Discovering Interesting Subgraphs in Social Media Networks
社交媒体数据通常被建模为具有多种类型的节点和边的异构图。我们提出了一种发现算法，首先选择一个“背景”图的基础上，用户的分析兴趣，然后自动发现子图，结构和内容方面明显不同的背景图。该技术结合了图上的\texttt{group-by}操作的概念和主观兴趣度的概念，从而自动发现有趣的子图。我们的社会政治数据库上的实验表明，我们的技术的有效性。
2020-09-12 cs.IT cs.SI math.IT
Exploring Unknown Social Networks for Discovering Hidden Nodes
本文提出基于机器学习的图探索框架解决未知社交网络中Sybil节点、外围节点和影响者等隐藏节点发现问题，实验表明其查询成本接近已知拓扑时的水平，并利用bandit算法结合节点嵌入模型实现了广泛场景下的高效发现。
2025-04-28 cs.CY cs.SI
Shadow networks: Discovering hidden nodes with models of information flow
复杂的动态网络是许多系统的基础，理解这些网络是一个重要的科学和工程问题的大跨度的关注。定量描述对于这种理解至关重要，然而，由于一系列测量问题，许多真实的网络数据集是不完整的。在这里，我们将探讨如何意外丢失或故意隐藏的节点可能会被检测到网络中的影响，他们的缺席预测的速度与信息流经网络。我们使用符号回归（SR）来学习信息流与网络拓扑结构相关的模型。这些模型在应用于具有故意掩蔽节点的测试网络时显示出局部的、系统的和非随机的差异，证明了检测缺失节点的存在以及这些节点可能驻留在网络中的位置的能力。
2013-12-20 cond-mat.dis-nn cs.SI physics.data-an
Discovering New Sentiments from the Social Web
复杂系统（CS）研究中的一个持续的挑战是从原始数据的系统的唯象重建。为了正视这一问题，利用声音特征对系统进行推理是从数据处理开始的关键一步。在复杂社会系统的特定情况下，情感分析允许反映情感维度（的一部分）。然而，认为个体情感分类可以涵盖数字社交网络中的新情感现象是不合理的。本论文解决的问题，孤立的情感概念出现在社交网络。在人工智能奇点的类比中，我们提出了对这些新的复杂情感结构的研究和分析，以及它们如何与情感词典相关的经典概念结构相似或不同。推测是，高度复杂的情感结构--无法用人类分类来解释--很可能是从高度动态的社会信息网络中出现的。粗略地说，新的情绪可以从新的全球神经系统中出现，就像它发生在人类身上一样。
2014-06-30 cs.IR cs.SI
Behavioural Dimensions for Discovering Knowledge Actor Roles Utilising Enterprise Social Network Metrics
识别不同的用户角色是社交媒体研究的一个重要主题。然而，对于企业社交网络（ESN），在组织内使用社交媒体，识别这种角色的研究仍然缺乏。然而，了解用户的作用，特别是他们的知识贡献和沟通行为，可能有助于支持公司管理关键的知识资源。在此背景下，在这篇研究进展中的论文中，我们得出了16个指标的参与行为，信息内容和结构位置的ESN用户的澳大利亚专业服务公司的特点。基于因子分析，我们确定了ESN用户行为的四个不同维度：贡献和网络，信息提供，接触分散和无形的使用。通过这项研究，我们通过将组织科学和社会媒体研究的概念和方法转移到ESN环境中来为文献做出贡献。此外，我们的方法形成了识别不同类型的知识行为者的基础，这可能最终有助于提高组织的知识透明度。
2016-05-28 cs.CY cs.SI
An Automated System for Discovering Neighborhood Patterns in Ego Networks
一般来说，社会网络分析往往侧重于网络的拓扑结构，而不考虑其中所涉及的个人的特征。由于个体是图的基本实体，因此对个体行为的研究较少。给定一个移动社交网络图，从节点中提取关键信息的好特征是什么？自我节点存在多少种不同的邻域模式？这些信息为长期研究节点提供了什么线索？在这份报告中，我们开发了一个自动化系统，以发现发生的原型自我为中心的模式从数据。我们的目标是提供一个数据驱动的工具，用于行为科学的图形解释。我们分析来自智能手机收集的真实数据的社交网络。我们选择了13个著名的网络措施，特别是那些与自我图。我们形成八个特征子集，然后使用无监督聚类技术来评估它们的性能，以发现以自我为中心的模式。从聚类分析中，我们发现八个不同的邻居模式已经出现。这种分类允许在用户数据随时间变化时对其进行简明分析。结果提供了一个细粒度的分析，不同的功能集的贡献，以检测独特的聚类模式。最后，作为一个案例研究，两个数据集进行了长期的研究，以证明该方法的实用性。该研究表明，所提出的方法在发现数据的重要趋势的有效性。
2015-03-16 cs.SI physics.soc-ph
Discovering Emerging Topics in Social Streams via Link Anomaly Detection
Institute of Industrial Science（产业技术研究所）；The University of Tokyo（东京大学）
由于社交网络的快速增长，对新兴主题的检测现在重新受到关注。传统的基于词频的方法在这种情况下可能不合适，因为交换的信息不仅是文本，而且是图像、URL和视频。我们专注于这些网络的社会方面。也就是说，用户之间的链接是通过回复、提及和转发有意或无意地动态生成的。我们提出了一个概率模型的社交网络用户的提及行为，并建议检测一个新的主题的出现，通过该模型测量的异常。我们提出的提及异常分数与最近提出的基于顺序贴现归一化极大似然（SDNML）的变点检测技术相结合，或与Kleinberg的突发模型。聚集数百名用户的异常分数，我们表明，我们可以检测到新兴的主题，仅基于社交网络帖子中的回复/提及关系。我们展示了我们的技术在一些真实的数据集，我们从Twitter收集。实验结果表明，所提出的基于提及异常的方法可以检测新的主题至少早于传统的基于词频的方法，有时更早，当关键字是不明确的。
