SPILLOVER: Measuring Cyberbullying NormPropagation on Social Media
Loyola University Chicago（芝加哥洛约拉大学）；Arizona State University（亚利桑那州立大学）
研究社交媒体上网络欺凌规范传播，利用Instagram等数据发现前一条CB评论增加下条评论为CB几率，CB→CB对文本更相似，非攻击性回复随前条CB严重程度变负面，这些发现可复制，单一特征能更好预测，为实时审核提供信号。
2026-07-23 cs.SI
The Online Behaviour of the Algerian Abusers in Social Media Networks
Université 8 Mai 1945 Guelma（盖尔马1945年5月8日大学）
连接到社交媒体网络成为世界各地大多数人的日常任务，共享信息的数量呈指数级增长。因此，控制人们沟通的方式是必要的，以保护他们免受迷失方向，冲突，侵略等。在本文中，我们进行了统计研究的网络欺凌和社会媒体（即Facebook）中的虐待内容，我们试图发现在阿尔及利亚社区的虐待者的在线行为。更具体地说，我们在600名Facebook用户中招募了200名来自不同地区的用户来进行这项研究。这项调查的目的是帮助滥用检测的自动系统通过纳入在线活动来做出决定。滥用检测系统需要大量的数据才能更好地处理这类文本（即非结构化和非正式文本），这是由于缺乏标准的正字法，阿尔及利亚方言和语言多种多样。
2022-03-19 cs.CL cs.SI
Geotagging One Hundred Million Twitter Accounts with Total Variation Minimization
地理注释的社交媒体对于现代信息检索来说是极其有价值的。然而，当研究人员只能访问公开可见的数据时，人们很快就会发现社交媒体用户很少发布位置信息。在这项工作中，我们提供了一种方法，可以地理定位绝大多数活跃的Twitter用户，独立于他们的位置共享偏好，只使用公开可见的Twitter数据。我们的方法推断一个未知用户的位置通过检查他们的朋友的位置。我们将地理标记问题框架为基于总变分目标的社交网络优化问题，并为其解决方案提供了一个可扩展的分布式算法。此外，我们还展示了如何对每个用户自我网络的地理分散度进行稳健估计，作为每用户准确性度量，这可以有效地消除外围错误。Leave-many-out评估表明，我们的方法能够以6.38 km的中位误差推断101，846，236个Twitter用户的位置，使我们能够对超过80%的公共推文进行地理标记。
2015-03-04 cs.SI physics.soc-ph
Hierarchical and Incremental Structural Entropy Minimization for Unsupervised Social Event Detection
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；Beihang University（北京航空航天大学）；Kunming University of Science and Technology（昆明理工大学）
针对现有基于GNN的社交事件检测方法存在的遗漏消息关联、需人工标注和预定义事件数等问题，提出无监督框架HISEvent，通过分层增量式结构熵最小化实现事件检测，在两种设置下均达新SOTA且高效鲁棒。
2023-12-19 cs.LG cs.SI
Identifying Different Layers of Online Misogyny
社交媒体已成为互联网上互动和信息共享的日常手段。但社交网络上的帖子往往具有攻击性和毒性，尤其是当话题有争议或带有政治色彩时。激进化、极端言论，特别是在公众眼中对女性的网络厌女症，已经成为网络讨论中令人担忧的负面特征。本研究提出了一种方法论的方法，以促进正在进行的讨论中的多种方式，其中妇女，他们的经验，他们的选择在两极分化的社会媒体反应攻击。基于对厌女症的理论和检测方法的回顾，我们提出了一个分类方案，其中包括11个不同的显式和隐式层的在线厌女症。我们还将我们的课程应用于与Amber Heard在她对Johnny Depp的家庭暴力指控的背景下对Amber Heard的在线攻击有关的案例研究。最后，我们评估了Google的Perspective API的可靠性--这是一个检测有毒语言的标准--用于将性别歧视确定为有毒语言。我们发现，很大一部分的在线厌女症，特别是当口头没有咒骂的条款，而是更含蓄地没有自动捕获。
