The Anatomy of the Facebook Social Graph
我们研究了Facebook活跃用户的社交图谱结构,这是有史以来分析过的最大的社交网络。我们计算图的许多特征,包括用户和友谊的数量,度分布,路径长度,聚类和混合模式。我们的研究结果围绕着三个主要的观察结果。首先,我们描述了图的全局结构,确定社交网络几乎是完全连接的,99.91%的个体属于一个大的连接组件,我们确认了全球范围内的“六度分离”现象。其次,通过研究图邻域的平均局部聚类系数和退化,我们表明,虽然Facebook图作为一个整体显然是稀疏的,但用户的图邻域包含令人惊讶的密集结构。第三,我们通过研究用户的基本人口统计和网络属性来描述图中存在的不确定性模式。我们观察到明确的程度不确定性和特点的程度“你的朋友有更多的朋友比你”。此外,我们观察到年龄对友谊偏好的强烈影响,以及由国籍驱动的全球模块化社区结构,但我们没有发现任何强烈的性别同质性。我们将我们的结果与较小的社交网络的结果进行比较,发现大部分(但不完全)在共同的结构网络特征上一致。
2011-11-18 cs.SI physics.soc-ph
An Agent-Based Model of Message Propagation in the Facebook Electronic Social Network
设计了一个大规模的基于Agent的Facebook普通用户模型,以在微观层面上分析在线社交网络中信息扩散的潜在机制。基于代理的模型网络结构是基于Facebook的样本。使用擦除配置模型和公共邻居的想法,一个新的校正过程,以克服丢失的图边缘的问题,构建一个Facebook网络图的代表性样本。模型参数基于假设和一般活动模式(如发布率,在Facebook上花费的时间等)。从Facebook上的一般数据中提取。利用基于Agent的模型,分析了不同场景下帖子长度、帖子评分和发布者好友数对墙帖传播的影响。研究结果表明,后内容的成功后传播的影响最大。然而,有趣和吸引人但冗长的帖子(例如一个有趣的视频)不如简短但不起眼的帖子(例如一张有趣的照片)传播得好。与产品采用和疾病传播传播模型相反,观察到Facebook帖子扩散中没有类似的“流行病”阈值。
2016-11-22 cs.MA cs.SI
Ang Social Network sa Facebook ng mga Taga-Batangas at ng mga Taga-Laguna: Isang Paghahambing
在线社交网络(OSN)对菲律宾人产生了巨大的影响,其中Facebook,Twitter,LinkedIn,Google+和Instagram是最受欢迎的。它们的流行,加上其直观和互动的使用,允许一个人的个人信息,如性别,年龄,地址,关系状态和朋友列表,成为公开可用。从这些网站获得的信息,在计算机的帮助下,可以对广泛的人口特征进行研究,即使是在省一级。除了邻近的地方,拉古纳和八打雁的居民都从两个湖泊,拉古纳湾和塔尔湖获得生计。这两个居民都遇到了类似的问题,例如,在许多其他问题中,鱼类死亡。这项研究的目的是找出他们各自的在线人群的相似之处,特别是Facebook的。通过使用计算动态社会网络分析(CDSNA),我们发现这两个社区是相似的,除其他外,如下:o两个群体都由单身年轻女性主导o在选择年龄方面的朋友时观察到同性恋(即,在年龄相差不超过五岁的人之间更经常建立友谊);以及在根据性别选择朋友时观察到异性恋(即,男性和女性之间建立的友谊比同性之间建立的友谊多)。本文还介绍了两种社交网络在结构上的差异,如分离度和偏好依恋。
2015-07-10 cs.SI
Evolving network structure of academic institutions
今天的学院和大学由高度复杂的结构组成,这些结构决定了行政部门、教师和学生之间的互动。这些结构可以在决定行政部门制定的政策的效率方面发挥作用,并决定一个部门的课程变化对其他部门的影响。尽管这些复杂结构的特点对机构有很大的影响,但在许多情况下,它们基本上仍然不为人所知。在本文中,我们研究的学术结构,我们的家机构三一学院在哈特福德,CT使用的主要和次要模式之间的毕业生建立一个时间的多路复用网络描述不同部门之间的相互作用。使用最近的网络科学技术开发的时间网络,我们确定不断发展的社区结构,组织部门的互动,以及量化的跨学科中心的每个部门。我们为三一学院实施了这个框架,找到了实际的见解和应用,但也将其作为一个通用框架,供高校更好地了解自己的结构组成,以便更好地为学术和行政政策提供信息。
2016-12-06 cs.SI nlin.AO physics.soc-ph
The geographic spread of COVID-19 correlates with the structure of social networks as measured by Facebook
我们使用Facebook的汇总数据显示,COVID-19更有可能在社交网络连接更强的地区之间传播。与两个早期COVID-19“热点”(美国纽约州韦斯特切斯特县和意大利洛迪省)有更多社会联系的地区,到3月底通常有更多的COVID-19确诊病例。在控制了到热点的地理距离以及该地区的人口密度和人口统计数据之后,这些关系仍然存在。随着疫情在美国蔓延,一个县与最近的COVID-19病例和死亡人数的社会接近程度,可以预测未来的爆发,而不仅仅是物理接近程度和人口统计数据。部分由于其广泛的覆盖范围,社交联系数据为基于智能手机位置或在线搜索数据的测量提供了额外的预测能力。这些结果表明,来自在线社交网络的数据可能对流行病学家和其他希望预测COVID-19等传染病传播的人有用。
2020-12-11 cs.SI physics.soc-ph q-bio.PE
Complex Network Analysis of North American Institutions of Higher Education on Twitter
北美高等教育机构(IHE):大学,4年制和2年制学院以及贸易学校-在Twitter上大量存在和关注。IHE的Twitter账户平均有20 000名订阅者。他们中的许多人关注一个以上的IHE,从而有可能根据共同关注者的数量构建IHE网络。在本文中,我们探讨了Twitter上的1,435个IHE网络的结构。我们发现网络属性(各种中心性和聚集系数)与IHE的属性(例如入学、学费和宗教/种族/性别隶属)之间存在显着相关性。我们发现了与同性恋相关的网络的社区结构--类似的追随者跟随类似的大学。此外,我们分析了追随者的自我描述,并确定了12个重叠的主题,可以追溯到追随者的群体身份。
