Social-Media Activity Forecasting with Exogenous Information Signals
University of South Florida（南佛罗里达大学）
由于社交媒体平台的广泛采用，它为研究和理解社会行为提供了理想的环境，特别是在信息传播方面。对社交媒体活动进行建模具有许多实际意义，例如支持分析战略信息操作的努力，设计干预技术以减轻虚假信息，或在救灾行动中提供关键信息。在本文中，我们提出了一种建模技术，预测特定主题的社交媒体活动的日常量，通过使用两个外源信号，如新闻或武装冲突记录，和内源性数据从我们的社交媒体平台模型。实证评估与真实数据集从两个不同的平台和两个不同的背景下，每个组成的多个相互关联的主题证明了我们的解决方案的有效性。
2021-09-22 cs.LG cs.SI
Steering the Herd: A Framework for LLM-based Control of Social Learning
University of Pennsylvania（宾夕法尼亚大学）
本文提出了一种基于 LLM 的社会学习控制框架，研究信息中介如何通过动态规划和贝叶斯更新影响社会福利和群体行为。
2026-02-04 cs.CY cs.GT cs.MA
Scale-Adaptive Group Optimization for Social Activity Planning
研究表明，每个人更倾向于享受一个团体活动时，1）她感兴趣的活动，2）许多有相同兴趣的朋友加入它以及。然而，即使在在线社交网络中可获得兴趣和社交紧密度信息，如今许多社交群体活动仍然需要手动协调。因此，在本文中，我们首先制定了一个新的问题，命名为小组活动的参与者选择（PSGA），以确定组的大小，并选择适当的参与者，使个人利益和社会紧密度的总和最大化的组中的参与者，而活动成本也仔细检查。为了解决这个问题，我们设计了一个新的随机算法，称为预算感知随机组选择（BARGS），以最优分配计算预算，有效地选择组的大小和参与者，我们证明了BARGS可以获得具有保证性能界的解决方案。在Facebook上实现了该算法，实验结果表明，该算法生成的社交群组显著优于基线方案。
2015-03-13 cs.SI
Willingness Optimization for Social Group Activity
研究表明，一个人愿意参加一个社会团体活动，如果活动是有趣的，如果一些亲密的朋友也加入活动的同伴。文献表明，一个人的兴趣和朋友之间的社交紧密度可以有效地从社交网站中获得和挖掘。然而，即使在上述两种信息广泛可用的情况下，社交群组活动仍然需要手动协调，并且由于社交连接的复杂性和朋友之间可能的兴趣的多样性，该过程对于用户来说是繁琐和耗时的，特别是对于大型社交群组活动。为了解决上述重要的需求，本文提出了自动选择和推荐潜在的社会群体活动的参与者，这可能是非常有用的社交网站作为一个增值服务。我们首先制定了一个新的问题，命名为社会群体的意愿最大化（WASO）。本文指出用贪心算法求得的解很可能陷入局部最优解。因此，我们设计了一种新的随机算法来有效地解决这个问题。给定可用的计算预算，所提出的算法是能够最佳地分配资源，并找到一个近似比的解决方案。我们在Facebook上实现了该算法，用户研究表明，该算法获得的社会群体显着优于用户手动配置的解决方案。
2013-09-01 cs.SI physics.soc-ph
Shaping Social Activity by Incentivizing Users
在线社交网络中的事件可以大致分为内源性事件，其中用户只是对网络内邻居的行为做出响应，或者外源性事件，其中用户由于网络外部的驱动而采取行动。应该为每个用户提供多少外部驱动器，以便网络活动可以转向目标状态？在本文中，我们使用多变量Hawkes过程，它可以捕获内源性和外源性事件强度的社会事件模型，并推导出一个依赖于时间的线性关系外源性事件的强度和整体网络活动。利用这种连接，我们开发了一个凸优化框架，用于确定所需的外部驱动器水平，以使网络达到所需的活动水平。我们对从Twitter收集的事件数据进行了实验，结果表明，我们的方法可以比其他方法更准确地引导网络的活动。
2014-08-19 cs.SI
An Analysis of Socialbots Activity and Influence in Modern Japanese Social Media
本文分析了日本社交媒体中社交机器人活动及其影响，发现其影响力大于2016年美国总统大选，并探讨了进一步研究的方法。
2023-12-30 cs.SI
Collective behaviour of social bots is encoded in their temporal Twitter activity
计算宣传部署社交或政治机器人，试图塑造、引导和操纵在线公共讨论，并影响决策。社交机器人群体的集体行为尚未得到广泛研究，尽管对机器人之间交互所产生的集体模式的理解将有助于社交机器人检测。在这里，我们表明，从Twitter活动中检测到的机器人群体和人类群体之间的集体行为存在显着差异。使用我们在英国欧盟公投活动期间收集的大量推文数据集，我们根据用户高频推文活动的序列长度将其分为机器人群体和人类群体。我们发现，虽然用户之间的成对相关性很弱，但它们与集体相关状态共存，但是两个群体的相关性和共同尖峰概率的统计数据不同。我们的研究结果表明，社交媒体中的社交机器人和人类用户群体表现出类似于在临界点附近的社交和生物系统中发现的集体属性。
2017-05-31 cs.SI physics.soc-ph
D-Tracker: Modeling Interest Diffusion in Social Activity Tensor Data Streams
SANKEN, Osaka University（SANKEN，大阪大学）
本文提出D-Tracker方法，将偏微分方程融入张量分解框架，以可解释、无超参数且可扩展的方式持续捕获社交活动张量数据流中的时间模式并预测未来活动，实验证明其在更短时间内实现了更高预测精度并提取了位置间兴趣扩散。
2025-05-01 cs.LG cs.SI
Uncovering the Spatiotemporal Patterns of Collective Social Activity