2022-12-01 cs.SI
Targeting interventions for displacement minimization in opinion dynamics
社会影响在很大程度上被认为是舆论形成过程中的一个关键因素。近年来，外部力量在社交网络中引发观点位移和两极分化的作用引起了人们的极大关注。这尤其是因为必须了解并尽可能防止政治运动和选举期间的干预现象。在本文中，我们制定并解决了有针对性的干预问题的意见位移最小化的社会网络。具体来说，我们考虑一个最小-最大的问题，社会规划者（防御者）的目标是在她给定的预算约束内选择最佳的网络干预，以尽量减少系统中的意见位移，而对手（攻击者）则试图最大化。我们的研究结果表明，最佳干预的防御者有两个政权。对于足够大的预算，社会规划师的最佳干预作用于所有节点成比例的网络中心性的新概念。对于较低的预算值，这种最佳干预具有更微妙的结构，并且相当集中于少数目标个人。
2022-09-14 cs.SI math.OC
From Propagation to Protection: Risk-Aware Diffusion for Harm Minimization in Signed Social Networks
National Institute of Technology Srinagar（斯利那加国家技术学院）
针对符号社交网络中敌对关系传播的危害问题，提出风险感知扩散模型RASH，构建危害最小化模型HM，在六个网络上实现最高危害减少。
2026-08-24 cs.SI
The Social Media Genome: Modeling Individual Topic-Specific Behavior in Social Media
社交媒体中的信息传播不仅依赖于静态的关注者结构，还依赖于特定主题的用户行为。因此，需要新的模型，结合动态用户行为。为此，我们提出了一个模型，为个人的社交媒体用户，称为基因型。基因型是用户的兴趣、活动和接受新信息的敏感性的每个主题的总结。我们证明了用户基因型保持不变的主题内，通过采用它们的分类在大规模的真实网络中传播的新信息。此外，我们提取特定主题的影响骨干结构的基础上的信息采用，并表明它们显着不同的静态追随者网络。当用于新内容传播的影响力预测时，与纯粹的结构特征相比，我们的基因型模型和影响力骨干能够实现超过20%的改进。我们还表明，用户基因型和影响骨干的知识允许设计的有效策略，以最大限度地减少特定主题的信息传播的延迟。
2013-07-01 cs.SI physics.soc-ph
Adaptive Differentially Private Structural Entropy Minimization for Unsupervised Social Event Detection
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）；Beihang University（北京航空航天大学）；Hong Kong University of Science and Technology（香港科技大学）；Beijing University of Posts and Telecommunications（北京邮电大学）；North China Electric Power University（华北电力大学）；Beijing Institute of Technology（北京理工大学）
提出无监督且隐私优先的社交事件检测框架ADP-SEMEvent，通过自适应差分隐私构建消息图并利用基于最优子图的2维结构熵最小化算法进行事件检测，在保护隐私的同时实现了与最先进方法相当的检测性能。
2024-07-23 cs.AI cs.SI
Influence Minimization Under Budget and Matroid Constraints: Extended Version
最近，在线社交网络已经成为政治竞选、病毒式营销和新闻传播的主要战场。因此，“不良行为者”越来越多地利用这些平台，成为其管理人员，企业和整个社会的关键挑战。假新闻的传播是这些行为者滥用社交网络的典型例子。虽然有些人主张采取更严格的政策来控制错误信息在社交网络中的传播，但这种情况往往损害其民主和有机结构。在本文中，我们研究了如何通过删除一些边缘来限制网络中目标用户集的影响。我们的想法是控制扩散过程，同时最大限度地减少网络结构中的干扰量。我们制定的影响力限制问题的数据驱动的方式，考虑到过去的传播轨迹。此外，我们考虑两种类型的约束的边缘去除，预算约束，也是一个更一般的，一组拟阵约束。这些问题在算法设计方面带来了有趣的挑战。例如，我们能够表明，影响限制是APX硬的，并提出确定性和概率近似算法的预算和拟阵版本的问题，分别。我们的实验表明，所提出的解决方案优于基线高达40%。
