Interplay between exogenous triggers and endogenous behavioral changes in contagion processes on social networks
近年来，统计物理学的方法论已经证明非常成功地提供了对社会互动机制的见解。然而，这些模型是否能够捕捉到在现实世界的数据集中观察到的趋势的问题在目前的文献中几乎没有得到解决。通过这项工作，我们的目标是弥合理论建模和数据验证之间的差距。特别是，我们提出了一个观点动力学在社交网络上的外部触发器的存在下，框架的错误行为传播的背景下的模型的解释。我们把我们的人口分为有意识的、无意识的和狂热的/受过教育的代理人。个体根据两种相互竞争的动力学改变他们的状态，称为行为动力学和广播。前者是通过个人之间的接触传播信息，而广播则扮演着外部媒介的角色，模仿主流媒体的效果。通过模拟和分析计算，我们发现，不知情的代理在系统中的分数的平稳分布经历了相变时，考虑到所有的近似。令人惊讶的是，这样的相变消失在存在的最小分数的受过教育的代理。最后，我们使用从Twitter上收集的关于阿斯利康疫苗对COVID-19的潜在不利影响的公开讨论（包括数百万条帖子）的数据来验证我们的模型。我们表明，外部代理的干预，在我们的模型中占，是能够重现在这个现实世界的数据集中发现的一些关键功能。
2022-10-27 cs.SI physics.soc-ph
Discord in the voter model for complex networks
本文提出一种精确计算方法，用于分析带或不带狂热者的多状态选民模型中任意智能体间不和谐概率的演化，适用于任意有向加权图，并揭示了聚类对极化网络中不和谐行为的影响。
2024-02-21 cs.SI physics.soc-ph
Echo chamber formation sharpened by priority users
该研究通过计算建模探究社交媒体优先用户对意见动态的影响，发现异质行为的优先用户会加剧回声室形成，少数兼具固执与优先属性的极端用户可引发系统极化，提示需监管平台优先级政策。
2023-12-14 cs.SI physics.soc-ph
Dynamic Clustering in Social Networks using Louvain and Infomap Method
在社交网络中发现社区或聚类是社会网络分析中的一个著名课题。大多数算法仅限于静态快照，因此无法处理底层图中的动态。在本文中，我们提出了一个修改的Louvain社区检测方法来处理图中的变化，而无需重新运行完整的算法。此外，我们采用了Louvain贪婪的方法来优化信息地图的措施。主要的想法是，重新计算只有一个小区域周围的变化。根据图的大小和更改量，这会导致运行时间大幅减少。作为验证数据，我们提供了一个图形生成器，它在给定的时间产生特定的社区结构，以及将图形从一个特定图形转换到另一个特定图形的中间步骤。实验表明，运行时间的减少是可能的，而不会有太大的质量损失。这些值取决于图形中的再处理区域。
2016-03-08 cs.SI physics.soc-ph
Measuring changes in polarisation using Singular Value Decomposition of network graphs
本文提出基于随机点积图和奇异值分解的社交网络极化测量方法，通过嵌入维度下降检测极化，并在Twitter讨论和随机块模型网络中验证其有效性。
2025-06-24 cs.SI physics.soc-ph
Cooperation on Social Networks and Its Robustness
在这项工作中，我们使用了计算机模型的社会类网络，以显示通过广泛的数值模拟，在进化游戏中的合作可以出现，并在这类网络是稳定的。达成的合作量至少与无标度网络一样多，但在这里人口模型更现实。合作对于不同的策略更新规则、种群动态和支付计算是鲁棒的。只有当使用直接平均收益或存在高策略或网络噪声时，合作才会在所有博弈中减少，并在囚徒困境中消失。
2012-07-11 cs.SI physics.soc-ph
The role of emotional variables in the classification and prediction of collective social dynamics