2011-10-13 cs.LG cs.SI physics.soc-ph
Discovering link communities in complex networks by exploiting link dynamics
复杂网络中社区的发现是一个基本的数据分析问题，在许多领域都有应用。大多数现有的方法都集中在发现社区的节点，而最近的研究表明，网络中的链接社区的知识有很大的优势和效用。从这个新的角度来看，我们提出了一个基于链接动态的算法，称为UELC，用于识别网络的链接社区。在UELC中，链路-节点-链路随机游动的随机过程被用来展开网络中链路的嵌入式二分结构。然后，利用马尔可夫链的随机游走的局部混合属性来提取两个出现的链接社区。此外，随机游走和二分区过程被包裹在迭代细分策略中，以递归地识别将网络链路隔离成多个细分的链路分区。我们评估了新方法在合成基准上的性能，并在现实世界的网络上展示了其实用性。我们的实验结果表明，我们的方法是非常有效的发现复杂网络中的链接社区。作为比较，我们还扩展了UELC来提取节点的社区，并表明它是有效的节点社区识别。
2013-03-19 cond-mat.stat-mech cs.SI physics.soc-ph
Discovering Coordinated Processes From Social Online Networks
本文提出将过程挖掘用于社交网络，依据发帖时间等元数据发现含不同路由构造的过程模型，并在Twitter（现X）数据上揭示协同的AI与人类行为。
2025-06-15 cs.SI
Discovering Opioid Use Patterns from Social Media for Relapse Prevention
Texas Tech University（德克萨斯理工大学）
美国目前正在经历前所未有的阿片类药物危机，阿片类药物过量已成为伤害和死亡的主要原因。有效的阿片类药物成瘾康复不仅需要药物治疗，还需要对受影响的个体进行行为干预。在本文中，我们研究了社交媒体中阿片类药物使用障碍（OUD）患者的沟通和行为模式，旨在展示来自常见活动（如在线社交网络）的现有信息如何可能导致更好的预测，评估和最终预防复发。通过多学科和先进的新颖分析视角，我们通过分析Reddit.com的阿片类药物组来描述阿片类药物成瘾行为模式-包括建模在线讨论主题，分析文本共现和相关性，以及识别OUD患者的情绪状态。这些定量分析具有实际重要性，并展示了利用在线社交媒体信息的创新方法，以创造有助于预防复发的技术。
2019-12-02 cs.HC cs.LG cs.SI
Discovering Communities of Community Discovery
在复杂网络中发现社区意味着将彼此相似的节点分组，以揭示关于它们的潜在信息。有数百种不同的算法来解决社区发现任务，每种算法都对“社区”有自己的理解和定义。数十篇评论文章试图对这样一个多样化的景观进行排序--通过它们用来检测社区的过程、通过它们对社区的明确定义、或者通过它们在标准化任务上的表现来对社区发现算法进行分类。在本文中，我们分类社区发现算法根据第四个标准：其结果的相似性。我们创建了一个算法相似性网络，其节点是社区发现方法，如果它们返回相似的分组，则连接。然后，我们在这个网络上执行社区发现，对算法进行分组，这些算法在一千多个合成和真实世界网络的跨度上始终返回相同的分区或重叠覆盖。本文是一个尝试，建立一个基于相似性分类的社区发现算法的基础上的经验数据。通过比较70多种方法，它改进了现有技术，发现该算法包含分离良好的组，使其成为从业者的明智工具，帮助他们选择适合其分析需求的算法。
2019-07-04 cs.SI physics.soc-ph
Discovering and Predicting Temporal Patterns of WiFi-interactive Social Populations
人们一直致力于刻画这种复杂网络（系统）的节点（组件）之间丰富的连接模式，在这一领域研究的发展过程中，人们开始思考一个基本问题：网络的复杂拓扑特征如何影响或决定网络系统的集体行为和性能？虽然已经从理论或经验的角度对这一核心问题进行了优雅的尝试，例如，从同步，流行病，进化合作和复杂网络的控制的角度，但在新兴的网络科学领域，这个广泛关注的关键问题仍然是开放的。这些卓有成效的进展也推动了理解（移动）社交网络的愿望，并以相互依赖的集体动态和行为模式来表征人类社会群体。如今，大量的数字技术被不显眼地嵌入到人类日常活动的物理世界中，这为爆炸性的人类物理互动提供了无与伦比的机会，谁在什么时间与谁联系。这些强大的技术包括蓝牙，有源射频识别（RFID）技术，无线传感器，以及更接近我们在本文中感兴趣的WiFi技术。作为现代社会的一个缩影，大学处于WiFi信号的覆盖范围内，WiFi系统会记录授权WiFi用户访问校园无线服务时的数字访问日志。这种WiFi访问记录作为间接代理数据，可以有效地代理大规模人群的社会互动。
2014-12-19 cs.CY cs.SI physics.soc-ph
Discovering Hidden Topical Hubs and Authorities in Online Social Networks
在在线社交网络中发现有影响力的用户是一个重要的问题，具有许多可能有用的应用。特别是，HITS和其他链接分析方法经常用于识别网络图和在线社交网络中的中心和权威用户。然而，这些作品在分析中没有考虑链接的主题方面。一个简单的方法来克服这一限制是首先应用主题模型来学习用户的主题，然后再应用HITS算法。在本文中，我们提出了一种新的主题模型称为枢纽和权威主题（HAT）模型结合这两个过程，以共同学习枢纽，权威和主题的兴趣。我们评估HAT对现有的几个国家的最先进的方法在两个方面：（i）建模的主题，和（ii）链接推荐。我们在Twitter和Instagram的两个真实世界的数据集上进行实验。我们的实验结果表明，HAT是国家的最先进的主题模型在学习主题，它优于国家的最先进的链接推荐任务。
