An Automated Social Graph De-anonymization Technique
我们提出了一个通用的和自动化的方法来重新识别节点的匿名社交网络，使新的匿名技术，以快速评估。它使用机器学习（决策森林）来匹配不同匿名子图中的节点对。该技术从一小组示例中揭示了任何黑盒匿名化方案的伪像和不变量。尽管自动化程度很高，但即使在寻求小的假阳性率时，分类也能以显著的真阳性率成功。我们的评估使用公开的真实世界数据集来研究我们的方法对真实世界匿名策略的性能，即用于保护数据促进发展（D4D）挑战的数据集的方案。我们表明，该技术是有效的，即使只有少量的样本用于训练。此外，由于它检测到黑盒匿名化方案中的弱点，因此当在另一个社交网络上训练时，它可以重新识别一个社交网络中的节点。
2014-08-07 cs.CR cs.SI
An Efficient and Robust Social Network De-anonymization Attack
从社交网络服务释放连接数据可能对用户隐私构成重大威胁。在我们的工作中，我们考虑了结构化社交网络去匿名化攻击，当恶意方使用公共或其他已识别网络中的连接来重新识别他先前获得的匿名社交网络发布中的用户时，就会使用这种攻击。在本文中，我们设计和评估一种新的社会去匿名化攻击。特别是，我们认为，用于重新识别节点的相似性函数是这种攻击的一个关键组成部分，我们设计了一个新的措施量身定制的社交网络。我们将这种方法应用到一种叫做“大黄蜂”的攻击中。我们对Bumblebee进行了深入的评估，并表明它显着优于最先进的，例如它具有更高的重新识别率和高精度，对噪声的鲁棒性，并且具有更好的错误控制。
2016-10-13 cs.CR cs.SI
De-anonymization of Social Networks with Communities: When Quantifications Meet Algorithms
如今，一个关键的隐私驱动的问题是通过将匿名社交网络映射到相关的跨域辅助网络来重新识别它们。先前的工作通常基于将社交网络建模为表示用户及其关系的随机图，并且随后通过在没有足够理由的情况下提出的成本函数来量化映射的质量。此外，如何在算法上满足这种量化的需求仍然是未知的，即，找到成本函数的最小值。我们在一个更现实的社会网络模型中解决了这些问题，该模型由社区结构参数化，可以作为去匿名化的辅助信息。通过最大后验概率（MAP）估计，我们的第一个贡献是新的和合理的成本函数，当最小化时，在以最高概率找到正确的映射方面比以前的成本函数具有优越性。成本函数的可行性，然后第一次在算法上的特点。在证明一般乘法不可近似性的同时，我们能够提出两种算法，它们分别在成功进行用户重新识别时具有ε-加法近似性和条件最优性。我们的理论研究结果得到了经验验证，从罕见的真实跨域网络中提取了一个值得注意的数据集，这些数据集再现了真正的社交网络去匿名化。理论和实证观察也表明了社区信息在增强隐私推理中的重要性。
2017-07-27 cs.CR cs.NI cs.SI
Impact of Clustering on the Performance of Network De-anonymization
最近，图匹配算法已被成功地应用到网络去匿名化的问题，其中节点（用户）参与到一个以上的社会网络被识别，只有通过他们的链接到其他成员的结构。这个过程利用了一组初始的种子节点，这些节点足够大，可以触发一个渗透过程，这个过程可以正确地匹配不同社交网络中几乎所有的其他节点。我们的主要贡献是展示聚类所发挥的关键作用，这是现实社会网络图（和许多其他系统）的一个无处不在的功能。聚类既有使匹配算法更容易出错的效果，也有可能大大减少触发渗透所需的种子数量，这要归功于波浪式传播效应。我们证明了这些事实，考虑一个相当普遍的类的随机几何图形与可变聚类水平，并显示如何聪明的算法可以实现令人惊讶的良好性能，同时包含匹配错误。
2015-08-09 cs.SI
Improved Upper and Lower Bound Heuristics for Degree Anonymization in Social Networks
出于对匿名化社交网络数据的强烈兴趣，我们研究了NP-难度匿名化问题：给定一个无向图，任务是添加最少数量的边，使图成为k-匿名的。也就是说，对于每个顶点，必须至少有k-1个完全相同度数的其他顶点。Liu和Terzi [ACM SIGMOD'08]介绍了程度匿名化模型，他们还提出并评估了两阶段启发式。我们提出了一种增强这种启发式，包括新的算法，为每个阶段显着提高以前已知的理论和实际运行时间。此外，我们的算法是针对大规模社交网络优化的，并提供了最优解的上界和下界。值得注意的是，在大约26%的真实数据上，我们提供了（可证明的）最优解决方案;而在其他情况下，我们的上限显着提高了已知的启发式解决方案。
2014-02-25 cs.DS cs.SI
Towards Plausible Graph Anonymization
从在线社交互动中获得的社交图谱包含了大量的信息，这些信息现在被工业界和学术界广泛使用。然而，由于社交图谱包含敏感信息，因此在发布之前需要对其进行适当的匿名处理。现有的大多数图匿名化机制依赖于对原始图的边集的扰动。在本文中，我们发现了这些机制的一个根本弱点：它们忽略了社交图中朋友之间的强结构接近性，从而为匿名化添加了不可信的假边缘。为了利用这一弱点，我们首先提出了一个度量来量化边缘的可扩展性依赖于图嵌入。在三个真实社交网络数据集上进行的大量实验表明，我们的可扩展性度量可以非常有效地区分虚假边缘和原始边缘，在大多数情况下，AUC（ROC曲线下面积）值大于0.95。然后，我们依靠高斯混合模型来自动导出边缘可扩展性值的阈值，以确定边缘是否是假的，这使我们能够在很大程度上从匿名图中恢复原始图。我们进一步证明，我们的图恢复攻击危及所考虑的图匿名化机制提供的隐私保证。为了减轻这种脆弱性，我们提出了一种方法来生成假的但似是而非的边缘给定的图形结构，并将其纳入现有的匿名化机制。我们的评估表明，增强的机制减少了图恢复的机会，减少了图去匿名化的成功率（高达30%），并提供比现有的匿名化机制更好的效用。