本研究以2012年奥运会期间英国推文为对象，考察情绪变量对集体社会动态分类与预测的影响，发现其能提升分类准确率却会降低预测性能。
2014-12-11 cs.SI physics.soc-ph
Mining for Spatially-Near Communities in Geo-Located Social Networks
现有的社交网络社区发现方法往往忽略了节点的空间位置。在本文中，我们期待在社会网络中提取空间附近的社区。我们引入了一个新的度量标准来衡量一个社区分区的质量在一个地理定位的社交网络称为“空间接近模块化”的值，增加的基础上的网络结构的方面，但减少的基础上的社区节点之间的距离。然后，我们希望找到相对于该指标的最佳分区--就社会关系和地理位置而言，它应该是一个“理想”的社区。虽然是一个NP难问题，我们引入两个启发式算法，试图最大限度地提高这一措施，并优于非地理社区发现的数量级。还讨论了反恐怖主义的应用。
2013-09-11 cs.SI physics.soc-ph
Social diffusion and global drift in adaptive social networks
社会传染已经在不同的背景下进行了研究。社会传染的许多实例可以被建模为一个感染过程，其中一个特定的状态（产品，时尚，知识，行为等的采用）。通过个体之间的联系在个体之间传播。与此同时，其他形式的社会传染可能更好地理解为一个扩散过程，在这个过程中，个人的状态往往与社会规范同化（即，当地平均状态）在他/她的邻域内。与影响是非线性、单向、快速和潜在破坏性的感染场景不同，社会扩散是线性、双向、渐进和收敛的。个体状态与其邻居平均状态之间的距离总是减小的，从而保证了一个均匀的全局状态是网络长期稳定的平衡状态。这听起来并不像感染动力学那样有趣或令人兴奋，这可能是为什么很少有关于社会扩散过程数学模型的研究。在这里，这项研究试图揭示社会扩散的一个未被认识的特征，即，它可能导致网络的全局平均状态的非平凡漂移。虽然有些违反直觉，但这种全球漂移确实是可能的，因为与物理扩散过程不同，社会扩散过程不是保守的。在下文中，将提出一个社会扩散的数学模型来解释这一现象的机制，并提出一些可能的集体行动来影响全球漂移的方向。社会传播与个人和集体进步的相关性将被简要讨论，重点是教育应用。
2014-06-30 cs.SI physics.soc-ph
Complex social contagion induces bistability on multiplex networks
社会强化机制是信息技术生态系统中普遍存在的一种现象，近年来引起了人们的广泛关注。虽然社会强化对单层网络的影响已经有了很好的记录，但需要扩展到多层网络，以研究来自不同社交圈的强化如何影响传播动态。为此，我们将多层社会强化到多重网络上的不知情者-传播者-无知（SIS）模型。我们的理论分析结合了成对方法和平均场论，并与大规模模拟结果吻合良好。令人惊讶的是，我们发现这种复杂的社会传染机制触发了双稳态现象的出现，灭绝和爆发状态共存。特别是，在这一地区出现了稳定流行的滞后环，这解释了为什么在现代社会中对谣言传播的斗争是长期和困难的。此外，我们表明，最终状态的传染区域依赖于初始密度的采用者，其临界值降低的传染性或多层加固的增加。特别是，我们强调两个可能的条件爆发的社会传染：拥有大的传染传递性，或拥有大的初始密度的采用者具有强大的多层加固。我们的研究结果揭示了多元化网络中社会强化的不可忽视的力量，这为设计有效的营销和促进创新等传播行为策略提供了启示。
2021-05-25 cs.SI physics.soc-ph
Containing misinformation spreading in temporal social networks
来自计算机科学、网络科学和数学等各个领域的许多研究人员都在关注如何遏制威胁社会系统和破坏社会健康的互联网错误信息的爆发。大多数关于这一主题的研究都将个体之间的联系视为静态的，但这些联系会随着时间的推移而变化，因此社交网络也是时间网络。目前还没有理论方法来解决时间网络中的错误信息爆发问题。因此，我们提出了一个错误信息传播模型的时间网络，并描述它使用一个新的理论方法。我们提出了一种基于优化最终爆发规模的策略，该策略优于随机包含（RC）和目标包含（TC）等简化策略。我们通过大量的数值模拟和理论分析，验证了我们的HC策略在人工和现实网络上的有效性。我们发现，HC策略大大提高了爆发阈值，降低了最终爆发阈值。