2020-10-02 cs.SI
Comparing Online Community Structure of Patients of Chronic Diseases
在本文中,我们比较了人们在Facebook和Twitter上谈论克罗恩病,囊性纤维化和1型糖尿病的社交网络结构。我们发现,克罗恩病社区的贡献者在Facebook和Twitter上最情绪化,在Twitter上最消极,而T1D社区的通信网络结构是最有凝聚力的。
2015-02-18 cs.SI physics.soc-ph
A Large-Scale Community Structure Analysis In Facebook
理解支配人类现象的社会动力学,如通信和社会关系,是当前计算社会科学的一个主要问题。特别是,鉴于前所未有的成功,在线社交网络(OSN),在本文中,我们关注的是最大的OSN的用户之间发生的聚合模式和社会动态的分析:Facebook。详细地,我们讨论了这个网络的社区结构的中观特征,考虑到社区的角度,这还没有在这样一个大规模的研究。为此,我们获取了包含数百万用户及其社会关系的网络样本;然后,我们揭示了代表用户聚集和交互的聚合单元的社区;最后,我们分析了这样一个社区网络的统计特征,发现并表征了在线社交网络中个体交互所遵循的一些特定组织模式,这是考虑到不同的抽样技术和聚类方法而出现的。这项研究提供了一些线索,个人建立在线社交网络,最终有助于建立一个良好的社会结构的社会互动的趋势,并打开了进一步的社会研究的空间。
2013-06-23 cs.CY cs.SI physics.soc-ph
The Digital Architectures of Social Media: Comparing Political Campaigning on Facebook, Twitter, Instagram, and Snapchat in the 2016 U.S. Election
本研究认为,社交媒体上的政治沟通是由一个平台的数字架构,定义为技术协议,使,约束和塑造用户在虚拟空间中的行为介导。介绍了一个理解数字架构的框架,并沿着类型学比较了四个平台(Facebook,Twitter,Instagram和Snapchat)。以2016年美国大选为例,对三位共和党数字战略家的采访与社交媒体数据相结合,以验证研究的理论主张,即平台的网络结构,功能,算法过滤和传播模型会影响社交媒体上的政治竞选策略。
2019-04-15 cs.CY cs.HC cs.SI
Romantic Partnerships and the Dispersion of Social Ties: A Network Analysis of Relationship Status on Facebook
分析在线社交网络系统的一个关键任务是识别重要的人-那些通过强大的社会关系联系在一起的人-在个人的网络邻居中。在这里,我们调查这个问题的一个特定类别的强关系,那些涉及配偶或浪漫的合作伙伴。我们围绕一个基本问题组织分析:考虑到一个人的朋友之间的所有联系,你能仅仅从网络结构中识别出他或她的浪漫伴侣吗?使用来自Facebook用户的大样本数据,我们发现这项任务可以以高精度完成,但这样做需要开发一种新的领带强度测量方法,我们称之为“分散”-两个人共同的朋友在多大程度上没有良好的联系。研究结果提供了方法,用于识别类型的结构显着的人在网上的应用程序,并提出了潜在的扩展现有理论的领带强度。
2013-10-24 cs.SI physics.soc-ph
Structural Patterns of the Occupy Movement on Facebook
在这项工作中,我们研究了Facebook上社会组织的一个特殊例子:占领运动-即,在城市一级组织的反对社会和经济不平等的国际抗议运动。我们考虑了2011年9月至2013年2月期间的179个美国Facebook公共页面。该数据集包括618 K活跃用户和753 K帖子,收到了约520万个赞和110万条评论。通过根据用户在页面上的交互模式对用户进行标记--例如,如果一个用户在一个特定的页面上至少有95%的喜欢,那么她被认为是两极分化的--我们发现这些活动不是由地理上接近的页面在本地协调的,而是由链接到美国主要城市的页面驱动的,这些页面在各个群组中充当枢纽。甚至通过提取骨架结构--即,过滤统计上相关的权重异质性-对于页面共享和页面公共用户网络。
2015-01-28 cs.HC cs.SI physics.soc-ph
The Structure of Online Social Networks Mirror Those in the Offline World
我们使用双向帖子的频率数据来定义两个Facebook数据集和一个Twitter数据集的边缘(或关系),并使用这些数据来创建以自我为中心的社交网络。我们探索这些网络的内部结构,以确定它们是否具有与离线面对面网络中发现的相同类型的分层结构(其具有独特的缩放结构,依次包含5,15,50和150个变化的层)。两个Facebook数据集最好用四层结构描述,Twitter数据集最好用五层结构描述。这些层的绝对大小和与每层中的蚀变接触的平均频率与离线网络的观测值非常接近。此外,所有三个数据集都揭示了最内层网络层的存在,约为1.5。因此,我们的分析证实了以自我为中心的社交网络分层结构的存在,其样本量比之前用于描述它们的样本量要大得多(总计> 185,000个自我),并确定了额外网络层的存在,该网络层的存在仅在离线社交网络中假设。此外,我们的分析表明,在线社区具有非常相似的结构特征,离线面对面的网络。
2022-05-27 cs.SI
Mentorship Network Structure: How Relationships Emerge Online and What They Mean for Amateur Creators
