Predicting Relationship Labels and Individual Personality Traits from Telecommunication History in Social Networks using Hawkes Processes
手机包含了大量的私人信息，所以我们试图保护它们的安全。我们提供了大量的证据表明，个人的心理概况和他们与同龄人的关系可以预测从看似匿名的通信痕迹-电话和短信日志，服务提供商例行收集。基于两个广泛的纵向研究，包括900多名大学生，我们使用点过程模型来描述通信模式。我们自动预测同伴关系类型和时间动态，并评估用户个性的基础上建模。对于某些人格特质，结果与从调查自我报告数据中获得的黄金标准表现相当。研究结果说明了如何信息通常居住在个人的控制之外，可以用来重建敏感信息。
2023-01-25 cs.CY cs.SI
Predicting human preferences using the block structure of complex social networks
随着可用数据的不断增加，预测个人的偏好并帮助他们找到最相关的信息已成为一种迫切的需求。从根本角度来看，理解和预测偏好也很重要，这是所谓的“新”计算社会科学的一部分。在这里，我们提出了一种新的方法，基于随机块模型，这已被社会学家开发的社会互动的复杂网络的合理模型。我们的模型是基于其他人的偏好来预测个人偏好的精神，但是，而不是拟合特定的模型，我们依赖于贝叶斯方法，该方法对所有可能的模型进行采样。我们表明，我们的方法比领先的推荐算法准确得多，比行业级算法有38%到99%的重大相对改进。此外，我们的方法揭示了决策过程中，通过识别群体的个人有一贯相似的偏好，并使这些群体的特征分析。
2012-10-03 cs.SI physics.data-an physics.soc-ph
Structural Analysis of Criminal Network and Predicting Hidden Links using Machine Learning
由于这一专题的性质，分析犯罪网络本身就很困难。犯罪网络是隐蔽的，大多数信息是不公开的。这导致可用于分析的小数据集。现有的犯罪网络数据集由相互关联的实体，即个人或组织组成。实体之间的联系表明，这些实体之间存在联系，例如参与同一犯罪活动、有商业联系和/或加入同一犯罪组织。由于犯罪活动的隐蔽性，各实体之间可能有许多隐藏的联系，这使得公开的犯罪网络不完整。披露隐藏的链接会带来新的信息，例如嫌疑人与犯罪组织的联系，这可能是公共信息所不知道的。如果我们可以对更大的数据集进行分析，并使用链接预测来揭示隐含的联系，我们将能够发现什么？我们计划通过使用比大多数犯罪网络分析中使用的数据多一个数量级的数据集来回答这个问题。通过使用机器学习技术，我们将链接预测问题转化为二进制分类问题。我们计划揭示隐藏的链接和潜在隐藏的犯罪网络的关键属性。有了对网络的更完整的了解，我们可以利用这些数据来挫败犯罪组织和/或采取帕累托方法来瞄准关键节点。最后，我们的分析与有效的破坏战略，以削弱犯罪网络，并证明了在攻击犯罪网络时，揭示隐藏的链接的有效性。
2015-09-21 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
Cross-sectional Urban Scaling Fails in Predicting Temporal Growth of Cities
许多城市指标与城市人口的幂律比例，但横截面比例律是否适用于单个城市的时间增长尚不清楚。在这里，我们首先发现两个矛盾的缩放关系，城市建成区与人口在城市之间呈次线性缩放，但在大多数单个城市中，随着时间的推移与人口呈超线性缩放，因为城市土地扩张快于人口增长。不同的城市具有不同的时间尺度指数，一个城市甚至在两个时期内具有相反的时间尺度制度，有力地支持了单一的时间尺度的缺失，并进一步说明了横截面城市尺度在预测城市的时间增长的失败。我们提出了一个概念模型，可以澄清的本质区别，也连接之间的横截面标度律和城市的时间轨迹。我们的模型表明，城市有一个额外的增长，随着时间的推移，除了假定的增长预测的横截面缩放定律。不同规模城市间的额外增长差异改变了横截面标度指数。对国内生产总值和其他指标的进一步分析证实了横截面和时间尺度关系之间的矛盾以及概念模型的有效性。我们的发现可能会为城市科学开辟一条新的道路。
2019-10-17 cs.SI physics.soc-ph