2018-02-20 cs.IR cs.SI
Analytical model of misinformation of a social network node
本文研究了认知、行为、表征等因素对社交网络中参与者对错误信息的敏感性以及节点在这方面的活动的影响。本研究的重要性在于阻断宣传的方法。这是非常重要的，因为当人们不自觉地获取信息时，他们中的一些人会在他们的社会态度上经历不希望的变化。这种现象通常会导致信息战争。本研究基于迭代学习过程模型，建立了一个计算社会网络参与者（网络节点）错误信息水平的模型。
2012-12-03 cs.SI physics.soc-ph
Discovering items with potential popularity on social media
预测在线内容的未来流行度在许多应用中非常重要。在无标度网络中存在偏好依附现象，受其影响，热门项目变得更受欢迎，从而导致长尾分布问题。因此，可能受欢迎的新项目（潜在项目）被已经受欢迎的项目所抑制。本文提出了一种新的模型，能够识别潜在的项目。它通过考虑最近收到的链接或评级的数量以及受欢迎程度的衰减来识别潜在的受欢迎项目。为了获得一个有效的模型，我们只考虑内容的时间特征，避免了提取其他特征的成本。我们发现，人们会追随同龄人最近的行为。在适合或质量项目已经流行的项目失去它的受欢迎程度。预测准确性是在三个工业数据集上测量的，即Movielens，Netflix和Facebook wall post。实验结果表明，与现有模型相比，该模型具有更好的预测精度。
2016-04-05 cs.IR cs.SI
Discovering Influencers in Opinion Formation over Social Graphs
自适应社会学习范式有助于模拟网络代理如何能够形成对自然状态的意见，并跟踪其在不断变化的环境中的漂移。在这个框架中，智能体根据私人观察反复更新他们的信念，并与他们的邻居交换信念。在这项工作中，它显示了如何随着时间的推移，公开交换的信念序列允许用户发现丰富的信息的基础网络拓扑结构和信息流的图形。特别是，它表明，它是可能的（i）确定每个个体代理的影响，真理学习的目标，（ii）发现如何充分知情的每个代理，（iii）量化代理之间的成对影响，以及（iv）学习底层网络拓扑结构。本文导出的算法也能够在非平稳环境下工作，其中允许真实的自然状态或图拓扑随时间漂移。我们将该算法应用到不同的子网络的Twitter用户，并确定最有影响力的和中央代理，通过使用他们的公共推文（职位）。
2023-03-14 cs.MA cs.SI eess.SP
Modeling Social Networks with Node Attributes using the Multiplicative Attribute Graph Model
从社会，技术和自然领域产生的网络表现出丰富的连接模式，在这样的网络中的节点往往与属性或功能的标签。我们解决的问题，建模的网络结构中的节点属性信息。我们提出了一个乘法属性图（MAG）模型，认为节点的分类属性和模型的概率边缘的产品的个人属性链接形成的亲和力。提出了一种可扩展的变分期望最大化参数估计方法。实验表明，MAG模型可靠地捕捉网络连接，以及提供洞察不同的属性如何塑造网络结构。
2011-06-24 cs.SI physics.soc-ph
Emotion Alignment: Discovering the Gap Between Social Media and Real-World Sentiments in Persian Tweets and Images
Department of Computer Engineering, Sharif University of Technology（计算机工程系，谢赫拉兹大学）
本研究通过分析X上波斯社区的推文和图像，设计流程比较现实与社交媒体情感，发现推文对齐度75.88%，图像仅28.67%，揭示两者间显著情感差距。
2025-04-20 cs.HC cs.LG cs.SI
Genetic Algorithm with a Local Search Strategy for Discovering Communities in Complex Networks
为了进一步提高现有遗传算法在社区发现方面的性能，提出了一种基于局部搜索的遗传算法GALS。GALS的核心是一种基于局部搜索的变异技术。为了克服传统变异方法的不足，提出了边缘基因的概念，并从节点局部角度推导出模块度函数Q的局部单调性。在此基础上，提出了一种结合局部搜索策略的变异方法。GALS已经在合成基准和几个真实网络上进行了评估，并与目前竞争的一些算法进行了比较。实验结果表明，GALS是一种高效的社区结构发现方法。
2013-03-24 cs.SI physics.soc-ph
Sampling node group structure of social and information networks
最近，网络采样被证明是简化大型现实世界网络的一个有前途的工具，从而提供更快，更有效的分析。然而，对不同采样方法下网络结构和性质的变化的理解仍然是不完整的。在本文中，我们分析了特征节点组的存在（即，社区、模块和两者的混合）。此外，我们还观察了基于度的随机节点选择和广度优先抽样两种抽样方法下节点组结构的变化。我们发现，采样的信息网络包含更多的混合比原始网络，而采样的社交网络的结构表现出更强的社区特征。结果还表明，两种抽样方法的行为没有显着差异。相应地，抽样方法的选择对节点群结构变化的影响程度要远远小于被分析网络的类型和结构。
2014-05-13 cs.SI physics.soc-ph
Node Dominance: Revealing Community and Core-Periphery Structure in Social Networks