2019-01-08 cs.SI
Energy and Social Cost Minimization for Data Dissemination in Wireless Networks: Centralized and Decentralized Approaches
我们研究了无线网络中从一个源到多个节点的多跳数据传播，其中网络中的一些节点充当转发节点，并帮助源进行数据传播。在这个网络中，我们研究了两种情况; i）发送节点不需要激励进行传输，ii）它们确实需要激励，并且由相应的接收节点通过虚拟令牌支付。我们研究两个问题; P1）第一场景的网络功率最小化，以及P2）第二场景的社会成本最小化，定义为网络的节点为接收数据而支付的总成本。在本文中，为了解决P1和P2，我们提出了集中式和分散式的方法，确定网络中的哪些节点应该充当发送节点，找到它们的发送功率和相应的接收节点。为了能量效率，在我们的模型中，我们采用最大比合并（MRC）在接收器，使一个接收器可以由多个发射器。所提出的分散式方法是基于非合作成本分担博弈（CSG）。在我们提出的游戏中，每个接收节点选择其各自的发送节点，因此，成本被分配给它根据施加在其选择的发送节点的功率。我们讨论了网络是如何以分散的方式形成的，找到了游戏中节点的行为，并表明，尽管是分散的，所提出的游戏收敛到一个稳定的解决方案。为了找到集中式全局最优值，这是我们分散式方法的基准，我们使用混合整数线性程序（MILP）。仿真结果表明，我们提出的分散式方法优于传统算法的能源效率和社会成本，同时它可以解决需要的激励合作。
2020-03-21 cs.GT cs.NI cs.SI
A Theoretical Model for Understanding the Dynamics of Online Social Networks Decay
在线社交网络代表了当今生活中通信和信息交换的主要来源。它们促进了新闻分享、知识启发和形成相同兴趣的群体。在过去的二十年里，研究人员研究了在线社交网络的增长动力，广泛地寻求对在线社交网络中人类行为的清晰理解，这在许多方面都有帮助，比如设计更好的推荐系统和吸引新成员。然而，并非所有的社交网络都实现了预期的增长，例如，MySpace、Orkut和Mysterster等在线社交网络今天都停止了服务。在这项工作中，我们提出了一个概率的理论模型，捕捉由于社会网络的成员的不活动的社会衰退的动态。该模型被证明有一些有趣的数学性质，即\textit{submodularity}，这意味着实现模型优化在一个合理的性能。这意味着最大化问题可以在$(1-1/e)$的因子内近似，并且最小化问题可以在多项式时间内实现。
2020-09-01 cs.CY cs.SI physics.soc-ph
Hate is not Binary: Studying Abusive Behavior of #GamerGate on Twitter
在过去几年中，网络欺凌和攻击日益突出，并在社交媒体上以多种不同形式表现出来。然而，很少有工作分析滥用用户的特征以及他们与典型社交媒体用户的区别。在本文中，我们开始通过分析包含大量辱骂的推文来解决这一差距。我们专注于围绕Gamergate争议的Twitter数据集，该争议导致了各种游戏和社交媒体平台上的许多网络欺凌和网络攻击事件。我们研究了用户对Gamergate的推文属性，他们发布的内容，以及与典型Twitter用户相比他们行为的差异。我们发现，虽然他们的推文通常看起来是关于攻击性和仇恨的主题，但“Gamergaters”并没有表现出常见的在线愤怒表达，事实上，他们的推文与典型用户的主要区别在于他们的推文不那么快乐。他们也比典型的Twitter用户更投入，这表明了这场争议如何以及为什么仍在继续。令人惊讶的是，我们发现Gamergaters不太可能被Twitter暂停，因此我们分析了他们的属性，以确定与典型用户的差异，以及可能导致他们暂停的原因。我们执行无监督的机器学习分析来检测用户群，这些用户虽然当前处于活动状态，但可以被考虑暂停，因为他们表现出与暂停用户相似的行为。最后，我们证实了我们的分析功能的有用性，通过模仿Twitter的暂停机制与监督学习方法，实现了很好的精度和召回。
2017-05-09 cs.CR cs.SI
A deep dive into the consistently toxic 1% of Twitter