关系是连接学习的核心。在这项研究中,我们应用并扩展了社会网络分析方法,以揭示Fanfiction.net作者和评论者之间的关系的分层网络结构。Fanfiction.net是世界上最大的同人小说社区之一,在这个空间里,数百万年轻人与书面媒体互动,通过共同的兴趣联系起来,并从分散的受众那里获得支持和指导。像Fanfiction.net这样的亲和空间是否具有与社交网络Facebook和Twitter相同的结构?我们对数百万个关系应用了k-means聚类,以确定Fanfiction.net有2到3层,与Facebook的4层结构和Twitter的5层结构形成对比。此外,我们对Fanfiction.net评论进行了大规模的机器分类,以揭示每个层中交换的指导类型。我们的研究结果表明,最经常交换评论的关系最有可能包含实质性的评论。我们讨论了这些研究结果的分布式指导理论的影响,以及在线亲和网络的设计。
2021-06-26 cs.SI
Generic Multilayer Network Data Analysis with the Fusion of Content and Structure
Umeå University(于默奥大学);University of Texas at Arlington(德克萨斯大学阿灵顿分校)
多特征数据分析(例如,在Facebook上,LinkedIn)是具有挑战性的,特别是如果一个人想要有效地做,并通过选择感兴趣的特征进行分析来保持灵活性。特征(例如,年龄、性别、关系、政治观点等)可以从数据集明确给出,但也可以从内容导出(例如,基于Facebook帖子的政治观点)。需要从多个角度进行分析,以理解数据集(或其子集)并推断有意义的知识。例如,年龄、地点和婚姻状况对政治观点的影响可能需要单独(或组合)推断。在本文中,我们适应多层网络(MLN)分析,一种非传统的方法,Facebook数据集建模,整合内容分析,并进行分析,这是由一个列表所需的应用程序为基础的查询。我们的实验分析表明,所提出的方法的灵活性和效率时,建模和分析数据集的多个功能。
2019-05-21 cs.CL cs.SI
Shared Feelings: Understanding Facebook Reactions to Scholarly Articles
Northern Illinois University(北伊利诺伊大学)
社交媒体平台上的研究往往依赖文本分析来执行研究任务。虽然基于文本的方法大大增加了我们对在线行为和社会动态的理解,但它们忽略了这些平台上在过去几年中日益突出的功能:基于点击的内容响应。在本文中,我们提出了一个新的Facebook学术内容反应数据集。我们给出了它的结构的概述,分析数据中的一些统计趋势,并用它来训练和测试两个监督学习算法。我们的初步测试表明,用户关注页面的数量存在分层现象,这种划分似乎与这些页面的主题区分一致。
2019-05-27 cs.CY cs.DL cs.LG
OSSINT - Open Source Social Network Intelligence An efficient and effective way to uncover "private" information in OSN profiles
在线社交网络(OSN)(例如Facebook)为用户提供共享信息的工具以及一组隐私控制偏好以规范信息的传播。当前的隐私控制对于保护内容数据是有效的。然而,在保护许多用户认为是私密的上下文信息(例如社交网络结构)时,调整它们的复杂性会破坏它们的效率。在本文中,我们展示了Facebook信息泄露问题的严重程度。特别是,我们展示了推断的可能性,从网络“周围”的受害者用户,受害者设置为隐藏的一些信息。我们开发了一个名为OSSINT(开源社交网络INTelligence)的系统,在我们以前的工具SocialSpy之上,它能够推断受害者个人资料的隐藏信息,并从公共信息中检索私人信息。OSSINT检索受害者的友谊网络,并显示如何推断额外的私人信息(例如,用户个人偏好和爱好)。我们提出的系统OSSINT对网络拓扑信息进行了额外的研究,即,使用受害者的朋友的朋友网络(距受害者简档2跳的距离)来预测新的友谊,并且因此可能推断出完整Facebook网络的私人信息。OSSINT正确地改进了SocialSpy之前的结果,预测平均有11个额外的友谊,峰值为20个新朋友。此外,OSSINT,为考虑受害者配置文件演示了如何可能推断现实生活中的信息,如当前的城市,家乡,大学,应该是私人的。
2016-11-21 cs.SI
Assembling thefacebook: Using heterogeneity to understand online social network assembly
在线社交网络代表社交媒体系统的流行且多样化的类别。尽管有这种多样性,但这些系统中的每一个都经历了在线社交网络组装的一般过程,这代表了将新生系统转变为成熟平台的复杂和异构的变化。然而,人们对这一过程知之甚少。例如,一个网络的组装有多少是由简单的增长驱动的?随着网络的成熟,其结构会发生怎样的变化?网络结构如何随着采用率和用户异质性而变化,这些属性在装配的不同点上扮演不同的角色?我们使用一个独特的在线连接数据集来调查这些问题和其他问题,这些数据集来自Facebook首批100所大学的大约100万用户,这些用户在Facebook推出后仅20个月就被捕获。我们首先表明,不同的年份和采用率在这个人口的网络揭示了时间动态的组装过程中,组装只是松散地与网络的增长。然后,我们利用嵌入在这个数据集中的自然实验和通过互联网考古学获得的补充数据,表明不同的子网络以不同的速度成熟到类似的最终状态。这些结果揭示了在线社会网络组装的过程和模式,并可能促进更有效的在线社会系统的设计。
2015-05-31 cs.SI physics.soc-ph
Indian Premier League (IPL), Cricket, Online Social Media
