Social dynamics with peer support on heterogeneous networks: The "mafia model"
人类行为经常表现出一种模式，在这种模式中，个体对给定的主题采取漠不关心、中立或激进的立场。社区形成的机制与社会压力和接触网络的拓扑结构密切相关。在这里，我们讨论了一种方法来模拟社会行为，该方法考虑了在最近的邻居中与其相对丰度成比例的同类保护。我们探讨了随后的非线性动态强调的作用，社会网络的具体结构，无标度图建模。我们发现，意见的共存和共识的默认位置是可能的模型的定态。特别是，我们展示了这些状态如何严重依赖于社会网络的异质性和外部控制元素的具体分布。
2011-08-22 cond-mat.stat-mech cs.SI physics.soc-ph
MSM-BD: Multimodal Social Media Bot Detection Using Heterogeneous Information
George Mason University（乔治梅森大学）；Dartmouth College（达特茅斯学院）；New York University（纽约大学）
本文提出MSM-BD方法，通过异构信息融合技术提升社交媒体机器人检测精度，利用TwiBot-22数据集验证了模型有效性。
2026-03-19 cs.MM cs.SI
Scalable Heterogeneous Social Network Alignment through Synergistic Graph Partition
社会网络对齐是近年来社会网络分析的一个重要研究课题。通过识别跨网络的共享用户，它将为研究人员提供更全面地了解用户在网络内和网络间的社交活动的机会。社交网络联盟是一个非常困难的问题。除了网络异质性带来的挑战外，网络对齐问题可以简化为具有极大搜索空间的组合优化问题。随着网络规模的增加，现有比对模型的学习效果和效率将显著降低。本文将重点研究可扩展异构社会网络对齐问题，并提出一种新的两阶段网络对齐模型，即\textbf{S}可扩展\textbf{H}异构\textbf{N}网络\textbf{A}对齐（SHNA）。基于一组网络内和网络间的Meta图，SHNA首先协同地将社交网络划分为一组子网络。通过部分已知的锚链路，SHNA将提取划分的子网络对应关系。SHNA建议识别匹配子网络对之间的锚链接，而不匹配子网络之间的锚链接将被修剪，以有效地缩小搜索空间，而不是对齐完整的输入网络。已经做了大量的实验，比较SHNA与最先进的基线方法在现实世界对齐的社交网络数据集。实验结果证明了{ \our }模型在解决该问题方面的有效性和效率。
2020-07-04 cs.SI physics.soc-ph
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
Heterogeneous Subgraph Network with Prompt Learning for Interpretable Depression Detection on Social Media
School of Computer Science and Technology, Guangdong University of Technology（广东工业大学计算机科学与技术学院）
针对社交媒体抑郁症早期检测缺乏可解释性、忽略数据异构性与用户全局交互的问题，提出基于提示学习的异构子图网络（HSNPL），结合对比学习与双重注意力机制建模异构信息及用户交互，显著提升检测性能。
2024-07-12 cs.AI cs.SI
Representing Social Networks as Dynamic Heterogeneous Graphs
Muma College of Business University of South Florida
过去，现实世界社交网络的图形表示缺少两个重要元素：连接的多样性以及表示时间。为此，在本文中，我们提出了一种新的动态异构图表示的社交网络，其中包括时间在每个单一的组成部分，即，节点和边，每一种都是不同的类型，它们捕获了异质性。我们通过提出四个时间相关查询和深度学习问题来说明这种表示的强大功能，这些问题在常用的传统同构图表示中无法轻松处理。作为概念的证明，我们提出了一个新的社交媒体平台（Steemit），我们用它来说明动态查询能力以及预测任务，使用图神经网络（GNNs）的详细表示。实验结果表明了动态异构图表示对社交网络建模的强大功能。鉴于这是一个相对欠研究的领域，我们还说明了未来的工作机会，在查询优化以及新的动态预测任务异构图结构。
2022-09-12 cs.AI cs.SI
Classification of Message Spreading in a Heterogeneous Social Network
LARODEC, University of Tunis（突尼斯大学LARODEC实验室）；IRISA, University of Rennes 1（雷恩第一大学IRISA研究所）
如今，Twitter、Facebook和LinkedIn等社交网络越来越受欢迎。事实上，他们引入了新的习惯，新的沟通方式，他们每天都收集不同来源的信息。现有的研究大多集中在分析同质社交网络，即网络中只有单一类型的节点和链接。然而，在现实世界中，社交网络提供了几种类型的节点和链接。因此，为了保存尽可能多的信息，重要的是要考虑社会网络的异质性和不确定性。本文的目标是根据社会信息在网络中的传播情况和信任函数理论对社会信息进行分类。建议的分类器解释了网络上的消息传播，交叉路径和链接类型。我们在从Twitter收集的真实词网络上测试了我们的分类器，我们的实验显示了我们的信念分类器的性能。
2015-01-22 cs.AI cs.SI physics.soc-ph
Targeted incentives for social tipping in heterogeneous networked populations
本文提出一个包含异质性智能体和局部影响网络的博弈论框架，研究社会临界点干预的定向激励策略，揭示防止倒退与促进扩散之间的权衡，并识别不同情景下的成本最优策略。
2025-03-09 cs.SI physics.soc-ph
The Impact of Heterogeneous Thresholds on Social Contagion with Multiple Initiators
阈值模型是复杂社会系统中传染病传播的一个简单但经典的模型。为了捕捉社会影响的复杂性，我们调查的阈值限制级联的行为在多个启动器的存在下，作为阈值的分布是不同的两个极端的情况下，相同的阈值和均匀分布的数值和分析的过渡。我们通过采用节点阈值的截断正态分布来实现这一点，并且当我们改变标准差时观察到级联大小的非单调变化。此外，对于一个足够大的传播的阈值分布，社会影响过程的临界点行为消失，取而代之的是由发起人集的大小所控制的平滑交叉。我们证明，对于一个给定的大小的发起人集，有一个特定的方差的阈值分布的意见传播最佳。此外，在合成图的情况下，我们表明，传播渐近成为独立的系统的大小，和全球级联可以出现只是由一个单一的节点添加到启动器集。
