Causal Disentanglement for Regulating Social Influence Bias in Social Recommendation
School of Electrical and Data Engineering, University of Technology Sydney（悉尼科技大学电气与数据工程学院）；School of Artificial Intelligence, Chongqing University of Arts and Sciences（重庆文理学院人工智能学院）
针对社交推荐中社交影响偏差盲目消除会损害推荐效果的问题，提出基于因果解耦的框架CDRSB，通过解耦嵌入和动态权重调节偏差，在四个真实数据集上优于现有最优方法。
2024-03-06 cs.AI cs.SI
The Influence of Frequency, Recency and Semantic Context on the Reuse of Tags in Social Tagging Systems
在本文中，我们研究的因素，影响标签重用行为的社会标签系统。我们的工作是由激活方程的认知模型ACT-R，它指出，有用的信息在人类记忆中取决于三个因素的使用频率，新近和语义上下文。我们的目标是阐明这些因素对标签重用的影响。在我们的实验中，我们利用了来自社会标签系统Flickr，CiteULike，BibSonomy，Delicious，LastFM和MovieLens的六个数据集，涵盖了各种标签设置。我们的研究结果证实，频率，新近度和语义上下文的积极影响标签的重用概率。然而，每个因素单独影响标签重用的程度在很大程度上取决于社会标签系统中存在的大众分类法的类型。我们的工作可以作为指导的研究人员和开发人员的基于标签的推荐系统时，设计算法的社会标签环境。
2016-04-04 cs.IR cs.SI
DQSSA: A Quantum-Inspired Solution for Maximizing Influence in Online Social Networks (Student Abstract)
Delhi Technological University（德里理工大学）；School of Computer Science, University of Technology Sydney（悉尼科技大学计算机学院）
本文提出离散化量子樽海鞘群算法DQSSA，通过量子启发增强元启发式算法以解决社交网络影响力最大化中的早熟收敛问题，并在四个真实数据集上验证了其优于现有前沿算法的性能。
2023-11-30 cs.AI cs.SI
Influence Activation Model: A New Perspective in Social Influence Analysis and Social Network Evolution
是什么推动了社会网络动态的倾向？社会影响力被认为是推动离线和在线人类行为的驱动力，但它并没有被认为是社会网络进化的驱动力。我们的分析表明，虽然网络结构影响了社交网络中影响力的传播，但网络反过来又受到社会影响力活动的影响（即，一个人的态度和行为影响另一个人的社会影响过程。为此，我们开发了一种新的网络演化模型，其中网络的动态遵循影响力传播的机制，这是现有网络演化模型所不能捕捉的。我们的实验证实了我们的模型的预测，并证明了社会影响力在网络演化过程中可以发挥的重要作用。在探索社会网络演化的原因的同时，不同类型的社会影响力对网络动态产生了不同的影响。这些发现和方法对于我们理解推动网络进化的机制以及我们了解社会影响力在塑造网络结构中的作用至关重要。
2016-05-26 cs.SI physics.soc-ph
Modeling Influence with Semantics in Social Networks: a Survey
在各种网络（例如社交网络、数字网络或计算机网络）中发现有影响力的实体一直是一个重要的研究领域。近年来，在线社交网络（OSN）已被确立为基本的通信手段，并且通常有影响力的人和意见制造者通过病毒式内容来宣传政治、事件、品牌或产品。在这项工作中，我们提出了一个系统的审查，在i）在线社会影响力的指标，属性和应用程序和ii）的作用，语义建模OSN的信息。我们最终得出的结论是，这两个领域可以共同提供有用的见解，对病毒式用户生成的内容的定性评估，以及有影响力的内容及其流动动力学的动态特性建模。
2018-10-04 cs.IR cs.SI
A Neural Influence Diffusion Model for Social Recommendation
精确的用户和项目嵌入学习是构建成功推荐系统的关键。传统上，协同过滤（CF）提供了一种从用户-项目交互历史中学习用户和项目嵌入的方法。然而，由于用户行为数据的稀疏性，性能受到限制。随着在线社交网络的出现，社会推荐系统已经被提出来利用每个用户的本地邻居的偏好来减轻数据稀疏性以更好地进行用户嵌入建模。我们认为，对于社交平台的每个用户，她的潜在嵌入受到她信任的用户的影响。随着社会影响力在社会网络中的递归传播和扩散，每个用户的兴趣在递归过程中发生变化。然而，目前的社交推荐模型只是利用每个用户的本地邻居建立静态模型，而没有模拟全局社交网络中的递归扩散，导致推荐性能不佳。在本文中，我们提出了一个深度影响传播模型，以刺激用户如何影响社会推荐的递归社会扩散过程。对于每个用户，扩散过程从融合相关特征的初始嵌入和捕获潜在行为偏好的自由用户潜在向量开始。我们提出的模型的核心思想是，我们设计了一个逐层的影响传播结构，以模拟用户的潜在嵌入如何随着社会扩散过程的继续而演变。我们进一步表明，我们提出的模型是通用的，可以应用时，用户~（项目）属性或社会网络结构是不可用的。最后，在两个真实数据集上的大量实验结果清楚地表明了我们提出的模型的有效性，与最佳基线相比，性能提高了13%以上。