2019-04-24 cs.SI physics.soc-ph
The Impact Of Noise And Topology On Opinion Dynamics In Social Networks
我们研究了噪声和拓扑结构对社交网络中观点多样性的影响。我们这样做是通过扩展完善的意见动态模型的随机设置，代理人都受到同化的力量，他们当地的社会互动，以及特殊的因素，防止他们的人口达成共识。我们对后者进行建模，以考虑噪声完全是外生的情况下，同行的影响和情况下，它是内生的，所产生的代理人的愿望，以保持一些独特的意见。我们推导出一个一般的意见多样性的分析表达式，它适用于任何网络，并依赖于网络的拓扑结构，通过其频谱特性。使用这个表达式，我们发现，意见的多样性减少社区和集群被打破。我们对描述主要新闻媒体之间的经验影响网络的数据进行了测试，发现将我们的测量纳入线性模型中，用于这些来源在各种主题上表达的情绪，在解释力方面产生了显着的改善。
2020-10-23 cs.SI physics.soc-ph
A Self-Learning Information Diffusion Model for Smart Social Networks
在大数据时代，越来越多的社会活动被数字化，从而变得可追溯，因此社交网络的研究越来越受到学术界的关注。人们普遍认为，社交网络在信息扩散过程中发挥着重要作用。然而，相反的问题，即，信息扩散过程是如何重建社交网络的，在很大程度上被忽视了。在本文中，我们提出了一个新的框架来理解这种逆转效应。具体来说，我们首先介绍了一个新的信息扩散模型在社交网络，考虑两种类型的个人，即，聪明的和正常的人，以及两种信息，真的和假的信息。由于社交网络由具有自我学习能力的人类个体组成，如果一个人从其邻居那里收到了一条真实（或虚假）的消息，那么这个人对其邻居的信任就会增加（或减少）。基于这样一个简单的自学习机制，我们证明了社交网络确实可以变得更聪明，更好地区分真假信息。此外，我们观察到基于新模式的社会分层的出现，即，最初由更接近聪明的个人发布的真实消息可以由更多的其他人转发，这通过自学习机制得到增强。我们还发现了交叉优势，即，两个链式网络之间的互联可以使相关个体具有更高的社会影响力，即，他们的消息可以被相对更多的其他人转发。我们从理论上得到了这些结果，并通过仿真验证了它们，这有助于更好地理解社交网络和信息扩散之间的相互作用。
2018-11-11 cs.SI physics.soc-ph
From Caesar to Twitter: An Axiomatic Approach to Elites of Social Networks
在许多社会中，都有一个精英，一个相对较小的群体，由有权势的个人组成，他们关系密切，影响力很大。从古罗马凯撒大帝的元老院到最近Twitter上的名人，精英的规模是相互冲突的社会力量竞相增加或减少的结果。本文的主要贡献是回答了均衡时精英的规模有多大的问题。我们采取一个公理化的方法来解决这个问题：假设一个精英存在，它是有影响力的，稳定的，无论是最小的或密集的，我们证明了它的大小必须是$Θ(\sqrt{m})$（其中$m$是在网络中的边缘的数量）。作为一个近似的精英，我们提出了一个实证研究的九个大型现实世界中的网络的子图形成的最高程度的节点，也被称为丰富的俱乐部。我们的研究结果表明，精英属性，如不成比例的影响力，稳定性和密度的$Θ(\sqrt{m})$丰富的俱乐部是普遍的属性，并应加入一个越来越多的共同现象的列表所共有的社交网络和复杂的系统，如“小世界”，幂律度分布，高集群，等。
2012-11-27 cs.SI physics.soc-ph
Emergence of polarization in a sigmoidal bounded-confidence model of opinion dynamics
本文提出一种基于Sigmoid影响函数的平滑有界置信模型（SBCM），通过标量$γ$控制影响陡度，解析了极化状态稳定性与图拓扑的闭式关系，并利用线性稳定性分析克服了传统不连续BCM难以分析的问题。
2023-07-30 cs.SI math.DS physics.soc-ph
Opinion de-polarization in social networks with GNNs
Technical University of Crete（希腊克里特技术大学）
本文提出利用图神经网络识别K名用户，使他们在特定话题上持中立立场以减少网络极化，针对双极化结构进行优化。