2015-11-20 cs.SI physics.soc-ph
Streaming Social Event Detection and Evolution Discovery in Heterogeneous Information Networks
Beihang University（北京航空航天大学）；Hong Kong University of Science and Technology（香港科技大学）；University of Leeds（利兹大学）；Newcastle University（纽卡斯尔大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；Lehigh University（理海大学）
事件发生在现实世界和实时，可以计划和组织的场合，如社交聚会，节日庆祝活动，有影响力的会议或体育活动。社交媒体平台生成了大量关于不同主题的公共事件的实时文本信息。然而，挖掘社会事件是具有挑战性的，因为事件通常表现出异构的纹理和元数据往往是模糊的。在本文中，我们首先设计了一个新的基于事件的元模式来描述社会事件的语义相关性，然后建立一个基于事件的异构信息网络（HIN）集成信息从外部知识库。其次，我们提出了一种新的成对流行度图卷积网络，命名为PP-GCN，基于加权元路径实例相似度和文本语义表示作为输入，执行细粒度的社会事件分类和学习的最佳权重的元路径在不同的任务。第三，我们提出了一个基于元路径相似性搜索、元路径历史信息和异构DBSCAN聚类方法的流媒体社交事件检测和演化发现框架。对真实世界的流媒体社交文本数据进行了全面的实验，以比较各种社交事件检测和进化发现算法。实验结果表明，我们提出的框架优于其他替代的社会事件检测和进化发现技术。
2021-04-02 cs.AI cs.LG cs.SI
Social Recommendation through Heterogeneous Graph Modeling of the Long-term and Short-term Preference Defined by Dynamic Time Spans
Purdue School of Engineering and Technology（普渡工程技术学院）；Indiana University - Purdue University Indianapolis（印第安纳大学-普渡大学印第安纳波利斯分校）
针对社交网络数据动态特性的处理难题，本研究提出一种基于异构图的社交推荐新方法，通过添加周期节点定义用户长短期偏好并聚合边权重捕捉用户时序偏好，在真实数据上表现出更优性能。
2024-12-11 cs.AI cs.CE cs.SI
Multiplex Influence Maximization in Online Social Networks with Heterogeneous Diffusion Models
在线社交网络，通过重叠的用户连接在一起的动机，我们研究的影响力最大化问题的多元化，每一层赋予自己的影响力扩散模型。这个问题是一个新版本的影响力最大化问题，需要新的分析，将在每一层的多路复用的传播类型。我们确定了一个新的属性，广义确定性的子模块，当满足在每一层的传播，确保传播的复用整体是子模块-在这种情况下，我们制定ISF，贪婪算法与近似比$(1 - 1/e)$。由于包括多个OSN的复用的大小可能包含数十亿用户，我们制定了一个算法KSN，并行运行在复用的每一层上。KSN将用于单层网络上的影响力最大化问题的$α$近似算法A作为输入，并且对于任意$ε> 0$具有近似比$\frac{(1-ε)α}{(o+1)k}$，$o$是重叠用户的数量，并且$k$是复用中的层的数量。在真实和合成多路复用上的实验验证了所提出的算法对异构多路复用中的影响力最大化问题的有效性。ISF和KSN的实现可在http://www.alankuhnle.com/papers/mim/mim.html上获得。
2018-02-05 cs.SI physics.soc-ph
Predicting Social Links for New Users across Aligned Heterogeneous Social Networks
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
在线社交网络近年来取得了巨大的成功，其中许多涉及多种节点和复杂的关系。在这些关系中，用户之间的社会联系非常重要。许多现有的链接预测方法集中于基于社交网络的快照来预测将来将在所有用户之间出现的社交链接。在现实世界的社交网络中，每天都有许多新用户加入该服务。预测新用户的链接更重要。与传统的链接预测问题不同，由于以下原因，针对新用户的链接预测更具挑战性：（1）新用户和现有活动用户之间的信息分布差异（即，老用户）;（2）缺乏来自网络中的新用户的信息。提出了一种链接预测方法SCAN-PS（Supervised Cross Aligned Networks链接预测with Personalized Sampling），用于解决新用户的链接预测问题。为了在网络内知识转移之前适应信息分布的差异，提出了一种目标网络内个性化抽样方法，对已有的活跃用户信息进行处理。SCAN-PS还可以利用其他源网络中的信息，其中用户帐户与目标网络一致。这样，SCAN-PS就可以解决目标网络中完全没有这些新用户信息时的冷启动问题。
2013-10-13 cs.LG cs.SI physics.soc-ph
Fine-grained Event Categorization with Heterogeneous Graph Convolutional Networks
Beihang University（北京航空航天大学）；Hong Kong University of Science and Technology（香港科技大学）；Tencent（腾讯）；Tsinghua University（清华大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
事件发生在真实世界和实时，可以计划和组织涉及多个人和对象的场合。社交媒体平台发布了大量包含具有综合主题的公共事件的短信。然而，由于文本中事件元素的异质性以及显式和隐式的社会网络结构，挖掘社会事件具有挑战性。本文设计了一种事件元模式来表征社会事件的语义相关性，构建了一个基于事件的异构信息网络（HIN），整合外部知识库的信息，提出了一种新的基于成对流行度图卷积网络（PP-GCN）的细粒度社会事件分类模型。我们提出了一个基于知识元路径的社会事件相似度（KIES）的事件之间，并建立一个加权邻接矩阵作为PP-GCN模型的输入。在真实的数据汇集上进行了全面的实验，以比较各种社会事件检测和聚类任务。实验结果表明，我们提出的框架优于其他替代的社会事件分类技术。
2019-06-09 cs.CL cs.SI stat.ML
A Heterogeneous Graphical Model to Understand User-Level Sentiments in Social Media