2019-04-20 cs.IR cs.SI
Leveraging Large Language Models to Detect Influence Campaigns in Social Media
University of Southern California（南加州大学）；USC Information Sciences Institute（南加州大学信息科学研究所）
本文提出一种利用大型语言模型融合用户元数据与网络结构的社交媒体影响力活动检测方法，通过文本化处理多语言内容并适应策略变化，在多个数据集上验证了优越性能。
2023-11-14 cs.AI cs.SI
An Analysis of Socialbots Activity and Influence in Modern Japanese Social Media
本文分析了日本社交媒体中社交机器人活动及其影响，发现其影响力大于2016年美国总统大选，并探讨了进一步研究的方法。
2023-12-30 cs.SI
Estimating Social Influence from Observational Data
Mila-Quebec AI Institute（米拉-魁北克人工智能研究所）；Université de Montréal（蒙特利尔大学）；Max Planck Institute for Intelligent Systems（马克斯·普朗克智能系统研究所）；Columbia University（哥伦比亚大学）
我们考虑估计社会影响力的问题，即一个人的行为对同龄人未来行为的影响。关键的挑战是，朋友之间的共享行为可以用影响或其他两个混杂因素来解释：1）导致人们成为朋友并参与行为的潜在特征，以及2）对行为的潜在偏好。本文通过三个贡献解决了估计社会影响力的挑战。首先，我们将社会影响正式定义为一种因果效应，这需要对假设的干预措施进行推断。其次，我们开发了泊松影响因子（PIF），一种从观察数据中估计社会影响力的方法。PIF将概率因子模型拟合到网络和行为数据中，以推断出作为混淆潜在特征的替代品的变量。第三，我们开发的假设下，PIF恢复社会影响力的估计。我们从Last.fm的半合成和真实数据实证研究PIF，并进行敏感性分析。我们发现，PIF估计社会影响力最准确的相关方法相比，仍然是强大的一些违反其假设。
2022-03-24 cs.AI cs.LG cs.SI
A Community-Aware Framework for Social Influence Maximization
Purdue University（普渡大学）；University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）；Iowa State University（爱荷华州立大学）；KAUST（阿卜杜拉国王科技大学）
我们考虑影响力最大化（IM）问题，即在社交网络中选择$k$种子节点的任务，以便最大化受影响的节点的预期数量。我们提出了一个社区意识分而治之的框架，涉及（i）学习社会网络的固有社区结构，（ii）通过解决每个社区的影响力最大化问题生成候选解决方案，以及（iii）选择最终的种子节点使用一种新的渐进式预算方案。我们在现实世界的社交网络上的实验表明，该框架优于标准方法的运行时间和探试法的影响。我们还研究了社区结构对所提出的框架的性能的影响。我们的实验表明，社区结构具有较高的模块化导致所提出的框架，以执行更好的运行时间和影响力。
2023-02-19 cs.AI cs.SI
Socially-Aware Distributed Hash Tables for Decentralized Online Social Networks
由于对集中式社交网络中的隐私和可扩展性问题的认识的增加，已经提出了许多分散式在线社交网络（DOSN）。这种分散的网络将处理和存储功能从服务提供商转移到最终用户。DOSN需要服务的个性化实现（即，搜索、信息传播、存储和发布/订阅）。然而，这些服务中的许多服务主要执行社交查询，其中OSN用户对访问他们的朋友的信息感兴趣。在我们的工作中，我们设计了一个社会意识的分布式哈希表（DHT）的有效实施的DOSNs。特别是，我们提出了一个基于八卦的算法，将用户在一个DHT，同时最大限度地提高他们之间的社会意识。通过一组实验，我们表明，我们的方法减少了查找延迟近30%，提高了近10%的通信可靠性，通过可信的联系人。
2015-09-23 cs.DC cs.SI
On the Social Influence in Human Behavior: Physical, Homophily, and Social Communities
理解支配人类行为和社会动态的力量是一个具有挑战性的问题。个体的决策和行动受到交织的因素的影响，如物理位置，同质性和社会关系。在本文中，我们建议研究的作用，不同的社区，与这些因素，发挥社会影响力的来源。自我网络通常用于社会影响力分析。我们的假设是，个人嵌入社区不仅与他们的直接社会关系有关，而且涉及不同的和复杂的力量。我们分析了物理，同质性，和社会社区，以评估他们与主体的行为的关系。我们证明，社会影响力与这些社区，他们中的每一个是（不同）显着的个人。我们定义了基于社区的功能，这反映了这些群体中的主体参与，我们使用它们与监督学习算法来预测主体参与社会事件。研究结果表明，社区和自我网络都是社会影响力的相关来源，证实了自我网络本身不足以解释这一现象。此外，我们根据用户所经历的社会影响程度对其群体进行分类，识别行为表型的类别。据我们所知，这是第一个证明与社会影响现象相关的表型存在的工作。
2018-01-29 cs.SI