2019-11-30 cs.CR cs.SI
Social Media Data Toolkit: Standardization and Anonymization of Social Network Datasets
Sabanci University（萨贝里大学）；Aalto University（阿尔托大学）
本文提出Social Media Data Toolkit工具包，通过统一数据结构和匿名化模块，解决跨平台分析中的数据异质性和一致性问题，支持多平台研究和可重复的社交媒体研究。
2026-04-30 cs.CY cs.SI
Optimal De-Anonymization in Random Graphs with Community Structure
出于学术或广告目的而发布的匿名化社交网络图通过利用与匿名化图相关的第二公共社交网络图形式的边信息而受到去匿名化攻击。这是因为这两者来自真实社会关系的同一个潜在图表。在本文中，我们（i）特征的最大后验概率（MAP）估计的用户身份的匿名图和（ii）提供了成功的去匿名的社区结构的基础图的充分条件。我们的结果推广了先前的工作，假设底层图的Erdens-Rényi型，除了证明在先前的工作中采用的攻击策略的最优性。
2016-12-07 cs.IT cs.SI math.IT
An Information Theoretic Framework for Active De-anonymization in Social Networks Based on Group Memberships
在本文中，一个新的数学公式的问题去匿名的社会网络用户，积极查询他们在社会网络组的成员。在这个公式中，攻击者可以访问社交网络中每个用户的组成员的嘈杂观察。当身份不明的受害者访问恶意网站时，攻击者使用浏览器历史记录嗅探来查询受害者的社交媒体活动。特别地，它可以对受害者的组成员身份和受害者的身份进行极性查询。攻击者会收到对她的查询的嘈杂响应。目标是以最少的查询次数对受害者进行去匿名化。从一个严格的数学模型，这个主动去匿名化问题，上界的攻击者的预期查询成本的推导，并提出了新的攻击算法，实现这一界限。这些算法在计算成本和性能方面各不相同。结果表明，以前的启发式方法，这个问题提供了次优的解决方案。
2017-10-11 cs.CR cs.IT cs.SI
Parallel Clustering of Graphs for Anonymization and Recommender Systems
图聚类被广泛应用于许多数据分析应用中。在本文中，我们提出了几个并行图聚类算法的Monte Carlo模拟和期望最大化的背景下，随机块模型。我们将这些算法应用于推荐系统和社交网络匿名化的具体问题。我们将实验结果与以前的命题进行比较。
2016-09-02 cs.DS cs.IR cs.SI
On the k-Anonymization of Time-varying and Multi-layer Social Graphs
在线社交媒体平台的普及为研究现实世界的复杂互动网络提供了前所未有的机会。然而，向研究人员和公众发布这些数据的代价是可能暴露隐私和敏感的用户信息。已经表明，通过移除节点的身份来对网络进行朴素的匿名化不足以保护用户的隐私。为了应对恶意攻击，已经提出了k-匿名解决方案来部分混淆可用于推断节点身份的拓扑信息。在本文中，我们研究了在时变图中确保k-匿名的问题，即，具有随时间变化的结构的图，以及多层图，即，具有多种类型链接的图表。更具体地说，我们研究的情况下，攻击者可以访问的程度的节点。目标是生成一个新的图，其中给定图的每个（时间）层中的节点的度，这样的节点与图中的其他k-1个节点保持不可区分。为了实现这一点，我们找到了图节点的最佳划分，使得每个组内的匿名化度信息的成本最小。我们表明，这减少到一个特殊的情况下，广义分配问题，我们提出了一个简单而有效的算法来解决它。最后，我们引入了一个迭代线性规划方法，以加强匿名度序列的可实现性。该方法的有效性进行评估，通过一组广泛的实验合成和现实世界的图形。
2015-03-22 cs.CR cs.SI
Social Media and User Privacy
在线用户产生了大量的数据。为了更好地服务用户，需要在研究人员、广告商和应用程序开发人员之间共享用户相关数据。公布这些数据将引发对用户隐私的更多担忧。为了鼓励数据共享并减轻用户隐私问题，已经开发了许多匿名化和去匿名化算法来帮助保护用户的隐私。本文回顾了我的博士研究在线用户的隐私，特别是在社交媒体。特别是，我提出了一种新的专门针对社交媒体数据的对抗攻击。我还提供了一种原则性的方法来评估匿名化社交媒体数据的不同方面的有效性。我的工作揭示了社交媒体数据中新的隐私风险，这是由于用户生成数据的固有异质性。
2018-06-26 cs.CR cs.SI
Securing Social Media User Data - An Adversarial Approach