Carnegie Mellon University（卡内基梅隆大学）
社交媒体在过去十年中取得了巨大的增长，并继续快速增长。随着这种采用，它正日益成为意见挖掘和情感分析的丰富数据来源。因此，社交媒体中情感的检测和分析是一个有价值的课题，吸引了大量的研究工作。大多数早期的努力集中在监督学习方法来解决这个问题，这需要昂贵的人工注释，因此限制了它们的实际应用。在我们的工作中，我们提出了一个半监督的方法来预测用户级的情绪为特定的主题。我们定义和利用一个异构的图形，建立从社交网络的用户与知识，连接用户在社交网络通常共享类似的情绪。与以前的作品相比，我们有几个新颖之处：（1）我们将用户的影响力/权威性纳入模型，2）我们包括基于评论和基于喜欢的用户-用户链接到图，3）我们将多个异构图合并为一个，从而允许两个用户之间存在多种类型的链接。
2019-12-17 cs.CL cs.IR cs.LG
Heterogeneous Social Event Detection via Hyperbolic Graph Representations
School of Computing, Macquarie University（麦考瑞大学计算学院）；IBM T. J. Watson Research Center（IBM T. J. 沃森研究中心）
针对社交媒体异构性和标签稀缺问题，提出基于双曲图表示的社会事件检测方法HSED及其无监督版本UHSED，通过统一社会消息图和图对比学习捕获结构信息，实验证明其优越性。
2023-02-20 cs.LG cs.SI
Modeling Opinion Dynamics: Ranking Algorithms on Heterogeneous Populations
影响过程的异质性是社会系统的一个重要特征：我们如何感知社会影响力以及我们如何影响其他个体，在很大程度上受到我们的意见和非意见属性的影响。后者包括人口、文化和结构（我们如何嵌入社交网络）特征。此外，影响过程的结果还可能取决于相互作用的个体在其特征方面的相似程度。本文讨论了这个问题，并阐述了基于代理的模型，是敏感的个人特征，意见和非意见的。该模型是加强与排名算法，模仿现实世界中广泛采用的在线社交网络的排名算法。对于由此产生的模型，我阐述了一个平均场近似，通过一个自治的常微分方程系统，描述了在宏观层面上的模型的行为。对该系统的性质进行了深入的研究。
2022-09-03 cs.SI math.DS physics.soc-ph
Modeling micro-macro pedestrian counterflow in heterogeneous domains
我们提出了一个微观宏观的策略，能够描述在异构媒体的人群的动态。在这里，我们专注于行人逆流的例子。主要的工作工具包括使用质量和孔隙度的措施，连同他们的运输，以及适当的应用程序的一个版本的Radon-Nikodym定理制定有限的措施。最后，我们数值说明我们的微观模型，并强调所产生的影响，隐含定义的社会速度。关键词：群体动力学;质量测度;孔隙度测度;社交网络
2010-11-05 cs.SI math-ph math.MP
Learning multi-faceted representations of individuals from heterogeneous evidence using neural networks
Stanford University（斯坦福大学）；Ohio State University（俄亥俄州立大学）
在线推断人的潜在属性是一项重要的社会计算任务，但需要整合网络上可用的许多异构信息源。我们建议使用神经网络来学习人们的个体表征，以整合从社交媒体收集的丰富的语言和网络证据。该算法能够结合不同的线索，例如一个人写的文本，他们的属性（例如性别，雇主，教育，位置）以及与其他人的社会关系。我们表明，通过整合文本和网络证据，这些表示在Twitter上的社交媒体推理中的四个重要任务中提供了更好的性能：预测（1）性别，（2）职业，（3）位置和（4）用户的友谊。我们的方法可以扩展到大型数据集，并且学习到的表示可以用作一般特征，并且有可能使大量下游任务受益，包括链接预测，社区发现或社交网络上的概率推理。
2017-05-11 cs.CL cs.SI
Fake News Detection with Heterogeneous Transformer
The Hong Kong University of Science and Technology（香港科技大学）
假新闻在社交网络上的传播引起了公众对有效和高效的假新闻检测方法的需求。一般来说，社交网络上的假新闻是多模态的，与用户和帖子等其他实体有各种联系。社交网络中新闻内容的异质性以及与其他实体的关系给设计一个模型带来了挑战，该模型可以全面捕获社交网络中实体的局部多模态语义和传播模式的全局结构表示，从而有效准确地分类假新闻。本文提出了一种新的基于Transformer的模型：HetTransformer，利用Transformer的编码器-解码器结构捕获新闻传播模式的结构信息，解决了社交网络上的假新闻检测问题。我们首先捕获本地异构语义的新闻，帖子，和用户实体在社交网络。然后，我们应用Transformer来捕获社交网络中传播模式的全局结构表示，以用于假新闻检测。在三个真实世界数据集上的实验表明，我们的模型能够在假新闻检测中超越最先进的基线。
2022-05-06 cs.AI cs.SI
HENIN: Learning Heterogeneous Neural Interaction Networks for Explainable Cyberbullying Detection on Social Media
Institute of Data Science（数据科学研究所）；National Cheng Kung University（国立成功大学）
在网络欺凌的计算检测中，现有的工作主要集中在构建通用分类器，这些分类器完全依赖于社交媒体会话的文本分析。尽管他们的实证成功，我们认为，一个关键的缺失部分是模型的可解释性，即，为什么特定的媒体会话被检测为网络欺凌。因此，在本文中，我们提出了一种新的深度模型，异构神经交互网络（HENIN），用于可解释的网络欺凌检测。HENIN包含以下组件：评论编码器，评论后共同关注子网络，会话会话和后后交互提取器。在真实数据集上进行的大量实验不仅展示了HENIN的良好性能，而且还突出了证据性评论，以便人们可以理解为什么媒体会话被识别为网络欺凌。
2020-10-09 cs.AI cs.CL cs.SI
A Heterogeneous Multimodal Graph Learning Framework for Recognizing User Emotions in Social Networks
College of Information Sciences and Technology（信息科学与技术学院）；The Pennsylvania State University（宾夕法尼亚州立大学）
针对社交网络用户情绪预测研究不足、缺乏深度学习方法的问题，提出异质多模态图学习框架HMG-Emo，含动态上下文融合模块，性能优于现有基线，是首个该领域多模态深度学习方法。