How social networks influence human behavior: An integrated latent space approach for differential social influence
本文提出整合社交网络与题项层面行为数据的潜在空间模型，通过交互图识别差异化社会影响，并经模拟与学生友谊网络实证验证。
2023-02-28 cs.SI stat.AP
Estimating Social Influence Using Latent Space Adjusted Approach in R
社会影响力，有时被称为溢出或传染，在各种实证社会网络研究中得到了广泛的研究。然而，有各种估计的挑战，在确定社会影响力的影响，因为他们往往纠缠于其他因素，如同质性的选择过程中，个人的偏好相同的社会设置等，目前可用的方法要么不解决这些问题，或需要强有力的假设。Xu 2018和其他人最近的工作表明，基于潜在空间模型的潜在空间调整方法有可能将影响从其他过程中分离出来，模拟证据表明，当存在未观察到的特质共同决定影响和选择时，该方法在恢复真实社会影响效应方面比其他最先进的方法表现得更好。在本文中，我们说明了如何潜在空间调整方法帐户的偏差估计的社会影响力的效果，并演示了这种方法如何可以实现估计各种社会影响力模型的实证例子在R。
2019-03-07 cs.SI
DANES: Deep Neural Network Ensemble Architecture for Social and Textual Context-aware Fake News Detection
University Politehnica of Bucharest（布加勒斯特理工大学）；Aarhus University（奥胡斯大学）
社交媒体平台的日益普及简化了新闻文章的创作和发布，但也为传播假新闻创造了渠道。因此，需要有效的上下文感知假新闻检测机制，其中上下文信息可以从帖子的文本内容或从可用的社交数据（例如，关于用户的信息、对帖子的反应或社交网络）。在本文中，我们提出了DANES，一种用于社会和文本上下文感知的假新闻检测的深度神经网络嵌入式架构。DANES包括用于基于文本内容的上下文的文本分支和用于社会上下文的社会分支。这两个分支被用来创建一个新颖的网络嵌入。3个真实世界数据集的初步消融结果，即，BuzzFace、Twitter15和Twitter16是有前途的，在使用社交和文本内容功能时，其准确性优于最先进的解决方案。
2023-02-01 cs.AI cs.CL cs.NE
Maximizing spreading influence via measuring influence overlap for social networks
影响力重叠是社交网络影响力传播中的一种普遍现象。在本文中，我们认为，影响重叠产生的冗余的影响，造成负面影响的最大化传播的影响。首先，我们提出了一种理论方法来计算影响重叠和记录冗余的影响。然后在消除冗余影响方面，提出了两种多传播者识别算法，即度冗余影响（DRS）和度次邻域（DSN）。在四个经验社交网络上的实验成功地验证了该方法的有效性，DSN算法选择的传播者具有较小的度和k-核值。
2019-03-01 cs.SI physics.soc-ph
A Distributed Method for Trust-Aware Recommendation in Social Networks
本文详细介绍了一个分布式的信任感知推荐系统。基于信任的广告商最近受到了很多关注。基于信任的推荐主要是为了解决传统协同过滤推荐中存在的问题。这些问题包括用户冷启动、易受攻击等。我们提出的方法是一种分布式的方法，可以很容易地部署在社交网络或现实生活中的网络，如传感器网络或对等网络。
2010-11-10 cs.SI
The Influence of Social Networks on Human Society
本报告简要概述了社交网络的起源及其在现代最流行的表现形式-在线社交网络（OSN）或社交媒体。并进一步讨论了OSN对人类社会的积极和消极影响。数据科学和社交媒体的结合（社交媒体挖掘）是克服当前挑战并为未来发展铺平道路的有力工具
2021-03-24 cs.SI
Wisdom of the Crowd: Incorporating Social Influence in Recommendation Models
推荐系统最近受到了相当大的关注。然而，大多数研究都集中在提高协同过滤（CF）技术的性能。社交网络不可或缺地为我们提供了关于人们偏好的额外信息，应该加以考虑和部署，以提高推荐的质量。本文基于社会传染和社会影响网络理论，提出了两种推荐模型，分别针对个人和群体。在个体推荐模型中，引入社会传染结果对协同过滤预测结果进行改进，模拟了决策过程中信息级联的结果。在群体推荐模型中，我们运用社会影响网络理论，将群体成员之间的人际影响纳入到推荐模型中，形成一个固定的意见分歧模式，然后对群体成员的意见进行聚合。通过引入感受性和人际影响的概念，使评分结果具有一定的灵活性，并倾向于评分为“必要”的成员。
2013-05-17 cs.IR cs.LG cs.SI
Social Influence in the Concurrent Diffusion of Information and Behaviors in Online Social Networks
在线社交网络的出现极大地促进了信息和行为的传播。虽然这两个传播过程往往是相互交织的，但“说的话”并不一定意味着“走的话”-那些分享有关行动的信息的人可能实际上并没有参与其中。我们不知道信息和行为的传播是否相似，或者社会影响在这些过程中是否扮演着同样重要的角色。本研究综合文本挖掘、社会网络分析和生存分析等方法，考察了Twitter上与冰桶挑战相关的信息和行为的并发传播。我们发现，这两个过程遵循不同的模式。单方面的社会影响力有助于信息的传播，但不扩散的行为;双边的影响力传递通过通信过程是一个显着的和积极的预测行为的扩散，但不是信息。这些结果对社会影响、社交网络和传染的理论具有启示意义。