社交媒体用户产生了大量的数据。为了更好地服务用户，需要在研究人员、广告商和应用程序开发人员之间共享用户相关数据。公布这些数据将引发对用户隐私的更多担忧。为了鼓励数据共享并减轻用户隐私问题，已经开发了许多匿名化和去匿名化算法来帮助保护社交媒体用户的隐私。在这项工作中，我们提出了一个新的对抗攻击专门用于社会媒体数据。我们还提供了一种原则性的方法来评估匿名化社交媒体数据的不同方面的有效性。我们的工作揭示了社交媒体数据中新的隐私风险，这是由于用户生成数据的固有异质性，需要在共享用户数据和保护用户隐私之间取得平衡。
2018-05-01 cs.CR cs.SI
An Analysis of the Consequences of the General Data Protection Regulation (GDPR) on Social Network Research
本文探讨了《通用数据保护条例》（GDPR）在社交网络数据方面概述的原则。我们提供了符合GDPR的社交网络数据处理的实用指南，涵盖了数据汇集，同意，匿名化和数据分析等方面，并对监管所依据的一般原则在此研究领域实例化时出现的问题进行了更广泛的讨论。
2019-10-05 cs.SI
Privacy in Social Media: Identification, Mitigation and Applications
社交媒体的日益普及吸引了大量的人每天参加许多活动。这会产生大量丰富的用户生成数据。这些数据为研究人员和服务提供商提供了研究和更好地了解用户行为的机会，并进一步提高个性化服务的质量。发布用户生成的数据有暴露个人隐私的风险。社交媒体中的用户隐私是一个新兴的任务，近年来引起了越来越多的关注。这些作品从两个不同的角度研究了社交媒体中的隐私问题：识别漏洞和减轻隐私风险。最近的研究表明，用户生成的数据对两种一般类型的攻击，身份披露和属性披露的脆弱性。这些隐私问题要求社交媒体数据发布者在发布之前通过对用户生成的数据进行净化来保护用户的隐私。因此，已经提出了各种保护技术来匿名化用户生成的社交媒体数据。有大量的文献从许多角度对社交媒体中的用户隐私进行了研究。在本次调查中，我们回顾了社交媒体中用户隐私的主要成就。特别是，我们审查和比较国家的最先进的算法方面的隐私泄漏攻击和匿名化算法。我们从社交媒体的不同方面概述了隐私风险，并将相关工作分为五组：1）图形数据匿名化和去匿名化，2）作者身份识别，3）个人资料属性泄露，4）用户位置和隐私，以及5）推荐系统和隐私问题。我们还讨论了社会化媒体中用户隐私问题的开放问题和未来的研究方向。
2018-08-07 cs.CR cs.SI
De-anonymizing scale-free social networks by percolation graph matching
我们解决的问题时，人与人之间的关系描述的无标度图的社交网络去匿名化。特别是，我们提出了一个严格的，渐近的数学分析网络去匿名化问题，同时捕捉幂律节点度分布的影响，这是一个基本的和相当普遍的特点，许多复杂的系统，如社交网络。通过应用自举渗透和一种新的图切片技术，我们证明了大的不均匀性的节点度导致显着减少的初始节点集，必须是已知的先验（种子），以成功地识别所有其他用户。我们的特点是使用不同的标准选择种子时，这一套的大小，我们表明，他们的数量可以小到$n^ε$，任何小${ε>0}$。我们的研究结果是通过一个真实的社会网络图上的模拟实验进行验证。
2014-11-26 cs.SI physics.soc-ph
Quantification of the propagation of rumors on social media
社交网络上谣言（未经验证的信息）的传播受到几个因素的影响，主要与这些信息的内容有关，特别是与该网络上传播谣言的行为者的行为（配置文件）有关。这种事态可能会改变这种传播的情况可能是，这就是我们所说的谣言的深度。这个项目正在解决这个问题。从一个真实的情况下，在Twitter上的谣言的传播，这方面的贡献提出了一个学术方法来量化的深度谣言的社交网络和这一点，使用和解释，由专家关注的性质，这一信息及其审计师。
2020-04-06 cs.SI
On the Privacy of dK-Random Graphs
真实的社交网络数据集为理解诸如信息扩散或网络演化等现象提供了显著的益处。然而，共享真实的图形数据集所带来的隐私风险，即使在剥离用户身份信息的情况下，也是巨大的。先前的研究表明，许多图匿名化技术无法抵抗现有的图去匿名化攻击。然而，这种去匿名化攻击成功的具体原因还有待了解。本文系统地研究了真实图的结构特性，这些特性使它们更容易受到基于机器学习的去匿名化技术的影响。更确切地说，我们研究了基于真实图数据集的结构属性的匿名边界，即基于dK的匿名版本如何抵抗（或失败）各种类型的攻击。我们的实验结果导致三个贡献。首先，我们根据节点子集的图特征来识别攻击者的强度，从该节点子集开始去匿名化攻击。其次，我们量化了dK-系列用于图匿名化的相对有效性。第三，我们确定原始图的属性，使其更容易被去匿名化。
2019-07-03 cs.IR cs.SI
De-anonymizing Social Networks with Overlapping Community Structure