2025-01-13 cs.CL cs.CV cs.SI
Tripartite Heterogeneous Graph Propagation for Large-scale Social Recommendation
Clova AI Research, NAVER Corp.（NAVER公司Clova人工智能研究院）；Search Solution Inc.（搜索解决方案公司）；LINE Plus Corp.（LINE Plus公司）
图神经网络（GNNs）已经成为一种很有前途的关系表示方法，包括推荐系统。然而，社交图的各种挑战性问题阻碍了GNN用于社交推荐的实际使用，例如它们复杂的噪声连接和高度异质性。GNN的过度平滑也是基于GNN的社交推荐的障碍。在这里，我们提出了一个新的图嵌入方法异构图传播（HGP）来解决这些问题。HGP使用组-用户-项目三方图作为输入，以减少社交图中的边的数量和路径的复杂性。为了解决过度平滑的问题，HGP在个性化的基于PageRank的传播方案下嵌入节点，分别用于组用户图和用户项图。使用注意力机制来集成来自每个图的节点嵌入。我们在一个由1，645，279个节点和4，711，208条边组成的大规模真实世界数据集上评估我们的HGP。实验结果表明，HGP在AUC和F1评分指标方面优于几个基线。
2019-07-24 cs.IR cs.LG cs.SI
Dynamics of bounded confidence opinion in heterogeneous social networks: concord against partial antagonism
观点动力学的有界置信度模型近年来得到了广泛的研究，特别是在社会动力学的观点形成和极端主义传播等方面。在这项工作中，Deffuant-Weisbuch（DW）有限的信心，相对协议模型的局限性分析后，我们提出了混合模型，考虑到两种心理类型的个人。Concord agents（C-agents）是友好的人;他们以一种他们的意见总是变得更接近的方式进行交互。其他心理类型的代理人在相互作用中表现出部分拮抗作用（PA代理人）。在不同的社交网络上，研究了由两类主体组成的异质社会群体中的观点动力学。极限情况下的混合模型，纯C-和PA-社会，也进行了研究。我们发现，群体意见的形成，定性，几乎独立的拓扑结构的网络中使用的这项工作。意见碎片化，极化和共识观察在混合模型中，在不同比例的PA-和C-代理，取决于初始意见容忍的代理。至于意见的形成和产生的“异议”，观点动力学的C-agents社会被发现是类似的DW模型，除了意见的收敛率。然而，混合社会的动态和分叉模式显着不同的DW模型。偏见的初始条件的影响，在异质社会群体的意见形成的意见不确定性的初始值，不同的PA-C-代理的比例进行了研究。分歧图显示了令人印象深刻的集体意见的演变，特别是，激进的变化，从左到右的共识，反之亦然，在一个意见的不确定性值等于0.7的模型与PA/C混合人口接近50/50。
2011-03-02 cs.SI nlin.AO nlin.PS
Linking Heterogeneous Data with Coordinated Agent Flows for Social Media Analysis
Zhejiang University（浙江大学）；Department of Communication, Michigan State University（密歇根州立大学通讯系）
本研究提出LLM智能体系统SIA，通过协调智能体流关联社交媒体异构多模态数据，采用阶段同步策略挖掘洞见，经评估可发现多样有意义的洞见，为社交媒体分析提供新方法。
2026-07-31 cs.AI cs.HC cs.SI
Community Detection for Heterogeneous Multiple Social Networks
School of Computer Science and Technology, China University of Mining and Technology（中国矿业大学计算机科学与技术学院）；College of Computer and Information Engineering, Nanjing Tech University（南京工业大学计算机与信息工程学院）；School of Cyber Science and Engineering, Southeast University（东南大学网络空间科学与工程学院）；Purple Mountain Laboratories（紫金山实验室）
针对异构多社交网络中的跨网社区检测问题，提出基于非负矩阵三因子分解、共识矩阵与重叠用户对齐矩阵的方法，并在多平台数据集上验证其社区质量与融合优势。
2024-05-07 cs.AI cs.CY cs.SI
D-Sempre: Learning Deep Semantic-Preserving Embeddings for User interests-Social Contents Modeling
社交媒体消费的指数增长需要有效的用户兴趣-社交内容建模，以实现更个性化的推荐和社交媒体摘要。然而，由于社会内容的异质性，传统的方法缺乏捕捉这些多模态数据之间隐藏的语义相关性的能力，这导致社会内容理解和用户兴趣之间的语义鸿沟。为了有效地弥合语义鸿沟，我们提出了一种新的深度学习框架，用于用户兴趣-社交内容建模。我们首先挖掘和解析数据，即文本内容，视觉内容，社会背景和社会关系，从异构的社交媒体源。然后，我们设计了一个双分支网络，将社会内容和用户映射到同一个潜在空间。特别地，该网络由大余量目标训练，该目标以端到端的方式将跨实例距离约束与实例内语义保持约束相结合。最后，学习深度语义保持嵌入（D-Sempre），并通过计算社交内容和用户之间的距离来给出排名结果。为了验证D-Sempre在用户兴趣-社交内容建模中的有效性，我们构建了一个Twitter数据集并进行了大量的实验，结果表明，D-Sempre有效地整合了来自异构社交媒体源的多模态数据，并捕捉了用户兴趣与社交内容之间隐藏的语义关联。
2018-02-18 cs.SI
Social Media Would Not Lie: Prediction of the 2016 Taiwan Election via Online Heterogeneous Data
网络媒体的流行吸引了来自各个领域的研究人员来探索人类行为并做出有趣的预测。在这项研究中，我们利用从各种在线平台收集的异构社交媒体数据来预测台湾2016年总统大选。与大多数现有的研究相比，我们采取“信号”的异构信息的观点，并采用卡尔曼滤波器融合多个信号到日常的候选人的投票预测。我们还考虑影响选举的事件，以定量的方式基于所谓的事件研究模型，起源于金融研究领域。我们获得了以下有趣的发现。首先，网络媒体的民意在预测力和时效性方面都优于传统民意调查。但离线调查仍然可以起到缓解在线意见样本偏差的作用。其次，尽管随着选举日的临近，在线信号会逐渐趋同，但Facebook上简单的“赞”始终是选举结果的最强指标。第三，大多数有影响力的事件都与两岸关系有很强的关联，周子瑜国旗事件后紧接着选前一天的道歉视频，让蔡英文的得票率增加了3.66%。这项研究证明了网络媒体在政治上的预测能力和信息融合的优势。结合使用卡尔曼滤波器和事件研究方法有助于数据驱动的政治分析范式的预测和归因的目的。
