Efficiency of Human Activity on Information Spreading on Twitter
了解对个人行为的集体反应是在社交媒体上有效传播信息的关键。在这项工作中，我们定义的Twitter上的效率，作为新兴的传播过程和用户所采用的活动之间的比率。我们通过对人类互动中出现的结构和动态模式的定量分析来表征这一属性，并表明它在几个Twitter对话中具有普遍性。我们发现，一些有影响力的用户通过发送的每条消息有效地引起了显着的集体反应，而大多数用户必须付出更大的努力才能达到类似的效果。接下来，我们提出了一个模型，再现发生在Twitter上的转发级联来解释用户效率的紧急分布。该模型表明，会话的动态模式强烈地受到底层网络的拓扑结构的制约。我们的结论是，一小部分非常有效的用户的外观的结果从追随者网络的异质性和独立的个人用户行为。
2014-11-03 cs.SI physics.soc-ph
Friendship Paradox Redux: Your Friends Are More Interesting Than You
菲尔德的友谊悖论指出：“平均而言，你的朋友比你有更多的朋友。“这种矛盾的出现是因为非常受欢迎的人，尽管很少见，但在平均超过朋友时，他们的人数过多。使用Twitter的消防水管的样本，我们确认，友谊悖论持有超过98%的Twitter用户。由于Twitter上关注者图的定向性，我们能够进一步证实友谊悖论的更详细形式：你关注的每个人或关注你的人都比你有更多的朋友和关注者。这可能是由我们展示的Twitter活动，朋友数量和追随者数量之间的相关性引起的。此外，我们发现了两个新的悖论：病毒性悖论，即“平均而言，你的朋友比你收到更多的病毒性内容”，以及活动悖论，即“平均而言，你的朋友比你更活跃。“后一个悖论在规范在线通信方面很重要。这可能导致用户难以保持最佳的传入信息速率，因为跟随额外的用户会导致传入推文的数量超线性地增加。虽然用户可以通过增加他们自己的活动来补偿增加的信息流，但是当用户接收到比他们能够或愿意处理的更多的信息时，用户变得信息过载。我们比较了过载和欠载用户发送和接收的级联的平均大小。我们表明，超载的用户发布和接收较大的级联，他们是穷人的小级联检测器。
2013-04-11 cs.CY cs.SI nlin.AO
Measuring the engine of a liquidation cascade: subcritical branching inside a first-order transition
该研究分析2022-2025年7次加密永续合约清算级联，发现其为深度次临界一阶相变，排除Galton-Watson级联模型，揭示清算严重程度由冲击、路径映射与流动性撤资共同决定。
2026-08-05 physics.soc-ph q-fin.ST
The role of hidden influentials in the diffusion of online information cascades
在多个社交网站、不同的活动模式和不同的用户-用户关系的多元化背景下，“信息级联”的概念几乎是明确的。尽管可以用不同的方式来定义这种信息级联，但重要的是要检查所观察到的一些模式是否是现代社交媒体上发生的各种传染过程所共有的。在这里，我们探讨一种类型的信息级联，即那些时间限制，相关的两种社会根源的话题在Twitter上。具体而言，我们表明，在这两种情况下，级联的大小分布以下的肥尾分布，并在级联是否达到系统范围内的比例主要是由所谓的隐藏的影响的存在。后者的节点不是枢纽，相反，往往充当信息传播的防火墙。我们的研究结果是很重要的，更好地了解复杂的传染病的动态，并从实际的一面，在病毒现象的有效传播者的识别。
2013-03-19 cs.SI physics.soc-ph
TiDeH: Time-Dependent Hawkes Process for Predicting Retweet Dynamics
