Capacity Constrained Influence Maximization in Social Networks
针对个体互动容量受限场景，论文提出CIM问题，并设计MG-Greedy、RR-Greedy及近线性可扩展算法RR-OPIM+，在6个真实网络和在线游戏部署中验证了更优效果与效率。
2023-05-31 cs.SI
Structural and Cognitive Bottlenecks to Information Access in Social Networks
网络中的信息是非均匀分布的，这使得处于某些网络位置的个人能够优先获得信息。社会科学家已经发展了关于网络结构在信息获取中的作用的有影响力的理论。这些理论通过大量研究得到了验证，这些研究考察了个人如何利用他们的社交网络获得竞争优势，例如新工作或更高的薪酬。目前尚不清楚这些理论如何推广到在线网络，在线网络在重要方面与现实世界的社交网络不同，包括社会联系的不对称性。我们通过分析社交新闻聚合器Digg的用户如何采用朋友推荐的故事来解决这个问题，即，用户跟随。我们衡量不同因素的影响，如网络位置和活动率;对新信息的访问，这在Digg的情况下意味着一套独特的新闻故事。我们表明，用户可以通过链接到活跃用户来改善他的信息访问，尽管由于结构性网络约束，随着朋友或他们的活动数量的增加，这变得不那么有效。这些约束的出现是因为在追随者图中处于结构上不同位置的用户具有与他们的朋友不同的主题兴趣。此外，尽管在大多数情况下，用户的朋友会接触到网络中几乎所有可用的信息，但在他们做出推荐之后，用户只能看到可用信息的一小部分。我们的研究表明，认知和结构瓶颈限制了在线社交网络中获取新信息的机会。
2013-03-04 cs.CY cs.SI physics.soc-ph
Scalable Methods for Adaptively Seeding a Social Network
本文针对社交网络中影响力受限用户的信息传播问题，提出一种可扩展的自适应播种方法，为线性影响模型开发可并行化的近似算法，实验证明其效果显著优于标准传播方法。
2015-03-05 cs.SI physics.soc-ph
Network-based information filtering algorithms: ranking and recommendation
在互联网和万维网变得流行和广泛可用之后，个人的电子存储在线交互迅速成为研究人员的挑战，并且可能甚至更快地成为企业家的有价值信息的来源。我们现在有详细的记录，包括社交网络中的非正式友谊关系、电子商务网站上的购买、用户之间发送的各种信息、网络书签的在线收集，以及许多其他数据集，这些数据集使我们能够提出从学术和商业角度都感兴趣的问题。例如，您可能希望与社交网络的哪些其他用户成为朋友？您可能有兴趣购买哪些其他产品？谁是网络中最有影响力的用户？您接下来可能要访问哪个网页？所有这些问题不仅本身有趣，而且它们的答案可能有助于企业家为客户提供更好的服务，并最终增加他们的利润。
2012-08-22 cs.IR cs.SI physics.data-an
Simulation and Augmentation of Social Networks for Building Deep Learning Models
Bournemouth University（伯恩茅斯大学）；University of Technology Sydney（悉尼科技大学）