Predicting Regional Economic Indices using Big Data of Individual Bank Card Transactions
几个世纪以来，生活质量一直是不同学科研究的主题。然而，只有随着数字时代的出现，才有可能在更大范围内调查这一主题。随着时间的推移，生活质量显然不仅取决于一个，而是取决于三个相对不同的参数：社会、经济和福利措施。在这项研究中，我们只关注前两个，因为最后一个往往是非常主观的，因此很难衡量。使用一套完整的银行卡交易记录的毕尔巴鄂Vizcaya Argentaria银行（BBVA）在2011年在西班牙，我们首先创建一个功能空间，通过定义各种有意义的特点，一个特定的区域性能，通过其业务，居民和游客的活动。然后，我们通过考虑西班牙各省的官方统计数据（例如，房价、失业率、预期寿命），并研究它们是否可以基于我们的特征空间进行预测。为了预测的目的，我们的研究提出了一个监督机器学习的方法。我们的发现是，个人消费行为和官方社会经济指标之间存在明显的相关性，这些指标表示生活质量。此外，我们认为，这种工作方式有助于理解，预测和分析人类活动对我们社会福祉的影响，这些影响的规模没有一致的官方统计数据（例如，城市和城镇、地区或更小的街区）。
2015-07-11 cs.CY cs.SI physics.soc-ph
Predicting epidemic outbreak from individual features of the spreaders
了解哪些个体可以更有效地在确定的环境中传播病原体是疾病控制中的一个基本问题。事实上，在过去的几年里，流行病的传播及其与相关系统拓扑结构的关系一直是复杂网络理论中反复出现的话题，同时考虑到网络模型和现实世界的数据。在本文中，我们探讨了传染病的异质性传播由易感染-感染-恢复（SIR）模型，和起源顶点的几个属性之间的可能的相关性，考虑Erdös-Rényi（ER），Barabási-Albert（BA）和随机几何图（RGG），以及一个真实的研究案例，美国航空运输网络，包括美国500个最繁忙的机场以及相互连接。最初，考虑到RGG网络，在其中，我们解析推导出的传播率的分布在已建立的联系人之间的表达式，通过假设这样的速率呈指数衰减的距离，分开的个人的异质性的传播实现。这样的分布也被认为是ER和BA模型，我们观察到拓扑效应的相关性。在机场网络的情况下，扩展率是根据经验定义的，假设与座位可用性成正比。在所考虑的理论网络和真实网络中，我们观察到总流行率与流行源的程度、强度和可及性之间存在高度相关性。然而，对于诸如介数中心性和$k$壳指数之类的属性，相关性取决于所考虑的拓扑。
2012-06-15 cs.SI physics.soc-ph q-bio.PE
Modeling and Predicting Popularity Dynamics of Microblogs using Self-Excited Hawkes Processes
对在线媒体上的单个用户生成的项目的流行动态进行建模和预测的能力在广泛的领域中具有重要意义。在本文中，我们提出了一个概率模型，使用自激霍克斯过程（SEHP）来描述的过程中，个人微博获得他们的知名度。该模型明确地捕获每个转发的触发效应，将其与基于增强泊松过程的模型区分开来，在该模型中，所有先前的转发被简单地聚合为单个触发效应。我们验证了所提出的模型，将其应用于新浪微博，在中国最流行的微博网络。实验结果表明，SEHP模型始终优于基于增强泊松过程的模型。
2015-03-10 cs.SI
Modeling and Predicting Popularity Dynamics via Deep Learning Attention Mechanism
在一个复杂的进化系统中预测单个项目的流行动态的能力在广泛的领域中具有重要的意义。在这里，我们提出了一种深度学习注意力机制来模拟单个项目获得流行度的过程。我们分析了该模型的解释性与四个关键现象独立确认在长期流行动态量化的研究，包括内在质量，老化效应，近因效应和马太效应。分析了在流行度动态预测中引入注意力模型的有效性。在一个真实的大型引文数据集上进行的大量实验表明，所设计的深度学习注意力机制在预测长期流行动态方面具有显着的能力。它始终优于现有的方法，并实现了显着的性能改善。
2022-04-21 cs.LG cs.SI
Predicting Graph Categories from Structural Properties