在线社交网络服务允许其用户以文本、图像或视频的形式发布内容。推动内容传播的主要机制是用户重新分享其社交关系发布的内容的可能性，然后这些内容可能会在整个系统中级联。研究信息级联的一个基本问题是，能否建立可靠的数学模型，其参数可根据经验数据加以校准，以便预测一段时间的观测之后级联的未来走向。在本文中，我们专注于Twitter，特别是对原始推文的转发活动的时间模式。我们采用时间依赖霍克斯过程（Time-Dependent Hawkes Process，TiDeH）对系统进行建模，该模型充分考虑了用户的昼夜节律和信息的老化。预测模型的输入是观察到的转发次数和关于底层社交网络的结构信息。我们开发了一个程序参数优化和预测未来的配置文件的转推活动在不同的时间分辨率。我们验证了我们的方法在一个大型语料库的Twitter数据，并证明其系统的改进，在所有的时间制度，现有的方法。
2016-03-31 cs.SI physics.soc-ph
Dynamics of critical cascades in interdependent networks
本文将相互依赖网络临界级联失效类比为生灭过程，推导解析结果并优化数值计算，系统分析了崩溃概率、雪崩持续时间和崩溃前平台期长度如何受系统规模与初始触发强度影响。
2025-04-09 physics.soc-ph q-bio.PE
Estimating the Propagation of Interdependent Cascading Outages with Multi-Type Branching Processes
在本文中，多类型的分支过程被应用到描述的统计和相互依赖性的线路停电，甩负荷，和孤立的总线。利用期望最大化（EM）算法估计多类型分支过程的后代均值矩阵，可以量化中断传播的程度。通过拉格朗日-古德反演的多类型分支过程估计的联合分布的两种类型的停电。所提出的模型进行了测试与IEEE 118节点系统上的AC OPA级联仿真产生的数据。后代平均矩阵的最大特征值表明，当考虑不同类型的停电的相互依赖性时，系统更接近临界。与经验估计总停运次数的联合分布相比，该方法使用级联数少得多的多类型分支过程，得到了较好的估计，从而大大提高了效率。结果表明，即使在没有数据的情况下，多类型分支过程也能有效地预测甩负荷和孤立母线的分布及其条件最大可能总停电。
2016-08-01 physics.soc-ph
Single-Seed Cascades on Clustered Networks
我们考虑一个动态网络级联过程应用到一个随机网络与一个特定数量的集群，属于一类随机网络纽曼开发的Watts。我们适应现有的树为基础的方法，制定一个适当的两种类型的分支过程来描述一个单一的活动节点开始的级联的传播，并获得一个不动点方程来隐含地表达这样的级联的灭绝概率。在这样做，我们还恢复了一个特殊情况下的公式的哈克特等人。给出的条件，一定灭绝的级联。
2015-09-30 cs.SI math.PR physics.soc-ph
Modeling diffusion in networks with communities: a multitype branching process approach
本文提出利用多类型分支过程方法，在具有社区结构的网络中建模和分析扩散过程，通过度分布计算传播动态特征，并验证了其在不同网络结构中的有效性。
2025-12-08 physics.soc-ph stat.OT
Quantifying Uncertainty in a Predictive Model for Popularity Dynamics
近年来，霍克斯过程因其适用于描述在线信息级联的行为而受到关注。在这里，我们提出了一个完全易于处理的方法来分析描述霍克斯过程中的事件数量的分布，这与纯粹的经验研究或基于模拟的模型，使级联动力学的过程参数的影响进行分析。我们表明，所提出的理论还允许预测事件的未来分布后，在一个时间窗口内观察到给定数量的事件。我们的结果是通过微分方程的方法来获得一般分支过程的控制方程。我们通过对这些过程的广泛模拟证实了我们的理论研究结果。这项工作提供了更完整的分析的自我激励的过程，管理信息通过许多通信平台的传播，包括潜在的预测级联动力学的置信限度内的基础。
2020-06-22 physics.soc-ph
Modeling Information Cascades with Self-exciting Processes via Generalized Epidemic Models
