二元视角:两个人要么有联系,要么没有联系。虽然有时外部信息可以用来推断社会关系的强度,但获取这些信息可能受到限制或不切实际。Sintos和Tsaparas(KDD 2014)首先建议通过利用强三元闭包(STC)属性,仅从网络的拓扑结构中推断社会关系的强度。STC属性指出,如果A与B和C有很强的社会联系,那么B和C也必须相互联系(无论是弱联系还是强联系)。Sintos和Tsaparas利用这一点将社会联系强度的推断公式化为NP-难优化问题,并提出了两种近似算法。我们完善和改进后,这一里程碑式的文件,通过开发一系列的线性松弛这个问题,可以在多项式时间内解决。值得注意的是,这些松弛推断出更细粒度的联系强度水平(超出强和弱),这也允许避免在网络拓扑提供不确定的证据时进行任意的强/弱强度分配。其中一个松弛同时推断存在有限数量的STC违规行为。一个广泛的理论分析导致两个有效的算法方法。最后,我们的实验结果阐明了所提出的方法的优势,并揭示了新的STC属性在实践中的有效性。
2018-09-18 cs.SI
A Neural Attention Model for Adaptive Learning of Social Friends' Preferences
Maastricht University(马斯特里赫特大学)
基于社会的推荐系统利用好友的选择来对抗用户偏好的数据稀疏性,提高协同过滤策略的推荐准确率。主要的挑战是捕捉和权衡朋友的偏好,因为在实践中,他们确实必然匹配。本文提出了一种用于社会协同过滤的神经注意力机制,即NAS。我们设计了一个神经架构,通过考虑朋友对用户行为的社会潜在影响来仔细计算朋友偏好的非线性。此外,我们引入了一个社会行为的注意力机制,自适应地权衡朋友对用户偏好的影响,从而产生准确的建议。我们在公开数据集上的实验证明了所提出的NAS模型比其他最先进的方法的有效性。此外,我们研究了建议的社会行为注意力机制的效果,并表明它是一个关键因素,我们的模型的性能。
2019-06-29 cs.IR cs.LG cs.SI
An Anti_Turing Test: Reduced Variables for Social Network Friends' Recommendations
社交网络服务器的常规活动是推荐人们可能认识的候选朋友,并激励将这些人添加到人们的联系人中。一个有趣的问题是这些推荐列表是如何组成的。这项工作调查的主要变量参与的推荐活动,以重现这些列表,包括其时间依赖的特性。我们提出了相关的算法。除了传统的方法,如friend_of_a_friend,在以前的作品中没有强调两个重要的技术:随机化和直接使用的兴趣度标准。一个自动的软件工具来实现这些技术的建议。讨论了它的体系结构和实现。在对从社交网络中收集的实际数据进行初步分析后,使用该工具模拟社交网络好友的推荐。
2014-06-15 cs.IR cs.SI physics.soc-ph
Co-Evolution of Friendship and Publishing in Online Blogging Social Networks
在过去的十年里,博客网站变得比以往任何时候都更加成熟和有影响力。这种复杂性和影响力在很大程度上来自于他们的网络组织。博客社交网络(BSN)允许个人博客形成联系人列表,订阅其他博客,评论博客文章,声明利益,并参与集体博客。因此,BSN是一个双峰场所,用户可以在其中参与发布(发布)以及社交(交友)活动。在本文中,我们研究了这两种活动的协同进化。我们观察到博客和社交之间存在显著的正相关关系。此外,我们确定了一些用户原型,对应于“主要是博客”,“主要是社交”等,我们分析了BSN在个人职位的水平和联系人列表的变化,并在友谊发布空间的轨迹的水平。这两种方法产生了一致的结果:大多数BSN用户是被动读者;出版是BSN中占主导地位的主动行为;社交活动补充博客,而不是与之竞争。
2014-01-27 cs.SI physics.soc-ph
The power of indirect social ties
虽然直接的社会关系已经在以计算机为媒介的社交网络的背景下得到了深入的研究,但间接关系(例如,朋友的朋友(朋友的朋友)很少受到关注。然而,在现实生活中,我们经常依靠朋友的朋友来推荐(好医生、好学校或好保姆),介绍新的工作机会,以及满足许多其他偶尔的需求。在这项工作中,我们试图1)量化间接社会关系的强度,2)验证它,和3)经验证明其有用的分布式应用程序的两个例子。我们量化的社会力量的间接关系使用(ny)的直接联系,连接两个人的力量和直觉提供的社会学文献。我们通过与其他直接的社会关系评估者的相关性比较,实验验证了所提出的度量。我们通过数据驱动的实验表明,所提出的社会强度指标可以成功地用于社会应用。具体来说,我们表明,它解决了已知的问题,在朋友到朋友的存储系统,通过解决两个以前记录的缺点:减少存储候选人和数据可用性的相关性。我们还表明,它可以用于预测社会扩散的影响,准确率高达93.5%。