这篇论文已从arXiv.org上撤回，原因是作者之间对在arXiv. org上提交之前收到的几个同行评审意见存在分歧。尽管这篇论文的当前版本被撤回，但作者之间对本文中的新颖工作没有分歧。一个具体的问题是对Ikehara \& Clauset相关工作的讨论（见之前发布的版本的第8页）。同行评审对类似版本的评论使所有作者意识到，在提交给arXiv.org之前，讨论歪曲了他们的工作。然而，一些作者选择在未经所有作者同意的情况下向arXiv发布一个最低限度更新的版本，或者适当地解决这个归属问题。=原文摘要：复杂网络通常根据它们所代表的潜在现象进行分类，例如分子相互作用，转发和大脑活动。在这项工作中，我们研究的问题预测的类别（域）的任意网络。这包括来自不同领域的复杂网络，以及来自五种不同网络模型的综合生成图。一个$96.6\%$的分类精度实现使用随机森林分类器与真实和合成网络。这项工作有两个重要的发现。首先，我们的研究结果表明，来自不同领域的复杂网络具有不同的结构特性，使我们能够高精度地预测一个新的以前看不见的网络的类别。第二，合成图分类是微不足道的，因为分类模型可以近乎确定地预测用于生成它的网络模型。总体而言，结果表明，从不同域（和网络模型）绘制的网络是微不足道的，仅使用少数简单的结构属性来区分。
2019-08-01 cs.AI cs.SI stat.ML
Neural Predicting Higher-order Patterns in Temporal Networks
Purdue University（普渡大学）；Peking University（北京大学）
由一组相互作用的元素组成的动态系统可以抽象为时态网络。最近，高阶模式，涉及多个相互作用的节点已被发现至关重要的领域特定的法律，不同的时间网络。这给我们提出了为这些高阶模式设计更复杂的超图模型和相关的新学习算法的挑战。在这里，我们提出了第一个模型，名为HIT，时间超图的全谱高阶模式预测。特别是，我们专注于预测三种类型的共同的，但重要的互动模式，涉及三个相互作用的时间网络中的元素，这可以扩展到更高阶的模式。HIT在时间超图上提取感兴趣的节点三元组的结构表示，并使用它来告诉什么类型，何时以及为什么交互扩展可能发生在这个三元组中。HIT可以实现显着的改善（平均20%的AUC增益，以确定相互作用类型，统一更准确的时间估计）相比，启发式和其他基于神经网络的基线上5个真实世界的大时间超图。此外，HIT通过识别时间超图上最具歧视性的结构特征来预测不同的高阶模式，从而提供了一定程度的可解释性。
2022-01-17 cs.AI cs.SI
Assessing individual risk and the latent transmission of COVID-19 in a population with an interaction-driven temporal model
本文通过引入会议持续时间和个体疾病进展来丰富交互驱动的 COVID-19 传播模型，从而在群体和个体层面预测感染风险，并揭示无症状传播仅在稀疏社区中具有显著影响。
2023-07-11 cs.SI physics.soc-ph stat.AP
Physical partisan proximity outweighs online ties in predicting US voting outcomes
该研究结合美国个体调查、共位与在线网络数据，通过统计建模发现物理空间的党派接触比在线、居住接触更能准确预测选举结果，且线下党派隔离程度更高，凸显物理空间对理解社交网络与政治行为的重要性。
2025-10-03 cs.CY cs.SI physics.soc-ph
Predicting Individual Treatment Effects of Large-scale Team Competitions in a Ride-sharing Economy
University of Michigan, Ann Arbor（密歇根大学安娜堡分校）；University of Maryland, College Park（马里兰大学帕克分校）；AI Labs at Didi Chuxing（滴滴出行人工智能实验室）
全球数百万司机通过共享经济享受到了经济利益和工作时间表的灵活性，但与此同时，他们却缺乏认同感和职业成就感。配备了社会认同和竞赛理论，经济激励的团队竞赛一直是提高司机生产力，工作满意度和保留率的有效工具，并提高了乘车共享平台的收入超过成本。虽然这些比赛总体上是有效的，但治疗效果背后的决定性因素以及它们如何影响单个车手的结果在很大程度上是神秘的。在这项研究中，我们分析了一家领先的拼车平台组织的500多场大型团队比赛的数据，建立了机器学习模型来预测个体治疗效果。通过对特征和预测因子的仔细研究，我们能够将样本外预测误差减少24%以上。通过解释表现最佳的模型，我们发现了许多关于如何优化拼车平台上团队竞赛的设计和执行的新颖且可操作的见解。模拟分析表明，通过简单地改变一些比赛设计选项，实际比赛的平均治疗效果预计将提高26%。我们的程序和研究结果揭示了如何分析和优化大规模在线现场实验一般。