2026-04-20 cs.LG cs.SI
Diversity-induced resonance in the response to social norms
在本文中，我们专注于多样性诱导共振，这是最近发现的可激发的和其他物理系统。我们研究这种现象的出现，在一个纯粹的经济模型的合作和叛逃代理。代理人对公共利益的贡献被视为一种社会规范。因此，叛逃的代理人面临着社会压力，如果搭便车变得普遍，这种压力就会减少。在这个模型中，由于对社会规范的不同敏感性，代理人之间的多样性自然出现。我们研究的演化合作作为一个响应社会规范（一）的复制动力学，和（二）通过数值模拟的logit动力学。多样性引起的共振被观察到作为一个最大的代理人的反应，在社会规范的变化作为一个功能的异质性程度的人口。我们提供了一个分析，平均场方法的logit动态，并找到非常好的协议与模拟。从社会经济的角度来看，我们的研究结果表明，与直觉相反，个人对社会规范的敏感性的多样性可能会导致社会更好地遵循这些规范作为一个整体，即使部分人口不太倾向于遵循它们。
2012-09-25 cond-mat.dis-nn cs.SI physics.soc-ph
The "Unfriending" Problem: The Consequences of Homophily in Friendship Retention for Causal Estimates of Social Influence
越来越多的学者正在使用纵向社会网络数据，试图获得同行或社会影响力的估计。这些数据可能提供额外的统计杠杆，但它们可能会引入新的推理问题。特别是，虽然同质性在友谊形成中的混淆效应得到了广泛的认可，但在友谊保持中的同质性也可能混淆纵向网络数据中社会影响力的因果估计。我们在对Christakis、Fowler及其同事在众多文章中使用的统计模型进行蒙特卡罗分析时为这一说法提供了证据，这些文章估计了社交网络中的“传染”效应。我们的研究结果表明，同质性在友谊保留引起显着的向上偏差和降低覆盖水平的Christakis和福勒模型，如果有不可忽略的友谊磨损随着时间的推移。
2011-06-17 cs.SI physics.data-an physics.soc-ph
On the emergence of an "intention field" for socially cohesive agents
我们认为，当一个社会融合机制存在，并足够强大，人们应该期待出现一个定义明确的“场”，即一个缓慢演变的，局部的量，围绕其个人属性波动在一个有限的范围。这种冷凝现象很好地说明了Deffuant-Weisbuch意见模型，我们提供了一个自然的扩展，允许空间异质性。我们分析和数值计算表明，由此产生的动态的紧急领域是一个嘈杂的扩散方程，有一个缓慢的动态。这个随机扩散方程再现了[1，2]中经验发现的空间投票模式相关性的长期对数下降。有趣的是，我们发现，当社会凝聚力机制变得太弱时，文化凝聚力就会完全崩溃，在这个意义上，意图/意见的分布变得无限广泛。在这种情况下不存在新兴领域。所有这些分析结果证实了基于代理的模型的数值模拟。
2014-01-19 cond-mat.stat-mech cs.SI physics.soc-ph
Social consensus through the influence of committed minorities
我们展示了如何在人口中占主导地位的多数意见，可以迅速扭转一小部分随机分布的承诺代理人谁一贯改宗的反对意见和免疫的影响。具体来说，我们表明，当承诺的分数增长超过一个临界值p_c \approx 10%，有一个戏剧性的减少的时间，T_c，采取了整个人口的承诺意见。特别地，对于完全图，当p < p_c时，T_c \sim \exp（α（p）N），而当p > p_c时，T_c \sim \ln N.最后，我们得出了Erdens-Rényi随机图和无标度网络的模拟结果，它们表现出定性相似的行为。
2011-04-25 cond-mat.stat-mech cs.SI physics.soc-ph
Social Approval and Network Homophily as Motivators of Online Toxicity
本研究实证检验在线仇恨主要源于社会认同追求的理论，发现毒性具有网络同质性，转发等认同信号会提升后续毒性，而未获预期认同则降低毒性。