社交媒体用户和微博用户在参与各种各样的（离线）集体社交活动时发帖，从音乐会和体育赛事到政治集会和民间抗议。在这种情况下，参加同一集体社交活动的人经常在相似的时间从附近的位置发布密切相关的内容，从而形成独特的时空模式。我们能否自动检测这些模式，从而提供对相关活动的洞察？在本文中，我们提出了一个用于对流时空数据进行聚类的建模框架，即空间狄利克雷霍克斯过程（SDHP），它使我们能够从地理定位的在线轨迹中自动发现集体社会活动的各种时空模式。此外，我们开发了一种基于顺序蒙特卡罗的高效在线推理算法，可扩展到数百万个地理位置的帖子。对从Twitter收集的合成数据和真实数据的实验表明，我们的框架可以在内容和时空动态方面恢复各种有意义的社交活动模式，它产生了关于这些模式的有趣见解，并且它可以用于估计发布推文的位置。
2017-01-10 cs.DS cs.SI
Using Proximity to Predict Activity in Social Networks
社交网络的结构包含了可用于预测其演变的信息。从某种意义上说，“近”的节点比更远的节点更有可能在未来连接起来。我们表明，结构信息也可以帮助预测节点的活动。我们使用接近度来捕捉网络中两个节点彼此“接近”的程度。除了在链接预测任务中使用的标准邻近度量，如邻域重叠，我们引入了新的度量模型，不同类型的网络节点之间可能发生的相互作用。我们认为，“更接近”的节点在社会网络中，更相似的是他们的活动。我们研究这种说法使用的数据在社交媒体网站Digg和Twitter上的URL推荐。我们表明，在追随者图中的两个用户的结构接近度与他们的活动的相似性有关，即，两人推荐了多少个URL。我们还表明，给定朋友的活动，知道他们与用户的接近程度可以帮助更好地预测用户将推荐哪些URL。我们比较了不同的接近度指标的活动预测任务的性能，并发现一些指标导致实质性的性能改善。
2011-12-13 cs.SI physics.soc-ph
Communication activity in a social network: relation between long-term correlations and inter-event clustering
人类在社交网络中交流的时间模式并不是随机的。相反，沟通是由新兴的统计规律，如非平凡的相关性和集群。最近，我们发现用户在社交社区中的活动存在长期相关性。在这里，我们将这项工作扩展到研究整个社区的集体行为。我们的目标是了解集群和长期持久性的起源。在个人层面上，我们发现，在活动的相关性是一个副产品的聚类表示在幂律分布的事件间的时间的单个用户。相反，整个社区的活动呈现出长期的相关性，这是系统真正的涌现属性，即它们与事件间时间的分布无关。这一结果表明，存在的集体行为，可能产生于非平凡的通信模式，通过嵌入的社会网络。
2012-05-08 cs.SI physics.soc-ph
Understanding Information Spreading in Social Media during Hurricane Sandy: User Activity and Network Properties
许多人在灾害期间使用社交媒体寻求信息，但无法获得传统的信息源。在这项研究中，我们分析了Twitter数据，以了解飓风桑迪期间社交媒体用户的信息传播活动。我们根据活动水平创建Twitter用户的多个子图，并分析子图的网络属性。我们观察到，用户信息共享活动遵循幂律分布，这表明存在一些高度活跃的节点在传播信息和许多其他节点不太活跃。我们还观察到足够接近的连接组件和隔离在所有级别的活动，网络变得不那么可传递，但更大的子图的可预测性。我们还分析了用户活动和可能影响用户行为的特征之间的关联，以在危机期间传播信息。如果用户在网络中处于中心位置，不那么古怪，并且拥有更高的学位，那么他们在传播信息方面会变得更加活跃。我们的分析提供了关于如何利用用户特征和网络属性来传播信息或限制危机事件期间错误信息传播的见解。
2017-06-09 cs.SI
Recommending Influenceable Targets based on Influence Propagation through Activity Behaviors in Online Social Media
Amity Institute of Information Technology (AIIT), Amity University（阿米蒂信息技术学院（AIIT），阿米蒂大学）
在线社交媒体（OSM）是一个平台，通过它，用户通过消息传递，发布，反应，标记和分享不同的内容以及其他社交活动将自己呈现给连接的世界。如今，它对行业，商业和社会的各个方面以及用户生活产生了巨大的影响。在OSN平台中，接触目标用户是大多数企业和其他组织的主要关注点之一。识别和推荐有影响力的目标有助于高效和有效地吸引适当的受众。在本文中，一个有效的模型已被讨论在自我中心的OSN，结合一个有效的影响力测量推荐系统，以产生一个列表中的所有连接的网络成员中的任何特定的社交网络用户的最具影响力的目标用户。首先，基于所有活动更新了交互网络成员的列表。基于情感类型的特定影响力类别，推荐具有最相似活动的交互网络成员。之后，通过分析这些更新的交互网络成员列表中的最有影响力的网络成员的活动内容相对于主用户的活动内容的相似性和频率，在所需数量的基础上，以适当的排名来识别这些最有影响力的网络成员。通过这两个连续的阶段，主要用户的顶级影响力目标的有效列表已经从任何社交网络的自我中心观点中区分出来。
2020-06-04 cs.IR cs.LG cs.SI
Memory effects induce structure in social networks with activity-driven agents
活动驱动建模是近年来提出的一种时变网络的增长机制，它在时间聚集表示中显示幂律度分布。这种方法假设无记忆的代理开发随机连接，从而导致随机网络无法再现两个节点的度相关性和在真实社交网络中广泛观察到的高聚类系数。在这项工作中，我们介绍了这些缺失的拓扑功能，占时间聚合网络的动态演化的记忆效应。为此，我们提出了一个活动驱动的网络增长模型，包括一个三元组关闭步骤作为主要的连接机制。我们表明，这种机制提供了一些基本的拓扑功能预期的社交网络。我们推导出分析结果，并进行了广泛的数值模拟，在政权和人口增长。最后，我们提出了两个案例的研究，一个包括面对面的接触，在一个封闭的聚会，而另一个从一个在线的社会友谊网络。
2014-04-18 cs.SI physics.soc-ph
Online Social Activity Reflects Economic Status