2018-04-04 cs.SI physics.soc-ph stat.AP
Heterogeneous Edge Embeddings for Friend Recommendation
Hike Messenger（Hike信使公司）；IIIT Delhi（德里印度理工学院）
我们提出了一个朋友推荐系统（链接预测的应用），使用边缘嵌入社交网络。大多数现实世界的社交网络是多图，其中一对用户之间可能存在不同类型的关系（例如聊天、友谊）。现有的网络嵌入技术没有利用来自不同边缘类型的信号，因此在这样的网络中对链接预测执行得不充分。我们提出了一种方法来挖掘网络表示，有效地利用多图的异质性。我们评估我们的模型在现实世界中，活跃的社交网络，该系统部署为数百万用户的朋友推荐。我们的方法在准确性和用户满意度方面优于Hike社交网络上的各种最先进的基线。
2019-02-07 cs.LG cs.SI stat.ML
Heterogeneous Treatment Effects in Social Networks
我们研究了社会网络中因果分析的治疗效果修饰符，其中邻居的特征或网络结构可能会影响单元的结果，目标是使用这些网络属性识别具有不同治疗效果的子群体。为此，我们提出了一个新的框架，通过测试关于网络特征或网络模式（例如，单元的邻居或属于三角形的特征），以及通过识别治疗可能有效或有害的子群体。我们描述了一种假设检验方法，占一个单位的协变量，他们的邻居的协变量，和模式的社会网络，并设计了一个算法，将因果推理，假设检验和图论的想法，以验证一个假设的效果修饰符。此外，我们开发了一种新的算法，用于发现网络模式是潜在的效果修饰符。我们使用一个真实的发展经济学数据集进行了广泛的实验评估，该数据集是关于属于一个称为自助团体的金融支持网络对风险承受能力的治疗效果，并且还使用一个具有已知地面事实的合成数据集模拟疫苗有效性试验，以评估我们的框架和算法。
2021-11-07 cs.SI
A Bounded-Confidence Model of Opinion Dynamics with Heterogeneous Node-Activity Levels
基于主体的观点动力学模型允许研究实体之间的观点传播，并研究共识、极化和分裂等现象。通过研究社会网络上的观点动力学模型，可以探索网络结构对这些现象的影响。在社交网络中，一些人比其他人更频繁地分享他们的想法和观点。这些差异可能来自不同的社交能力，不同的活动水平，参与社交媒体平台时分享意见的不同流行程度，或其他原因。为了研究这种异质性对观点动力学的影响，我们通过引入节点权重来推广观点动力学的Deffuant-Weisbuch（DW）有界置信度模型。节点权重允许我们对具有不同交互概率的代理进行建模。使用数值模拟，我们系统地调查（使用各种网络结构和节点权重分布）的节点权重，我们均匀随机分配给节点的影响。我们表明，引入异构节点权重的结果在更长的收敛时间和更多的意见碎片比在基线DW模型。在我们的网络中的节点权重允许一个考虑各种社会学的情况下，代理人与其他代理人交互的异构概率。
2023-03-21 cs.SI math.DS nlin.AO
Network Composition from Multi-layer Data
人们通常访问多个社交网络，例如，使用电话、电子邮件和社交媒体。多层次的社会互动共同构成了一个“综合社会网络”。“我们如何将关于单层网络的成熟知识，包括顶点中心性和社区结构，扩展到这种异构结构？在本文中，我们提出了一个原则性的框架，网络组成的基础上，一个统一的动态过程来处理这些挑战。在数学上，我们考虑以下抽象问题：给定多层网络数据和层内和层间动态的附加参数，构建一个最佳集成联合过程的（单个）加权网络。我们使用动力学的转换，统一异构层下一个共同的动力学。对于层间组成，我们将考虑几种情况，因为层间动态在各种社会或技术网络中扮演不同的角色。从经验上讲，我们提供的例子来强调网络分析和网络设计的有用性，这个框架。
2016-09-06 cs.SI physics.soc-ph
Analysis of a heterogeneous social network of humans and cultural objects
现代在线社交平台使其成员能够参与广泛的活动，如交友，加入群组，发布/评论资源等。在本文中，我们研究了用户可以参与的不同活动之间是否存在相关性。为了进行我们的分析，我们专注于aNobii，这是一个拥有全球图书读者用户群的社交平台，他们喜欢发布他们的阅读，给出评级，评论书籍并与朋友和其他读者讨论。aNobii呈现了一种异构结构：i）部分社交网络，具有用户对用户的交互，ii）部分兴趣网络，具有图书收藏的管理，以及iii）部分大众分类法，具有由用户标记的图书。我们分析了aNobii的一个完整的匿名快照，我们专注于用户可以执行的三个特定活动，即她的标记行为，她加入群组的倾向以及她编写愿望清单报告她计划阅读的书籍的能力。以这种方式，每个用户与基于标签、基于组和基于意愿列表的简档相关联。通过信息论工具（如熵和互信息）进行的实验分析表明，基于标签和基于组的配置文件通常比基于愿望列表的配置文件信息量更大。此外，我们发现，与同一用户相关联的三个配置文件之间的相关度往往是小的。因此，用户分析不能简化为只考虑任何一种类型的用户活动（尽管很重要），但关键是要纳入多个维度来有效地描述用户的偏好和行为。
2014-02-07 cs.CY cs.SI physics.data-an
Non-Bayesian Social Learning with Heterogeneous and Time-Varying Aggregation Rules
ENSTA, France（法国国立高等先进技术学院）；IIIA-CSIC, Bellaterra, Spain（西班牙科学委员会人工智能研究所）；CSIC, Madrid, Spain（西班牙科学委员会）
本文推广了强连通社交网络中非贝叶斯社会学习的早期结果，证明智能体采用异构时变聚合规则时信念仍可收敛至真实状态，给出收敛速率结果，并以CES族聚合函数为例进行说明。
2026-10-12 cs.SI
Interests Diffusion in Social Networks
理解社交网络（SN）上的文化现象并利用其成员的隐性知识吸引了来自学术界和商业界的不同研究团体的兴趣。复杂性科学界正致力于定义定律、模型和理论，这些定律、模型和理论基于已获得的知识，能够预测未来的观察结果（例如产品的成功）。与此同时，语义Web社区的目标是通过定义结构、模型和方法，为SN添加语义层，来设计新一代的高级服务。在这种情况下，一个飞跃预计将来自一个混合的方法合并上述学科。沿着这条线，这项工作的重点是在社交网络的个人利益的传播。建议的框架包括以下主要组成部分：一种方法来收集有关成员的社交网络的信息;方法来执行一些语义分析的领域的利益;一个程序来推断成员的利益;和利益进化理论来预测如何在网络中传播的利益。其结果是，实现了一个分析工具，以衡量个人的特点，如成员的忠诚度和权威。虽然这种方法适用于任何类型的社交网络，但在这里，它已经在计算机科学研究社区进行了测试。DBLP（数字书目和图书馆项目）数据库被选为测试案例，因为它提供了该领域最全面的科学成果列表。