最近,在线社交媒体在分享关于实时的事件的信息和意见方面发挥了关键作用。物理空间中的事件通过在线社交网络反映在数字世界中。在Twitter上,计算机科学社区已经广泛开展了基于事件的研究。在这份报告中,我们对Facebook和Twitter的一项名为印度超级联赛(IPL '13)的体育赛事进行了详细分析。IPL是印度最受欢迎的板球联赛,球员来自世界各地。我们分析了超过260万条推文和70万条Facebook帖子,包括时间活动,文本质量,用户地理位置以及联赛期间出现的定点丑闻。我们能够在团队的品牌价值和他们在Facebook和Twitter上的社交媒体上被谈论的程度之间得出强烈的相关性。对地理标记数据的分析显示,主要活动来自大都市郊区,但活动并不限于与每个团队地理相关的地区。我们提出了一种衰减计算方法,使用该方法,我们得出的活动在Twitter和Facebook上以非常相似的方式消失。这样的分析可以用于对事件建模并研究它们在社交网络中的渗透。我们分析了现场固定的文本,发现用户对有关比赛被固定的指控的反应是冷淡的。本报告中的完整分析对于研究涉及危机的事件或具有类似结构的政治重要性的事件特别有用。
2014-05-20 cs.SI physics.soc-ph
Knowledge, Trust, Security and Covertness In Massively Distributed Social Platforms: An Epistemic Networks Approach
由Facebook、LinkedIn、Slack、Twitter、WhatsApp、Instagram和WeChat等大型社交平台播种、结晶和构建的社交网络表现出复杂的认知结构和动态,这些结构和动态源于用户/参与者拥有、分享和塑造的互动知识的性质。用户知道其他用户知道什么,其他用户知道他们知道什么,等等,在引导平台上的用户行为以及平台产生的社交网络的结构和动态方面起着重要作用。我们使用一种新的方法来表征知识状态和社交网络中的流动,基于认知网络,或epprone,研究平台的结构和形成于其上的社交网络的结构之间的关系。
2021-04-02 cs.SI
Stability evaluation of the Russian sociologists online community: 2011-2018 years
本研究涉及俄罗斯社会学家在线社区的稳定性评估。基于Facebook群组的数据,包括从2011年到2018年的7年通信,我们构建了基于评论和反应的网络。参与者的活动包括四个主要阶段的稳定性评估的社区。块模型揭示了社区中相互作用的结构模式。结果表明,全球经济结构呈现“核心-边缘”型。在评论和反应的网络中,核心和外围的结构是不同的。全球结构中各位置之间的稳定性很高,虽然结构在某些时期可能会有所不同,但核心和外围的规模会波动。然而,根据修改后的Rand指数,全球结构位置的稳定性较低(Cugmas,Ferligoj,2018)。
2021-10-17 cs.SI
Demographic and Structural Characteristics to Rationalize Link Formation in Online Social Networks
近年来,许多在线社交网络如Facebook、LinkedIn和MySpace都有了巨大的增长。人们通过这些网络相互联系,形成大型社会社区,为研究人员提供丰富的数据集来理解,建模和预测社会互动和行为。这些网络中的新联系人可能是由于个人的人口统计概况(如年龄组、性别、地理位置)或由于网络的结构动态(如三元封闭和偏好依恋)或人口统计和结构特征的组合而形成的。在过去的十年中,已经提出了许多网络生成模型来解释不同类型的网络,特别是社交网络中发生的结构,演变和过程。在文献中研究的网络生成模型主要考虑结构特性,在某些情况下,一个人的人口概况,在形成新的社会联系。这些模式没有提出一种机制,将结构和人口特征结合起来,形成新的联系。在本文中,我们提出了一种新的网络生成算法,该算法结合了这两个特性来模拟网络的增长,我们使用不同的公开可用的Facebook数据集作为基准来证明所提出的网络生成模型的正确性。
2013-11-14 cs.SI
LinkMirage: How to Anonymize Links in Dynamic Social Systems
基于社交网络的信任关系为设计可信系统提供了重要基础,如Sybil防御,安全路由和匿名/审查客户端通信。在设计这样的系统中的一个关键问题,是用户的信任的社会联系人的启示,在当今社会中被认为是敏感的敌对信息。在这项工作中,我们专注于保护用户的社交联系人的隐私的挑战,同时仍然使社会信任为基础的应用程序的设计。首先,我们提出了LinkMirage,一个基于社区发现的算法,用于在社交网络拓扑中匿名化链接; LinkMirage保留了社区拓扑中的社区结构,同时匿名化社区内的链接。LinkMirage考虑了社会网络拓扑结构的演变,并最大限度地减少由于系统的时间动态的隐私泄漏。其次,我们定义了量化的隐私和实用性的时间序列的社会拓扑与匿名链接的指标。我们从理论上分析了LinkMirage提供的隐私和实用性,以及使用现实世界的社交网络拓扑结构:Facebook数据集与870 K链接和大规模的Google+数据集与940 M链接。我们发现,我们的方法显着优于现有的最先进的。最后,我们证明了LinkMirage在现实世界中的应用,如Sybil防御,信誉系统,匿名系统和顶点匿名的适用性。我们还原型LinkMirage作为一个Facebook的应用程序,使现实世界的系统可以引导隐私保护的信任关系,而无需OSN运营商的合作。
2016-10-12 cs.SI
Enhancing Rumor Detection in Social Media Using Dynamic Propagation Structures
Facebook和Twitter等社交媒体已成为最重要的信息传播渠道之一。然而,这些社交媒体平台经常被滥用来传播谣言,这带来了严重的社会问题,因此,迫切需要自动谣言检测技术。现有的谣言检测工作更多地集中在文本特征的利用上,而扩散结构本身可以为谣言的识别提供关键的传播信息。以前的作品,考虑了结构信息,只利用有限的传播结构。此外,很少有相关的研究已经考虑了扩散结构的动态演化。为了解决这些问题,在本文中,我们提出了一种使用动态传播结构的神经模型(NM-DPS)用于社交媒体中的谣言检测。首先,我们提出了一个分区的方法来模拟传播结构的动态演变,然后使用基于时间注意力的神经模型来学习的动态结构的表示。最后,我们融合的结构表示和内容特征到一个统一的框架,有效的谣言检测。两个真实世界的社交媒体数据集上的实验结果表明,动态传播结构信息的显着性和我们所提出的方法在捕捉动态结构的有效性。
2020-08-27 cs.SI
Motif Iteration Model for Network Representation