国内生产总值（GDP）、产业结构和收入增长等指标被广泛应用于经济发展的表征和经济健康状况的诊断。然而，基于传统的经济普查计算这些指数通常是昂贵的，消耗资源，更重要的是，有很长的时间延迟。本文通过对中国最大的社交网络新浪微博近2亿用户连续四年的在线社交活动进行分析，旨在探讨网络社交活动与当地经济状况之间的潜在关系。结果表明，在线社交活动与当地经济发展和产业结构有很强的相关性，更有趣的是，它可以在几乎没有成本的情况下即时揭示宏观经济结构。此外，本文的研究也为识别地方经济结构中的风险信号提供了一个新的途径。
2015-09-22 cs.SI physics.soc-ph
Constructing a taxonomy of fine-grained human movement and activity motifs through social media
得益于网络规模的社会数据集的出现，许多最近的研究系统地探讨了大人口和大时间尺度上的人类流动模式。然而，相对较少的注意力已经支付给流动性和活动在较小的时间尺度，如一天。在这里，我们使用Twitter来识别人们经常访问的位置以及他们可能的活动，作为一天中的时间和一周中的一天的函数，利用消息的内容和地理位置。随后，我们描述了人们的过渡模式图案，并表明，空间信息编码在词的选择。
2015-05-11 cs.SI physics.soc-ph
From degree-correlated to payoff-correlated activity for an optimal resolution of social dilemmas
玩家在进化游戏中的积极参与取决于几个因素，从个人赌注到交互网络的属性。因此，在研究社会困境中合作的演变时，必须考虑到不同的活动模式。在这里，我们研究了弱囚徒困境博弈，其中每个玩家的活动以概率的方式由其程度或其收益决定。虽然度相关的活动引入了合作的级联失败，这在经常不活跃的枢纽的无标度网络中特别严重，但收益相关的活动提供了一个更微妙的活动概况，最终阻止了合作的系统性崩溃。为了确定合作演化的最佳条件，我们引入了一个指数衰减的收益相关的活动，确定如何快速的球员的活动返回到其默认状态。我们发现，存在一个中间的衰减率，在该衰减率下，社会困境的解决是最优的。这可以解释为新兴的活动模式的球员，其中不活跃的枢纽有效地补偿增加活动的平均度的球员，谁通过他们的集体影响力在网络中维持更高水平的合作。突然下降的合作者的分数观察度相关的活动，因此消失了，所以没有必要进行漫长的时空重组紧凑的合作集群。这种不对称的动态不稳定的情况下，从而导致社会困境的最佳解决方案，特别是当合作的发展条件是非常不利的。
2016-12-09 cs.SI physics.soc-ph q-bio.PE
Negative Effects of Incentivised Viral Campaigns for Activity in Social Networks
病毒式营销是社交社区口碑营销的重要方法。这些运动的目的是鼓励人们积极活动。本文研究了激励和非激励活动的问题。基于在真实社交网站中收集的数据，对这两种方法进行了比较。实验结果显示，一个高动机的活动不一定提供更好的结果，由于重叠效应。其他研究表明，可以根据其服务概况预测活动中单个社区成员的行为，但分类准确性可能有限。
2013-03-10 cs.SI physics.soc-ph
Maximizing Friend-Making Likelihood for Social Activity Organization
社会心理学中的社会存在理论表明，以计算机为媒介的在线互动不如面对面的互动。在本文中，我们考虑的情况下，通过在线社交网络（OSNs）组织交友社交活动的人，并制定了一个新的研究问题，即跳跃界最大组交友（HMGF），通过建模现有的友谊和新朋友的可能性。为了找到一组参加社交活动，HMGF是独特的和具有挑战性的，由于相互作用的群体规模，现有的友谊和交友的可能性的目标函数的约束。我们证明了HMGF是NP-Hard的，除非P = NP，否则不存在近似算法.然后，我们提出了一个误差有界的近似算法来有效地获得非常接近最优解的解。我们进行了一个用户研究，以验证我们的问题制定和执行-形式在真实数据集上的广泛实验，以证明我们提出的算法的效率和有效性。
2015-02-26 cs.SI
Distinguishing between Personal Preferences and Social Influence in Online Activity Feeds
许多在线社交网络在通过活动馈送向用户自动共享朋友的活动上蓬勃发展，这可能影响用户的下一步动作。然而，识别这种社会影响是棘手的，因为这些活动同时受到影响力和同质性的影响。我们提出了一个统计程序，使用常用的网络和观察数据的人的行动，以估计复制的影响程度-模仿别人的行动，出现在饲料。我们假设非好友不会影响用户;因此，比较用户的活动与好友和具有相似偏好的非好友之间的相关性，可以帮助梳理出复制影响的效果。对来自多个社交网络的数据集进行的实验表明，不考虑同质性的估计会高估复制的影响，因为它们的数量往往很大。此外，在所有网络中，复制影响估计低于总行为的1%：大多数人和几乎所有行为都不受提要的影响。我们的研究结果质疑围绕在线社交网络中的复制影响程度的普遍看法，并建议改进扩散和推荐模型。
2016-04-05 cs.HC cs.SI stat.ME
Scaling of city attractiveness for foreign visitors through big data of human economical and social media activity
研究人类行为规律和规律的科学研究，如今越来越依赖于人类社会活动所产生的大量广泛可用的数字信息。在本文中，我们利用人类活动的三个不同方面（即，银行卡交易，地理标记的照片和推特）在西班牙量化城市吸引力的外国游客。本文的一个重要发现是城市吸引力与其人口规模的超线性标度。对于不同的城市定义方式和不同的数据源，观察到的标度指数几乎保持不变，强调了我们发现的鲁棒性。时间变化的标度指数也被认为是为了揭示季节性模式的吸引力
2015-04-22 cs.SI physics.soc-ph
Information flow reveals prediction limits in online social activity