2024-02-29 cs.SI
Habituation Effect in Social Networks as a Potential Factor Silently Crushing Influence Maximisation Efforts
信息传播过程是在真实和数字社交网络中观察到的关键现象。网络成员经常受到来自不同来源的信息的压力，例如提高认识的信息活动、病毒式营销、谣言、假新闻或其他活动的结果。信息经常被重复，这种重复可以以累积影响的形式提高绩效。由于处理信息的能力有限，重复的消息也可能被忽略。学习过程导致重复的信息被忽视，因为它们的内容已经被吸收。在这种情况下，反应性随着重复而降低，并且可以观察到习惯化效应。在这里，我们分析传播过程，同时考虑习惯化效应和性能下降以及接触次数的增加。还考虑了在减少消息数量时的恢复能力。结果表明，即使是低习惯性和传播概率的下降可能会大大影响网络覆盖。这可能导致使用影响最大化方法选择的种子集的潜力显著降低。除了习惯化效应对传播过程的影响外，我们还展示了如何使用顺序播种方法来减少习惯化效应。这表明顺序播种比单阶段播种对习惯化效应不那么敏感，并且它可以用于限制对接收消息过载的用户的负面影响。
2021-09-28 cs.SI
Football and Beer - a Social Media Analysis on Twitter in Context of the FIFA Football World Cup 2018
在许多社会中，酒精是一种合法和常见的娱乐物质，为社会所接受。饮酒通常伴随着社交活动，因为它有助于人们增加社交能力，克服禁忌。另一方面，我们知道，酒精消费量增加会导致严重的健康问题，如癌症、心血管疾病和消化系统疾病等。这项研究调查了2018年国际足联足球世界杯期间的酒精消费情况，特别是Twitter上与酒精相关的信息的使用情况。为此，我们分析了推文行为，并表明，比赛大大增加了啤酒的兴趣。此外，我们表明，国家谁不得不离开比赛在早期阶段可能做了一些好事，他们的球迷对啤酒的兴趣再次下降。
2018-11-09 cs.SI
MARS: A framework for modelling register-based social networks
Leiden University（莱顿大学）
针对基于登记处的社交网络建模难题，提出MARS图框架，复刻其构建方法，实现的简单模型可复现荷兰对应网络的属性，还揭示空间自由度与社会凝聚力的负相关关系。
2026-08-12 cs.SI
Out of vocabulary words decrease, running texts prevail and hashtags coalesce: Twitter as an evolving sociolinguistic system
Twitter是最受欢迎的社交媒体之一。由于数据容易获得，Twitter被大量用于研究目的。众所周知，Twitter在许多方面都比它诞生时有所发展;然而，它是如何发展自己的语言风格的仍然相对未知。在本文中，我们研究了Twitter各个社会语言学方面在大时间尺度上的演变。据我们所知，这是第一次全面研究的演变，这方面的OSN。我们对单词和标签进行了定量分析，因为它可能是社交媒体最重要的语言单位之一。我们研究了Twitter语言风格的正式（非正式）方面，发现它既不是完全正式的，也不是完全非正式的;一方面，我们观察到词汇表外的单词随着时间的推移而减少（指向正式风格），另一方面，很明显，随着运行文本的大量流行，空格的使用正在减少（指向非正式风格）。我们还分析并提出了Twitter中重复和合并标签的定量原因。我们认为，这种现象可能与人类语言的不同进化方面密切相关。
2015-09-17 cs.SI
A normative approach to radicalization in social networks
本研究提出基于循环信念传播的规范性方法，证明降低消息相关性可避免社交网络中的激进化与极化，并利用Facebook和Twitter数据验证其有效性。
2024-03-07 cs.SI
Multi-Modal Bayesian Embeddings for Learning Social Knowledge Graphs
Tsinghua University（清华大学）；Carnegie Mellon University（卡内基梅隆大学）