随着Facebook、Twitter、LinkedIn、微博等社交网络信息的爆炸式增长,社会化媒体挖掘成为大数据领域最热门的研究领域之一,理解和表示社会化网络的结构是社会化媒体挖掘的关键。在本文中,我们提出的Motif迭代模型(MIM)表示的社会网络的结构。顾名思义,新模型基于基本网络图案的迭代。为了更好地体现模型的性质,通过研究三顶点无向网络模体的邻接矩阵,提出了一种启发式的贪心算法--顶点重排算法(VRA).该算法将网络的邻接矩阵映射到二值图像上,为网络结构可视化提供了一个新的视角。总之,该模型提供了一种有用的方法来建立图像和网络之间的联系,并提供了一种新的方式来表示社会网络的结构。
2017-10-03 cs.SI
Google+ or Google-?: Dissecting the Evolution of the New OSN in its First Year
在Facebook和Twitter主导社交媒体市场的时代,谷歌推出了Google+(G+),并报告其规模大幅增长,而其他人则称其为鬼城。这就引出了一个问题:“尽管Facebook和Twitter占据主导地位,G+是否真的能吸引大量的连接和活跃用户?".本文解决了上述问题,提出了一个详细的表征G+的大规模测量的基础上。我们确定了G+结构的主要组成部分,描述了其用户的关键特征及其随时间的演变。然后,我们进行了详细的分析,在G+结构的最大连接组件(LCC)的用户之间的连接和活动的演变,并比较其与其他主要的OSN的特点。我们发现,尽管G+的大小急剧增长,LCC的相对大小一直在下降,其连接性已变得不那么集群。虽然总用户活动逐渐增加,但只有很小一部分用户表现出任何类型的活动。据我们所知,我们的研究基于收集的最大数据集提供了G+最全面的表征。
2013-03-26 cs.NI cs.SI
Leveraging Friendship Networks for Dynamic Link Prediction in Social Interaction Networks
在线社交网络(OSN)通常包含用户之间的许多不同类型的关系。在研究Facebook等OSN的结构时,最常被研究的两个网络是友谊网络和互动网络。友情网络中的链接预测问题已经得到了大量的研究。先前也有关于独立于友谊网络的交互网络中的链接预测的工作。在本文中,我们研究了结合友谊和互动网络的预测能力。我们假设,通过利用友谊网络,我们可以提高互动网络中链接预测的准确性。我们增加了几个互动链接预测算法,将友谊和预测的友谊。从Facebook数据的实验中,我们发现,将友谊的互动链接预测算法的结果在更高的准确性,但结合预测的友谊没有相比,结合当前的友谊。
2018-04-23 cs.SI physics.soc-ph
Discovering Social Circles in Ego Networks
人们的个人社交网络庞大而杂乱,目前还没有好的方法来自动组织它们。社交网站允许用户手动将他们的朋友分类到社交圈(例如Google+上的“圈子”,以及Facebook和Twitter上的“列表”),但是它们很难构建,并且必须在用户的网络增长时更新。在本文中,我们研究了自动识别用户的社交圈的新任务。我们把这个任务作为一个多成员节点聚类问题的用户的自我网络,她的朋友之间的连接网络。我们开发了一个模型,结合网络结构以及用户简档信息检测圆。对于每个圈子,我们了解其成员和圈子特定的用户简档相似性度量。对多个圆的节点成员关系建模允许我们检测重叠以及分层嵌套的圆。实验表明,我们的模型可以准确地识别来自Facebook、Google+和Twitter的各种数据集上的圆圈,我们获得了所有这些数据的手工标记的地面实况。
2013-01-10 cs.SI physics.soc-ph
The influence of repressive legislation on the structure of a social media network
社交媒体被广泛用于组织公民运动。2012年,加拿大魁北克省75%的大学生参加了反对学费上涨的大规模抗议活动,主要是通过社交媒体组织的。为了减少对公众的干扰,政府出台了专门的立法来阻止抗议组织。在这里,我们表明,立法改变了社交媒体用户的行为,但没有改变他们在Twitter上的社交网络的整体结构。因此,用户仍然能够利用其社交网络传播信息,以有效地组织示威活动。这一自然实验显示了社交媒体在政治动员方面的力量,以及大量个人在信息流动中的行为灵活性。
2013-04-10 cs.SI physics.soc-ph
Unified framework for measuring segregation resolves how social and geographical space jointly shape connections
Imperial College London(帝国理工学院);Massachusetts Institute of Technology(麻省理工学院);Harvard T.H. Chan School of Public Health(哈佛大学陈曾熙公共卫生学院);Indian Institute of Technology Delhi(印度德里理工学院)
本研究提出统一框架测量地理社交网络中的隔离,发现社会隔离主导地理隔离,且地理距离会放大社会同质性,从而间接影响跨群体联系。
2026-09-24 cs.SI physics.soc-ph stat.AP
Bias and variance in the social structure of gender
个体倾向于与与自己相似的人成为朋友,通常被称为同质性,这是社交网络的一个突出且研究充分的特征。许多机器学习方法利用同质性来基于个体的朋友的属性来预测个体的属性。与此同时,最近的研究表明,性别同质性在实践中可能很弱或不存在,这使得性别预测特别具有挑战性。在这项工作中,我们确定了另一个有用的结构特征,用于预测性别,性别偏好的过度分散,由对特定性别有极端偏好的个体引入,无论他们自己的性别如何。我们称这种属性为“一个人的爱”,并共同描述了在社交网络的偏好偏差和偏好方差的同质性和同质性的统计结构。对于预测,我们发现这种极端性别偏好的模式引入了朋友的朋友相关性,其中个人与他们的朋友的朋友相似,而不一定与他们的朋友相似。我们分析了美国大学的在线友谊网络和美国高中的离线友谊网络,并观察到基于朋友的预测方法与基于朋友的朋友的预测方法之间的根本差异,“你保持的公司”,“你保持的公司”。“这些发现为一般属性预测,特别是性别预测提供了另一种视角,使保护属性隐私的任务变得更加复杂。