2015-01-08 cs.CY cs.SI physics.soc-ph
Heterogeneous resource allocation can change social hierarchy in public goods games
公共物品博弈是研究群体中个体间相互作用的最有效工具之一。然而，即使它们能够解释现代社会中合作的出现和稳定性，它们也无法重现在社会和经济互动中观察到的一些关键特征。财富分配的典型形态--帕累托定律--和财富生产的微观组织就是其中的两个。在这里，我们介绍了一个修改的经典制定的公共产品游戏，允许出现这两个功能的第一原则。与传统的网络公共产品游戏不同，在传统的公共产品游戏中，玩家对他们参与的所有游戏都做出了平等的贡献，我们允许个人根据他们在前几轮中的收入重新分配他们的贡献。数值模拟的结果表明，不仅帕累托分布的收益自然出现，而且，如果球员不投资足够的一轮，他们可以作为叛逃者，即使他们是正式的合作者。最后，我们还表明，球员自组织在一个非常富有成效的骨干，几乎完美地覆盖了底层的交互网络的最小生成树。我们的研究结果不仅解释了在真实数据中观察到的财富异质性的存在，而且还指出了一个概念上的变化，如何合作的集体困境的定义。
2016-05-03 cs.SI physics.soc-ph q-bio.PE
Integrating Heterogeneous Information via Flexible Regularization Framework for Recommendation
近年来，社会化推荐兴起，它利用用户之间的社会关系来提高推荐性能。然而，在许多应用中，社会关系是不存在的或非常稀疏。同时，用户或项目的属性信息可以丰富。如何利用这些属性信息来提高推荐性能是一个很大的挑战。本文将推荐系统中的对象和关系组织成一个异构信息网络，并引入基于Meta路径的相似性度量来评估用户或项目的相似性。此外，提出了一种基于矩阵分解的双正则化框架SimMF，通过采用用户和项目的相似性作为对用户和项目潜在因子的正则化，灵活地集成不同类型的信息。大量的实验不仅验证了SimMF的有效性，而且还揭示了一些有趣的发现。我们发现，用户和项目的属性信息可以显着提高推荐准确率，他们的贡献似乎比社会关系更重要。实验还表明，不同的正则化模型对用户和项目有明显不同的影响。
2015-11-12 cs.IR cs.SI
Sampling Online Social Networks via Heterogeneous Statistics
在线社交网络（OSN）的大多数采样技术基于单个图上的特定采样方法，其被称为统计量。然而，在同一个OSN中，不同图上的不同实现方法可能会导致不同的采样效率，即，渐近方差为了利用多个统计量的准确测量，我们制定了一个混合抽样问题，通过它，我们构建了一个混合无偏估计，最大限度地减少渐近方差。给定固定的抽样预算为不同的统计量，我们得到的最佳权重，结合个人的估计;给定固定的总预算，我们表明，贪婪的分配对最有效的统计是最佳的。在实践中，统计的抽样效率对于不同的目标可以是相当不同的，并且在抽样之前是未知的。为了解决这个问题，我们设计了一个两阶段的框架，自适应地花费部分预算来测试不同的统计数据，并将剩余的预算分配给推断出的最佳统计数据。我们表明，我们的两阶段框架是1）随机选择一个统计量和2）均匀分配所有可用的统计量之间的总预算的推广，我们的自适应算法实现了更高的效率比这些基准策略在理论和实验。
2015-12-18 cs.SI
Close and ordinary social contacts: how important are they in promoting large-scale contagion?
一个突出的问题是跨学科的兴趣是定量地了解社会接触的传染动力学中的作用。一般来说，有两种类型的接触：亲密的朋友，同事和家人等，以及与陌生人的日常接触。通常情况下，社会强化发生在密切接触者身上。考虑到这两种类型的接触，我们开发了一个基于接触的社会传染模型。我们发现，与传播动力学，随机网络有共存的连续和不连续的相变，但异构网络的过渡是连续的。我们还发现，普通接触在促进大规模传播中起着至关重要的作用，而紧密接触的数量不仅决定了随机网络中相变的性质，而且决定了爆发阈值的大小.对于来自现实世界的异构网络，大量的密切接触者影响流行阈值，而其在促进传播中的作用取决于分配给它的采纳阈值。首先，普通接触者和密切接触者之间的强烈相互作用是产生普遍传播的必要条件。事实上，只有当有合理长度的传播路径，涉及密切和普通接触，才有可能大规模爆发社会传染病。第二，当阈值和普通接触者之间的传播率都很小时，异质网络中大量的密切接触者通过枢纽节点之间的传播渠道促进了传染病的爆发和传播。我们开发了一个理论框架，以获得对随机网络的主要研究结果的分析理解，并得到广泛的数值计算的支持。
2018-11-09 cs.SI physics.soc-ph
Heterogeneous Interventions Reduce the Spread of COVID-19 in Simulations on Real Mobility Data
世界各地都采取了重大干预措施，以减缓SARS-CoV-2病毒的传播。大规模封锁人员流动可以有效减少传播，但代价是社会功能受到极大限制。我们表明，自然的人类运动是统计上的差异，疾病的传播是显着影响一小群活跃的个人和聚集场所。我们发现，针对这些流动性最强的个人和受欢迎的场所的干预措施降低了峰值感染率和总感染人口，同时保持了较高的社会活动水平。这些趋势在来自世界各地多个城市的不同规模、分辨率和模式的真实人类流动数据的模拟中得到了一致的体现。观察结果表明，与广泛的全面干预相比，基于人员流动网络效应的更多样化的战略在流行病控制和常规社会活动之间提供了更好的平衡。
2021-04-08 cs.SI physics.soc-ph
Discrete Preference Games in Heterogeneous Social Networks: Subverted Majorities and the Swing Player
研究异质社交网络中的离散偏好博弈。这些游戏模拟了玩家的私人信仰和他/她公开声明的观点之间的相互作用（这可能与玩家的信念不同）作为一个战略游戏，其中玩家的策略是意见，并且状态中意见的成本是通过两个因素的参数$α\in[0,1]$的凸组合：参与者的意见与他/她的内部信念之间的分歧，以及与参与者意见不同的邻居的数量。参数$α$模拟了一个玩家的顽固程度：只有当许多邻居不同意他/她的信念时，具有大$α$的玩家才会改变他们的观点。我们认为社交网络是异质的，在这个意义上，参数$α$可以不同的球员。我们要问的是，在均衡状态下，大多数参与者所共有的信念是否可能与大多数参与者公开宣布的观点不一致。我们的主要结果是一个社交网络，承认一个初始的信念分配，存在一个序列的最佳对策的动作，达到一个平衡，在初始的大多数被颠覆的表征。我们的特征是有效的，在这个意义上，可以有效地测试和初始的信念分配，可以被颠覆，可以计算在时间多项式中的球员的数量。我们的结果实际上更强，因为我们表明，在每个可以被颠覆的初始信念分配中，颠覆实际上是以一种非常强的方式获得的：只需要一个单一参与者，摇摆参与者的一次行动，就可以将社交网络带到不归点，任何参与者的任何理性举动都会导致被颠覆的大多数。