在线社交网络（OSN）中的不当行为是一种不断增长的现象。迄今为止的研究往往集中在机器学习的部署上，以识别和分类欺凌、侵略和种族主义等不当行为。识别的主要目标是遏制自然和机械的不当行为，使OSN成为社会话语的安全场所。超越过去的作品，我们进行了一个纵向研究的一个大的选择Twitter的配置文件，这使我们能够描述配置文件的一致性，他们张贴剧毒的内容。我们的数据涵盖了14年的推文，来自122K Twitter个人资料和超过2.93亿条推文。从这些数据中，我们选择了有毒内容一致性最极端的个人资料，并检查了他们的推文文本，以及他们共享的域名，标签和URL。我们发现，这些选定的配置文件保持一个狭窄的主题，在标签，URL和域中的多样性较低，它们在主题上彼此相似（以协调的方式，如果不是通过意图），并且具有很高的机器人行为可能性（可能有意图影响的祖先）。我们的工作为研究社区提供了大量的纵向在线不良行为数据集，并在探索不良行为作为影响OSN操作的潜在附件时，将个人资料的有毒行为的一致性作为一个有用的因素。
2022-02-16 cs.CY cs.SI
Minimizing Seed Set Selection with Probabilistic Coverage Guarantee in a Social Network
在社交网络中传播的话题如果在网络中讨论它的用户的数量超过临界阈值，则达到其临界点，使得很可能发生关于该话题的广泛级联。在本文中，我们考虑选择具有最小大小的主题的初始种子用户的任务，以便在保证概率的情况下讨论该主题的用户数量将达到给定的阈值。我们制定的任务作为一个优化问题，称为种子最小化与概率覆盖保证（SM-PCG）。该问题不同于以往的社会影响力最大化或种子最小化研究，因为它考虑的是概率保证的影响覆盖，而不是对期望影响覆盖的保证。我们发现，这个问题是不子模块化，因此比以前研究的问题子模块化函数优化的基础上更难。我们提供了一个近似算法，并表明，它近似的最优解的乘法比和添加剂的错误。如果某些种子集的影响覆盖分布集中，则乘法比是紧的，而加性误差将是小的。对于单向二部图，我们解析地证明了浓度条件，并获得了一个近似算法与$O(\log n)$乘法比和$O(\sqrt{n})$加性误差，其中$n$是社交图中的节点总数。此外，我们经验验证的浓度条件下，在现实世界的网络和实验证明我们提出的算法的有效性相比，常用的基准算法。
2014-06-18 cs.DS cs.SI
Online Minimization of Polarization and Disagreement via Low-Rank Matrix Bandits
Intesa Sanpaolo AI Research（Intesa Sanpaolo人工智能研究）
本文提出了一种基于低秩矩阵老虎机的在线算法，用于在不完全信息下最小化社交媒体上的极化和分歧，通过两阶段方法实现低维结构估计与线性老虎机算法结合，有效降低累积后悔。
2026-03-06 cs.LG cs.SI
DiffIM: Differentiable Influence Minimization with Surrogate Modeling and Continuous Relaxation
KAIST（韩国科学技术院）
提出DiffIM方法，通过代理建模、连续松弛和梯度驱动选择三种加速方案解决影响最小化问题，在保持或提升有效性的同时实现最高15,160倍的速度提升。
2025-02-03 cs.LG cs.SI
Efficient Approximation Algorithms for Adaptive Seed Minimization
作为影响力最大化的对偶问题，种子最小化问题要求种子节点的最小数量以影响给定社交网络$G$中所需数量的$η$用户。现有的种子最小化算法大多考虑非自适应设置，其中所有种子节点被选择在一个批次中，而不观察它们如何影响其他用户。在本文中，我们研究种子最小化的自适应设置，其中种子节点被选择在几个批次，这样一个批次的选择可以利用信息的实际影响，以前的批次。我们提出了一种新的算法，ASTI，它解决了自适应种子最小化问题的$O\Big(\frac{η\cdot (m+n)}{\varepsilon^2}\ln n \Big)$预期时间，并提供了一个近似的保证$\frac{(\ln η+1)^2}{(1 - (1-1/b)^b) (1-1/e)(1-\varepsilon)}$的期望，其中$η$是目标数量的影响节点，$b$是每个种子节点批次的大小，和$\varepsilon \in (0, 1)$是一个用户指定的参数。据我们所知，ASTI是第一个算法，提供了这样一个近似保证，而不会产生禁止计算开销。通过在各种数据集上的大量实验，我们证明了ASTI相对于竞争方法的有效性和效率。