现代社会依赖于在线社交网络上的信息流，流行平台的用户会产生关于自己及其社交关系的重要行为数据。然而，目前尚不清楚在使用这些数据来预测个人的活动和兴趣时存在哪些基本限制，以及使用个人的社会关系进行预测的准确性如何。在这里，我们表明，95%的个人潜在预测准确性只需要使用他们的社会关系就可以实现，而不需要个人的数据。我们使用信息理论工具来估计Twitter用户的作品中的预测信息，提供适用于任何预测或机器学习方法的可用预测信息的上限。一个人的8-9个接触就足以获得与单独的个人相媲美的可预测性。通过测量沿着社会关系的信息流，可以看到明显的时间和社会影响，使我们能够更好地研究在线活动的动态。我们的研究结果具有明显的隐私含义：信息是如此强烈地嵌入在社交网络中，原则上，即使个人完全放弃了平台，人们也可以从他们可用的社会关系中对个人进行分析。
2019-02-09 cs.SI physics.soc-ph
Wisdom in Sum of Parts: Multi-Platform Activity Prediction in Social Collaborative Sites
在本文中，我们提出了一个新的框架，它使用从活动中推断的用户兴趣（也称为，活动兴趣）来预测用户的平台活动。框架中包括两种预测方法：（i）直接平台活动预测，其使用来自同一平台的用户的活动兴趣来预测用户在平台中的活动（例如，预测用户是否使用从他或她的先前答案和Stack Overflow中的最爱活动推断的用户兴趣来回答给定Stack Overflow问题），以及（ii）跨平台活动预测，其使用他或她来自另一平台的活动兴趣来预测用户在平台中的活动（例如，预测用户是否使用从他或她的fork中推断出的用户兴趣回答给定的Stack Overflow问题，并在GitHub中观察活动）。为了评估我们提出的方法，我们在软件开发社区中广泛使用的两个社交协作平台上进行了预测实验：GitHub和Stack Overflow。我们的实验表明，结合直接和跨平台的活动预测方法，在GitHub（AUC=0.75）和Stack Overflow（AUC=0.89）中预测用户活动的准确性最高。
2018-05-09 cs.DL cs.SE cs.SI
Origins of power-law degree distribution in the heterogeneity of human activity in social networks
社会网络中个体的联系数的概率分布服从无标度幂律。然而，在对人们在社交网络中的行为的直接分析中，这种分布是如何产生的还没有得到结论性的证明。在这里，我们进行因果推理分析，并找到这种现象的根本原因。我们的分析表明，重尾度分布是由人类活动的类似偏态分布决定的。具体来说，一个人的程度是完全随机的-遵循“最大熵附着”模型-除了它的平均值，它确定性地取决于用户的活动量。这种关系不能用互动模型来解释，比如偏好依恋，因为观察到的行为不太可能是由与其他人的互动引起的。
2013-04-16 cond-mat.stat-mech cs.SI physics.soc-ph
Correlations Between Human Mobility and Social Interaction Reveal General Activity Patterns
一个人生活中的一天涉及许多人共同的广泛活动。超越昼夜周期，一个核心问题是：在多大程度上，个体的行为是根据整个种群的共同模式进行的？在这里，我们调查不同的活动类型之间的相互作用，即通信，运动和物理接近通过分析从智能手机中收集的数据分布在638个人。我们探讨两个中心问题：哪些基本原则支配的活动模式的形成？这些模式是每个人特有的还是整个群体共有的？我们发现，整个人口的统计数据使我们能够成功地预测71%的活动和85%的不活动，涉及通信，移动性和物理接近。令人惊讶的是，个体水平的统计数据只会导致稍微更好的预测，这表明大多数活动模式在{我们的样本人群}中是共享的。最后，我们预测短期的活动模式，使用广义线性模型，这表明一个简单的线性描述可能足以解释广泛的行动，无论是社会或物理性质。
2017-11-29 cs.SI physics.soc-ph
The Moltbook Observatory Archive: an incremental dataset of agent-only social network activity
Simula Metropolitan Center for Digital Engineering (SimulaMet)（Simula数字工程中心（SimulaMet））；Oslo Metropolitan University（奥斯陆大学）；Simula Research Laboratory（Simula研究实验室）
本文介绍了Moltbook观测站档案，一个记录仅由智能体生成的社会网络活动的增量数据集，包含78天的平台活动数据，包含261万条帖子和121万条评论，用于研究多智能体通信和自主智能体在线环境中的安全现象。
2026-04-16 cs.AI cs.LG cs.SI
Modeling Temporal Activity Patterns in Dynamic Social Networks
这项工作的重点是开发概率模型的用户活动在社交网络，将社会网络的影响，由用户感知。为此，我们提出了一个耦合的隐马尔可夫模型，其中每个用户的活动根据马尔可夫链与隐藏状态，这是由用户的朋友的集体活动的影响。我们开发了广义Baum-Welch和Viterbi算法的模型参数学习和状态估计的建议框架。然后，我们使用Twitter上的用户活动的重要语料库验证所提出的模型。我们的数值研究表明，有足够的观察，以确保准确的模型学习，所提出的框架解释观察到的数据比更新过程为基础的模型或传统的非耦合隐马尔可夫模型。我们还展示了所提出的方法在预测下一条推文的时间的实用性。最后，在模型参数空间中的聚类结果在不同的自然集群的用户之间的交互动态用户和他的网络。
2013-05-09 cs.SI physics.data-an physics.soc-ph
Impact of News Organizations' Trustworthiness and Social Media Activity on Audience Engagement
新闻机构越来越多地使用社交媒体来接触他们的受众，旨在提高他们对新闻的关注和参与。鉴于订阅率和受众对新闻媒体的信任度不断下降，新闻机构必须了解影响其与受众关系的因素。本研究使用315家美国报纸机构及其受众的Twitter数据，采用多元回归分析来研究关键新闻机构特征对受众参与新闻的影响：（1）通过社交媒体信任分数（TSM）算法计算的可信度;（2）推文数量;（3）Twitter使用技巧。研究结果表明，新闻机构的可信度和Twitter活动水平对其受众的新闻参与度有显著影响。还提出了测量新闻机构和受众新闻参与度的可信度的方法，以及从大规模数据集计算它们的可扩展算法。