2016-03-09 cs.DS cs.GT cs.MA
Modeling and Control of Sustainable Transitions through Opinion-Behavior Coupling in Heterogeneous Networks
本文针对异质社会中可持续行为传播问题，提出数据驱动的意见-采纳耦合动态计算框架，通过实证校准模型并探索两类控制策略，发现改善体验的政策能实现更稳定长期的采纳，为可持续转型干预提供见解。
2025-11-14 cs.SI cs.SY eess.SY
Random Networks with Heterogeneous Reciprocity
社交网络用户表现出多样化的行为和上网习惯。例如，用户回复帖子的倾向可以取决于用户和发帖的人。为了方便起见，我们将用户分组为聚合行为模式，这里重点关注回复或互惠消息的趋势。社交网络中的互惠性反映了用户之间的信息交流。研究了具有异质互惠水平的偏好连接模型的性质，给出了模型边数的增长率，证明了经验度频率收敛于极限分布.这种极限分布不仅是多元正变的，而且具有隐正变的性质。
2022-07-31 cs.SI math.PR
LATTE: Application Oriented Social Network Embedding
近年来，许多研究工作提出将网络结构化数据嵌入到低维特征空间中，其中每个节点表示为特征向量。然而，由于嵌入过程与外部任务的分离，大多数现有嵌入模型的学习嵌入结果对于具有特定目标的应用任务可能是无效的，例如，社区发现或信息扩散。本文提出研究面向应用的异构社会网络嵌入问题。与已有的工程显著不同的是，该问题除了保持网络结构外，还应在目标函数中加入外部应用的目标。针对这一问题，本文提出了一种新的网络嵌入框架，即“面向应用的网络嵌入“（Latte）模型。在Latte中，异构网络结构可以应用于计算节点的“扩散邻近度”分数，该分数捕获本地和全局网络结构。基于这些计算出的分数，Latte通过将自动编码器模型模型扩展到异构网络场景来学习网络表示特征向量，这也可以有效地将网络嵌入和外部应用任务的目标结合起来。在真实世界的异构社交网络数据集上进行了大量的实验，实验结果证明了Latte在学习特定应用任务的表示向量方面的出色性能。
2019-11-08 cs.DB cs.SI
Social interactions affect discovery processes
我们的熟人网络决定了我们如何接触思想、产品或文化艺术品（书籍、音乐、电影等）。虽然这一原则是我们常识的一部分，但我们对同伴影响我们发现过程和新事物体验的具体途径知之甚少。在这里，我们填补了这一空白，通过调查一个数据集，其中包含了一个大型的，社会联系的样本用户从在线音乐平台\emph{Last.fm}的整个收听历史。我们表明，用户表现出高度异质性的发现率的新歌和艺术家，他们的社会邻里显着影响他们的行为。更多的探索性用户倾向于与更倾向于探索新内容的同龄人互动。我们捕捉到这种现象的建模方案，其中用户代表的随机步行者探索的歌曲或艺术家的图形，并通过他们的社会联系相互交流。即使从一个统一的代理人群体（个体之间没有自然差异）开始，我们的模型也预测了强烈的异质探索模式的出现，用户根据他们的音乐品味和探索倾向进行聚类。我们认为我们的方法可以为集体发现过程的定量方法铺平道路。
2022-02-10 cs.SI physics.soc-ph
Heterogeneous Update Processes Shape Information Cascades in Social Networks
该研究探讨社交网络中不同更新规则个体的分布对信息级联的影响，发现简单传播者仅在度异质网络中放大级联，而基于阈值的传播者的聚集分布可削弱传播，揭示了角色分布对信息扩散的调控作用。
2025-01-15 cs.MA cs.SI
Revisiting the effect of external fields in Axelrod's model of social dynamics
空间均匀场对Axelrod模型稳态性质影响的研究已经产生了许多有争议的结果。在这里，我们重新检查的影响，这种类型的字段选择的参数，使无场稳态的模型是异质或多元文化。Axelrod模型的一维和二维版本的分析表明，与文献中先前的说法相反，无论场强的值如何，稳态都是不均匀的。打开场导致文化域的数量不连续的减少，我们认为这是由于零场异质吸收配置的不稳定性。然而，我们发现，空间不均匀的领域，实现了一致的规则附近的代理人强制同质化。虽然该领域的整体效果基本上是相同的，无论模型的维数，我们认为，维数有显着的影响，无场均匀稳态的稳定性。
2012-05-15 cond-mat.stat-mech cs.SI physics.soc-ph
Causal Inference in Disease Spread across a Heterogeneous Social System
在复杂系统中，扩散过程受外部触发和内部动力学的控制。及时和具有成本效益地控制传染病传播关键取决于揭示潜在的扩散机制，由于事件之间的无形因果关系及其随时间演变的强度，这是具有挑战性的。我们推断感染之间的因果关系，并量化元人群的自反性，即通过其内部动态（由先前病例引发的区域爆发的可能性）对事件发生的反馈水平。这些都是由我们新提出的模型，潜在影响点过程（LIPP），模型疾病传播的基础上，结合宏观层面的内部动态的元人口的流动性。我们分析了澳大利亚昆士兰州15年的登革热病例。从我们的因果推断，疫情更可能是由全州范围的全球扩散随着时间的推移，导致疾病传播的复杂行为。就反射性而言，人口稠密地区的前兆性增长和对称性下降归因于通过群体间动态对之前爆发的缓慢但持续的反馈，而外围地区的突然增长但急剧下降则是由通过群体内动态的快速但不稳定的反馈导致的。我们提出的模型揭示了基于组内和组间动态的离散事件之间的概率因果关系，并涵盖了直接和间接的扩散过程（基于接触和病媒传播的疾病传播）。
2018-01-24 cs.SI physics.soc-ph q-bio.PE
BL-MNE: Emerging Heterogeneous Social Network Embedding through Broad Learning with Aligned Autoencoder