2019-07-23 cs.DS cs.SI
Critical Edge Identification: A K-Truss Based Model
在社交网络中，用户之间的关系强度会显著影响网络的稳定性。在本文中，我们使用k-桁架模型来衡量社会网络的稳定性。为了确定关键连接，我们提出了一个新的问题，命名为k-桁架最小化。给定一个社会网络G和一个预算b，它的目标是找到b条可以删除的边，这些边可以导致G的k-桁架中的最大边断裂数。我们证明了该问题是NP-困难的。为了加快计算速度，新的修剪规则的开发，以减少候选大小。此外，我们提出了一个上限为基础的策略，以进一步减少搜索空间。在真实的社交网络上进行了全面的实验，以证明所提出的技术的效率和有效性。
2019-06-27 cs.DB cs.SI
Measuring #GamerGate: A Tale of Hate, Sexism, and Bullying
Aristotle University of Thessaloniki（塞萨洛尼基亚里士多德大学）；Telefonica Research（西班牙电信研究院）；University College London（伦敦大学学院）
在过去的几年里，网络攻击和虐待行为以许多不同的形式发生在各种平台上。在极端情况下，这些事件演变成仇恨、歧视和欺凌，甚至具体化为现实世界中对个人或团体的威胁和攻击。在本文中，我们研究了Gamergate争议。它始于2014年8月的在线游戏世界，迅速蔓延到各种社交网络平台，最终导致许多网络欺凌和网络攻击事件。我们专注于Twitter，提出了一个测量研究的数据集的34万个独特的用户和160万条推文，研究这些用户的属性，他们发布的内容，以及他们如何不同于随机的Twitter用户。我们发现，参与这场“Twitter战争”的用户往往有更多的朋友和追随者，通常更参与和发布的推文与负面情绪，较少的喜悦，更多的仇恨比随机用户。我们还对Twitter暂停机制如何处理此类滥用行为进行了初步测量。虽然我们专注于Gamergate，但我们收集和分析与攻击性和欺凌活动相关的推文的方法是独立的。
2017-02-24 cs.AI cs.CY cs.SI
Graph Integrated Transformers for Community Detection in Social Networks
School of Information Technology Carleton University Ottawa, ON, Canada（信息科技学院卡尔顿大学渥太华，加拿大）
本文提出一种结合GNN和Transformer的混合模型GIT-CD，用于提升社交网络中的社区检测性能。
2026-01-07 cs.AI cs.SI
A Game Approach to Multi-dimensional Opinion Dynamics in Social Networks with Stubborn Strategist Agents
本文提出社交网络多维观点形成的微分博弈模型，在开环信息结构下求得唯一纳什/最坏情况均衡解，并给出分布式实现，通过小型网络实验与非策略者社会最优行为进行对比验证。
2024-02-22 cs.SI
Evolution of Social Power for Opinion Dynamics Networks
本文研究了一组代理人在讨论一系列问题时的意见和人际影响结构的演变，每个问题都遵循一个意见动力学模型。在这项工作中，我们提出了一个一般的意见动力学模型和人际影响结构的演变模型的基础上，反映评价提出的弗里德金。我们的贡献可概括如下：（i）我们引入了一个观点动态模型和问题之间的人际影响结构的演变被视为对邻居行为的最佳反应成本最小化，（ii）我们表明，DeGroot和Friedkin-Johnsen的观点动态模型及其人际影响结构的演变是我们提出的模型的特殊情况，（3）证明了均衡的存在性。这项工作是朝着提供一个坚实的制定意见的演变和人际影响结构的一系列问题。
2017-11-17 cs.GT cs.SI
When Large Language Models Do Not Work: Online Incivility Prediction through Graph Neural Networks
Stevens Institute of Technology（史蒂文斯理工学院）