2020-08-07 cs.CY cs.LG cs.SI
Understanding and Predicting Links in Graphs: A Persistent Homology Perspective
持久同源性是拓扑数据分析（TDA）中的一个强大工具，它可以在不同的空间分辨率下简洁地捕获数据的拓扑属性。对于图形数据，单个数据项（节点）的邻域的形状和结构是表征其属性的重要手段。在本文中，我们提出了使用持久的同源性方法来捕捉图的结构和拓扑性质，并使用它来解决链接预测的问题。我们在七个不同的真实世界数据集上评估了我们的方法，并为未来的工作提供了方向。
2018-11-09 cs.SI math.AT
Cascade-LSTM: Predicting Information Cascades using Deep Neural Networks
University of South Florida（南佛罗里达大学）
预测动态社会环境中的信息流与当代社会的许多领域相关，从传播医疗保健信息到模因跟踪。虽然预测信息级联的增长已经在不同的社交平台上成功地解决了，但预测信息级联的时间和拓扑结构的探索有限。然而，准确预测有多少用户将发送特定用户的消息以及何时发送对于设计实用的干预技术至关重要。本文利用长短期记忆（LSTM）神经网络技术来预测信息级联的两个时空特性，即个体级信息传输的大小和速度。我们将这些预测算法与级联树的概率生成结合到一个生成测试模型中，该模型能够在Reddit和Github两个不同的平台上准确地生成级联树。我们的方法导致信息传递者的分类准确率超过73%，各种社交平台中的早期传递者的分类准确率为83%。
2020-04-26 cs.LG cs.SI
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。
2020-09-10 cs.LG cs.SI
Predicting Infectiousness for Proactive Contact Tracing
Mila（米拉研究所）；University of Oxford（牛津大学）；Max-Planck Institute for Intelligent Systems Tübingen（马克斯·普朗克智能系统研究所蒂宾根分所）；University of Ottawa（渥太华大学）；McGill University（麦吉尔大学）；Université de Montreal（蒙特利尔大学）；École Polytechnique de Montreal（蒙特利尔理工学院）；The Alan Turing Institute（阿兰·图灵研究所）；HEC Montréal（蒙特利尔高等商学院）
COVID-19大流行在全球迅速蔓延，许多国家的人工接触者追踪工作难以为继，导致大范围封锁以进行紧急遏制。大规模数字接触者追踪（DCT）已成为恢复经济和社会活动同时最大限度地减少病毒传播的潜在解决方案。已经提出了各种DCT方法，每种方法都在隐私、移动性限制和公共健康之间进行权衡。最常见的方法是二元接触者追踪（BCT），将感染建模为二元事件，仅根据个人的测试结果进行通知，并提供相应的二元建议，即所有或没有个人的接触者隔离。BCT忽略了接触和感染过程中固有的不确定性，这可以用来为高风险个体定制消息，并提示主动检测或早期警告。它也没有利用症状或预先存在的医疗状况等观察结果，这些观察结果可以用来进行更准确的传染性预测。在本文中，我们使用最近提出的COVID-19流行病学模拟器来开发和测试可以部署到智能手机上的方法，以便根据个人的接触历史和其他信息在本地和主动预测个人的传染性（感染他人的风险），同时尊重强隐私限制。预测用于通过应用程序向个人提供个性化建议，以及向个人的联系人发送匿名消息，这些联系人使用这些信息来更好地预测自己的传染性，我们称之为主动接触追踪（PCT）。我们发现了一种基于深度学习的PCT方法，该方法在同等平均移动性下优于BCT，这表明PCT有助于安全重新开放和第二波预防。
2020-10-23 cs.AI cs.LG cs.MA