2018-08-28 cs.SI physics.soc-ph
#StayHome Playing LoL -- Analyzing Players' Activity and Social Bonds in League of Legends During Covid-19 Lockdowns
人类是社会性动物。因此，与新型冠状病毒疫情相关的社交距离和行动限制对大部分人口的福祉造成严重后果，导致孤独感和相关精神疾病增加，这并不奇怪。许多人在多人在线游戏中找到了情感庇护所，这已经被证明是伟大的社交孵化器。虽然游戏对个人的积极影响已经很明显，但我们仍然不知道游戏是如何以及是否培养了人们所寻求的连通性的基本需求。换句话说：随着大流行的到来，参与者的社会纽带和互动模式发生了怎样的变化？为此，我们分析了一个在线多人游戏（英雄联盟）的一年数据，以观察新冠肺炎对三个不同地理区域（即，欧洲、北美和韩国）。我们的研究结果显示，新型冠状病毒疫情限制的发展与玩家活动之间存在密切关系，同时还存在更强大和经常性的社会联系，尤其是对于致力于游戏的玩家。此外，具有强化社会纽带的玩家，与相似队友一起打球的人更有可能留在比赛中，即使限制被取消。
2021-06-24 cs.HC cs.SI
Prediction and Characterization of High-Activity Events in Social Media Triggered by Real-World News
在线社交网络几乎立即发布大量真实世界事件的信息，成为突发新闻的主要来源。其中一些真实世界的事件最终会对在线社交网络产生非常强烈的影响。这些事件的影响可以从几个角度进行分析，其中之一是它在社交平台上产生的集体活动的强度和特征。我们研究了5，234个真实世界的新闻事件，其中包括在Twitter微博服务上讨论了大约1年的4300万条消息。我们的经验表明，外源性的新闻事件自然会产生集体模式的突发行为相结合的长期不活动的网络。这种行为与以前在其他类型的自然集体现象中观察到的其他模式一致，以及在人类个体交流中。此外，我们提出了一种方法来分类新闻事件，根据不同层次的活动强度，他们生产。特别是，我们分析了最活跃的事件，并观察到一致的和显着不同的集体反应，从用户当他们接触到这样的事件。这种反应与事件的影响范围无关。我们进一步观察到，极高的活动事件的特点是相当明显的，在其爆发的开始阶段。这使我们能够高精度地预测，仅使用事件生命周期演变的前5%信息，就可以预测出在社交网络中影响最大的前8%事件。这强烈地表明，高活跃度的事件自然会被社交网络集体优先考虑，在它们被带到主流受众之前就吸引用户。
2016-10-10 cs.SI physics.soc-ph
Keen2Act: Activity Recommendation in Online Social Collaborative Platforms
University of Saskatchewan（萨斯喀彻温大学）；Singapore Management University（新加坡管理大学）；McLaren Applied（迈凯伦应用技术公司）
GitHub和Stack Overflow等社交协作平台越来越多地用于通过协作提高工作效率。为了改善这些平台中的用户体验，期望具有一种推荐系统，其不仅可以建议项目（例如，GitHub存储库），而且还包括要对建议项目执行的活动（例如，forking一个repository）。为此，我们提出了一种新的方法，称为Keen 2Act，它将推荐问题分解为两个阶段：Keen和Act步骤。Keen步骤为给定用户标识他/她可能感兴趣的项目的（子）集合。然后，Act步骤向用户推荐要对所识别的项目集执行哪些活动。这种分解提供了一种实用的方法来处理复杂的活动推荐任务，同时产生更高的推荐质量。我们使用两个真实世界的数据集来评估我们提出的方法，并获得了令人鼓舞的结果，Keen 2Act优于几个基线模型。
2020-05-11 cs.IR cs.LG cs.SE
Activity Maximization by Effective Information Diffusion in Social Networks
在社交网络中，即使是相同的信息，不同用户对之间的兴奋度也是不同的。如果你想传播一条新的信息，并最大限度地提高预期的兴奋总量，你应该选择哪些种子用户？这个问题确实与著名的影响力最大化问题有很大的不同，并且不能使用现有的方法来解决。在本文中，在一些有趣的应用程序的需求的动机下，我们模拟活动最大化的新问题。我们系统地解决这个问题。我们首先分析问题的复杂性和可逼近性。我们开发了一个上界和下界，子模块，使三明治框架可以应用。然后，我们设计了一个基于轮询的随机算法，保证了数据依赖的近似因子。我们在三个真实数据集上的实验清楚地验证了我们的方法的有效性和可扩展性，以及我们的方法相对于其他探试法的优势。
2016-10-25 cs.DB 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
SocialRec: User Activity Based Post Weighted Dynamic Personalized Post Recommendation System in Social Media
School of Computing（计算机学院）；Southern Illinois University Carbondale（南伊利诺伊大学卡本代尔分校）
本文提出SocialRec推荐系统，通过整合用户历史、参与度和个人画像评估推荐得分，采用混合方法解决新用户冷启动问题，并在NeuMF模型上取得HR 0.80和NDCG 0.6的最高成绩。
2024-07-13 cs.IR cs.LG cs.SI
Continuous Activity Maximization in Online Social Networks