社交网络的出现对用户隐私构成了严重威胁，因为对手可以通过将用户的身份映射到相关的跨域网络来对用户的身份进行去匿名化。在没有地面实况映射的情况下，现有文献提出了各种成本函数，希望测量映射的质量。然而，通常缺乏成本函数背后的基本原理，其最小值也仍然是算法未知的。我们在由重叠社区参数化的更实际的社交网络模型下共同解决上述问题，重叠社区被现有技术忽略，可以用作去匿名化的辅助信息。关于地面实况映射到对手的不可用性，凭借最小均方误差（MMSE），我们的第一个贡献是一个合理的成本函数，最大限度地减少所有可能的真实映射的不匹配用户的预期数量。在证明最小化MMSE的NP-困难性的同时，我们有效地将其转化为加权边匹配问题（Weighted-Edge Matching Problem，WEMP），从理论上解决了最优性和复杂性之间的矛盾：（i）在较大的网络规模下，在较高的重叠强度下，WEMP渐近返回可忽略的映射误差;（ii）WEMP可以通过基于凸-凹的去匿名化算法（CBDA）在算法上表征，完美地找到WEMP的最佳值。大量的实验进一步证实了CBDA在重叠社区下的有效性，当社区重叠密集时，在罕见的真正跨域合著者网络中平均90%的重新识别用户，与非重叠情况相比，大约70%的重新识别率提高。
2017-12-12 cs.SI
Structural Diversity for Resisting Community Identification in Published Social Networks
随着越来越多的社交网络数据被发布和共享用于商业和研究目的，关于社交网络中的个人的隐私问题已经成为严重的问题。顶点识别是基于顶点度等背景知识从网络中识别特定用户的一个重要问题。然而，在现实中，社交网络中的每个个体倾向于不仅与顶点身份相关联，而且与社区身份相关联，社区身份可以表示对公众敏感的个人隐私信息，例如政党归属。本文首先解决了新的隐私问题，被称为社区识别，通过显示，即使社会网络的保护，现有的匿名计划的受害者的社区身份仍然可以推断。针对这个问题，我们提出了\textit{structural diversity}的概念来提供社区身份的匿名性。$k$ -结构多样性分析（$k$ -SDA）是为了确保在社交网络中的至少$k$社区中具有相同顶点度的足够顶点。我们提出了一个可扩展的编程公式，以找到最佳的解决方案，$k$ -SDA，也设计了可扩展的算法，以解决大规模的情况下，$k$ -SDA从不同的角度。真实数据集上的性能研究从不同的角度证明了所提出的隐私方案和我们的匿名化方法的实际效用。
2013-02-13 cs.DS cs.SI
Social Network Analysis of Corruption Structures: Adjacency Matrices Supporting the Visualization and Quantification of Layeredness
通常，腐败被描述为发生在一个网络中或由一个网络支持：一个以某种方式组织起来的个人的集合，以便能够进行贿赂交易。令人惊讶的是，尽管有网络术语，但很少使用网络科学的工具从网络角度分析腐败。在此，我们将论证，从网络科学的视角来分析腐败，有利于对腐败的认识。在通过这一章，一个贡献的自由Amicorum在荣誉利奥休伯特，然后给出了一个非常简短的介绍社会网络分析。
2019-09-17 cs.SI physics.soc-ph
Conceptual quantification of the dynamicity of longitudinal social networks
纵向社交网络通过一组参与者（例如个人或组织）之间的链接的创建和/或删除而随着时间的推移而演变。纵向社交网络是网络科学和社会科学研究者研究的对象，旨在了解网络演化、趋势传播、友谊和信仰形成、创新扩散、异常行为传播等。在目前的文献中，有不同的途径和方法（如Sampson方法和马尔可夫模型）来研究纵向社交网络的动力学。这些途径和方法主要用于探索纵向社交网络从一种状态到另一种状态的进化变化，并解释这些变化的根本原因。然而，他们不能量化的动态水平随时间的网络变化和个人网络成员（即演员）对这些变化的贡献。在这项研究中，我们首先制定了一套措施来量化不同方面的动态的纵向社会网络。然后，我们应用这些措施，以进行实证调查，两个不同的纵向社交网络。最后，我们讨论了这些措施的应用和本研究可能的未来研究方向的影响。
2013-11-01 cs.SI physics.soc-ph
Fuzzy k-anonymity in complex networks
Leiden University（莱顿大学）；Statistics Netherlands（荷兰统计局）
本文提出ϕ-k-匿名性方法，通过引入不确定性参数ϕ，在复杂网络中实现更高的匿名性和数据效用，实验表明适度的不确定性能有效提升匿名效果同时保持数据性能。
2026-05-12 cs.SI
Constructing Reliable Social Networks from Conversational Data: An Ensemble Prompt Engineering Approach with Uncertainty Quantification
Yonsei University（延世大学）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
本文提出了一种基于集成提示工程和不确定性量化的框架，用于从对话数据中构建可靠的社交网络，通过多数投票和熵分析提升分类可靠性，并应用于课堂互动数据的网络分析。
2026-09-22 cs.SI stat.AP
Efficient Quantification of Profile Matching Risk in Social Networks