2017-05-13 cs.SI
Searching for superspreaders of information in real-world social media
已经提出了一些预测指标,以检测在Twitter或Facebook等各个领域的在线社交媒体中最有影响力的信息传播者。特别是,度,PageRank,k-core和其他中心度已被用于对用户在信息传播媒体中的传播能力进行排名。到目前为止,验证所提出的预测已经完成了模拟的传播动态,而不是在社交网络的真实信息流。因此,到目前为止,只有依赖于模型的矛盾的结果已经取得了最好的预测。在这里,我们直接解决这个问题。我们通过在广泛的网络中跟踪真实的传播动态来寻找有影响力的传播者。我们发现,广泛使用的度和PageRank在排名用户的影响力失败。我们发现,最好的传播者始终位于不同的社交平台,如Twitter,Facebook,Livejournal和美国物理学会的科学出版物的k核心。此外,当完整的全球网络结构是不可用的,我们发现,最近的邻居的度之和是一个可靠的本地代理用户的影响力。我们的分析提供了实用的指导,为“病毒”信息传播的相关应用程序的策略的最佳设计。
2014-08-10 cs.SI physics.soc-ph
Generating online social networks based on socio-demographic attributes
近年来,许多在线社交网络如Facebook、LinkedIn和MySpace都有了巨大的增长。人们通过这些网络相互联系,形成大型社会社区,为研究人员提供丰富的数据集来理解,建模和预测社会互动和行为。这些网络中的新联系人可能是由于个人的人口统计属性(如年龄组、性别、地理位置)或由于网络的结构动态(如三元封闭和偏好依恋)或人口统计和结构特征的组合而形成的。在过去的十年中,已经提出了许多网络生成模型来解释不同类型的网络,特别是社交网络中发生的结构,演变和过程。在文献中研究的网络生成模型主要考虑结构特性,在某些情况下,一个人的人口概况,在形成新的社会联系。这些模式没有提出一种机制,将结构和人口特征结合起来,形成新的联系。在本文中,我们提出了一个新的网络生成算法,它结合了这两个特点,网络形成模型。我们使用不同的公开可用的Facebook数据集作为基准来证明所提出的网络生成模型的正确性。所提出的模型是灵活的,因此可以生成不同的人口和结构属性的网络。
2017-02-05 cs.SI physics.soc-ph
Simulating and Experimenting with Social Media Mobilization Using LLM Agents
Graduate School of Business, Stanford University(斯坦福大学商学院)
基于6100万人Facebook实验,本文开发了一个整合真实人口分布、Twitter网络拓扑和异构LLM智能体的模拟框架,以考察政治动员信息对选民投票率的影响,为政治动员研究提供可控可复现的计算建模环境。
2025-10-30 cs.AI cs.SI
Uncovering the Wider Structure of Extreme Right Communities Spanning Popular Online Networks
近年来,人们越来越关注极右团体在网上的存在。虽然最初由专门的网站组成,但在线极右环境现在跨越多个网络,包括Twitter,Facebook和YouTube等流行的社交媒体平台。因此,理想情况下,任何对在线极右活动的当代分析都需要考虑多个数据源,而不是局限于单一平台。我们调查的潜力,Twitter作为一个门户网站的社区内更广泛的在线网络的极右,鉴于其设施的内容传播。提出了一种策略,用于表示异构网络数据与一个单一的同构网络的目的社区发现,这些固有的动态社区随着时间的推移进行跟踪。我们使用这种策略来发现和分析持久的英语和德语极端右翼社区。
2013-05-16 cs.SI physics.soc-ph
Information transfer in community structured multiplex networks
解释不同类型交互的复杂网络的研究在过去几年中已经成为一个感兴趣的主题,特别是因为它在描述不同在线社交平台(Facebook,Twitter,Instagram等)中的用户交互方面的代表性力量。这些相互作用的网络的数学描述被称为多层网络,其中每一层都代表一种类型的相互作用。它已被证明,在这些网络上的扩散过程提出了一种现象,不能解释的单层扩散现象的天真叠加,但需要整个结构的互连层。然而,对多层网络上扩散现象的描述已经排除了这样一个事实,即社交网络具有强大的中观结构,由共同利益或任何其他社会方面驱动的不同个体社区所代表。本文研究了具有社团结构的多层网络中的信息传递问题。最终的目标是了解和量化,如果存在定义明确的社区结构在各个层次的水平,连同整个网络的多层结构,增强或恶化的信息包的扩散。
2015-09-15 cs.SI physics.soc-ph
Using Model-based Overlapping Seed Expansion to detect highly overlapping community structure
随着对社交网络中社区发现的研究的进展,需要能够检测重叠社区结构的算法。近年来,已经提出了许多算法,能够将每个节点分配给多个社区。这些算法的性能往往会下降时,地面实况包含一个更高度重叠的社区结构,与节点分配到两个以上的社区。这种高度重叠的结构很可能存在于许多社交网络中,例如Facebook的友谊网络。在本文中,我们提出了一个可扩展的算法,MOSES,基于统计模型的社区结构,这是能够检测高度重叠的社区结构,特别是当有方差的社区数量的每个节点是在。在合成数据的评价中,发现MOSES优于现有的算法,特别是在高水平的重叠。我们通过分析五所美国大学的学生之间的友谊联系网络,在真实的社交网络数据上展示了MOSES。
2010-11-17 cs.SI physics.soc-ph stat.ML