活动最大化是在给定的社交网络中寻找一小部分用户，使预期的总活动收益最大化的任务。这是许多实际应用的概括。本文将活动最大化问题推广到一般营销策略$\vec{x}$下的活动最大化问题，$\vec{x}$是一个来自格空间的$d$维向量，它具有激活节点$u$作为种子的概率$h_u(\vec{x})$.在此基础上，我们提出了连续活动最大化（CAM）问题，其中域是连续的，我们选择的种子集符合一定的概率分布。研究格约束下的信息扩散问题是一个新的课题，因此，本文对该问题进行了系统的研究。本文首先分析了CAM的难点，以及如何准确有效地计算CAM的目标函数。我们证明了这个目标函数是单调的，但不是DR-次模的，也不是DR-超模的。然后，我们建立了CAM的单调和DR-次模的下界和上界，并应用抽样技术设计了CAM的三个无偏估计及其下界和上界。其次，从IMM算法和三明治近似框架，我们得到了一个依赖于数据的近似比。这个过程可以看作是解决格上而非DR-子模上极大化问题的一般方法。最后，我们在三个真实世界的数据集上进行实验，以评估我们提出的算法的正确性和有效性。
2020-03-25 cs.SI
Identifying exogenous and endogenous activity in social media
系统中新事件的发生通常由外部原因和系统内部发生的先前事件驱动。这是一个一般性的声明，适用于一系列情况，包括最近的在线社交网络（OSN）中的用户活动。在这里，我们开发了一种方法，用于从一系列的发布时间中提取外源性（例如新闻媒体）和内源性（例如信息级联）的相对贡献。该方法是基于广义线性模型（GLM）配备了自激机制的拟合。我们用非线性霍克斯过程生成的合成数据测试了该方法，并将其应用于具有给定主题标签的实时推文序列。在经验数据集中，估计的贡献外生和内生量分别接近原始推文和转推的数量。最后，我们讨论的方法，例如在网上营销的可能应用。
2018-08-02 cs.SI physics.soc-ph
The socialisation of the adolescent who carries out team sports: a transversal study of centrality with a social network analysis
本研究分析了235名青少年在团体运动中的体力活动、超重及社会网络中心性，发现存在显著性别差异，强调了性别和中心性在未来策略设计中的重要性。
2024-02-14 cs.CY cs.SI physics.soc-ph
Random walks on activity-driven networks with attractiveness
实际上，所有现实世界的网络都是动态实体。在社交网络中，节点参与社交互动（活动）的倾向和它们被活跃节点选择的机会（吸引力）是不均匀分布的。在这里，我们提出了一个随时间变化的网络模型，其中每个节点和动态形成的关系，其特征在于这两个功能。我们研究了这些属性如何影响随机游走过程展开网络的时间尺度描述的过程和网络的演变是可比的。我们推导出该过程的稳态和平均首次通过时间的解析解，并研究了社交网络的经验观察所告知的情况。我们的工作表明，以前被忽视的真实社会系统的属性，如活动和吸引力的异质分布以及它们之间的相关性，大大影响了网络上展开的动态过程。
2017-06-12 cond-mat.stat-mech cs.SI physics.soc-ph
Investigating the potential of social network data for transport demand models
基于位置的社交网络数据提供了在较长时间内以微不足道的成本从大量用户收集数据的承诺。虽然有几项研究将社交网络数据应用于活动和流动性分析，但缺乏与旅行日记和一般统计数据的比较。在本文中，我们分析了来自新加坡和邻国的大量用户的地理参考Twitter活动。通过结合这些数据，人口统计和旅行日记，并应用聚类技术，我们解决了活动位置的检测，以及这些位置之间的空间分离和过渡。由于twitter数据的分散性质，核密度估计在检测活动位置方面表现最好;每个用户检测到的活动位置比旅行调查中报告的要多。描述性分析表明，确定家庭的位置是更困难的比检测工作位置的大多数规划区。从Twitter数据中检测到的活动位置之间的空间间隔-如旅行调查中报告的和公共交通灵巧卡数据捕获的-大多分布相似，但也显示出非常短和非常长的距离的相关差异。这也适用于区域之间的过渡。Twitter数据和其他数据来源之间的差异是否源于人口子样本、聚类方法的差异，或者社交网络是否在特定地点被更多地使用，必须通过进一步的研究来确定。尽管存在这些缺点，但基于位置的社交网络数据为深入了解活动地点和移动模式提供了一个有前途的数据源，特别是对于旅行调查数据不容易获得的地区。
2017-06-30 cs.SI physics.soc-ph
Social Events in a Time-Varying Mobile Phone Graph
在过去十年中，移动电话在城市人口中的大规模使用大大加强了对人类流动性的大规模研究。研究手机的活动不仅可以让我们推断个体之间的社交网络，还可以观察这些个体在空间和时间上的运动。在这项工作中，我们研究如何将这两个相关的信息源整合在检测和分析大型社会事件的背景下。我们发现，大型社会活动的特点不仅可以通过异常增加活动的天线在附近的事件，但也通过增加社会关系的出席者在事件中。此外，在通过增加的天线活动检测到大型社交事件后，我们可以使用网络连接来推断未观察到的用户是否出现在事件中。更确切地说，我们解决了以下三个挑战：（i）通过增加天线活动自动检测大型社交事件;（ii）表征检测到的事件的社会凝聚力;（iii）分析推断未观察到的用户是否在事件中的可行性。
2017-06-20 cs.CY cs.SI physics.soc-ph
Extracting Patterns of Urban Activity from Geotagged Social Data
基于地理位置的社交网络生成的数据提供了关于城市居民行踪的丰富信息。具体而言，这些数据揭示了谁在哪里、何时以及在什么类型的活动上花费时间（例如，在购物中心购物，或在餐馆用餐）。反过来，这些信息可以用来描述城市地区的活动。例如，数据可能会显示，市民访问一个地区主要是为了在早上购物，而另一个地区则是为了在晚上用餐。此外，一旦有了这样的描述，人们就可以提出更详细的问题：一个地区与另一个地区的区别是什么-仅仅是它们主办的场地类型，还是它们吸引的游客？城市之间有哪些相似之处？在本文中，我们试图使用公开共享的Foursquare数据来回答这些问题。与以前的工作相比，我们的方法使用了一个概率模型，对数据的假设最少，因此使我们不必在分析中做出任意决策（例如，关于所发现区域的粒度或不同特征的重要性）。我们与以前的工作进行实证比较，并讨论通过我们的研究结果获得的见解。