2018-01-23 cs.SI physics.soc-ph
Temporal Analysis of Influence to Predict Users' Adoption in Online Social Networks
人们提出了不同的方法来预测个体是否会在在线社交网络中采取新的行为，因为他们的邻居产生了影响。在本文中，我们可以实现显着的改善，这些标准的措施，延长他们考虑一对时间限制。这些约束为社会影响力提供了更好的代理，与影响力的概率以及预测影响力的能力有更强的相关性。
2017-05-05 cs.SI
Recommending Influenceable Targets based on Influence Propagation through Activity Behaviors in Online Social Media
Amity Institute of Information Technology (AIIT), Amity University（阿米蒂信息技术学院（AIIT），阿米蒂大学）
在线社交媒体（OSM）是一个平台，通过它，用户通过消息传递，发布，反应，标记和分享不同的内容以及其他社交活动将自己呈现给连接的世界。如今，它对行业，商业和社会的各个方面以及用户生活产生了巨大的影响。在OSN平台中，接触目标用户是大多数企业和其他组织的主要关注点之一。识别和推荐有影响力的目标有助于高效和有效地吸引适当的受众。在本文中，一个有效的模型已被讨论在自我中心的OSN，结合一个有效的影响力测量推荐系统，以产生一个列表中的所有连接的网络成员中的任何特定的社交网络用户的最具影响力的目标用户。首先，基于所有活动更新了交互网络成员的列表。基于情感类型的特定影响力类别，推荐具有最相似活动的交互网络成员。之后，通过分析这些更新的交互网络成员列表中的最有影响力的网络成员的活动内容相对于主用户的活动内容的相似性和频率，在所需数量的基础上，以适当的排名来识别这些最有影响力的网络成员。通过这两个连续的阶段，主要用户的顶级影响力目标的有效列表已经从任何社交网络的自我中心观点中区分出来。
2020-06-04 cs.IR cs.LG cs.SI
A Social Influence Model Based On Circuit Theory
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，很少有现有的影响力模型是易于处理的，有效的描述信息传播过程中，特别是当处理的困难，将来自多个节点的组合影响的影响。为此，在本文中，我们提供了一个社会影响力模型，阐明了这一障碍的基础上电路理论。该模型极大地提高了测量任何一对节点之间的影响力强度的效率，并且可以用于以连贯的方式解释现实世界的影响力传播过程。此外，这个电路理论模型为社会影响力最大化问题提供了一个自然的解决方案。当应用于实际数据时，电路理论模型始终优于最先进的方法，并且可以大大减轻影响力最大化问题的计算负担。
2012-06-08 cs.SI physics.soc-ph
Patterns of Social Influence in a Network of Situated Cognitive Agents
Krasnow Institute for Advanced Study（克拉斯诺高级研究院）；George Mason University（乔治梅森大学）
本文介绍了计算实验的结果，社会影响的影响，个人和系统的行为，在产品消费者环境中的认知代理。在相同的初始条件下进行了配对实验，以比较社会代理与非社会代理。实验结果表明，无论是在总单位消费和总效用方面，社会代理在消费可用产品时都具有更高的生产率。但这是以单位消费的个人平均效用为代价的。实际上，社会互动通过降低个人消费者的“标准”来实现更高的生产率。虽然仍处于发展的早期阶段，这样一个基于代理的模型实验室被证明是一个有效的研究工具，以调查丰富的集体行为的背景下，要求的认知任务。
2012-04-16 cs.AI cs.SI physics.soc-ph
Pro or Anti? A Social Influence Model of Online Stance Flipping
社会影响是指个体在复杂的社会环境中对某一主题的态度发生变化的过程。两个因素通常支配在线社交网络中立场的影响：由个体的先天信念通过代理人的过去立场驱动的内源性影响和由用户之间的社交网络影响形成的外源性影响。内源性和外源性的影响提供了重要的线索，用户的易感性，从而提高预测性能的立场变化或翻转。在这项工作中，我们提出了一个立场翻转预测问题，以识别对冠状病毒疫苗立场翻转敏感的Twitter代理（即，从亲疫苗到抗疫苗）。具体来说，我们设计了一个社会影响力模型，其中每个代理都有一些固定的先天立场和立场的信念，反映了对变化的阻力;代理通过社会网络结构相互影响。从2020年4月至2021年5月收集的数据，我们的模型在预测翻转立场的代理方面达到了86%的准确率。进一步的分析表明，翻转立场的代理有更多的邻居参与集体表达相反的立场，53.7%的代理翻转立场是机器人和机器人代理需要较少的社会影响力翻转立场。
2022-07-16 cs.CY cs.SI
Situational Awareness Enhanced through Social Media Analytics: A Survey of First Responders