Structure-Preserving Sparsification of Social Networks
稀疏化减少了网络的大小,同时保留了感兴趣的结构和统计特性。各种稀疏化算法已被提出在不同的上下文中。我们贡献了第一个系统的概念和实验比较\textit{edge sparsification}方法对一组不同的网络属性。结果表明,它们可以被理解为方法的重要性,然后过滤这些分数的边缘评级。此外,我们提出了一种新的稀疏化方法(\textit{Local Degree}),它保留了导致本地枢纽节点的边缘。所有的方法进行评估,一组100 Facebook的社交网络的网络属性,包括直径,连接组件,社区结构,和多个节点的中心性措施。我们实现的稀疏化方法(使用开源网络分析工具套件NetworkKit)的实验表明,许多网络属性可以保留到约20%的原始边缘集。此外,实验结果使我们能够区分不同方法的行为,并显示哪种方法适用于哪种属性。我们的局部度方法对于大规模网络来说足够快,并且在比以前提出的方法更广泛的属性上表现良好。
2015-05-04 cs.SI physics.soc-ph
Topological Features of Online Social Networks
建模和分析社交网络的重要性是过去几年在线社交网络成功的结果。已经提出了几种网络模型,反映了社交网络的不同特征。其中一些更适合于模拟特定的现象,如社交网络的增长和演变;其他的更适合于捕捉网络的拓扑特征。由于这些网络表现出独特的和不同的属性和功能,在这项工作中,我们描述和利用几个模型,以捕捉流行的在线社交网络,如Arxiv,Facebook,维基百科和YouTube的结构。我们的实验旨在验证这些网络的结构特征,以了解什么样的模型更好地描述了他们的结构,并分析内部社区结构,以说明这些在线社交网络的成员如何互动,并聚集在一起成为更小的社区。
2012-02-02 cs.CY cs.SI physics.soc-ph
Organization Mining Using Online Social Networks
成熟的社交网络服务是当今组织的最大资产之一。然而,这种宝贵的资产也可能对组织的机密性构成威胁。社交网站的成员不仅暴露了他们的个人信息,还暴露了他们工作的组织的详细信息。在本文中,我们通过挖掘员工在Facebook,LinkedIn和其他公开来源上暴露的数据来分析几个商业组织。使用为此目的而设计的网络爬虫,我们提取一个给定的目标组织的员工之间的非正式社会关系的网络。我们的研究结果,使用中心性分析和机器学习技术应用于非正式关系网络的结构,表明它是可能的,以确定组织内的领导角色,仅仅通过这种方式。通过对组织的社交网络进行聚类,并收集每个聚类中员工的公开信息,也可以获得有关组织结构的有价值的重要见解。想要隐藏其内部结构、领导人身份、分支机构的位置和专业等的组织,必须执行严格的政策来控制员工使用社交媒体。
2013-09-02 cs.SI physics.soc-ph
Graphlet decomposition of a weighted network
Harvard University(哈佛大学)
我们介绍了一个加权网络的graphlet分解,它基于社会结构编码社会信息的概念。我们开发了一个可扩展的推理算法,它结合了EM与Bron-Kerbosch在一个新的方式,使用一个网络样本来估计模型的参数。我们探讨了一些理论性质的图分解,包括计算复杂度,冗余和预期的准确性。我们在合成数据和真实数据上演示了graphlets。我们分析了19世纪Facebook和犯罪组织的信息模式。
2012-03-13 cs.LG cs.SI physics.soc-ph
Assessing the consistency of community structure in complex networks
近年来,社区结构已成为复杂网络分析的一个重要组成部分。随着更多数据的收集,研究人员已经开始调查多个网络中不断变化的社区结构。有几种方法可以分析不断变化的社区,但大多数方法仅限于单个网络随时间的演变。此外,大多数现有的方法更关心的是在社区一级的变化,而不是在单个节点的水平。在本文中,我们引入了缩放包容性,这是一种量化网络中社区结构变化的方法。标度包容性独立地评估网络中每个节点分类的一致性。此外,该方法可以应用于横截面以及纵向。在本文中,我们计算了一组模拟网络的美国城市和一组真实的网络组成的球队,在美国大学橄榄球的顶级联赛的规模包容性。我们发现,缩放包容性产生合理的结果,在这两组网络中的单个节点的一致性。我们建议,规模包容性可以提供一个有用的方式来量化网络的社区结构的变化。
2011-08-02 cs.SI nlin.AO physics.soc-ph
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
Methods to Determine Node Centrality and Clustering in Graphs with Uncertain Structure
过去网络分析中的许多工作都集中在分析离散图上,其中二元边表示关系的“存在”或“不存在”。由于传统的网络措施(例如,介数中心性)利用离散的链接结构,复杂的系统必须转换到这种表示,以研究网络特性。然而,在许多领域中,可能存在关于关系结构的不确定性,并且任何不确定性信息将在转换为离散表示时丢失。不确定性可能出现在存在不容易观察到的缓和链接信息的域中,即,链路随时间变得不活动,但可能不会被丢弃,或者观察到的链路可能不总是对应于有效关系。为了表示和推理这些类型的不确定性,我们超越了离散图框架,并开发了基于概率图表示的社交网络措施。更具体地说,我们开发的措施的路径长度,介数中心,和聚类系数-一套基于抽样和一个基于概率路径。我们评估了我们的方法在安然,Facebook和DBLP的三个现实世界的网络,表明我们提出的方法更准确地捕捉显着的效果,而不受局部噪声的影响,并且由此产生的分析产生了更好的理解的图形结构和不确定性随着时间的推移而变化。
2011-04-02 cs.SI physics.soc-ph
Benchmarking community detection methods on social media data