本研究将节点优势的局部性质与网络的局部和全局性质联系起来。迭代去除支配节点产生用于计算社交网络的核心-外围分解的分布式算法，其中网络核心中的节点在网络流和全局结构方面被认为是必不可少的。此外，外围的连接组件提供了有关网络社区结构的信息，有助于社区发现。一些明确的结果，得出有关的核心和外围网络流，社区结构和全球网络结构，这是由观测结果证实。该方法说明了使用现实世界的网络（DBLP合著网络），与地面真理社区。
2015-09-24 cs.SI physics.soc-ph
Role Discovery in Networks
角色表示节点级别的连接模式，例如星型中心、星型边缘节点、近集团或充当图的不同区域的桥梁的节点。直觉上，如果两个节点在结构上相似，则它们属于同一角色。角色主要是社会学家感兴趣的，但最近，角色在其他领域变得越来越有用。传统上，角色的概念是基于图等价定义的，例如结构等价、规则等价和随机等价。我们简要地回顾这些早期的概念，而是提出了一个更一般的公式的基础上的特征表示（与图表示）的相似性的角色。这使我们提出了一个分类的三个一般类别的技术发现的角色，包括（i）基于图形的角色，（ii）基于特征的角色，和（iii）混合角色。我们还提出了一个灵活的框架，发现角色使用的概念相似的基于特征的表示。该框架由两个基本组件组成：（a）角色特征构造和（b）使用学习的特征表示进行角色分配。我们讨论了不同的可能性，发现基于功能的角色和权衡的许多技术来计算它们。最后，我们讨论了潜在的应用和未来的方向和挑战。
2016-11-03 cs.SI physics.soc-ph
Discovering Small Target Sets in Social Networks: A Fast and Effective Algorithm
给定一个由图$G=(V,E)$表示的网络，我们考虑$G$中影响扩散的动态过程，其演化如下：最初只有给定$S\subseteq V$的节点受到影响;随后，在每一轮，受影响节点的集合被网络中具有足够大数量的已经受影响的邻居的所有节点增强。问题是要确定一个小的节点子集$S$（\emph{a target set}），可以影响整个网络。这是一个被广泛研究的问题，它抽象了社会、经济、生物和物理科学中的许多现象。已知对于任何$ε>0$，上述优化问题难以在$2^{\log^{1-ε}|V|}$的因子内近似。本文提出了一种快速而又令人惊讶的简单算法，它具有以下特点：1）当应用于树、圈或完全图时，它总是产生一个最优解2）当应用于任意网络时，它总是产生一个基数解，该基数解在先前已知的上界上有所改进; 3）当应用于现实生活中的网络时，它总是产生远远优于以前发表的算法所获得的解决方案（在任何一类图中都没有最优性或性能保证的证明）。
2016-10-12 cs.DS cs.SI math.CO
Diversity, Topology, and the Risk of Node Re-identification in Labeled Social Graphs
真实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。当节点具有关联属性时，隐私风险增加。在本文中，我们定量研究的二进制节点属性对节点隐私的影响，采用基于机器学习的重新识别攻击，并探讨图拓扑结构和属性放置之间的相互作用。我们的实验表明，人口的多样性的二元属性一致降低匿名性。
2018-08-31 cs.SI physics.soc-ph
Distinctiveness Centrality in Social Networks
节点中心性的确定是社会网络研究中的一个基本问题。作为对现有指标的补充，这些指标根据中心节点的经纪能力、连接的数量和权重以及快速到达所有其他节点的能力来识别中心节点，我们引入了五种新的独特性中心性指标。这些新的指标将更高的分数归因于与网络外围保持连接的节点。它们惩罚连接到高度连接节点的链接，并为识别具有更独特网络关系的社会行为者服务。我们讨论了这些新引入的度量的一些可能的应用和性质，例如它们的上界和下界。独特性中心性提供了一个中心性的观点，替代既定的指标。
2020-05-22 cs.SI physics.soc-ph
Node Classification in Social Networks
当处理大型图时，诸如在在线社交网络的上下文中出现的那些图，可以标记节点的子集。这些标签可以指示节点（用户）的人口统计值、兴趣、信念或其他特征。一个核心问题是使用这些信息来扩展标签，以便为所有节点分配一个标签（或多个标签）。在这一章中，我们调查分类技术已经提出了这个问题。我们考虑两大类：基于传统分类器的迭代应用的方法，使用图信息作为特征，以及通过随机游走传播现有标签的方法。我们对这些方法采取了一个共同的观点，以突出两个类别内和跨两个类别的不同方法之间的相似性。我们还描述了一些扩展和相关方向的中心问题的节点分类。
2011-01-17 cs.SI physics.soc-ph
Node-Centric Detection of Overlapping Communities in Social Networks
我们提出了NECTAR，一个社区发现算法，推广了鲁汶方法的局部搜索启发式重叠社区结构。NECTAR根据调用的网络动态选择要优化的目标函数。我们的综合基准图和现实世界的网络，地面真相社区的基础上，实验评估表明，NECTAR提供了优秀的结果相比，最先进的社区发现算法。
2016-07-06 cs.SI physics.soc-ph
Interplay between Social Influence and Network Centrality: A Comparative Study on Shapley Centrality and Single-Node-Influence Centrality