社交媒体数据越来越多地用于促进在自然灾害等事件和紧急情况期间的态势感知。虽然研究人员已经研究了几种方法来总结，可视化或挖掘数据进行分析，但第一响应者无法充分利用研究进展，主要是由于学术研究和部署的功能系统之间的差距。在本文中，我们从第一反应者的角度探讨了有效利用社交媒体数据的机会和障碍。我们提出了几个详细的采访第一反应者对他们使用社交媒体的态势感知的总结。我们进一步评估了SMART（一种社交媒体视觉分析系统）对第一响应者操作的影响。
2019-09-16 cs.CY cs.SI
Effects of Social Influence on the Wisdom of Crowds
群体智慧是指一群人的总体预测或预测可能比群体中的大多数人更准确，有时甚至比组成群体的任何一个人都更准确的现象。本文模拟了社会影响对群体智慧的影响。我们建立了一个极简主义的个人表示布朗粒子耦合的社会影响。我们证明，该模型可以重现以前的实证研究的结果。这使我们能够得出关于社会影响的作用的更基本的结论：特别是，我们表明，社会影响对群体智慧是否具有积极或消极的净效应的问题是不明确的。相反，正是人口的初始结构，就其多样性和准确性而言，直接决定了社会影响实际上有多有益。文章进一步探讨了社会影响力促进或削弱群体智慧的情景。
2012-04-16 cs.SI physics.soc-ph
Social Influence (Deep) Learning for Human Behavior Prediction
社交网络中的影响力传播最近受到了广泛的关注。事实上，了解影响力如何在社交网络中的主体之间传播，为越来越多的应用开辟了道路。已经做出了许多努力来定量地测量受试者对之间的影响概率。现有的方法有两个主要缺点：（i）它们假设影响概率是相互独立的，以及（ii）它们不考虑不是由受试者执行的（而是由她/他的朋友执行的）动作来学习这些概率。在本文中，我们建议通过采用深度学习方法来解决这些限制。我们引入了一个深度神经网络（DNN）框架，该框架具有建模社会影响和预测人类行为的能力。为了从经验上验证所提出的框架，我们在基于事件的社交网络（EBSN）的真实（离线）数据集上进行实验。结果表明，我们的方法优于现有的解决方案，有效地解决了上述的限制。
2018-01-29 cs.SI
DiffNet++: A Neural Influence and Interest Diffusion Network for Social Recommendation
Hefei University of Technology（合肥工业大学）；Institute of Artificial Intelligence, Hefei Comprehensive National Science Center（合肥综合性国家科学中心人工智能研究院）；The University of Arizona（亚利桑那大学）
社会化推荐利用用户之间的社会联系来预测用户的未知偏好，这可以缓解基于协同过滤的推荐中的数据稀疏性问题。早期的方法依赖于利用每个用户的一阶社交邻居的兴趣来进行更好的用户建模，并且未能从全局社交网络结构中对社交影响力扩散过程进行建模。最近，我们提出了一个神经影响扩散网络的初步工作（即，DiffNet）用于社会推荐（Diffnet），它对递归社会扩散过程进行建模，以捕获每个用户的高阶关系。然而，我们认为，由于用户在用户-用户社交网络和用户-项目兴趣网络中都扮演着核心角色，因此仅对社交网络中的影响力扩散过程进行建模会忽略用户-项目兴趣网络中用户潜在的合作兴趣。在本文中，我们提出了DiffNet++，DiffNet的一个改进的算法，在一个统一的框架内模型的神经影响力扩散和兴趣扩散。DiffNet++通过将社会化推荐重构为以社会网络和兴趣网络为输入的异构图，同时注入这两种网络信息进行用户嵌入学习，从而改进了DiffNet。这是通过从三个方面迭代地聚合每个用户的嵌入来实现的：用户的先前嵌入、来自社交网络的社交邻居的影响力聚合以及来自用户-项目兴趣网络的项目邻居的兴趣聚合。此外，我们设计了一个多层次的注意力网络，学习如何从这三个方面专注地聚合用户嵌入。最后，在两个真实数据集上的大量实验结果清楚地表明了我们提出的模型的有效性。
2021-01-05 cs.IR cs.LG cs.SI
Interpretable Stochastic Block Influence Model: measuring social influence among homophilous communities
MIT Media Lab（麻省理工学院媒体实验室）；McCombs School of Business at UT-Austin（德克萨斯大学奥斯汀分校麦库姆斯商学院）；Harvard University（哈佛大学）
网络上的决策可以用同质性和社会影响来解释。虽然同质性驱动着具有相似特征的社区的形成，但社会影响既发生在社区内部，也发生在社区之间。社会影响可以通过角色理论来解释，即个体之间的影响取决于他们的角色和利益行为。为了操作这些社会科学理论，我们经验性地确定同性恋社区，并使用社区结构来捕捉“角色”，这影响了特定的决策过程。我们提出了一个生成模型命名为随机块影响模型，并共同分析网络的形成和行为的影响，在不同的社区内和不同的社区之间。为了评估性能和证明我们的方法的可解释性，我们研究了在印度的一个村庄的小额信贷的采用决定。我们发现，虽然个人倾向于形成社区内的联系，社区之间有很强的积极和消极的社会影响，支持弱关系理论。此外，我们发现具有共同特征的社区与积极影响有关。相反，缺乏重叠的社区与负面影响有关。我们的框架有利于量化的影响决策社区，因此是一个有用的工具，推动信息扩散，病毒式营销和技术采用。
2020-06-01 cs.LG cs.SI
When social influence promotes the wisdom of crowds