对经验社交网络数据的社区发现方法的性能进行基准测试已被确定为改进这些方法的关键。特别是,虽然目前大多数研究都集中在从大型社交媒体和电信服务中数字提取的数据中检测社区,但对这项研究的大多数评估都是基于小型手工数据集。我们认为,这两种类型的网络差异如此之大,以至于只对前者进行算法评估,我们对后者的表现知之甚少。为了解决这个问题,我们认为在构建基于数字提取的网络数据的基准出现的困难,并提出了一个基于任务的策略,我们觉得解决这些困难。为了证明我们的方案是有效的,我们使用它来进行基于Facebook数据的实质性基准测试。基准测试表明,一些最流行的算法未能检测到细粒度的社区结构。
2013-02-04 cs.SI physics.soc-ph
Epidemic spreading in group-structured populations
该研究揭示群体结构相关性对流行病传播的影响,并通过优化宿舍分配实现疫情严重程度降低两到五倍。
2024-10-21 cs.SI physics.soc-ph
Studying Social Networks at Scale: Macroscopic Anatomy of the Twitter Social Graph
Twitter是最大的社交网络之一,在帐户之间使用专门的定向链接。这使得Twitter社交图比Facebook更接近支持现实生活通信的社交图。因此,理解Twitter社交图的结构不仅对计算机科学家来说很有趣,对其他领域的研究人员(如社会学家)来说也很有趣。然而,很少有人知道如何在Twitter上的信息传播是由其内部结构的约束。在本文中,我们提出了一个深入研究的宏观结构的Twitter的社交图揭示的高速公路上的推文传播,与此宏观结构的每个组件相关联的特定的用户活动,以及这个宏观结构的演变随着时间的推移,在过去的6年。在这项研究中,我们抓取Twitter以检索所有帐户和帐户之间的所有社交关系(跟随链接);抓取于2012年7月完成,其中5.05亿个帐户通过230亿个链接相互连接。然后,我们提出了一种方法来揭示Twitter社交图的宏观结构。该宏观结构由8个组件组成,这些组件由其连接特性定义。每个组件都将具有特定Twitter用法的用户分组。例如,我们确定了聚集垃圾邮件发送者或名人的组件。最后,我们提出了一种方法来近似Twitter社交图的宏观结构在过去,使用旧的数据集验证这种方法,并讨论了Twitter社交图的宏观结构在过去6年的演变。
2014-04-04 cs.SI physics.soc-ph
Hidden Community Detection in Social Networks
我们引入了一个新的范式,这是重要的社区检测领域的网络分析。网络包含一组强大的、占主导地位的社区,这些社区会干扰对弱的、自然的社区结构的检测。当大多数弱势社群的成员也属于强势社群时,他们就很难被发现。我们把弱势群体称为隐性群体结构。我们提出了一种新的方法,称为HICODE(隐藏社区检测),确定隐藏的社区结构以及主导的社区结构。通过削弱主导结构的力量,人们可以发现隐藏在下面的结构。同样,通过降低隐藏结构的强度,可以更准确地识别主导结构。通过这种方式,HICODE同时处理这两项任务。在真实网络上的大量实验表明,HICODE在发现主导和隐藏结构方面优于几种最先进的社区检测方法。在Facebook大学社交网络中,我们发现多个非冗余的社区集合与院系或学生的宿舍、注册年份或职业位置密切相关,而最先进的算法主要定位占主导地位的地面真相类别。由于在现实世界的数据集中标记所有地面实况社区的困难,HICODE提供了一种很有前途的方法来查明现有的潜在社区并发现没有地面实况的社区。寻找这种未知结构是一个非常重要的社区检测问题。
2017-02-24 cs.SI physics.soc-ph stat.ML
Network Structure and Biased Variance Estimation in Respondent Driven Sampling
本文探讨了被访者驱动抽样(RDS)中抽样方差估计的偏差问题。以前的RDS方法学工作集中在其有问题的假设和偏差和效率低下的人口平均估计。尽管如此,研究人员只给予轻微的关注,估计抽样方差RDS的主题,尽管方差估计的重要性,置信区间和假设检验的建设。在本文中,我们表明,RDS抽样方差的估计依赖于一个关键的假设,即网络是一阶马尔可夫(FOM)的因变量的利益。我们证明,通过直观的例子,数学概括,和计算实验,目前的RDS方差估计将总是低估RDS在不符合FOM假设的经验网络的人口抽样方差。对Facebook和Add Health的215个大学和学校网络的分析表明,我们分析的每个经验网络都违反了FOM假设,这些违反行为导致了抽样方差的RDS估计值存在很大偏差。我们提出并测试了两种替代方差估计,显示出一定的承诺,减少偏见,但也说明了估计抽样方差的限制,只有部分信息的底层人口社会网络。
2015-12-04 cs.SI stat.AP stat.ME
Structure-Preserving Sparsification Methods for Social Networks
稀疏化减少了网络的大小,同时保留了感兴趣的结构和统计特性。各种稀疏化算法已被提出在不同的上下文中。我们贡献了第一个系统的概念和实验比较\textit{edge sparsification}方法对一组不同的网络属性。结果表明,它们可以被理解为方法的重要性,然后过滤全球或本地这些分数的边缘评级。我们表明,应用局部滤波技术提高了各种属性的保存。此外,我们提出了一种新的稀疏化方法(\textit{Local Degree}),它保留了导致本地枢纽节点的边缘。所有的方法进行评估的一组社交网络从Facebook,Google+,Twitter和LiveJournal的网络属性,包括直径,连接组件,社区结构,多个节点的中心性措施和行为的流行病模拟。为了评估社区结构的保存情况,我们还包括对具有地面真实社区的综合生成网络的实验。我们实现的稀疏化方法(包括在开源网络分析工具套件NetworkKit)的实验表明,许多网络属性可以保留到约20%的原始边缘集的稀疏图与合理的密度。实验结果使我们能够区分不同方法的行为,并显示哪种方法适用于哪种属性。虽然我们的局部度方法最适合保留连接性和短距离,但其他新引入的局部变量最适合保留社区结构。
2016-01-03 cs.DC cs.SI physics.soc-ph