在当今互联的数字世界中，匿名数据共享变得越来越具有挑战性，特别是对于同时具有匿名和已识别在线活动的个人。当今这种数据共享平台的最突出的例子是在线社交网络（OSN）。许多个人在不同的OSN中有多个配置文件，包括匿名和已识别的配置文件（取决于OSN的性质）。在这里，隐私威胁是配置文件匹配：如果攻击者将个人的匿名配置文件与他们的真实身份相关联，它可以获得隐私-敏感信息，这可能会产生严重的后果，例如歧视或勒索。因此，量化并向OSN用户显示这种隐私风险的程度非常重要。现有的尝试在OSN中对配置文件匹配进行建模是不充分的，并且对于实时风险量化来说计算效率低下。因此，在这项工作中，我们开发的算法，有效地建模和量化的配置文件匹配攻击OSN的实时隐私风险量化的一步。为此，我们建模的配置文件匹配问题，使用图和开发一个基于置信传播（BP）的算法来解决这个问题，在一个显着更有效和准确的方式相比，国家的最先进的。我们评估了三个现实生活中的数据集（包括数据从四个不同的社交网络），并显示如何在不同的OSN的用户配置文件可以有效地匹配，并具有很高的概率所提出的框架。我们表明，所提出的模型生成具有线性复杂度的用户对的数量，这是显着更有效的比国家的最先进的（具有立方复杂度）。此外，与最先进的技术相比，它提供了相当的准确性，精确度和召回率。
2020-09-07 cs.CR cs.SI
A Cross-Platform Collection of Social Network Profiles
互联网设备和服务的激增导致我们日常生活中数字和模拟方面的平衡发生变化。面对这一发展，人们越来越需要研究隐私危害、独特用户去匿名化的可能性以及我们许多人维护的各种社交媒体配置文件之间的信息泄漏。为了能够对这种对抗效应进行结构化研究，本文提出了一个跨平台社交网络人物角色的专用数据集（即，同一个人在多个平台上有账户）。该语料库由850名用户组成，他们主要生成英语内容。每个用户对象都包含同一个人在三个不同的社交网络中的在线足迹：Twitter，Instagram和Foursquare。总的来说，它包含超过250万条推文，34万次签到和42k Instagram帖子。我们描述了数据集的收集方法、数据集的特征以及如何获取数据集。最后，我们讨论了一个常见的用例，跨平台用户识别。
2016-07-12 cs.IR cs.SI
Replications in quantitative and qualitative methods: a new era for commensurable digital social sciences
社会科学是建立在比较方法集合实地工作和数据，无论是定量或定性。大数据提供了新的机会来扩展这一要求，以构建可扩展的数据集。本文讲述了前两个量化时代（人口普查和民意调查）的故事，以证明需要一个新的机构被认为是新一代社会科学的目标：行动者网络理论提出的对象和在数字网络中传播的复制。拉图尔的topofil博阿维斯塔的案例研究重新探讨如何定性的方法，致力于比较和演员网络理论的方法扩展复制理论可以提供新的见解，从任何领域的研究，并可能使用数字资源这样做。
2019-02-15 cs.SI
Temporal Activity Path Based Character Correction in Social Networks
海量的多媒体数据中包含着海量的、繁杂的社会信息，这些信息被用来构建大规模的社交网络。在一个复杂的社会网络中，一个角色理想地应该由一个且只有一个顶点来表示。然而，一个字符通常由两个或多个具有不同名称的顶点表示，因此它通常被认为是多个不同的字符。这个问题导致网络分析和挖掘结果的不正确。事实上的挑战是，由于许多复杂的因素，例如名称更改和匿名化，很难正确确认字符的唯一性，从而导致字符重复。早期有限的研究表明，以前的方法过度依赖于数据库中的补充属性信息。在本文中，我们提出了一种新的方法来合并的字符顶点指的是同一个实体，但用不同的名称表示。该方法首先从多媒体源中提取人物参与的社会活动记录，并根据这些记录建立人物之间的关系网络。然后为每个角色定义时间活动路径（TAP）。之后，我们测量任何两个字符的TAP的相似性。如果相似度足够高，则应将两个顶点视为同一字符。基于TAP，我们可以确定是否合并两个字符顶点。实验结果表明，该方法可以在大规模的社会网络中准确地确定字符的唯一性。
2018-06-23 cs.MM cs.SI
Modeling Emotional Dynamics in Social Networks: Uncovering the Positive Role of Information Cocoons in Group Emotional Stabilization
本研究提出基于观点的网络演化模型与高阶结构H-CAC，量化个性化评论推荐引发的信息茧房对群体情感动态的影响，发现茧房虽降低内容多样性但能显著增强群体情感韧性，为设计情感稳定的算法治理社交平台提供新见解。
2025-04-03 cs.SI
Quantifying Location Sociality
基于地理位置的社交网络的出现为研究人类流动与社会关系之间的相互作用提供了前所未有的机会。这项工作是量化一个地点是否适合进行社会活动的一个步骤，这个概念被命名为地点社会性。能够量化位置的社会性创造了实际的机会，如城市规划和位置推荐。为了量化一个位置的社会性，我们提出了一个混合模型的HITS和PageRank异构网络连接用户和位置。通过利用纽约和洛杉矶的Instagram用户生成的数百万个签到数据，我们研究了位置社交性与几个位置属性之间的关系，包括位置类别，评级和受欢迎程度。我们还进行了两个案例研究，即，友谊预测和位置推荐，实验结果表明，我们的量化的有用性。
2017-09-04 cs.SI physics.soc-ph