群体是否以及在什么条件下表现出“群体智慧”一直是社会科学和计算科学研究的主要焦点。这方面的工作主要集中在社会影响力在促进群体智慧和引导群体误入歧途方面的作用，导致关于社会网络结构如何决定社会影响力的影响的结论相互矛盾。在这里，我们证明了孤立地考虑网络结构是不够的。通过理论分析、数值模拟和对四个实验数据集（共计2,885名人类受试者）的再分析，我们发现群体的智慧主要取决于（i）社会影响网络的集中化和（ii）初始个体估计的分布之间的相互作用。通过采用一个框架，整合了社会影响力的结构和分布的初步估计，我们把以前相互矛盾的结果下一个理论框架和澄清的影响，社会影响力的智慧的人群。
2021-04-29 cs.SI physics.soc-ph stat.AP
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
Supermajority Sentiment Detection with External Influence in Large Social Networks
在一个大型的社会网络，其成员怀有二元情绪对一个问题，我们调查的渐近精度的情绪检测。我们通过一个伊辛马尔可夫随机场模型来模拟用户情绪，并允许用户情绪受到外部影响的偏见。我们考虑了一个一般的绝大多数情感检测问题，并表明检测精度受到网络结构，参数以及外部影响水平的影响。
2017-10-08 cs.SI
Comparing Community-aware Centrality Measures in Online Social Networks
识别关键节点对于加速或阻止网络中的动态传播至关重要。社区感知的中心性措施通过利用网络的社区结构来解决这个问题。虽然设计新的社区意识中心措施的趋势日益明显，但对拟议措施的有效性没有进行系统的调查。本研究进行了广泛的比较评估突出的社区意识的中心性措施，使用易感-感染-传播（SIR）模型在现实世界的在线社交网络。总体而言，结果表明，K壳与社区和社区为基础的中心性措施是最准确的识别有影响力的节点下，一个单一的传播问题。此外，流行病传播率对社区感知中心性指标的行为没有显著影响。
2022-01-30 cs.SI
Social Influence Prediction with Train and Test Time Augmentation for Graph Neural Networks
数据增强已广泛用于机器学习中的自然语言处理和计算机视觉任务，以提高模型性能。然而，很少有研究研究了图神经网络的数据增强，特别是在训练和测试时使用增强。受其他领域增强成功的启发，我们设计了一种使用具有训练和测试时间增强的图神经网络进行社会影响力预测的方法，该方法可以通过在两种情况下利用变分图自动编码器有效地为社交网络生成多个增强图。我们已经评估了我们的方法在预测用户对多个社交网络数据集的影响方面的性能。我们的实验结果表明，我们的端到端的方法，联合训练图自动编码器和社会影响力行为分类网络，可以优于国家的最先进的方法，证明了训练和测试时间增加图神经网络的社会影响力预测的有效性。我们观察到，这对较小的图特别有效。
2021-04-23 cs.SI
Location and audience selection for maximizing social influence
病毒式营销活动主要针对那些在社交网络中处于中心地位并因此具有社会影响力的个人。然而，营销活动可能会吸引不同的受众。尽管事件营销的重要性，异质目标群体的影响还没有得到很好的理解。在本文中，我们定义的传播潜力（SP）的问题，其中不同的代理集需要评估和比较的基础上，他们的社会影响力。SP的一个典型应用是为一系列营销活动选择地点。SP问题在两个方面不同于众所周知的影响力最大化（IM）问题。首先，它处理的是集合而不是节点。第二，这一套是多样化的，由有影响力的和普通的代理人组成。因此，SP也需要评估普通代理人的贡献，而IM的目标只是找到顶级传播者。我们提供了一个系统的测试排名的影响措施在SP问题的基础上，节点抽样和一种新的统计方法，排名差异的总和。使用线性阈值扩散模型的在线社交网络，我们评估了七个网络的社会影响力的措施。我们表明，这些影响措施的统计评估是显着不同的SP问题，当低排名的个人存在，从IM问题，当我们专注于算法的首选完全。
2022-01-01 cs.SI
Data Leak Aware Crowdsourcing in Social Network
利用人类计算来解决复杂的问题，需要找到未知的竞争群体。在本文中，我们提出了一种方法，称为外包，建立从社交网络响应业务呼叫的团队，同时避免部分解决方案披露给竞争群体。本文的贡献包括：（i）一个基于聚类的方法发现协作和竞争的团队在社会网络中（ii）一个基于马尔可夫链的算法发现隐式的互动在社会网络中。
2013-05-28 cs.SI physics.soc-ph
Risk-Aware Skill-Coverage Hybrid Workforce Configuration on Social Networks
National Central University（中央大学）；Academia Sinica（中央研究院）；National Tsing Hua University（清华大学）
本文提出一种在社交网络中平衡健康风险与技能需求的混合劳动力配置方法，通过GRIA算法实现高效的劳动力配置，实验表明其在多种设置下均优于现有方法。
2026-02-28 cs.SI
CACL: Community-Aware Heterogeneous Graph Contrastive Learning for Social Media Bot Detection
提出社区感知异构图对比学习框架CACL，通过动态挖掘难样本与自适应图增强进行有监督对比学习，克服了GNN泛化差与过平滑问题，在三个基准上表现优于基线。