我们研究在线社交网络可以连接到开放的知识库的程度。这个问题被称为学习社会知识图谱。我们提出了一个多模态贝叶斯嵌入模型，GenVector，学习潜在的主题，生成词和网络嵌入。GenVector利用嵌入的大规模未标记数据，并表示两种模态的数据-即，社交网络用户和知识概念--在共享的潜在主题空间中。三个数据集上的实验表明，该方法明显优于国家的最先进的方法。然后，我们将该方法部署在AMiner上，AMiner是一个大型在线学术搜索系统，拥有38，049，189名研究人员的网络，拥有35，415，011个概念的知识库。我们的方法显着降低了出错率在一个在线的A/B测试与现场用户。
2016-04-20 cs.CL cs.SI
Controlled Information Fusion with Risk-Averse CVaR Social Sensors
考虑一个多智能体网络，该网络由风险厌恶的社会传感器和控制器组成，它们在给定噪声测量的情况下共同寻求估计未知的自然状态。社会传感器网络执行贝叶斯社会学习-每个传感器使用贝叶斯规则将先前社会传感器揭示的信息与其私人估值融合在一起-以优化局部费用函数。控制器通过差别定价（控制输入）顺序地修改传感器的费用函数，以实现长期的全局目标。我们制定的随机控制问题所面临的控制器作为一个部分观测的马尔可夫决策过程（POMDP），并得出结构结果的最优控制政策的风险厌恶因子的函数的条件风险价值（CVaR）费用函数的传感器。我们表明，当传感器是风险厌恶的最优价格序列是一个上鞅，即，它随着时间的推移平均下降。
2017-12-21 cs.SI math.OC
Recommendation Algorithms on Social Media: Unseen Drivers of Political Opinion
本研究基于 3,300 余名参与者的数据，分析 Facebook 和 X 等平台及其推荐算法对用户政治兴趣的差异化影响，并揭示人口统计学差异，为理解数字政治动员提供实证依据。
2025-06-25 cs.SI
Using a Cognitive Network Model of Moral and Social Beliefs to Explain Belief Change
尽管有科学证据证明儿童疫苗和转基因食品的安全性，但人们对它们的怀疑越来越多。对科学问题的信念很难改变，因为它们植根于许多相关的道德问题和对他人想法的信念中。我们提出了一个认知网络模型，估计所有相关的信念之间的关系，失调和随机性，以获得信念变化的情况下的预测。使用概率全国代表性的纵向研究，我们发现支持我们的模型的预测：随机性的信念网络随着时间的推移而下降，对于许多参与者，他们估计的不和谐与他们自我报告的不和谐呈正相关，和个人谁有高估计的不和谐他们的信念网络更有可能改变他们的信念，以减少这种不和谐。这项研究是第一个将统一的预测模型与实验干预相结合的研究，并揭示了导致信念改变的不和谐减少的动态。
2022-01-12 cs.SI
Countering Misinformation on Social Networks Using Graph Alterations
我们在类似社交媒体的环境中限制错误信息的传播，同时保持正确信息的传播。我们将环境建模为一个随机的用户网络，其中每个新闻项在网络中连续级联传播。现有研究表明，错误信息和正确信息的级联行为受到用户极化和自反性的不同影响。我们表明，这种差异可以用来改变网络动态的方式，选择性地阻碍传播的错误信息的内容。为了实现这些改变，我们引入了一种基于优化的概率丢弃方法，该方法随机删除用户之间的连接，以实现错误信息的最小传播。我们使用纪律性的凸规划来优化这些删除概率在一个减少的空间可能的网络变化。我们使用模拟的社交网络测试算法的有效性。在我们的测试中，我们使用了基于随机块模型的合成网络结构，以及使用从Twitter收集的数据集随机采样生成的自然网络结构。结果表明，平均而言，该算法减少了级联大小的错误信息内容的合成网络测试中高达$70\%$和高达$45\%$在自然网络测试，同时保持分支比至少$1.5$的正确信息。
2022-11-09 cs.SI
Shaping Opinions in Social Networks with Shadow Banning
提出基于优化的影子禁令方法，可在大规模社交网络上将观点塑造成期望分布，并揭示其可能被平台隐蔽滥用以操纵观点。
2024-02-06 cs.SI cs.SY eess.SY