我们研究了社交网络中基于动态影响传播模型的网络中心性。为了说明我们理解动态影响过程和静态网络结构之间的基本相互作用的集成算法方法，我们专注于两个基本的中心性度量：（a）单节点影响（SNI）中心性，它通过影响传播来度量每个节点的重要性; Shapley中心性，它使用影响扩散函数的Shapley值--基于基本的合作博弈理论概念制定--来衡量节点的重要性。我们提出了一个全面的比较研究，这两个中心的措施。在数学上，我们提出了公理化的特征，这恰恰抓住了这两个中心的措施和他们的根本区别的本质。从数学上讲，我们提供了可扩展的算法来近似一个大家庭的社会影响力的实例。从经验上讲，我们证明了他们的相似性和差异，在一些现实世界的社交网络，以及我们的可扩展算法的效率。我们的研究结果揭示了它们的适用性：SNI中心性适合于评估孤立的个人影响力，而Shapley中心性评估个人在群体影响力环境中的表现。
2017-03-01 cs.SI physics.soc-ph
EMH: Extended Mixing H-index centrality for identification important users in social networks based on neighborhood diversity
社交网络的迅速扩张为用户提供了一个合适的信息传递平台。通过社交网络，我们可以在很短的时间内收获资源和分享信息。社交网络的发展给我们带来了巨大的便利。然而，组成网络的节点具有不同的传播能力，这受到许多因素的制约，而网络的拓扑结构是主要的因素。为了更准确地计算网络中节点的重要性，根据相邻节点的多样性定义了改进的H指标中心度（IH），然后利用累积中心度（MC）将所有相邻节点考虑在内，提出了扩展的混合H指标中心度（EMH）。我们评估所提出的方法的易感性-感染-扩散（SIR）模型和单调性，这是用来评估的准确性和分辨率的方法，分别。实验结果表明，该方法优于现有的识别不同网络中的节点的措施。
2020-03-07 cs.SI physics.soc-ph
InfluencerRank: Discovering Effective Influencers via Graph Convolutional Attentive Recurrent Neural Networks
University of South Florida（南佛罗里达大学）；University of California, Los Angeles（加州大学洛杉矶分校）；Sungkyunkwan University（成均馆大学）
本文提出 InfluencerRank，利用图卷积网络建模影响力者的发帖行为与社交关系，并结合注意力循环神经网络捕捉其动态变化，从而在 Instagram 大规模数据上有效识别高效影响力者。
2023-04-12 cs.AI cs.SI
Information Coverage Maximization in Social Networks
社交网络由于其流行性，近年来得到了广泛的研究。这些研究的丰富主体与影响力最大化有关，其目的是选择一组种子节点，以使过程结束时的活动节点的预期数量最大化。然而，主动节点集并不能完全代表信息传播的真实覆盖范围。当节点的任何邻居变得活跃并且尝试激活它时，节点可以被通知该信息，尽管该节点（即被通知的节点）仍然是不活跃的。因此，在研究网络中信息传播的覆盖时，需要同时考虑主动节点和知道信息的知情节点。沿着这条线，在本文中，我们提出了一个新的问题，称为信息覆盖最大化，旨在最大限度地提高预期数量的活跃节点和知情的。在证明了该问题在独立级联模型和线性阈值模型下是NP难的和次模块化的之后，我们设计了两个算法来解决该问题，并在三个真实数据集上进行了大量的实验，验证了所提算法的性能。
2015-10-13 cs.SI physics.soc-ph
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
Rethinking Centrality: The Role of Dynamical Processes in Social Network Analysis
在社会网络分析中使用的许多流行的测量方法，包括中心性，都是基于随机游走的。随机游走是一个随机过程的模型，其中一个节点每次与另一个节点交互。然而，随机游走可能不适合于建模社会现象，包括流行病和信息扩散，其中一个节点可能同时与许多其他节点交互，例如，通过向其邻居广播病毒或信息。为了产生有意义的结果，社会网络分析算法必须考虑节点之间的交互性质。在本文中，我们将动态过程分为保守和非保守，并将它们与网络分析中使用的著名中心性度量：PageRank和Alpha-Centrality。我们证明，通过对用于广播信息的在线社交网络中的用户进行排名，非保守的阿尔法中心性通常会导致比保守的PageRank更好地与经验排名方案达成一致。
2014-03-27 cs.SI physics.soc-ph
Sampling from Social Networks with Attributes
从大型网络中取样是社会网络研究的一个基本挑战。在本文中，我们探讨了不同的采样技术（节点采样，边采样，随机游走采样，雪球采样）的敏感性社交网络的属性。我们考虑网络的特殊情况（i），其中我们有一个属性有两个值（例如，在性别的情况下为男性和女性），（ii）当两个组的大小不相等时（例如，男性多数和女性少数），以及（iii）具有相同或不同属性值的节点相互吸引或排斥（即，同性恋或异性恋行为）。我们评估不同的采样技术方面保存节点的位置和群体在这样的网络中的可见性。实验在合成的和经验的社交网络上进行。我们的研究结果提供的证据表明，不同的网络采样技术是高度敏感的捕获预期的中心节点，其准确性取决于相对组大小的差异和同质性的水平，可以在网络中观察到。我们的结论是，不知情的采样从社交网络的属性，从而可以显着损害的能力，研究人员得出有效的结论，节点的中心性和社交网络中的群体的可见性或不可见性。
2017-02-17 cs.SI physics.soc-ph
Social Diffusion and Global Drift on Networks