Privacy Leakage through Innocent Content Sharing in Online Social Networks
在线社交网络和全球化互联网接入的日益普及和无处不在影响了人们分享内容的方式。用户在这些平台上自愿披露的信息可以用于各种目的，从建立广告的消费者模型到推断个人的、可能具有侵犯性的信息。在这项工作中，我们使用Twitter，Instagram和Foursquare数据来传达这样一个想法，即用户共享的内容，特别是在跨平台聚合时，可能会泄露比最初预期更多的信息。我们进行了两个案例研究：首先，我们通过模仿在一组用户中查找匿名帖子的用户身份的场景来执行用户去匿名化。对真实社会网络配置文件样本的实证评估表明，跨平台聚合在用户识别方面带来了显着的性能增益。在第二个任务中，我们证明了可以根据共享的Twitter和Instagram内容推断用户的物理位置访问。我们提出了一个信息性评分函数，估计的相关性和新颖性的共享信息的推理任务。这一措施是验证使用主动学习框架，选择最翔实的内容在每个给定的时间点。基于一个大规模的数据样本，我们表明，通过这样做，我们可以获得更好的推理性能。在某些情况下，这种性能甚至超过了使用用户的完整时间轴。
2016-07-10 cs.CY cs.SI
Translating Social Media Crisis Narratives into Road Network Utilization Metrics: The Case of 2020 Oklahoma Ice Storm
发生灾害时的风险沟通是复杂的，涉及社交网络（即，公共和（或）私营机构;当地居民）以及有形基础设施网络的动员能力有限和运营制约。尽管有关基础设施相互依赖性和相互依赖的社会物理系统的文献越来越多，但对在线社交网络中的风险沟通在重大灾难期间如何影响物理基础设施网络的深入了解仍然有限，更不用说复合风险事件了。这项研究分析了大规模的危机流动性和活动相关的社会互动和关注的数据集，这些数据集通过社交媒体（Twitter）为俄克拉荷马州受冰风暴（2020年10月）影响的社区提供。在COVID-19大流行的情况下，俄克拉荷马州居民面临着这场历史性的冰暴（2020年10月26日至2020年10月29日），由于冰堆积过多，造成了毁灭性的交通影响（其中包括）。通过使用Twitter最近发布的学术应用程序编程接口（API），提供完整和公正的数据，地理标记的tweets（大约。210 K）收集了覆盖整个俄克拉何马州，和冰风暴相关的推文（约。14.2K）。首先，该研究使用自然语言处理和文本量化技术来翻译危机叙述（即，tweets）。接下来，使用传统的GIS技术将地理标记的推文映射到位于同一地点的道路网络中。最后，使用网络科学理论和量化的社会叙事来解释道路网络的不同元素（例如，地方公路、高速公路等）为俄克拉何马州社区提供服务，这些社区在大流行期间受到冰风暴事件的影响。
2022-12-16 cs.SI
A Random Matrix Approach to Differential Privacy and Structure Preserved Social Network Graph Publishing
在线社交网络正越来越多地用于分析各种社会现象，例如流行病学、信息传播、营销和情感流动。流行的分析技术，如聚类和有影响力的节点分析，需要计算实图的邻接矩阵的特征向量。最近对Netflix和AOL数据集的去匿名化攻击表明，对此类图表的开放获取会造成隐私威胁。在各种隐私保护模型中，差分隐私提供了最强的隐私保护。结合随机矩阵理论和差分隐私理论，提出了一种满足差分隐私保证的社交网络图数据发布隐私保护机制.其核心思想是利用随机投影方法将邻接矩阵的每一行投影到一个低维空间，然后用随机噪声扰动投影矩阵。我们表明，与现有的方法相比，差分私人近似的特征向量，我们的方法是计算效率高，保持效用和满足差分隐私。我们评估我们的方法在Facebook，Live Journal和Pokec的社交网络图。结果表明，即使对于高值的噪声方差σ = 1的归一化互信息增益给出的聚类质量是低至0.74。对于有影响力的节点发现，所提出的方法是能够正确地恢复80个最有影响力的节点。我们还将我们的结果与[43]中提出的方法进行了比较，该方法通过拉普拉斯噪声直接扰动原始数据的特征向量。结果表明，该方法需要较大的随机扰动才能保持差分隐私，从而导致对大型社交网络的特征向量估计不佳。
2013-07-01 cs.CR cs.SI physics.soc-ph
How women organize social networks different from men
社交网络的叠加，如通信、友谊或贸易网络，被称为多重网络，构成了人类社会的结构支柱。新的数据集现在允许量化和探索多重网络。在这里，我们从一个约30万玩家的在线游戏社会的完整行为数据集研究了多元网络的性别差异。就个人而言，女性在经济上的表现比男性好，而且承担的风险也比男性少。男性回应女性的友谊请求的速度比反之亦然，并犹豫回应女性的敌对行动。在网络层面上，女性有更多的沟通伙伴，谁是连接比男性的合作伙伴。我们发现一个强大的同质性效应的女性和更高的聚类系数的女性在贸易和攻击网络。男性之间的合作联系不多，反映出男性之间对资源的竞争。这些结果从数量上证实了女性和男性管理社交网络的方式有很大的不同。
2013-07-08 cs.SI physics.soc-ph
Who creates trends in online social media: The crowd or opinion leaders?