GAC: A Deep Reinforcement Learning Model Toward User Incentivization in Unknown Social Networks
University of Technology Sydney（悉尼科技大学）；University of Tasmania（塔斯马尼亚大学）；Auckland University of Technology（奥克兰理工大学）
近年来，许多应用程序都部署了激励机制来促进用户的注意力和参与度。大多数激励机制基于用户的属性（例如，偏好），而这样的信息在许多现实世界的应用中是不可用的。同时，由于预算限制，实现对所有用户的成功激励可能具有挑战性。有鉴于此，我们考虑利用社会影响力，以最大限度地提高激励效果。我们可以直接激励有影响力的用户来影响更多的用户，这样就可以降低激励这些用户的成本。然而，识别社交网络中有影响力的用户需要关于用户之间的影响力强度的完整信息，这在现实世界的情况下是不切实际的。在这项研究中，我们提出了一个端到端的强化学习为基础的框架，称为几何演员批评（GAC），以解决上述问题。该方法不需要用户属性的先验知识就能实现有效的激励分配。实验中采用了三个真实的社交网络数据集来评估GAC的性能。实验结果表明，GAC能够在未知的社交网络中学习和应用有效的激励分配策略，并优于现有的激励分配方法。
2022-11-13 cs.AI cs.SI
A Longitudinal Study of Social Media Privacy Behavior
现有的隐私问题和行为的结构不充分模型之间的偏差用户的态度和行为。虽然一些研究已经检查了假设偏离理性的在线用户，这些行为的真正解释可能在于以前没有解决的隐私问题的结构的因素。特别是，隐私的态度和行为的变化，随着时间的推移还没有检查的背景下的实证研究。本文介绍了一个敏捷的，基于sprint的社交媒体用户的纵向研究的结果，在2009年4月至2011年3月的两年时间内进行。本研究结合隐私监管理论的概念与互联网用户的信息和隐私关注模型的结构，创建了一系列在线调查，研究了社交媒体隐私态度和自我报告行为随时间的变化。这项研究的主要结果是，在2009年至2011年的两年时间里，受访者对社交媒体网站的隐私问题和不信任感显著增加，而他们披露个人信息的意愿和与新网友联系的意愿显著下降。对选定的受访者进行的进一步定性访谈确定了这些变化，这些变化象征着用户制定了专门的风险缓解策略来解决隐私威胁。
2011-03-16 cs.CY cs.SI
A Simulation Framework for Studying Recommendation-Network Co-evolution in Social Platforms
Boston University（波士顿大学）
本文提出一个模拟框架，研究推荐系统与社交网络的共进化，通过实验发现激活时间影响网络结构和参与度，延迟激活可提升内容多样性但降低模块性。
2025-12-10 cs.MA cs.SI
Personal Information Privacy Settings of Online Social Networks and their Suitability for Mobile Internet Devices
保护个人信息隐私已成为在线社交网络提供商和用户之间的争议问题。大多数社交网络提供商已经开发了几种技术来减少对用户隐私的威胁和风险。这些风险包括滥用个人信息，可能导致身份盗窃等非法行为。本研究旨在衡量用户保护个人信息隐私的意识，以及他们用来修改隐私设置的隐私系统的适用性。调查结果显示，使用智能手机进行网络服务的比例很高，但目前在线社交网络的隐私设置需要改进，以支持不同类型的手机屏幕。由于大多数用户使用手机进行互联网服务，因此需要开发与手机兼容的隐私设置。选择隐私设置的方法也应该简化，以便为用户提供将与他人共享的数据的清晰画面。这项研究的结果可以用来开发一个新的隐私系统，这将有助于用户从不同的设备，包括移动互联网设备和计算机轻松地控制他们的个人信息。
2013-05-13 cs.CY cs.SI
Structuring Communities for Sharing Human Digital Memories in a Social P2P Network