本文研究了一个对称加权网络上的社会扩散数学模型，在这个网络中，各个节点的状态逐渐被其邻居的平均状态所形成的局部社会规范所同化。与物理扩散不同，该过程不是状态守恒的，因此网络的全局状态（即，节点状态的总和）将漂移。渐近平均节点状态将是由其强度加权的初始节点状态的平均值。在这里，我们表明，虽然在这个过程中的全局状态是不保守的，强度和状态向量的内积是保守的，而不是，和完美的正相关节点状态和本地平均值的自我/邻居的强度比总是导致向上（或至少中性）的全球漂移。我们还表明，强度的负向影响均匀化的速度。基于这些发现，我们提出了一个自适应的链接权重调整方法，以实现最高的向上的全局漂移，通过增加强度状态的相关性。该方法的有效性，通过数值模拟和现实世界的社会应用的影响进行了讨论。
2015-03-04 cs.SI physics.soc-ph
Hierarchical sequencing of online social graphs
在在线通信中，个体行为者的行为模式和在此过程中情感的使用可以导致呈现多层次结构和中观社区的复杂社会图。利用图的单纯复形表示，我们深入研究了基于MySpace对话框的在线社交网络的拓扑结构。该网络具有原始的社区结构。此外，我们模拟情绪传播在这个网络中，使识别两个情绪传播层。分析结果在三个结构向量量化的图形的架构在不同的拓扑结构水平。值得注意的是，通过共享链接，三角形和四面体面出现的结构经常出现，范围从树状到最大的5-团及其各自的复合体。另一方面，只传播消极或积极情绪信息的结构似乎具有由链接和三角形组成的简单得多的拓扑结构。此外，我们引入了节点的结构向量，它代表了节点所在的每个拓扑层次上的单形数。这样的单形的总数决定了我们定义的节点的拓扑维数。所提出的结果表明，节点的拓扑维数提供了一个合适的措施，社会资本的措施，代理人的能力，作为一个经纪人在紧凑的社区，所谓的Simmelian经纪。我们还将结果推广到更广泛的一类计算机生成的网络。调查网络层节点向量的组成部分表明，相同的节点发展不同的社会情感关系，有影响力的节点通过结合不同层的连接来建立社会资本。
2014-10-27 cs.SI physics.soc-ph
Community Detection in Social Network using Temporal Data
社交网络促进了参与者或用户之间有联系的社交空间。这种联系及其模式是基于他们的生活方式和交流方式。同样，在Facebook、Twitter、Myspace等在线社交媒体网络中，多个用户属于多个特定社区。社交网络表示大型现实世界定向社交图。从这些图中检测社区或集群是一个相当大的研究兴趣的问题。使用具有共同边和共同属性的相邻节点形成社区。现有的大多数社区发现算法通常考虑节点内容来分析社区的属性。一些算法使用节点之间的链接来确定图中的密集区域。但是，由于传统的顶点和边数据提取方法没有考虑节点间的连通性，同时利用边内容和顶点内容来检测社区还有待研究和验证。本文提出了一种互联空间聚类模型（Interlinked Spatial Clustering Model，ILSCM），该模型提供相关内容选择和时间主题提取，用于基于上下文关键字识别节点之间的介数，从而检测社区。
2019-04-10 cs.SI physics.soc-ph
Uncovering nodes that spread information between communities in social networks
从在线社交网络中收集的许多数据集中，已经观察到定义明确的社区结构。大量的用户参与这些网络，所产生的图形的大小带来了计算上的挑战。在识别负责社区之间信息流的节点方面有特别的需求;例如，在时间Twitter网络中，当社区之间的连接稀疏并且不同节点集群之间存在很少的边缘时，社区之间的边缘在传播活动峰值方面发挥着关键作用。这里提出的新算法的目的是通过测量一个节点到另一个社区节点的邻近程度来揭示这些关键连接。我们看看在一个以上的社区和他们周围的节点，影响接收到的信息和广播给他们的地方的边缘的节点。该方法依赖于一个选定的固定数量的步骤，从一个以上的社区与边缘的节点起源的独立随机游走。对于我们所考虑的大型网络，现有的度量（如介数中心性）很难计算，即使使用最新的方法来近似所需的大量操作。因此，我们设计了一种算法，可扩展到当前的大数据需求的需求，并有能力利用并行处理能力。新算法在合成数据上进行了说明，可以仔细判断结果，也可以在真实的大规模Twitter活动数据上进行说明，可以获得新的见解。
2014-01-14 cs.SI physics.soc-ph
Predicting Node Degree Centrality with the Node Prominence Profile
节点的中心性衡量其在网络中的相对重要性。中心性有许多应用，包括推断个人在社交网络中的影响力或成功，以及由此产生的社交网络动态。虽然我们可以计算给定网络快照中任何节点的中心性，但许多应用程序也有兴趣了解个人在未来的潜在重要性。然而，当前的中心性不一定是未来中心性的有效预测。虽然有不同的度量中心性，我们集中在本文的程度中心性。我们开发了一种方法，调和优先附件和三元封闭捕捉节点的突出配置文件。我们表明，建议的节点显着配置文件的方法是一个有效的预测度中心。值得注意的是，我们的分析表明，在进化的早期阶段的个人显示出独特的和强大的签名的程度中心化的趋势，充分预测他们的突出配置文件。我们在四个真实世界的社交网络中评估我们的工作。我们的研究结果具有重要的意义，需要预测的应用程序，一个节点的未来度中心，以及社会网络动力学的研究。
2014-12-06 cs.SI physics.soc-ph
Discovering Network Structure Beyond Communities
为了理解复杂系统的形成、演化和功能，理解其相互作用网络的内部组织至关重要。部分由于无法可视化大型复杂网络，解决网络结构仍然是一个具有挑战性的问题。在这里，我们克服了这一困难相结合的视觉模式识别能力的人类与计算机的高处理速度，开发一种探索性的方法，发现具有共同的网络属性，包括但不限于社区的密集连接的节点的节点组。在没有任何关于组的性质的先验信息的情况下，该方法同时识别组的数量、组分配以及定义这些组的属性。将我们的方法应用于真实网络的结果表明，大多数群体结构可能隐藏在快速增长的社会，生物和科学感兴趣的技术网络中。
2011-11-25 cond-mat.dis-nn cs.SI nlin.AO