图卷积网络（GCN）的局限性在于，它假设在神经网络模型的特定$l^{th}$层处，只有社交网络的$l^{th}$阶邻域节点是有影响的。此外，GCN已经在引用和知识图谱上进行了评估，但没有广泛地在基于友谊的社交图谱上进行评估。与GCN的层之间的依赖性和节点邻域的顺序相关联的缺点对于基于友谊的图可能更普遍。评估GCN在基于友谊的社交网络上的全部潜力需要大量公开可用的数据集。然而，大多数可用的社交网络数据集并不完整。此外，大多数可用的社交网络数据集不包含特征和地面实况标签。在这项工作中，首先，我们提供了一个指导方针，模拟动态社交网络，地面真相标签和功能，都与拓扑结构相结合。其次，我们介绍了一个开源的基于Python的仿真库。我们认为，网络的拓扑结构是由一组潜在的变量，被称为社会DNA（sDNA）。我们认为sDNA作为标签的节点。最后，通过对我们的模拟数据集进行评估，我们提出了四种新的GCN变体，主要是为了克服节点邻域的顺序与模型的特定层之间依赖性的限制。然后，我们评估了所有模型的性能，我们的结果表明，在30个模拟数据集中，我们提出的GCN变体有27个优于原始模型。
2019-08-30 cs.LG cs.SI stat.ML
Social Bootstrapping: How Pinterest and Last.fm Social Communities Benefit by Borrowing Links from Facebook
如何开发一个新的在线社区，让每个用户都能高度参与，并促进社会互动？许多网站提供交友功能，帮助用户从Facebook或Twitter等已建立的网络复制链接，从而在网站上引导社交网络。本文量化了这种社会引导在何种程度上是有效的，以提高网站的社会体验。首先，我们开发了一个风格化的分析模型，该模型表明复制倾向于产生一个巨大的连接组件（即，连接的社区），并保持诸如互惠性和聚类的属性，直到线性乘法因子。其次，我们使用来自两个网站Pinterest和Last.fm的数据，以经验方式比较从Facebook复制的链接与本地创建的链接的子图。我们发现，复制的子图有一个巨大的组件，更高的互惠性和聚类，并确认复制的连接看到更高的社会互动。然而，随着用户变得更加活跃和有影响力，复制的需求减少了。这些用户倾向于在网站上创建本地链接，链接到与他们比Facebook朋友更相似的用户。我们的研究结果为理解如何从已建立的社交网络引导通过增强社交互动来帮助吸引新用户提供了新的见解。
2014-03-24 cs.CY cs.SI physics.soc-ph
Studying Diffusion of Viral Content at Dyadic Level
信息和病毒式内容的传播、社会传染和影响仍然是广泛评估的主题。由于解释影响者角色的理论略微降低了他们在病毒式内容传播中的重要性，以下论文的作者研究了社交网络平台中的信息流行病，以证实这一领域的最新理论发现。虽然大多数相关的实验集中在个人的水平上，以下分析的基本实体是二元体。作者研究的行为图案，可以观察到在二元水平。这项研究表明，在扩散过程中参与程度更高与参与程度更低的二元体之间存在显着差异。推动传播过程的二元组的特征是更强的关系（更高的活动性，更多的共同朋友），更活跃和网络化的接收方（更高的中心性措施），以及发送病毒式消息的人的更高权威中心性。
2014-11-28 cs.SI physics.soc-ph
The Role of Social Networks in Information Diffusion
在线社交网络技术使个人能够同时与任何数量的同龄人分享信息。要量化这些技术对信息传播的因果影响，不仅需要确定谁影响了谁，而且还需要确定在没有关于信息的社会信号的情况下，个人是否仍然会传播信息。我们研究了社交网络在在线信息扩散中的作用，并进行了一项大规模的现场实验，该实验随机暴露于2.53亿受试者中关于朋友信息共享的信号。那些暴露的人更有可能传播信息，而且比那些没有暴露的人传播信息的速度更快。我们进一步研究了强关系和弱关系在信息传播中的相对作用。我们发现，虽然较强的关系是个人更有影响力，这是更丰富的弱关系谁负责传播的新信息。这表明，弱关系可能比目前认为的在网上信息传播中发挥更大的主导作用。
2012-02-28 cs.SI physics.soc-ph
Moving with the Times: Investigating the Alt-Right Network Gab with Temporal Interaction Graphs