2014-01-17 cs.SI physics.soc-ph
The "Unfriending" Problem: The Consequences of Homophily in Friendship Retention for Causal Estimates of Social Influence
越来越多的学者正在使用纵向社会网络数据,试图获得同行或社会影响力的估计。这些数据可能提供额外的统计杠杆,但它们可能会引入新的推理问题。特别是,虽然同质性在友谊形成中的混淆效应得到了广泛的认可,但在友谊保持中的同质性也可能混淆纵向网络数据中社会影响力的因果估计。我们在对Christakis、Fowler及其同事在众多文章中使用的统计模型进行蒙特卡罗分析时为这一说法提供了证据,这些文章估计了社交网络中的“传染”效应。我们的研究结果表明,同质性在友谊保留引起显着的向上偏差和降低覆盖水平的Christakis和福勒模型,如果有不可忽略的友谊磨损随着时间的推移。
2011-06-17 cs.SI physics.data-an physics.soc-ph
Presentation a Trust Walker for rating prediction in Recommender System with Biased Random Walk: Effects of H-index Centrality, Similarity in Items and Friends
University of Applied Science and Technology(应用科学与技术大学);University of Kurdistan(库尔德斯坦大学);Queensland University of Technology(昆士兰科技大学)
推荐系统的使用已经大大增加,以帮助在线社交网络用户在决策过程中选择合适的项目。另一方面,由于许多不同的项目,用户无法对其中的大范围进行评分,并且通常为用户创建的矩阵存在分散问题。为了解决这个问题,基于信任的推荐系统被用来预测用户所期望的项目的分数。已经考虑了各种标准来定义信任,并且通常基于这些标准来计算用户之间的信任度。在这方面,由于社交网络中的用户数量众多,因此不可能获得所有用户的信任程度。还有,针对这个问题,研究人员使用不同模式的随机游走算法随机访问一些用户,研究他们的行为,获得他们之间的信任程度。在本研究中,提出了一个基于信任的推荐系统,预测目标用户没有评价的项目的分数,如果该项目没有找到,它提供给用户的项目依赖于该项目,也是用户的兴趣的一部分。在可信网络中,通过对节点之间的边进行加权来确定信任度,并开发了一种TrustWalker,它使用偏置随机游走(BRW)算法在节点之间移动。边的权重在随机步长的选择中是有效的。本研究方法的实施和评估已经进行了三个数据集命名为Epperly,Flixster,和FilmTrust的结果显示所提出的方法的高效率。
2020-09-10 cs.LG cs.SI
Similar but Different: Exploiting Users' Congruity for Recommendation Systems
社交媒体的广泛使用提供了关于个人在线社交活动及其社会关系的大量数据。大多数现有推荐系统的构建块是具有社会关系的用户之间的相似性,即,朋友虽然友谊确保了一些同质性,但用户与她的朋友的相似性可以随着朋友数量的增加而变化。社会学研究表明,朋友比陌生人更相似,但朋友可能有不同的兴趣。评论和评级等外部信息可能有助于辨别不同程度的一致性(即,相似用户之间的一致性。在本文中,我们研究是否可以将用户的一致性纳入到推荐系统,以提高其性能。实验结果证明了在推荐系统中嵌入一致性相关信息的有效性。
2018-03-16 cs.IR cs.SI
Privacy Preserving Social Network Publication Against Mutual Friend Attacks
出于研究目的发布社交网络数据引起了对个人隐私的严重关注。针对不同的攻击模式,有许多隐私保护方案。在本文中,我们介绍了一种新的隐私攻击模型,并称之为一个共同的朋友攻击。在这个模型中,对手可以通过使用他们共同的朋友数量来重新识别一对朋友。为了解决这个问题,我们提出了一个新的匿名概念,称为k-NMF匿名,即,k-匿名的共同朋友的数量,这确保存在至少k-1个其他朋友对在图中共享相同数量的共同朋友。我们设计算法来实现的k-NMF匿名性,同时保持原始的顶点集的意义上,我们允许偶尔添加,但没有删除的顶点。此外,我们给出了一个算法,以确保除了k-NMF匿名的k-度匿名。在真实数据集上的实验结果表明,该方法能够有效地保护社交网络的隐私和实用性,抵御共同好友攻击.