On the Shoulders of Giants: Incremental Influence Maximization in Evolving Social Networks
识别最有影响力的个人可以为开发和部署有效的病毒式营销策略提供宝贵的帮助。以前的研究主要集中在设计有效的算法或算法来找到给定的静态社会网络上的前K个有影响力的节点。然而，事实上，现实世界的社交网络随着时间的推移而不断发展，并且对改变的网络的重新计算不可避免地导致长的运行时间，从而显著影响效率。本文从真实世界的痕迹中观察到，社会网络的演化遵循优先依附规则，影响力节点主要是从高度节点中选择出来的。这样的观察揭示了IncInf的设计，IncInf是一种增量方法，可以根据以前的信息而不是从头开始计算，在不断发展的社交网络中有效地定位前K个有影响力的个人。特别是，IncInf通过将拓扑演化的影响局限于局部区域来定量分析节点的影响扩散变化，并进一步提出了一种剪枝策略，有效地将搜索空间缩小到经历重大增长或度高的节点。我们在真实世界的动态社交网络（包括Facebook、NetHEPT和Flickr）上进行了广泛的实验。实验结果表明，与最先进的静态启发式算法相比，IncInf算法在保持影响扩散匹配性能的同时，在执行时间上实现了高达21倍的加速。
2015-08-05 cs.SI physics.soc-ph
Analysis of Neighbourhoods in Multi-layered Dynamic Social Networks
存在于各种IT系统的员工、客户或用户之间的社交网络已成为日益重要的研究领域之一。社交网络由节点-社交实体和连接节点对的边组成。在常规的单层社交网络中，两个节点-即人与单个边缘连接，而在多层社交网络中，对于一对节点可能存在许多不同类型的链接。如今，存在于所有社交媒体中的关于人及其互动的数据提供了关于一个网络中许多不同类型关系的信息。分析这些数据，不仅可以获得有关网络结构和特征的知识，还可以了解人际关系的语义。他们是直接还是不直接？人们倾向于与一个特定的人保持单一或多重关系吗？什么样的沟通方式对他们最重要？对这些和更多问题的回答使我们能够得出关于人类交互的语义的结论。遗憾的是，大多数用于社会网络分析（SNA）的方法可能仅适用于单层社交网络。为此，本文提出了一些新的多层社交网络的结构测度，特别是：跨层聚类系数、跨层度中心性和各种版本的多层度中心性。作者还研究了社会网络中五个不同层的多层邻里的动态。在现实世界的数据集上提出的概念的评价。本文提出的度量方法可直接应用于各种集合分类方法，即根据节点的结构输入特征为节点分配标签。
2012-07-18 cs.SI physics.soc-ph
Extracting real social interactions from social media: a debate of COVID-19 policies in Mexico
Universidad Nacional Autónoma de México (UNAM)（墨西哥国立自治大学）；Instituto de Investigaciones en Matemáticas Aplicadas y en Sistemas, Universidad Nacional Autónoma de México (UNAM)（墨西哥国立自治大学应用数学和系统研究所）；Instituto de Investigaciones Biomédicas, Universidad Nacional Autónoma de México (UNAM)（墨西哥国立自治大学生物医学研究所）；Centro de Ciencias de la Complejidad, Universidad Nacional Autónoma de México（墨西哥国立自治大学复杂科学中心）；Lakeside Labs GmbH（湖畔实验室有限公司）
本文通过分析社交媒体中朋友和敌人的动态网络，揭示了新冠政策辩论中真实社交互动的结构特征。
2021-06-16 cs.SI physics.soc-ph
Communication dynamics in finite capacity social networks
在通信网络中，结构和动态是紧密耦合的。该结构控制着信息流，其本身由节点之间交换信息的动态过程所塑造。为了协调结构和动力学，一个通用的模型，基于节点之间的局部相互作用，被认为是在大型社交网络的通信。在协议的数据从一个大型的人类组织，我们表明，流量是非马尔可夫和个人的时间限制控制。我们确认我们的模型的通用性，同时预测度相关的节点活动，信息输入和输出的节点和度分布之间的平衡。最后，我们量化网络分析的局限性时，它是基于在一个有限的时间段内采样的数据。
2012-09-07 cs.SI physics.soc-ph
A Linear Circuit Model For Social Influence Analysis
了解信息传播行为对于有效利用社交网络中的社会影响力至关重要。然而，现有的影响力模型是既听话，有效地描述信息传播过程和定量测量的社会影响力。为此，在本文中，我们开发了一个线性的社会影响力模型，命名为电路，由于它的密切关系的电路网络。基于预定义的社会影响力的四个公理，我们首先证明了我们的模型可以有效地测量任何一对节点之间的影响力强度。沿着这条线，识别节点的影响的上限以用于潜在的使用，例如，减小了搜索空间。此外，我们还提供了电路模型的物理含义，并深入分析了它与现有方法（如PageRank）的关系。然后，我们提出电路模型提供了一个自然的解决方案，计算每个节点的权威，并找到一组节点的社会影响力最大化的问题。最后，该模型的有效性进行了评估，在现实世界的数据。大量的实验结果表明，电路模型始终优于国家的最先进的方法，可以大大减轻影响力最大化问题的计算负担。
2012-09-10 cs.SI physics.soc-ph
Influence Maximization With Deactivation In Social Networks