本文提出基于图神经网络的框架，用于检测在线不文明行为，优于现有大语言模型并降低推理成本。
2026-02-01 cs.AI cs.CL cs.SI
Cumulative Activation in Social Networks
大多数关于影响力最大化的研究都集中在一次传播上，即影响力从种子用户按照概率扩散模型传播一次，用户的激活通过单级联确定。实际上，在用户做出最终购买决定之前，用户需要通过接收传播给她的足够多的信息来累积影响。在本文中，我们模拟这样的累积激活如下的过程：首先，多条信息在社会网络中独立传播的经典独立级联模型，然后用户将被激活（并采用产品），如果她收到的累积信息达到她的累积激活阈值。在此框架下研究了两个优化问题：具有累积激活的种子最小化问题（SM-CA），即如何选择一个具有最小尺寸的种子集，使得累积激活节点数达到给定的要求$η$ ;具有累积激活的影响力最大化问题（IM-CA），即如何选择一个具有固定预算的种子集，使得累积激活节点数最大化.对于SM-CA问题，我们设计了一个贪心算法，当$η=n$，其中$n$是网络中的节点数时，产生一个双准则$O(\ln n)$ -近似。对于带$η<n$的SM-CA问题和IM-CA问题，我们证明了强不可逼近性结果。尽管困难的结果，我们提出了两个有效的启发式算法SM-CA和IM-CA分别基于反向可达集的方法。在不同的现实世界的社交网络上的实验结果表明，我们的算法显着优于基线算法。
2017-02-20 cs.SI
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
Election Manipulation on Social Networks: Seeding, Edge Removal, Edge Addition
Politecnico di Milano（米兰理工大学）；Università degli Studi di Salerno（萨勒诺大学）
我们专注于通过社会影响力的选举操纵问题，操纵者利用社交网络使她最喜欢的候选人赢得选举。影响是由于有利于和/或反对一个或多个候选人的信息，由种子发送并根据独立级联模型在网络中传播。我们对选举控制问题进行了全面的研究，调查了两种形式的操纵：在给定的社交网络中播种以购买影响者，以及在给定种子和发送的信息的社交网络中删除或添加边缘。特别是，我们研究了广泛的情况下区分候选人的数量或在网络上传播的信息的种类。我们的主要结果是积极的民主，它表明，选举操纵问题是负担不起的最坏的情况下，除了微不足道的类的情况下，即使当一个接受近似的胜利幅度。在播种的情况下，我们还表明，操作是困难的，即使图形是一条线，一个大类的算法，包括最近采用的社会影响问题的方法，未能计算有界近似，即使在基本网络，无向图与每个节点有一个度最多两个或有向树。在边缘去除或添加的情况下，我们的硬度结果也适用于社会影响力最大化/最小化的基本情况。相比之下，即使操纵者有无限的预算，允许删除或添加任意数量的边缘，选举操纵的难度也会保持不变。
2020-02-27 cs.AI cs.SI
A Novel Approach for the SDIR Epidemic Model on Online Social Networks
Posts and Telecommunications Institute of Technology（邮电大学）
针对SDIR模型，通过分析D和I状态向量动力学提出更紧致的上界，改进谱半径收敛条件，并在合成与真实网络上验证了影响力最小化的有效性。
2026-09-29 cs.NI cs.SI math.OC
Opinion Dynamics in Social Networks: A Local Interaction Game with Stubborn Agents
新思想、创新和行为在大型社会网络中传播的过程可以被认为是一个网络互动游戏：每个代理从他的朋友邻居中的一定数量的代理那里获得信息，并调整他的想法或行为以增加他的利益。在本文中，我们感兴趣的意见，对某一主题，形成在社交网络。我们将意见建模为从0到1的连续标量，1（0）代表非常积极（消极）的意见。每个代理人都有一个初始意见，并根据他的邻居的意见，他的初始意见以及他对他的初始意见的无知而产生一些成本。智能体根据自己的初始意见和观察邻居的意见迭代更新自己的意见。代理的迭代更新可以被视为近视成本最小化响应（即，所谓的最佳对策）。我们研究是否可以出现这样的局部相互作用的结果，以及这种平衡可能如何取决于网络结构，代理的初始意见，以及顽固代理的位置和他们的谨慎程度。我们还研究了收敛到这种平衡点的速度，并将收敛时间描述为上述因素的函数。我们还讨论了这些结果在一些著名的图，如Erdos-Renyi随机图和小世界图的影响。