网络嵌入的目的是将网络数据投影到一个低维的特征空间中，在该空间中，节点被表示为一个唯一的特征向量，网络结构可以被有效地保留。近年来，越来越多的在线应用服务站点可以表现为海量的复杂网络，这对传统的机器学习算法来说是极具挑战性的。将复杂网络数据有效地嵌入到低维特征表示中，既可以节省数据存储空间，又可以使传统的机器学习算法适用于处理网络数据。如果网络是稀疏结构的，比如新兴的连接很少的网络，网络嵌入性能将大大降低。在本文中，我们提出基于广泛的学习设置来学习目标新兴网络的嵌入表示，其中新兴网络同时与其他外部成熟网络对齐。为了解决这个问题，本文提出了一种新的嵌入框架，即“基于深度对齐的自编码器的嵌入”（DIME）。DIME在基于广义学习的统一分析中处理了不同的链接和属性，并引入了多属性对齐的异构社会网络概念来建模网络结构。本文引入了一组Meta路径，通过异构链路和属性信息定义了用户之间的各种连接。网络中用户之间的接近度被定义为Meta接近度得分，该得分将被馈送到DIME中以学习新兴网络中用户的嵌入向量。在现实世界对齐的社交网络上进行了大量的实验，这些实验证明了DIME在学习新兴的网络嵌入向量方面的有效性。
2017-11-26 cs.DB cs.SI
Social Network Fusion and Mining: A Survey
从全球范围来看，在线社交网络的格局高度分散。出现了大量的在线社交网络，可以为用户提供各种类型的服务。通常，这些在线社交网络中可用的信息具有不同的类别，其可以形式化地表示为异构社交网络（HSN）。同时，在这样一个在线社交媒体时代，用户通常同时参与多个在线社交网络以享受更多的社交网络服务，他们可以充当将不同网络连接在一起的桥梁。因此，多个HSN不仅可以代表单个网络中的信息，而且可以融合来自多个网络的信息。形式上，共享共同用户的在线社交网络被称为对齐的社交网络，并且这些充当对齐网络的锚的共享用户被称为锚用户。用户在多个对齐的社交网络中的社交活动所产生的异构信息为社交网络从业者和研究者提供了同时研究多个社交平台上单个用户的社交行为的机会。本文综述了基于广义学习背景的多对齐HSNs研究的最新进展，包括5个主要研究任务，即：网络对齐、链路预测、社区检测、信息扩散和网络嵌入。
2018-05-02 cs.CY cs.SI
Cross-Network Social User Embedding with Hybrid Differential Privacy Guarantees
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院）；School of Cyber Science and Technology, Beihang University（北京航空航天大学网络空间安全学院）；Sony AI（索尼人工智能）；Salesforce（赛富时）；Zhejiang University（浙江大学）；Macquarie University（麦考瑞大学）；University of Illinois Chicago（伊利诺伊大学芝加哥分校）
集成多个在线社交网络（OSN）对许多下游社交挖掘任务具有重要意义，例如用户偏好建模，推荐和链接预测。然而，不幸的是，它伴随着越来越多的隐私问题泄露敏感的用户信息。如何充分利用来自不同在线社交网络的数据，同时保护用户隐私，在很大程度上仍然没有解决。为此，我们提出了一个跨网络的社会用户嵌入框架，即DP-CroSUE，学习全面的表示用户的隐私保护的方式。我们共同考虑来自具有差分隐私保证的部分对齐的社交网络的信息。特别是，对于每个异构的社会网络，我们首先引入了一个混合差分隐私的概念，以捕捉异构数据类型的隐私期望的变化。其次，为了发现用户在社交网络中的联系，我们进行了无监督的基于用户嵌入的对齐，其中用户嵌入是通过异构网络嵌入技术实现的。为了进一步增强用户嵌入，设计了一种新的跨网络GCN嵌入模型，通过这些对齐的用户跨网络传输知识。在三个真实数据集上的大量实验表明，该方法在用户兴趣预测任务和防御用户属性推断攻击方面都有显着改进。
2022-09-04 cs.AI cs.SI
Local cascades induced global contagion: How heterogeneous thresholds, exogenous effects, and unconcerned behaviour govern online adoption spreading
创新、产品或在线服务的采用通常被解释为一个传播过程，在很大程度上受社会影响驱动，并受个人需求和能力的制约。为了模拟这一过程，人们通常引入行为阈值机制，如果系统满足一组条件，则可以引起全局级联的演变。然而，这些模型并没有解决时间方面的新兴级联，这在现实系统中可能会通过各种途径，从缓慢到快速的模式演变。在这里，我们通过对全球最大的互联网语音服务Skype社交网络的产品采用情况进行分析和建模，填补了这一空白。我们提供的分数行为阈值，这似乎是独立的采用自我的程度的异质性分布的实证证据。我们发现，现实世界的采用集群的结构是从根本上不同于以前的理论预期，因为脆弱的收养-引起一个单一的采用邻居-似乎是重要的，只有在本地，而自发的收养者到达一个恒定的速度和不关心的个人的参与管理全球出现的社会传播。
2016-01-29 cond-mat.stat-mech cs.SI physics.data-an
Quantifying Location Sociality
基于地理位置的社交网络的出现为研究人类流动与社会关系之间的相互作用提供了前所未有的机会。这项工作是量化一个地点是否适合进行社会活动的一个步骤，这个概念被命名为地点社会性。能够量化位置的社会性创造了实际的机会，如城市规划和位置推荐。为了量化一个位置的社会性，我们提出了一个混合模型的HITS和PageRank异构网络连接用户和位置。通过利用纽约和洛杉矶的Instagram用户生成的数百万个签到数据，我们研究了位置社交性与几个位置属性之间的关系，包括位置类别，评级和受欢迎程度。我们还进行了两个案例研究，即，友谊预测和位置推荐，实验结果表明，我们的量化的有用性。
2017-09-04 cs.SI physics.soc-ph
Heterogeneous Graph Attention Networks for Early Detection of Rumors on Twitter
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院）；Macquarie University（麦考瑞大学）；Xiaomi AI Lab（小米人工智能实验室）
随着移动互联网技术的快速发展和移动设备的广泛使用，人们在社交媒体上表达自己的意见变得更加容易。社交媒体平台的开放性和便利性为人们提供了自由表达的机会，但也引发了新的社会问题。社交媒体上虚假谣言的泛滥会带来公众的恐慌，损害个人声誉，这使得谣言自动检测技术变得尤为必要。现有的大多数谣言检测方法都集中在从文本内容、用户简档和传播模式中挖掘有效特征。然而，这些方法并没有充分利用文本内容的全局语义关系，这体现了谣言的语义共性作为检测谣言的关键因素。本文基于谣言的文本内容和源推文传播，构建了一个推文-词-用户异质图。提出了一种基于元路径的异构图注意力网络框架，用于捕获文本内容的全局语义关系，以及源推文传播的全局结构信息，用于谣言检测。真实世界的Twitter数据上的实验证明了所提出的方法的优越性，它也具有相当的能力，在非常早期的阶段检测谣言。
2020-06-10 cs.IR cs.LG cs.SI