2024-06-03 cs.SI
Disentangling sources of influence in online social networks
在线社交网络中的信息传播由两种类型的影响促进-在社交网络的用户之间起作用的内源性（同伴）影响和对应于各种外部媒介（例如在线新闻媒体）的外源性（外部）影响。然而，从数据中推断这些影响仍然是一个挑战，特别是当关于用户激活的数据很少时。在本文中，我们提出了一种方法，只使用一个社会网络结构和一个单一的激活级联产生估计的内源性和外源性的影响。我们的方法利用了两种类型的影响之间的统计差异-内源性取决于每个用户的社交网络结构和当前状态，而外源性则独立于这些。我们评估我们的方法模拟激活级联以及从几个大型Facebook的政治调查应用程序获得的级联。我们表明，我们的方法是能够提供估计的内源性和外源性的影响，在网上社交网络，表征激活每个单独的用户是内源性或外源性驱动，并确定最有影响力的用户群体。
2019-03-27 cs.SI physics.soc-ph
On the Optimality and Predictability of Cultural Markets with Social Influence
社会影响力在文化市场中无处不在，从亚马逊的图书推荐，到iTunes中的歌曲流行度，再到《纽约时报》网络版中报纸文章的排名等等。然而，社会影响力往往是以一种不好的方式呈现的，通常是因为它被认为会增加市场的不可预测性。在这里，我们研究了一个试销市场模型，在这个模型中，参与者先试销产品，然后再决定是否购买。我们考虑了一个简单的政策，即在向市场参与者展示产品时，按质量对产品进行排名。我们表明，在这种情况下，市场效率总是受益于社会影响。此外，我们证明了市场收敛几乎肯定垄断的产品的最高质量，使市场的可预测性和渐近最优。计算实验证实，质量排名策略在合理的时间内识别“重磅炸弹”，优于其他策略，并且具有高度的可预测性。这些结果表明，社会影响并不一定会增加市场的不可预测性。结果实际上取决于如何使用社会影响力。
2015-05-25 cs.SI physics.soc-ph
Social-Similarity-aware TCP with Collision Avoidance in Ad-hoc Social Networks
Ad-hoc社交网络（ASNET）探索移动设备用户之间的社交连接，正在成为当今互联网最重要的形式之一。在这种情况下，资源稀缺的环境中的中间结点的最大带宽利用率是具有挑战性的任务之一。传统的传输控制协议（TCP）使用往返时间机制来在用户之间共享带宽资源。然而，它没有探索节点之间的社会感知属性，并且不能有效区分无线网络中的各种类型的分组丢失。本文提出了一种社会感知的拥塞避免协议TIBIAS，利用中间结点之间的社会属性相似性匹配来提高ASNET的资源利用率。TIBIAS通过TCP执行有效的数据传输。在带宽资源分配过程中，优先考虑ASNET链路上不同TCP连接之间兴趣相似度的最大匹配。TIBIAS不需要在较低层或接收器节点上进行任何修改。实验结果表明，TIBIAS协议在链路利用率、拥塞窗口的不必要减少、吞吐量和重传率等方面均优于现有协议。
2020-08-09 cs.NI cs.SI
Multiagent Social Influence: Modeling Persuasion in Contested Social Networks
University of Pennsylvania（宾夕法尼亚大学）；Lehigh University（理海大学）
提出社会影响博弈（SIG）框架，用于建模任意数量竞争玩家在社交网络中的对抗性说服，通过迭代线性求解器实现可扩展且可解释的优化。
2026-05-26 cs.SI cs.SY eess.SY
Influence Maximization in Multi-layer Social Networks Based on Differentiated Graph Embeddings
本文提出Inf-MDE，一种基于差异化图嵌入的多层社交网络影响力最大化方法，通过自适应局部影响力聚合机制，有效捕获层间异质性与层内扩散动态，在多个数据集上显著优于现有方法。
2025-08-14 cs.SI
Distinguishing between Personal Preferences and Social Influence in Online Activity Feeds
许多在线社交网络在通过活动馈送向用户自动共享朋友的活动上蓬勃发展，这可能影响用户的下一步动作。然而，识别这种社会影响是棘手的，因为这些活动同时受到影响力和同质性的影响。我们提出了一个统计程序，使用常用的网络和观察数据的人的行动，以估计复制的影响程度-模仿别人的行动，出现在饲料。我们假设非好友不会影响用户;因此，比较用户的活动与好友和具有相似偏好的非好友之间的相关性，可以帮助梳理出复制影响的效果。对来自多个社交网络的数据集进行的实验表明，不考虑同质性的估计会高估复制的影响，因为它们的数量往往很大。此外，在所有网络中，复制影响估计低于总行为的1%：大多数人和几乎所有行为都不受提要的影响。我们的研究结果质疑围绕在线社交网络中的复制影响程度的普遍看法，并建议改进扩散和推荐模型。
2016-04-05 cs.HC cs.SI stat.ME
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
Perceived Social Influence on Vaccination Decisions: A COVID-19 Case Study
本研究考察了美国COVID-19疫苗接种决策中感知到的社会影响，发现已接种人群比未接种人群感知到更多社交影响，但多数参与者决策时不受社交影响，而是受恐惧驱动。