在线社交媒体的趋势总是反映了整个网络中大量个人的集体关注。例如，网络俚语可以在极短的时间内因社会模因和网络传播而无处不在。通过对中国微博的研究发现，网络流行语的使用在时间演变过程中经历了两个高峰，其中前者的使用率远低于后者。事实上，这一有趣的现象提供了一个体面的窗口，揭示了推动在线社交媒体大规模扩散趋势的基本因素。具体而言，通过对不同峰值所代表的传播效果进行深入比较，发现在传播初期，人群的关注度越高，传播效果越好;而在传播初期，意见领袖的主导参与度越高，传播效果越差。我们的研究结果在定量上挑战了传统的影响者假设。并讨论了这些新发现对营销实践和社交网络中影响力最大化的影响。
2014-09-05 cs.CY cs.SI physics.soc-ph
Discord Unveiled: A Comprehensive Dataset of Public Communication (2015-2024)
本文介绍了Discord Unveiled数据集，涵盖2015至2024年超20.5亿条消息，为分析去中心化审核、社区治理及社会动态提供了最大规模的公共通信资源。
2025-02-02 cs.DB cs.SI
Academic Performance and Behavioral Patterns
确定影响学业成绩的因素是教育研究的重要组成部分。以前的研究已经证明了人格特质，上课出勤率和社会网络结构的重要性。由于大多数这些分析是基于一个单一的行为方面和/或小样本量，目前还没有量化这些因素的相互作用。在这里，我们研究了一个由538名本科生组成的群体的学习成绩，他们形成了一个单一的、紧密相连的社交网络。我们的工作是基于使用智能手机收集的数据，学生们使用智能手机作为他们的主要手机两年。来自单一人群的多渠道数据的可用性使我们能够直接比较个人和社会特征的解释力。我们发现，最翔实的性能指标是基于社会关系和网络指标导致更好的模型性能比个人特征（包括个性和上课出勤率）。我们证实了早期的研究结果，上课出勤率是最重要的个人特征之间的预测。最后，我们的研究结果表明，大学生之间存在强烈的同质性和/或同伴效应。
2018-04-09 cs.CY cs.SI
Tight Practical Bounds for Subgraph Densities in Ego-centric Networks
本文提出更紧的子图密度界及子图扩展比度量，结合旗代数、模体计数与拓扑数据分析，实现对不同网络类型的量化比较，实证显示社交网络子图扩展比更小。
2025-05-21 cs.SI
Can we Quantify Trust? Towards a Trust-based Resilient SIoT Network
本文研究社交物联网中的信任量化问题，提出融合直接信任、间接推荐信任及社交相似性关系，并通过加权求和生成单一信任分数，以识别可信对象和信任相关攻击，构建弹性SIoT网络。
2023-05-12 cs.CR cs.SI
Searchability of central nodes in networks
社交网络是离散系统，在节点（个体）之间具有大量的异质性。中心性度量旨在量化节点对结构和功能的重要性。在这里，我们问在何种程度上最中心的节点可以找到纯粹的本地搜索。我们发现，许多网络在特征向量中心性下具有接近最优的可搜索性，优于度和介数的搜索。在流行病动态中，最强传播者的可搜索性往往比亚临界传播大得多。
2013-06-11 cs.SI physics.soc-ph
Stochastic gradient descent-based inference for dynamic network models with attractors
针对带吸引子的协同演化潜空间网络模型依赖MCMC难以扩展、节点需全程存在的问题，提出基于SGD的参数估计与不确定性量化方法并扩展支持节点动态进出，精度损失小且可扩展至大规模网络，应用于美国国会议员X平台社交网络克服选择偏差并发现共和党内部排斥力变化。
2024-12-15 cs.SI stat.ME
Combining Density and Overlap (CoDO): A New Method for Assessing the Significance of Overlap Among Subgraphs