社区是P2P网络内部的子网络，它将网络划分为相似的节点组，通过减少网络流量和提高搜索查询成功率来提高性能。大型社区在在线社交网络中比传统的文件共享P2P网络更常见，因为许多人在生活中捕获了大量数据。这增加了网络中承载类似数据的主机数量，从而增加了社区的规模。本文提出了一个基于内存线程的社区，我们的基于实体的社交P2P网络，网络划分成组的对等体共享数据属于一个实体-人，地方，对象或兴趣，有自己的数字存储器或成为另一个内存的一部分。通过使用线性排序来组织网络，这些连接的对等体具有进一步的相似性。存储器线程是数字存储器的集合，具有共同的参考键，并根据某种形式的相关性进行组织。仿真结果表明，该方案的网络性能的增加，随着网络开销的减少和更高的查询成功率相比，其他类似的计划。即使网络流量和规模增加，网络也能保持其性能。
2020-04-17 cs.DC cs.SI
Nash Equilibrium in Social Media
University of Toronto（多伦多大学）
研究社交媒体网络中纳什均衡寻求算法的应用，通过通信图共享信息以优化个体成本与收益。
2017-03-27 cs.GT cs.SI cs.SY
Online Social Network Data-Driven Early Detection on Short-Form Video Addiction
National Tsing Hua University（国立清华大学）
本研究针对短视频成瘾（SFVA）检测滞后问题，构建了基于社交网络行为的数据集，并提出首个早期检测框架EarlySD，利用大型语言模型解决数据稀疏与缺失问题，结合多模态行为数据与异构社交网络结构实现有效检测。
2024-07-24 cs.CY cs.LG cs.SI
Learning to Control Misinformation: a Closed-loop Approach for Misinformation Mitigation over Social Networks
University of Zurich（苏黎世大学）；Eindhoven University of Technology（埃因霍温理工大学）
针对社交网络推荐系统因优先参与度而放大错误信息的问题，提出结合错误信息缓解与参与度最大化的闭环控制框架，通过惩罚极端负面情绪等特征，在不同网络配置中减少错误信息传播达76%，并为平台提供实用指导。
2025-11-16 cs.SI cs.SY eess.SY
Burger: Robust Graph Denoising-augmentation Fusion and Multi-semantic Modeling in Social Recommendation
Beijing Advanced Innovation Center for Future Blockchain and Privacy Computing（未来区块链与隐私计算先进创新中心）；School of Artificial Intelligence, Beihang University（北京航空航天大学人工智能学院）；School of Cyber Science and Engineering, Huazhong University of Science and Technology（华中科技大学网络安全与工程学院）
针对社交推荐中社交网络与用户-物品交互网络间语义相互影响的研究不足，提出Burger模型，通过构建社交张量、双语义协调损失及贝叶斯后验概率去噪，显著提升了推荐性能。
2025-09-15 cs.AI cs.IR cs.SI
Why You Should Charge Your Friends for Borrowing Your Stuff
Carnegie Mellon University（卡内基梅隆大学）
我们考虑可以与k跳邻居共享的商品（即，在社交网络上距所有者K跳内的节点集合）。我们通过设计博弈论模型来研究购买这种商品的动机，每个节点都决定是购买商品还是免费搭车。首先，我们发现，社会效率低下，特别是过度购买的好，发生在纳什均衡。第二，社会效率随着k的增加而降低，因此可以与更多的节点共享商品。第三，也是最重要的一点，通过向搭便车者收取接入成本并将其支付给所有者，也可以显著降低社会低效率，从而得出结论，组织和系统设计者应该征收这样的成本。这些发现得到了我们在无政府代价和稳定性代价方面的理论分析的支持，并通过基于合成和真实社交网络的模拟。
2017-05-20 cs.AI cs.GT cs.MA
