Competitive Influence Propagation and Fake News Mitigation in the Presence of Strong User Bias
由于社交网络在社交媒体中的广泛作用，人们很容易分享新闻，而且它的传播速度比以往任何时候都快。这些平台也被利用来分享谣言或虚假信息，这对社会构成了威胁。减少虚假信息影响的一种方法是让人们意识到基于硬证明的正确信息。在这项工作中，首先，我们提出了一个传播模型，称为竞争独立级联模型与用户的偏见（CICMB），认为存在强烈的用户偏见，对不同的意见，相信，或政党。我们进一步提出了一种方法，称为$k-TruthScore$，从一组给定的潜在的真相运动者，以最大限度地减少谣言传播者对网络的影响，以确定一组最佳的真相运动者。我们将$k-TruthScore$与最先进的方法进行比较，并将其性能作为保存节点的百分比（在没有真相活动家的情况下会相信假新闻的节点）。我们在几个真实网络上展示了这些结果，结果表明$k-TruthScore$方法优于基线方法。
2020-11-10 cs.SI
Preserving privacy enables "co-existence equilibrium" of competitive diffusion in social networks
随着社交媒体的出现，不同的公司经常同时推广竞争产品，以获得社交网络中用户的口碑传播和采用。对于这种竞争扩散的情况，先前的研究表明，较弱的产品将很快灭绝（即，“赢家通吃”）。然而，有趣的是，在实践中，竞争产品，如iPhone和Android手机，往往在市场上共存。这种差异可能是由许多因素造成的，例如现实世界中的用户可能由于对产品或隐私保护的不满意而不会传播其对产品的使用的现象。在本文中，我们将用户的隐私传播行为的竞争扩散的两种产品，并开发了一个问题的隐私意识的竞争扩散。然后，我们证明了隐私保护机制可以实现“共存均衡”（即，两种竞争产品在均衡中共存）在社交网络上的竞争扩散中。除了严格的分析，我们还证明了我们的结果与实验在真实的网络拓扑结构。
2019-11-02 cs.CR cs.SI
Modelling Competitive marketing strategies in Social Networks
在竞争性市场中，有大量的玩家生产相同的产品。每家公司都希望广泛传播其产品信息，使其产品在潜在买家中流行起来。一个公司的产品越受欢迎，该公司的收入就越高。一个模型中，两个球员竞争的大型网络中的信息传播。参与者同时选择初始种子节点，并根据独立级联模型（ICM）进行信息扩散。玩家的主要目标是选择种子节点，使它们将其信息传播到社交网络中尽可能多的节点。信息的传播速度在信息扩散过程中也起着非常重要的作用。社交网络中的任何节点都不会受到任何信息或一个或多个信息的影响。我们还分析了通过改变信息的传播速率，不同隔室中的节点比例会发生多大的变化。最后，建立了一个博弈论模型，得到了基于最佳反应函数的纳什均衡。这个模型是基于霍特林的选举竞争模型。
2018-05-05 cs.GT cs.IT cs.SI
Homophily on social networks changes evolutionary advantage in competitive information diffusion
竞争性信息在大规模社交网络上的传播揭示了谣言传播的基本特征，并对舆论形成产生了深刻影响。近年来，人们对竞争演化的动力学机制的研究越来越感兴趣。然而，决定强大的集体人类行为的群体同质性的影响仍然不清楚。在本文中，我们将同质性效应引入到一个改进的具有广义种群偏好的竞争性谣言扩散模型中。利用微观马尔可夫链方法，我们首先推导出竞争扩散结果的相图，并研究竞争信息如何在社交网络上传播和演化。然后，我们探讨同质性的详细影响，这是一个重新布线机制建模。结果表明，同质性促进了分裂的“回声室”的形成，保护了处于不利地位的信息免于灭绝，从而进一步改变甚至逆转了进化优势，即，竞争信息最终比例的差异。我们的结论是，只有当最初处于不利地位的信息具有较强的传播能力，具有扩散优势时，逆转才可能发生。我们的框架提供了深刻的洞察竞争动态与人口同质性，这可能为进一步控制错误信息和引导公众信仰体系铺平道路。此外，逆转条件揭示了设计有效的竞争策略，在许多真实的场景。
2019-08-16 cs.SI physics.soc-ph
Online Competitive Influence Maximization
Carnegie Mellon University（卡内基梅隆大学）；The Chinese University of Hong Kong（香港中文大学）；Microsoft Research（微软研究院）
在线影响力最大化作为一种在学习未知网络参数值的同时最大化通过社交网络传播的影响力的方式已经引起了很多关注。大多数以前的作品集中在单个项目的扩散。在本文中，我们引入了一个新的在线竞争影响力最大化（OCIM）问题，其中两个竞争项目（例如，产品、新闻故事）在同一网络中传播，并且边缘上的影响概率是未知的。我们采用了组合多臂强盗（CMAB）框架OCIM，但与非竞争性设置，重要的单调性属性（影响扩散增加时，边缘上的影响概率增加）不再持有由于竞争性质的传播，这带来了一个重大的新挑战的问题。我们提供了一个非平凡的证明，CMAB的触发概率调制（TPM）条件仍然保持在OCIM，这是我们提出的算法OCIM-TS和OCIM-OFU实现次线性贝叶斯和频率后悔，分别是有用的。我们还设计了一个OCIM-ETC算法，需要更少的反馈和更容易的离线计算，在一个更坏的频率论遗憾界的代价。实验结果证明了算法的有效性。