2016-04-15 cs.CY cs.SI
Easy-access online social media metrics are associated with misinformation sharing activity
Central European University（中欧大学）；University of Padova（帕多瓦大学）；HUN-REN Centre for Social Sciences（匈牙利研究网络社会科学院）
本文提出利用易获取的社交媒体指标识别潜在虚假信息传播者，发现推文频率与低事实性内容正相关，账户年龄与之负相关。
2025-11-24 cs.CY cs.SI physics.soc-ph
Characterizing and Modeling the Dynamics of Activity and Popularity
社会化媒体是Web 2.0时代获取海量信息的最重要渠道，它是由用户和物品组成的两层网络。人类活动和项目受欢迎程度的动态是社交媒体网络中的一个关键问题。在本文中，通过分析用户活动和项目流行度的增长在四个经验的社会媒体网络，即，Amazon、Flickr、Delicious和Wikipedia，发现用户和物品之间的交叉链接更有可能由活跃用户创建，并被热门物品获取，其中用户活跃度和物品受欢迎程度是通过与用户和物品相关联的交叉链接数量来衡量的。这表明用户通常跟踪受欢迎的项目，总体而言。然而，它被发现，不活跃的用户更严重的跟踪流行的项目比活跃的用户。受实证分析的启发，我们提出了一个演化模型，这种网络的演化是由两步随机游走驱动的。数值实验表明，该模型可以定性地再现经验网络中观察到的用户活动和项目流行度的分布。这些结果可能有助于理解社交媒体网络中活动和流行的微观动态。
2014-02-28 cond-mat.stat-mech cs.SI physics.soc-ph
Contagion dynamics of extremist propaganda in social networks
最近，独狼袭击者或潜伏小组代表伊斯兰国在美国和欧洲领土上发动恐怖袭击，提醒我们必须了解社交媒体传播渠道介导的激进化动态。在本文中，我们揭示了一组25000名用户的社交媒体活动，这些用户与ISIS在线激进宣传的关联已被手动验证。通过使用一种称为动态活动连接图的计算工具，基于网络和时间活动模式，我们调查了ISIS支持者内部的社会影响力动态。我们最终通过确定极端主义内容在普通人群中的采用来量化ISIS宣传的有效性，并在激进宣传和流行病传播之间进行比较，强调信息广播公司和有影响力的ISIS支持者产生高度传染性的信息传染级联。我们的发现将有助于制定有效的对策，打击该组织和其他形式的在线极端主义。
2017-06-07 cs.SI physics.soc-ph
Tracking Triadic Cardinality Distributions for Burst Detection in Social Activity Streams
在日常生活中，我们经常观察到人们在重要事件之前或期间异常频繁的互动，例如，在圣诞节，我们收到/发送给朋友的祝福比平时多。我们还观察到，通过人们在在线社交网络（OSN）中的分享，一些视频突然像病毒一样传播开来。这些看似不同的现象是否具有共同的结构？所有这些现象都与网络中用户活动的突然激增有关，我们在这项工作中称之为“突发”。我们发现，爆发的出现伴随着网络中三角形的形成。这一发现促使我们提出一种新的方法来检测OSN中的突发。我们首先引入一个新的度量，“三元基数分布”，对应于具有不同数量三角形的节点的分数，即，三元基数，在网络中。我们证明，这种分布的变化时，突发发生，自然是对垃圾邮件的社交机器人攻击免疫。因此，通过跟踪三元基数分布，我们可以可靠地检测OSN中的突发。为了避免处理OSN用户产生的大量活动数据，我们设计了一个有效的样本估计解决方案来估计样本数据的三元基数分布。在真实数据上进行的大量实验证明了这种三元基数分布的有用性和我们的样本估计解决方案的有效性。
2015-06-04 cs.SI physics.soc-ph
Community-based Behavioral Understanding of Crisis Activity Concerns using Social Media Data: A Study on the 2023 Canadian Wildfires in New York City
University of Oklahoma（俄克拉荷马大学）；Howard University（霍华德大学）
本研究利用纽约市2023年6月加拿大野火烟雾事件期间的带地理标签Twitter数据，通过文本分类和社区推断模型，揭示不同性别、种族及收入群体在疏散、通勤等危机活动关注度上的差异，为应急沟通和响应提供参考。
2024-01-22 cs.CL cs.CY cs.SI
Measuring and Maximizing Influence via Random Walk in Social Activity Networks
随着OSN的普及，找到一组最有影响力的用户（或节点），以触发最大的影响力级联具有重要意义。例如，公司可以利用“口碑”效应，通过向那些最有影响力的用户提供免费样品/折扣来引发大量购买。这一任务通常被建模为一个影响力最大化问题，在过去的十年里，它已经得到了广泛的研究。然而，考虑到OSN中的用户可以参与各种在线活动，例如，对产品进行评级，加入讨论组等，通过在线活动传播影响力变得更加重要。在本文中，我们研究的影响，在线活动制定的影响力最大化问题的社会活动网络（SAN）包含用户和在线活动。为了解决计算的挑战，我们定义了一个影响力中心通过随机游走来衡量影响力，然后使用蒙特卡罗框架来有效地估计在SAN的中心。此外，我们开发了一个基于贪婪的算法，两个新的优化技术，以找到最有影响力的用户。通过对真实世界的数据集进行广泛的实验，我们表明，当我们需要处理大量的在线活动时，我们的方法比最先进的算法IMM[17]更有效。
2017-01-09 cs.SI
Anticipating Activity in Social Media Spikes