2012-08-24 cs.GT cs.SI
Network Infusion to Infer Information Sources in Networks
已经开发了几个重要的模型，使信号在生物，社会和工程网络中的扩散研究成为可能。在这些既定的框架内，识别传播信号源的逆问题是具有挑战性的，因为信号通过网络传播的许多替代可能性。在现实世界的网络中，确定源的挑战是复杂的，因为真实的传播动态通常是未知的，并且当它们被直接测量时，它们很少符合任何经过充分研究的模型的假设。在本文中，我们介绍了一种称为网络注入（NI）的方法，该方法旨在规避这些问题，使源推理适用于大型复杂的现实世界网络。关键思想是，要推断网络中的源节点，在许多情况下，可能不需要扩散动力学的充分表征。这一目标是通过创建一个扩散核，以及近似标准的扩散模型，但本身的反演，通过设计，通过似然最大化或误差最小化。我们适用于单源和多源扩散，单快照和多快照观测，以及均匀和非均匀扩散设置的NI。我们证明了平均场最优的NI不同的情况下，并证明了它的有效性在几个合成网络。此外，我们将NI应用到一个真实的数据应用程序中，识别Digg社交网络中的新闻源，并证明了NI与现有方法相比的有效性。最后，我们提出了一个综合的源推理框架，结合NI与基于距离中心的方法，这导致了一个强大的性能，在潜在的动态是未知的情况下。
2016-06-23 cs.SI physics.soc-ph
Deriving Latent Social Impulses to Determine Longevous Videos
在线视频网站每天都会收到来自世界各地用户的大量视频。如何为观众提供有价值的推荐，无论是视频网站还是相关的第三方，如搜索引擎，都是一项重要的任务。以前的工作对视频的观看次数进行了大量的分析，这些分析衡量了视频在受欢迎程度方面的价值。然而，一个网络视频的长久价值，即长寿，隐藏在一段视频通过时间积累“热度”的历史背后。一般来说，一个长时间的视频往往会不断引起社会的关注。本文以领先的视频网站Youtube为研究对象，提出了一种量化视频寿命的评分机制。评估视频的寿命不仅可以改进视频推荐系统，还可以帮助我们发现具有更大广告价值的视频，以及调整视频网站的存储策略以缩短其响应时间。为了准确地量化寿命，我们引入了潜在的社会冲动的概念，以及如何使用它们来衡量视频的寿命。为了获得潜在的社会冲动，我们把视频网站看作是一个数字信号过滤器，并把这个任务描述为一个凸最小化问题。所提出的寿命计算是基于派生的社会冲动。不幸的是，获得社交冲动所需的信息并不总是公开的，这使得第三方无法直接评估每个视频的寿命。为了解决这个问题，我们制定了一个半监督学习任务，使用已知的寿命分数的视频预测未知的寿命分数。我们提出了一个高斯随机马尔可夫模型与循环信念传播来解决这个问题。在Youtube上进行的实验表明，与基线相比，该方法显著提高了预测结果。
2013-12-26 cs.MM cs.SI
Age of Information Diffusion on Social Networks
本文研究社交网络病毒式营销的多阶段播种优化问题，采用信息年龄衡量信息时效性，推导了AoI动态闭式表达式，并针对峰值和平均AoI问题分别证明了NP困难性及提出了具近似保证的多项式时间算法。
2024-11-14 cs.DM cs.IT cs.SI
A Spectral Method for Activity Shaping in Continuous-Time Information Cascades
CMLA – ENS Cachan, CNRS, Université Paris-Saclay（巴黎-萨克雷高等师范学校卡尚校区，法国国家科学研究中心，巴黎-萨克雷大学）；MSR-Inria Joint Center（微软研究院-法国国家信息与自动化研究所联合中心）；ETH Zürich（苏黎世联邦理工学院）
信息级联模型捕捉社交网络中用户活动的动态特性。在这项工作中，我们开发了一个新的框架下的连续时间信息级联模型，允许管理员通过分配有针对性的资源，可以改变传播的过程中的本地控制行动的活动塑造。我们的框架采用了危害矩阵的谱半径的优化，这一数量已被证明可以驱动网络中的最大影响，同时在用于最小化级联影响时享受简单的凸松弛。此外，用例，如检疫和节点免疫进行了讨论，以突出所提出的活动塑造框架的一般性。最后，我们提出了NetShape影响最小化方法，通过对真实社交网络的模拟，该方法与基线和最先进的方法相比是有利的。
2017-09-15 cs.AI cs.LG cs.SI