Gab是一个在线社交网络，经常与另类右翼政治运动和禁止其他网络的用户联系在一起。它为研究提供了一个有趣的机会，因为从网络创建的第一天起就可以获得近乎完整的数据。在本文中，我们调查的用户交互图的演变，这是一个链接表示在给定的时间与另一个用户的用户交互的图形。我们在不同的时间和不同的时间尺度上观察这个图表。后者是通过在图上使用滑动窗口来实现的，这为社交网络数据提供了一个新的视角。Gab网络在几个月的时间里增长相对缓慢，但在几小时和几天内会有大量的抵达者。我们确定合理的事件，是感兴趣的加布社区与最明显的这种突发。网络的特点是“陌生人”之间的互动，而不是加强“朋友”之间的联系。Gab的使用遵循主要基于美国和欧洲的用户的昼夜周期。在非高峰时段，Gab交互网络分裂成子网络，它们之间绝对没有交互。一小群用户在更长的时间尺度上具有高度影响力，但大量用户在短时间内获得影响力。不同时间尺度的时间分析提供了超越静态图的新见解。
2020-09-17 cs.SI
Limited Attention and Centrality in Social Networks
如何在在线社交网络中找到重要或有影响力的人？研究人员已经提出了各种中心性度量方法来识别那些经常被随机游走访问的个体，感染流行病的个体，或者从朋友那里收到很多信息的个体。最近的研究表明，社交媒体用户响应传入消息的能力受到他们有限注意力的限制，他们将注意力分散在所有传入信息上，即，他们关注的用户发送的信息。我们提出了一种新的中心性测度-Bonacich的Alpha中心性的有限注意版本-模型有限注意对流行病扩散的影响。新的度量描述了一个过程，在这个过程中，节点向它们的外邻居广播消息，但是邻居接收消息的能力取决于它们拥有的内邻居的数量。我们评估建议的措施在现实世界中的在线社交网络，并表明它可以更好地再现经验的影响力排名的用户比其他流行的中心性措施。
2013-03-18 cs.CY cs.SI physics.soc-ph
Boosting Information Spread: An Algorithmic Approach
影响力最大化（IM）的研究主要集中在有影响力的种子，以触发大量的信息在社交网络中传播。在本文中，我们考虑了一个新的和补充的问题，如何进一步增加给定的种子的影响传播。我们的研究动机是观察到直接激励可以“促进”用户，使他们更有可能受到朋友的影响。我们研究了$k$ -boosting问题，其目的是找到$k$用户，以提高，使最终的“提升”的影响力传播最大化。$k$ -boosting问题与IM问题不同，因为boosted用户的行为与seeder不同：boosted用户最初不受影响，我们只增加他们受影响的概率。我们的工作也补充了IM研究，因为我们专注于在给定播种者的基础上触发更大的影响力传播。问题的NP-困难性和目标函数的非子模块性都对$k$ -boosting问题提出了挑战。为了解决一般图的问题，我们设计了两个有效的算法与数据依赖的近似比。对于双向树上的$k$ -boosting问题，我们提出了一个有效的贪心算法和一个四舍五入的动态规划，这是一个完全多项式时间的近似计划。我们使用真实的社交网络和合成双向树进行了广泛的实验。我们表明，我们的算法返回的提升解决方案实现了提升的影响力，比直观基线返回的提升解决方案高出数倍，而直观基线无法保证解决方案的质量。我们还探讨了“预算分配”的问题，在我们的实验。与只针对种子用户分配预算相比，将预算同时分配给种子用户和提升用户可以获得更大的影响力扩散。
2017-06-26 cs.SI
Heuristics for Influence Maximization with Tiered Influence and Activation thresholds
本文研究以LTM为扩散模型的MINFS问题，提出基于未激活节点平均度、最近优先和骨干最重路径的启发式种子集构建方法。
2024-06-13 cs.SI
Online Influence Maximization (Extended Version)