图中簇（包括重叠簇）的检测算法在研究界受到了极大的关注。问题的一个密切相关的重要方面--聚类重叠的统计意义的量化，仍然相对未被探索。本文提出了第一个理论和实践的结果，在网络中的集群之间的统计显着的相互作用量化。这些问题通常出现在不同的应用中，从社会网络分析到系统生物学。本文讨论了在Erdens-Rényi图模型中对两个聚类重叠的统计显著性进行量化的问题。本文提出的分析框架分配一个$p$ -值重叠的子图相结合的信息的大小的子图和它们的边缘密度相比，其重叠的组件的相应值。该$p$值被证明在实际应用中具有优异的鉴别性能，并且在宽的参数范围内具有鲁棒性。我们的研究结果在合成，社会和生物网络上得到了全面验证。我们展示了我们的框架：（i）从社区之间重叠的密度和大小（圆圈/路径）中获得洞察力，（ii）在所有测试数据集上始终优于最先进的方法，（iii）与其他措施相比，具有更广泛的应用范围。在社交网络的背景下，我们确定了高度相互依赖的（社会）圈子，并表明我们的预测是高度共同丰富的已知用户功能。在生物分子相互作用的网络中，我们表明，我们的方法确定了新的通路之间的串扰，揭示了它们的相互作用机制，并为生物分子相互作用的研究提供了新的机会。
2016-05-19 cs.SI physics.soc-ph
Graph Machine Learning based Doubly Robust Estimator for Network Causal Effects
UC San Diego（加州大学圣地亚哥分校）；Johns Hopkins University（约翰斯·霍普金斯大学）；Duke University（杜克大学）
本文提出基于图机器学习和双重机器学习的方法，用于估计社交网络中的因果效应，通过模拟验证其准确性、稳健性和可扩展性。
2026-02-19 cs.LG cs.SI stat.ME
A Modular Multiscale Approach to Overlapping Community Detection
在这项工作中，我们解决了在社交网络中检测重叠社区的问题。由于“社区”一词含义模糊，因此有必要在特定类型问题的背景下量化社区的含义。我们的解释是，这种量化必须在至少三个尺度上进行。这些尺度是在以下层面上的：单个节点、单个社区和整个网络。这些尺度中的每一个都涉及到在其他尺度中无法准确表示的群落结构的数量特征，但对于定义特定的群落概念很重要。我们的工作重点是提供合理的方法来量化在每个尺度上适用于社交网络的社区概念，并使用这些模型来开发一个社区发现算法。我们的方法的吸引人的特点是，它自然地允许节点属于多个社区，并且对于具有低整体边缘密度的大型网络来说，计算效率很高。该算法的尺度是$O(N~\overline{k^2} + \overline{N_{com}^2})$，其中$N$是网络中的节点数，$\overline{N_{com}^2}$是平均平方社区大小，$\overline{k^2}$是节点度平方的期望值。虽然我们的工作重点是开发一个计算效率高的算法重叠社区发现的背景下，社交网络，我们的主要贡献是开发一种方法，是高度模块化的，可以很容易地适应特定的社区概念。
2015-01-22 cs.SI physics.soc-ph
netseg: a Python Package for Measuring Structural Polarization and Segregation in Social Networks
Kozminski University, Warsaw, Poland（科兹明斯基大学）
netseg是一个Python包，实现了社交网络结构极化和隔离的多种指标，支持多组和有向图，性能优于现有实现，并允许自定义零模型，应用于历史铁路网络分析。
2026-09-16 cs.CY cs.SI
Inductive Representation Learning in Temporal Networks via Causal Anonymous Walks
Stanford University（斯坦福大学）；Purdue University（普渡大学）
时态网络是许多现实世界动态系统的抽象。这些网络通常根据某些规律发展，例如三元闭合定律，这在社交网络中是普遍的。时态网络的归纳表示学习应该能够捕捉到这样的规律，并进一步应用于遵循相同规律但在训练阶段尚未发现的系统。以前的工作在这方面依赖于网络节点的身份或丰富的边缘属性，通常无法提取这些法律。在这里，我们提出了因果匿名散步（CAWs）归纳表示一个时间网络。CAW通过时间随机游走提取，并作为时间网络图案的自动检索来表示网络动态，同时避免了耗时的选择和计数这些图案。CAWs采用了一种新的匿名化策略，该策略基于一组采样的行走，用节点的命中计数代替节点身份，以保持方法的归纳性，同时建立motif之间的相关性。我们进一步提出了一个神经网络模型CAW-N来编码CAW，并将其与具有恒定内存和时间成本的CAW采样策略配对，以支持在线训练和推理。CAW-N被评估为预测6个实时网络上的链接，并且在归纳设置中平均10%的AUC增益均匀优于以前的SOTA方法。CAW-N在6个网络中的4个中也优于先前的方法。
2022-10-31 cs.LG cs.SI stat.ML