2024-05-31 cs.CY cs.SI physics.soc-ph
Conductance and Influence-Capital: Modeling Online Social Influence
University of Technology Sydney（悉尼科技大学）
本文提出了一种数据驱动的通用影响模型（GIM），结合导电性扩散网络和影响资本分配机制，改进了现有方法并纠正了跟随者计数指标的偏差，通过实证测试揭示了职业影响力与信息传播的关系。
2026-04-17 cs.CY cs.SI
How social influence affects the wisdom of crowds in influence networks
社会影响力是提高群体的集体智慧还是削弱群体的集体智慧是一个长期存在的争论，本文基于影响力系统理论中的一个朴素学习设置来解决这个问题：在我们的模型中，个体根据加权平均意见动态来进化他们对未知事实的估计。通过严格的理论分析，给出了一种形式化的证明。我们得到各种条件，提高，优化和破坏人群的准确性，分别。我们证明了，如果有限规模群体的智慧得到提高，那么集体估计随着群体规模的增加而收敛于真值，前提是个体的方差是有限的。我们发现，社会影响力是提高还是削弱智慧取决于影响力系统的社会权力分配：如果影响力系统将相对较大的社会权力分配给相对较准确的个体，则会提高智慧;相反，如果影响力系统将较少的社会权力分配给较准确的个体，则会削弱智慧。在人口水平上，个人对人际影响和网络中心的敏感性都至关重要。为了提高智慧，更准确的个人应该更不易受影响，并具有更大的网络中心。特别是，在民主影响网络中，如果相对更准确的个体相对不那么容易受到影响，那么智慧就会提高;如果更准确的个体更容易受到影响，那么智慧就会被破坏，这与报告的经验证据是一致的。我们的研究为理解社会影响力在集体智慧的形成中所起的作用提供了一个理论框架。
2023-03-04 cs.MA cs.SI cs.SY
Measuring Social Influence with Networked Synthetic Control
Ho-Chun Herbert Chang（独立研究者）
针对社会影响力测量缺乏反事实对照的问题，本文结合机器学习与网络科学，分析基于合成控制的社会价值指标的理论性质，并通过仿真验证广义友谊悖论的成立，同时实现了集成模型的计算优化。
2025-05-19 cs.LG cs.SI
A Survey on Influence Maximization in a Social Network
给定一个以扩散概率作为边权重和整数k的社交网络，应该选择哪k个节点进行信息的初始注入，以最大化网络中的影响力？这个问题被称为社会网络中的目标集选择（TSS问题），更通俗地说，是社会影响力最大化问题（SIM问题）。这是一个活跃的研究领域，在计算社会网络分析领域，因为一个半年左右。由于其在各个领域的实际重要性，如病毒式营销，目标广告，个性化推荐，该问题已经在不同的变体中进行了研究，多年来已经提出了不同的解决方法。因此，有必要对这一专题进行有组织的全面审查。本文综述了TSS问题的研究进展。最后，对当前的研究趋势和未来的研究方向进行了展望。
2018-08-16 cs.SI
Synthetic Social Media Influence Experimentation via an Agentic Reinforcement Learning Large Language Model Bot
本研究提出一个结合智能体智能与大语言模型的模拟环境，通过强化学习设计意见领袖，以伦理方式测试特定话题影响机制，发现约束动作空间与自我观察是实现稳定意见领袖生成的关键。
2025-05-25 cs.CY cs.SI
Socially-Aware Congestion Control in Ad-Hoc Networks: Current Status and The Way Forward
Ad-hoc社交网络（ASNET）代表一种特殊类型的传统ad-hoc网络，其中用户的社交属性（诸如社交连接和通信元数据以及应用数据）被利用来在分布式无基础设施环境中提供增强的服务。然而，无线介质，由于有限的带宽，可以很容易地遭受拥塞的问题时，社会元数据和应用程序的数据在节点之间交换-一个问题是复杂的事实，一些节点可能会自私地行动，而不是共享其资源。虽然已经为传统的ad-hoc网络提出了许多拥塞控制方案，但是将社会意识纳入拥塞控制方案的关注有限。我们重新审视现有的传统的ad-hoc拥塞控制和数据分发协议，并激励需要嵌入到这些协议的社会意识，以提高性能。我们报告说，虽然一些工作是在机会网络，使用社会意识的技术来控制拥塞问题，这方面在很大程度上是未开发的，值得更多的研究关注。在这方面，我们强调了目前的研究进展，并确定了多个未来的研究方向。
2019-03-03 cs.NI cs.SI
Analysis and Modeling of Social Influence in High Performance Computing Workloads
用户之间的社会影响（例如，项目协作）在底层高性能计算（HPC）工作负载中产生突发行为。本文使用代表性的HPC和群集工作负载日志，识别、分析和量化HPC用户的社会影响力水平。我们展示了一个社交图的存在，其特征在于主导用户和追随者的模式。这种模式也遵循幂律分布，这与在主流社交网络中观察到的一致。鉴于其对HPC工作负载预测和调度的潜在影响，我们提出了一种快速收敛，计算效率高的在线学习算法，用于识别社会群体。广泛的评估表明，我们的在线算法可以（1）快速识别社会关系，通过使用一小部分传入的工作和（2）可以有效地跟踪随着时间的推移群体的演变。
2016-10-15 cs.DC cs.SI