社交网络通常用于营销目的。例如，可以向少数有影响力的社交网络用户（或“种子节点”）提供产品的免费试用品，希望他们能说服他们的朋友购买该产品。营销人员将目标形式化的一种方法是通过影响力最大化（或IM），其目标是在固定预算下找到最佳的种子节点进行激活，以便最终最大化受影响的人数。最近的IM解决方案依赖于用户影响另一个用户的影响概率。然而，该概率信息可能不可用或不完整。在本文中，我们研究IM的影响概率的完全信息的情况下。我们称这个问题为在线影响力最大化（OIM），因为我们在运行影响力活动的同时学习影响力概率。为了解决OIM问题，我们提出了一种多尝试方法，其中（1）根据现有的影响力信息选择一些种子节点;（2）从这些种子节点开始影响力活动;（3）使用用户的反馈来更新影响力信息。我们采用了Explore-Exploit策略，该策略可以使用当前影响概率估计（exploit）或估计的置信区间（explore）来选择种子节点。任何现有的IM算法都可以在这个框架中使用。我们还开发了一个增量算法，可以显着减少处理用户的反馈信息的开销。实验结果表明，该方法在部分信息的情况下比传统的IM方法更有效。
2015-06-03 cs.DB cs.SI physics.soc-ph
Online Influence Maximization in Non-Stationary Social Networks
The University of Hong Kong（香港大学）；Tsinghua University（清华大学）
社交网络已经成为信息传播的流行平台。一个重要的用例是病毒式营销：在给定推广预算的情况下，广告主可以选择一些有影响力的用户作为种子集，并向他们提供免费或折扣的样品产品;这样，广告主希望通过口碑效应增加产品在用户朋友圈中的知名度，从而最大化产品信息所能到达的用户数量。有大量文献研究了影响力最大化问题。然而，现有的研究大多是一次性的基础上调查的问题，假设固定的已知的影响力概率之间的用户，或确切的社会网络拓扑结构的知识。在实践中，社交网络拓扑和影响概率通常对于广告商是未知的，其可以随时间变化，即，在新建立、加强或削弱社会联系的情况下。在本文中，我们专注于一个动态的非平稳的社会网络和设计的随机算法，RSB，基于多臂强盗优化，最大限度地提高影响力传播随着时间的推移。该算法产生一系列在线决策，并利用先前决策的结果来校准其探索-利用策略。它被严格证明可以达到一个上界的遗憾在奖励和适用于大规模的社交网络。使用合成和真实世界的数据集，这表明我们的算法优于以前的平稳方法在非平稳条件下的实际有效性进行评估。
2016-04-26 cs.DS cs.LG cs.SI
Neighborhood Matters: Influence Maximization in Social Networks with Limited Access
影响力最大化（IM）旨在通过向有影响力的用户提供折扣（称为播种）来最大化影响力的传播。在许多应用中，由于用户的隐私问题、庞大的网络规模等，很难如人们所希望的那样将网络中的任何用户作为目标。相反，只有一小部分用户最初是可访问的。这种访问限制将显著地损害影响传播，因为IM通常依赖于播种高程度用户，由于社交网络的幂律结构，这在这样的小子集中是特别罕见的。在本文中，我们试图解决有限的IM在现实世界的场景中的自适应方法与播种和扩散的不确定性考虑。具体来说，我们考虑细粒度的折扣，并假设用户接受概率折扣。扩散过程用独立级联模型描述。为了克服访问限制，我们证明了集明智的友谊悖论（FP）的现象，邻居有更高的程度的期望，并提出了一个两阶段的播种模型与FP嵌入，其中邻居被播种。在此基础上，为了比较，我们制定了非自适应的情况下，自适应的情况下，都被证明是NP-困难的。在非自适应情况下，折扣一次性分配给所有用户。我们显示的单调性的影响蔓延w.r.t.设计了一个两阶段的协调下降框架来确定折扣分配。在自适应的情况下，用户顺序播种现有的播种和扩散结果的观察的基础上。我们分两个阶段证明了影响扩散函数的自适应子模性和子模性。在此基础上，提出了一系列具有常数逼近比的自适应贪心算法。
2020-10-03 cs.DM cs.DS cs.SI