2022-03-02 cs.LG cs.SI stat.ML
Learnability of Competitive Threshold Models
University of Delaware（特拉华大学）
对社会传染病的传播进行建模是社会计算中各种应用的核心。本文从理论上研究了竞争阈值模型的可学习性。我们展示了如何竞争阈值模型可以无缝模拟人工神经网络与有限的VC维，这使得分析样本的复杂性和泛化范围。基于所提出的假设空间，我们设计了有效的算法下的经验风险最小化计划。理论见解最终转化为实际和可解释的建模方法，其有效性通过几个合成和真实数据集的健全性检查进行了验证。实验结果表明，我们的方法在不使用过多数据点的情况下具有良好的性能，优于现有的方法。
2022-05-08 cs.LG cs.SI
Trust-based dynamic linear threshold models for non-competitive and competitive influence propagation
使信息扩散模型能够解释真实世界传播现象的内在动态性和竞争性的关键特征是什么？在本文中，我们的目标是回答这个问题，提出了一种新的扩散模型类，灵感来自经典的线性阈值模型，并建立在以下几个方面：信任/不信任的用户关系，这是利用模型的不同影响的社会影响的决定，由一个人，在采用一个或替代信息项的变化，犹豫，随着时间的推移，采用一个信息项，传播中的延迟;扩散过程展开的时间范围;以及可能竞争性地发生的信息的多个级联。据我们所知，上述方面从来没有统一到同一个基于LT的扩散模型。我们还定义了不同的策略来选择初始的影响者，以模拟非竞争性和竞争性的扩散场景，特别是与限制错误信息传播的问题。在公开网络上的结果显示了我们模型的意义和独特性。
2018-05-29 cs.SI physics.soc-ph
Beyond Binary Opinions: A Deep Reinforcement Learning-Based Approach to Uncertainty-Aware Competitive Influence Maximization
针对竞争性影响力最大化问题，提出一种基于深度强化学习的不确定性感知框架DRIM，利用主观逻辑建模用户不确定性，优化种子选择，显著提升真实信息传播并超越现有方法。
2025-04-21 cs.SI
When not to target negative ties? Studying competitive influence maximisation in signed networks
本文研究符号网络中竞争性影响力最大化问题，比较是否利用负面关系信息的两种策略在不同网络拓扑、资源条件和对手策略下的选票份额差异，发现资源少且对手避开负面边时收益最大，而对手无差别攻击时收益不显著，并进一步在博弈论框架下揭示利用负面关系信息有时反而会导致损失。
2025-02-04 cs.SI
Platform architecture determines whether recommendation algorithms can shape information quality on social media
George Washington University（乔治华盛顿大学）；University of Maryland, College Park（马里兰大学帕克分校）
本文研究了社交媒体平台架构和推荐算法如何影响信息的传播和质量，发现平台架构比算法调整更有效，特别是在信息质量和流行度之间关系不明确的平台上，推荐算法的影响更显著。
2026-05-19 cs.HC cs.SI
Competitive dynamics of lexical innovations in multi-layer networks
我们研究的词汇创新引入到语言使用者的社区。词汇创新，即，新术语的出现在人们的词汇中，在语言的演变过程中起着重要的作用。如今，信息通过各种网络传播，其中包括在线和离线社交网络和万维网。包括不同性质的网络的整个系统可以被表示为多层网络。在这种背景下，词汇创新扩散以一种独特的方式发生。特别是，词汇创新可以经历三个不同的过程：它的原始意义被接受;它的意义可以被改变或误解（例如，当没有适当解释时），因此在群体中可以出现多于一个的含义;最后，在外来词的情况下，它可以被翻译成群体语言（即，定义新的词汇创新或使用同义词）或部分人口所说的方言。因此，词汇创新不能简单地被认为是信息。我们开发了一个模型，用于分析这种情况下使用的多层网络，包括一个社交网络和媒体网络。后者代表一个社会的所有信息系统的集合，例如，电视、万维网和广播。此外，我们确定这两个网络的节点之间的时间有向边。特别地，在每个时间步，媒体网络的节点可以连接到社交网络的随机选择的节点，反之亦然。这样，信息就在整个系统中传播，人们可以与他们的邻居分享词汇创新，或者在他们作为记者工作的情况下，通过使用媒体节点。最后，我们使用“语言符号”的概念来模拟词汇创新，显示其在这些动态研究的基础作用。已经进行了许多数值模拟。
2014-08-14 cs.SI physics.soc-ph
Reducing Recurrent Competitive Epidemics via Dynamic Resource Allocation
本文提出gLRIE策略，通过动态资源分配减少社交网络中复发性竞争性流行病的传播。
2025-12-17 cs.SI math.OC physics.soc-ph
Enhancing Temporal Link Prediction with HierTKG: A Hierarchical Temporal Knowledge Graph Framework