2013-10-11 cs.CR cs.DB cs.SI
Of Wines and Reviews: Measuring and Modeling the Vivino Wine Social Network
本文通过Vivino的镜头分析了葡萄酒消费的社交体验,Vivino是一个为葡萄酒爱好者提供的社交网络,在全球拥有超过2600万用户。我们比较了用户对新世界和旧世界葡萄酒的各种葡萄酒类型和区域风格的看法,并在价格范围,年份,地区,品种和混合物中进行了研究。除此之外,我们发现Vivino用户提供的评级不会因成本而有所偏差。然后,我们研究如何葡萄酒的特点,葡萄酒评论中的语言,以及葡萄酒评级的分布可以结合起来开发预测模型。更具体地说,我们对用户行为进行建模,以开发用于预测葡萄酒评级的回归模型和用于确定用户评论偏好的分类器。
2018-09-13 cs.CY cs.SI
Opinion Dynamics of Online Social Network Users: A Micro-Level Analysis
在本文中,我们提出了一个大规模样本的在线社交网络用户的意见动态的实证研究。我们估计用户的意见作为连续标量的基础上,他们的订阅信息源和分析如何友谊连接影响这些估计的动态。区分积极的(对朋友的意见)和消极的(远离朋友的意见)意见转变,我们发现,意见转变的存在和大小正相关(主要是通过线性形式或倒U形形式),用户和他们的朋友之间的意见分歧的程度。此外,我们使用意见分歧来调节积极和消极转变之间的平衡:如果焦点用户和他们的朋友的意见太相似或不相似,则积极转变的可能性相对较低。
2022-01-25 cs.SI math.DS
Temporal influence over the Last.fm social network
最近的几个结果显示了社会联系对在网络中传播某些属性的影响,但其他人则质疑这些实验的方法,提出测量的效果可能是由于同质性或共享环境。在本文中,我们证明存在的社会影响,考虑的时间行为的Last.fm用户。为了明确区分有相同兴趣的朋友,特别是因为Last.fm根据品味的相似性推荐朋友,我们将相似品味的永恒效应与朋友之后立即收听同一艺术家的时间冲动分开。我们测量了在朋友之后的几个小时内,与代表简单趋势或外部影响的非朋友相比,倾听一位全新艺术家的强烈增长。在我们的实验中,为了消除网络独立的品味元素,我们改进了协同过滤和基于趋势的方法,通过混合基于朋友影响力的简单时间感知推荐。我们的实验是在70,000名Last.fm用户的两年“scrobble”历史上进行的。
2013-07-28 cs.SI physics.soc-ph
Reinforced communication and social navigation: remember your friends and remember yourself
在社会系统中,人们相互交流,并根据自己的兴趣形成群体。互动模式、网络以及在网络上流动的想法自然会一起进化。研究人员使用简单的模型来捕捉不断变化的网络模式和网络上的想法之间的反馈,但对过去事件在反馈过程中的作用知之甚少。在这里,我们引入一个简单的基于代理的模型来研究人们的想法和社交网络之间的耦合,并更好地理解历史在动态社交网络中的作用。我们测量如何从网络结构的信息中恢复关于思想的信息,反过来,如何从关于思想的信息中恢复关于网络结构的信息。我们发现,一般来说,从网络结构中恢复想法比从网络结构中恢复想法更容易。
2011-01-26 cs.SI physics.soc-ph
Incorporating Like-Minded Peers to Overcome Friend Data Sparsity in Session-Based Social Recommendations
College of Computer Science, Inner Mongolia University(内蒙古大学计算机学院);College of Medicine, University of Florida(佛罗里达大学医学院);School of Engineering and Computer Science, Victoria University of Wellington(惠灵顿维多利亚大学工程与计算机科学学院);School of Computer Science, Fudan University(复旦大学计算机学院)
针对基于会话社交推荐中的好友数据稀疏及偏好不一致问题,提出利用志同道合同伴的TEGAARec模型,通过TEGAA与GAT社交聚合模块提升推荐性能。
2024-09-07 cs.AI cs.SI
You are Who You Know and How You Behave: Attribute Inference Attacks via Users' Social Friends and Behaviors
我们提出了新的隐私攻击来推断属性(例如,位置、职业和兴趣)。我们的攻击利用在线社交网络中公开的看似无辜的用户信息来推断目标用户的缺失属性。鉴于越来越多的可用性(看似无辜的)用户信息在线,我们的研究结果有严重的影响互联网隐私-私人属性可以推断从用户的公开数据,除非我们采取措施,以保护用户免受这种推理攻击。为了推断目标用户的属性,现有的推断攻击利用用户的公开可用的社交朋友或用户的行为记录(例如,用户在Facebook上喜欢的网页,用户在Google Play上评论的应用程序),但不是两者都有。正如我们将展示的,这种推理攻击的成功率有限。然而,如果我们同时考虑社会朋友和行为记录,问题就有了质的不同。为了应对这一挑战,我们开发了一种新的模型来整合社交好友和行为记录,并根据我们的模型设计新的攻击。我们从理论上和实验上证明了我们的攻击的有效性。例如,我们观察到,在一个拥有110万用户的真实世界大规模数据集中,我们的攻击可以正确地推断出57%的用户所在的城市,通过置信度估计,如果攻击者选择性地攻击一半的用户,我们能够将攻击成功率提高到90%以上。此外,我们表明,我们的攻击可以正确地推断属性显着更多的用户比以前的攻击。
2016-06-19 cs.SI physics.soc-ph