我们提出了一个新的数学模型，在外部，事件驱动的尖峰期间的微博客的活动。该模型导致了一个可测试的预测，即如果出现尖峰，谁会变得最活跃。这种类型的信息对商业组织、政府和慈善机构非常感兴趣，因为它可以在网络最容易接受信息的时候，实时的识别出可以成为信息目标的关键人物。该模型考虑到这样一个事实，即动态交互是在一个底层的静态网络上发展的，该网络记录了谁在听谁的话。该模型是基于这样的假设，即在整个社区已经意识到外部新闻事件的情况下，活动的一个关键驱动因素是通过响应传入的消息来参与的动机。我们测试的模型上的一个大规模的Twitter对话有关任命英国英超足球俱乐部经理。我们还提供了德甲足球比赛、营销活动和电视节目的进一步结果。在每一种情况下，我们发现，利用底层的连接结构，提高了预测谁将是活跃的尖峰。我们还展示了如何在活动的峰值的半衰期可以量化的网络大小和典型的响应率。
2014-06-08 cs.SI physics.soc-ph
Investigating Coordinated 'Social' Targeting of High-Profile Twitter Accounts
2016年美国总统大选后，人们越来越关注社交媒体平台上出于政治动机操纵大众用户行为的问题。由于大量的政治讨论发生在这些平台上，识别恶意活动和协调运动对于确保强大的民主环境至关重要。Twitter已成为政治家和其他公众人物的重要沟通渠道，使他们能够与支持者保持直接关系。然而，该平台一直是大规模恶意活动的沃土。随着2020年美国总统大选的临近，我们开发了一些工具来监控一些最著名的Twitter用户的关注者动态，包括美国总统候选人。我们调查了许多奇怪的现象，例如追随者计数图表上的戏剧性尖峰和锯齿波形;“循环”的用户帐户队列，即，重新关注高调帐户无数次;和其他'复活'的帐户，最近重新参与Twitter后，多年的非活动。因此，通过在这些背景下的各种分析，我们揭示了多个协调的“社会”目标活动，旨在通过使用社会自动化网络（机器人）来影响社会关键事件的结果，通常通过“妥协”账户来优化他们的社会资本，这些账户-不为外界所知-被劫持。
2020-08-06 cs.SI
On Social-Temporal Group Query with Acquaintance Constraint
三个基本标准对于活动规划是重要的，包括：（1）找到一组熟悉发起者的参与者，（2）确保组中的每个参与者与组中的大多数成员有紧密的社交关系，以及（3）选择可供所有参与者使用的活动时段。因此，本文提出了社会-时间组查询，以找到活动时间和参与者与最小的总社会距离的发起者。此外，该查询结合了熟人约束，以避免找到具有相互不熟悉的与会者的组。有效地处理社会时态组查询是非常具有挑战性的。通过证明证明该问题是NP-难的，并利用可编程语言将该问题形式化。然后，我们提出了两个有效的算法，SGSelect和STGSelect，其中包括有效的修剪技术，并采用枢轴时隙的想法，以大大减少运行时间，找到最优的解决方案。实验结果表明，该算法具有更高的效率和可扩展性。在解决方案的质量比较，我们表明，STGSelect优于由发起人代表手动协调的算法。
2011-04-16 cs.SI
Extraction of Multi-layered Social Networks from Activity Data
在各种基于网络的系统中收集的数据，使用户能够相互交互，提供了一个机会来提取由人和他们之间的关系组成的社交网络。由于发现的连接的数量和类型，新兴结构非常复杂。在基于Web的系统中，用户之间的每个交互的特征元素是总是有一个对象作为通信媒介。这可以是例如从一个用户发送到另一个用户的电子邮件或由一个用户创作并由其他用户评论的论坛上的帖子。基于这些对象和用户对它们执行的活动，可以识别和提取不同种类的关系。另一个挑战来自对象之间可能存在层次结构的事实，例如，论坛由一组或多组主题组成，每个主题包含最终包含帖子的主题。在本文中，我们提出了一种新的方法，用于创建多层次的社会网络的基础上，对不同类型的对象之间存在的层次结构的用户活动的数据。由于扁平化、预处理过程，可以识别和分析多层社交网络中的新层和新关系。
2014-07-03 cs.SI physics.soc-ph
Experimental Evaluation of Baselines for Forecasting Social Media Timeseries
预测社交媒体活动在许多情况下都有实际用途，从了解趋势（例如哪些主题可能在未来一周吸引更多用户）到识别异常行为（例如协调信息操作或PumpNDump工作）。为了评估一种新的预测方法，重要的是要有评估业绩收益的基线。我们通过实验评估了四个基线的性能，用于在几个社交媒体数据集中预测活动，这些数据集记录了在两个不同平台（Twitter和YouTube）上同步发生的与三个不同地缘政治背景相关的讨论。实验在每小时的时间段内进行。我们的评估确定了对特定指标最准确的基线，从而为社交媒体建模的未来工作提供指导。
2022-10-12 cs.SI
Social media self-branding and success: Quantitative evidence from a model competition
由于有大量的在线数据集，可以量化人类努力的不同领域的成功。这里提出的研究有助于评估社会媒体活动的影响，作为“自我品牌”的一种手段，以增加模特当选花花公子杂志年度玩伴奖的机会。我们假设，积极管理Instagram账户的候选人可以增加他们赢得奖项的可能性：他们使用社交媒体来获得更多的追随者，然后他们可能会在奖项投票中投票给他们。研究结果表明，社交媒体活动实际上具有预测获奖结果的能力。我们发现有证据表明，比其他候选人更积极地管理社交媒体账户的候选人成为年度玩伴的可能性更高。调查结果强调了社交媒体的好处
2020-07-08 cs.SI
Cost-Effective Activity Control of Asymptomatic Carriers in Layered Temporal Social Networks
Institute for Research in Fundamental Sciences (IPM)（基础科学研究院）；University of Tehran（德黑兰大学）；University of Alberta（阿尔伯塔大学）；Nazarbayev University（纳扎尔巴耶夫大学）；University of California, Merced（加州大学默塞德分校）
针对两层接触网络下SCIR流行病模型中无症状携带者活动控制的成本优化问题，提出逐次几何规划近似方法，在预算约束下最小化疾病衰减率，较传统中心性方法成本降低近33%。
2024-03-01 cs.MA cs.SI