提出HierTKG框架，结合时序图网络与分层池化，建模谣言传播动态，提升时序链接预测性能，在多个数据集上取得高MRR，支持实时干预。
2024-12-16 cs.AI cs.SI
Real-time Topic-aware Influence Maximization Using Preprocessing
Microsoft Research（微软研究院）；Tsinghua University（清华大学）
影响力最大化是在社交网络中找到一组种子节点的任务，使得这些种子节点基于特定影响力扩散模型的影响力传播最大化。话题感知的影响扩散模型最近被提出来解决这样的问题，即一对用户之间的影响通常是话题依赖的，并且在网络中传播的信息、想法、创新等（本文中统称为项目）通常是话题的混合。在本文中，我们专注于主题感知的影响力最大化任务。特别是，我们研究这些主题的预处理方法，以避免从头开始为每个项目重做影响力最大化。我们探讨了两种预处理算法的理论依据。我们的实证结果表明，在现有的研究中获得的数据表明，我们的算法之一脱颖而出，作为一个强有力的候选人提供微秒级的在线响应时间和竞争力的影响力传播，合理的预处理工作。
2014-11-21 cs.LG cs.SI
(Mis)Information Operations: An Integrated Perspective
社交媒体的大规模传播促进了非中介化，改变了用户获取信息的方式，他们处理现实的方式，以及他们参与公共辩论的方式。用户的认知层和相关的社会动态定义了信息威胁的性质和维度。用户表现出倾向于与信息交互，坚持自己喜欢的叙述，忽略不同的信息。确认偏差似乎可以解释用户关于消费和传播内容的决定;同时，在这些社区内聚集的偏好信息加强了群体极化。在这项工作中，作者解决的问题（错误）信息操作与整体和综合的方法。这种新的信息环境引起的认知能力下降。此外，（错误）信息业务，特别是意大利的情况下，被认为是事实上，这种现象比预期的更复杂。最后，本文提供了一个综合的研究路线图占未来可能的技术发展。
2019-12-23 cs.CY cs.SI
Offline and Online Models of Budget Allocation for Maximizing Influence Spread
社交网络中通过口碑传播的影响力传播研究近年来受到了广泛关注。可以说，这一领域最基本的问题是影响力最大化，其目标是确定一组种子个体，这些个体可以在网络中引发大量的影响力。虽然在这一问题及其变体方面取得了重大进展，但这些模式的一个基本缺点是，在向个人分配预算方面缺乏灵活性。事实上，预算分配是广告和病毒式营销的关键问题。从另一个角度来看，允许灵活预算分配的已知模型没有考虑网络中的影响扩散。我们引入了一个广义的模型，同时捕获预算和影响传播。对于离线设置，我们确定了一个大的家庭的adjacent为基础的传播函数，承认紧近似保证。这个家族扩展了大多数以前研究的影响模型，包括著名的触发模型。我们建立，在这个家庭中的任何功能意味着一个例子的单调子模函数最大化的整数格受背包约束。这个问题是已知的承认最佳（1-1/e）-近似。我们还研究了多人博弈的无政府状态的无政府代价，扩展了模型并建立了严密的结果。对于在线设置，其中一个未知的子集的代理到达随机顺序和算法需要在每一步中进行不可撤销的预算分配，我们开发了1/（15 e）-竞争算法。这种设置扩展了秘书问题及其变种，子模块背包秘书问题。值得注意的是，我们的算法改进了后一个问题的最佳已知近似，即使它适用于更一般的设置。
2018-03-12 cs.DS cs.GT cs.SI
Phase Field Modeling in Social Media Dynamics:Simulation of Opinion Evolution with Feedback, Separation
本研究提出一种基于相场建模的数值模型，利用连续变量表示用户意见，结合确认偏差等心理因素与真实数据，模拟社交网络信息传播与反馈，定量分析意见极化和回音室效应。
2024-04-19 cs.SI physics.soc-ph
Exploring Content and Social Connections of Fake News with Explainable Text and Graph Learning
Universidade Federal Fluminense, Niter\' o i, Rio de Janeiro, Brazil , City St George's, University of London, United Kingdom
本文提出结合内容、社交媒体和图学习的可解释框架，通过多模态信息提升事实核查性能，并评估其解释性、可信度和鲁棒性。
2025-08-19 cs.AI cs.SI
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
Competitive Diffusion in Social Networks: Quality or Seeding?
Department of Electrical and Systems Engineering and GRASP Laboratory at University of Pennsylvania（宾夕法尼亚大学电气与系统工程系及GRASP实验室）
本文研究了社交网络中营销和产品消费的战略模型，分析了企业在有限预算下如何通过产品质量或初始播种优化产品扩散，并探讨了预算和网络结构对最优分配的影响。
2015-03-04 cs.GT cs.SI cs.SY