在本文中，我们考虑一个著名的社会网络中的影响力最大化问题的扩展，该问题涉及找到一组k个节点来启动扩散过程，使得在该过程结束时受影响的节点的总数最大化。该扩展集中在一个竞争的变种，其中涉及两个决策者。第一个，领导者，试图通过选择最有影响力的节点来最大化总的影响力传播，第二个，追随者，试图通过停用其中的一些节点来最小化它。制定的双层模型解决了完全枚举的小规模的情况下，大规模的情况下，通过一个数学。在这两种情况下，较低级别的问题，这是一个随机优化问题，近似通过样本平均近似方法。
2019-04-18 cs.SI physics.soc-ph
Random Walk Sampling in Social Networks Involving Private Nodes
针对社会网络中私有节点不公开邻居数据导致现有随机游走估计算法存在偏差的问题，提出一种扩展的随机游走采样框架及校正估计器，将网络规模、平均度数等属性的估计偏差降低高达92.6%。
2023-05-21 cs.SI
Effective Graph-Neural-Network based Models for Discovering Structural Hole Spanners in Large-Scale and Diverse Networks
针对大规模及多样化网络中的结构洞跨越者发现问题，提出GraphSHS与基于元学习的Meta-GraphSHS，兼顾效率、准确率与跨图泛化。
2025-02-17 cs.SI
Characterizing Nodes and Edges in Dynamic Attributed Networks: A Social-based Approach
如何基于社会方面来刻画动态属性网络中的节点和边？我们解决这个问题，探索演员和他们的相关属性随着时间的推移之间的联系的强度，从而捕捉演员的社会角色和他们在不同的社会网络场景中的动态互动的意义。为此，我们应用社会概念，以促进更好地理解涉及行为者及其社会动机的潜在复杂性。更具体地说，我们探讨的概念，社会资本的战略定位的一个特定的演员在社会结构的经纪人的概念，创造桥梁的能力与多样化的模式，和封闭，聚合节点的能力与类似的模式。因此，我们揭示了不同的学术合作网络和问答社区的社会互动的差异。我们还统计验证我们的社会定义考虑的重要性，节点和边缘的社会结构，通过网络属性。
2022-07-14 cs.SI
Identify Influential Nodes in Online Social Network for Brand Communication
近年来，在线社交网络变得非常流行，这促使越来越多的公司通过社交媒体推广他们的品牌和产品。提出了一种识别在线社会网络中品牌传播影响力节点的方法。我们首先构建一个加权网络模型的用户和他们的关系提取的品牌相关的内容。我们从网络结构和品牌参与度两个方面对社区中节点的个体价值进行了定量度量。然后提出了一种从虚拟品牌社区中识别有影响力节点的算法。该算法通过节点的个体值以及其周围节点的个体值来评估节点的重要性。我们提取和构建一个虚拟的品牌社区，为一个特定的品牌从现实生活中的在线社交网络作为数据集，并实证评估所提出的方法。实验结果表明，该方法能够识别在线社交网络中有影响力的节点。该方法可以得到更高的用户认证率和用户覆盖率。
2020-06-24 cs.SI
Discovering overlapping communities in multi-layer directed networks
本文提出多层混合成员随机共块模型及谱方法，用于检测多层有向网络中的非对称重叠社区，理论证明并实验验证了其一致性及提高稀疏性、节点数或层数可提升检测精度。
2025-02-27 cs.SI stat.ME
Discovering Structural Hole Spanners in Dynamic Networks via Graph Neural Networks
针对动态网络中结构洞跨越者发现这一NP难问题，提出基于GNN的GNN-SHS模型，以贪心方式识别top-k节点，在保持高精度的同时较对比方法最高平均加速671.6倍。
2025-02-17 cs.SI
A Model of Consistent Node Types in Signed Directed Social Networks
签名定向社交网络越来越普遍，其中用户之间的关系可以是积极的（表示信任等关系）或消极的（表示不信任等关系）。因此，积极和消极的关系之间的相互作用，在这样的网络已成为一个重要的研究课题。最近的研究集中在边缘符号推理的结构平衡理论或社会地位理论。然而，这两种理论都不能很好地解释当由该边连接的两个节点不共享共同邻居时观察到的边符号（例如，共同的朋友）。在本文中，我们开发了一种新的方法来处理这种情况，通过应用一个新的模型的节点类型。首先，我们分析了一个完全观察到的有向网络中的局部节点结构，推断出底层节点类型。两个节点之间的边的符号必须与它们的类型一致;这很好地解释了边的符号，即使没有共同的邻居。此外，我们表明，我们的方法可以扩展到包括定向三合会，当它们存在时，就像在基于结构平衡或社会地位理论的模型。我们基于部分观察到的Wikipedia、Slashdot和Epperly网络，在实证研究中计算贝叶斯节点类型，其中最大的网络（Epperly）有119 K个节点和841 K条边。我们的方法产生更好的性能比国家的最先进的方法，这三个签署有向网络。
2014-08-28 cs.SI physics.soc-ph stat.AP
Discovering Geo-dependent Stories by Combining Density-based Clustering and Thread-based Aggregation techniques
Gradiant（Gradiant研究中心）；Universidade de Vigo（维戈大学）
本研究提出结合密度聚类与自然语言处理的社交媒体地理标签帖子全局分析方法，可检测城市异常并推断事件，在纽约Instagram数据集上验证有效，算法资源消耗低且易适配其他地理数据源。
2023-12-18 cs.AI cs.SI