流行病模型和自激过程是用于描述在线和离线扩散现象的两种模型。这些模型最初是在不同的科学界开发的，它们的共性尚未得到充分探索。这项工作建立了，第一次，两个模型类之间的一般连接通过三个新的数学组件。第一部分是具有任意恢复时间分布的随机SIR模型的推广;第二部分是自激过程的（潜在的和任意的）恢复时间分布、恢复危险函数和感染核之间的关系;第三部分是广义过程的模拟、拟合、评价和预测方法。在三个大的Twitter扩散数据集上，我们进行了拟合优度测试和保持对数似然估计的自激过程与三个感染核-指数，幂律和Tsallis Q指数。我们表明，感染内核的建模性能随扩散的时间结构而变化，也随用户行为而变化，例如成为机器人的可能性。我们通过组合两个通过拟合优度测试确定为互补的模型来进一步改进流行度的预测。
2020-01-27 cs.SI physics.soc-ph
The Bursty Dynamics of the Twitter Information Network
在在线社交媒体系统中，用户不仅发布、消费和重新共享内容，而且还在底层社交网络中创建新的连接并破坏现有的连接。虽然这两种类型的动力学在过去都被单独研究过，但对两者之间的联系知之甚少。用户信息发布和搜索行为如何与底层社会网络结构的演变相互作用？在这里，我们研究网络结构对用户发布和共享内容的反应方式。我们研究了Twitter信息网络的完整动态，用户在创建和破坏连接的同时发布和转发信息。我们发现，网络结构的动力学特征可以是稳定的变化率，突然爆发中断。以级联的后再共享形式的信息扩散常常会造成新连接的突然爆发，这显著改变了用户的本地网络结构。这些突发事件改变了用户的追随者网络，使其在结构上更具凝聚力，在追随者兴趣方面也更加同质化。我们还探讨了信息内容对网络动态的影响，并发现新主题和现实世界事件的出现会导致边缘创建和删除的显着变化。最后，我们开发了一个模型，该模型量化了网络的动态和这些突发事件的发生，作为通过网络传播的信息的函数。该模型可以成功地预测哪些信息扩散事件将导致网络动态的突发。
2014-03-11 cs.SI physics.soc-ph stat.ML
Go viral or go broadcast? Characterizing the virality and growth of cascades
量化级联的病毒性是一个跨学科的重要问题，如疾病的传播，信息的传播和创新的传播。一个合适的病毒式传播度量应该能够区分浅层的、广播式的传播过程和深层的、多代的分支过程。虽然已有一些有价值的工作致力于这一领域，其中大多数没有考虑的扩散源的位置，这使得他们陷入图同构的陷阱，并会导致不精确的估计级联病毒性在某些情况下不可避免的。在本文中，我们提出了一个根感知的方法来量化的级联的病毒性适当考虑扩散树中的根节点。与合成和经验级联的应用程序，我们展示了拟议的病毒性措施的性质和潜在的效用。基于优先附着机制，我们进一步引入了一个模型来模拟级联的生长。所提出的模型，使广播和病毒传播之间的插值级联的增长过程中。通过数值模拟，我们证明了所提出的模型的有效性，在表征不断增长的级联病毒。我们的工作有助于理解级联病毒和增长，并可能在一系列政策领域，包括病毒营销，传染病和信息传播提供实际意义。
2022-06-28 cs.SI physics.soc-ph
Post-hoc evaluation of nodes influence in information cascades: the case of coordinated accounts
本研究提出一个通用框架评估信息级联中有向树节点子集的影响力，设计最优和贪心算法，通过Twitter数据对比发现协同账号网络影响力效率低下，其表现不佳源于放置策略差和资源匮乏。
2024-01-03 cs.CY cs.SI physics.soc-ph
Do Diffusion Protocols Govern Cascade Growth?
当人们彼此分享信息时，在线社交网络中可能会出现大规模的级联。虽然简单的再分享级联已经被广泛研究，但社交媒体上的级联行为的范围要多样化得多。在这里，我们研究如何扩散协议，或社会交流，使信息传输，影响级联增长，类似的方式通信协议定义信息如何从一个点传输到另一个。研究Facebook上98个最大的信息级联，我们发现了各种各样的传播协议-从级联图像共享，它使用点击单个按钮传播的简单协议，到ALS冰桶挑战，其传播协议涉及个人创建和发布视频，然后提名特定的其他人做同样的事情。我们发现经常性的类扩散协议，并确定两个关键的平衡因素，在这些协议的建设，与级联的增长的影响：所需的努力，参与级联，和社会成本留在场边。需要更多个人努力的协议会减缓级联的传播，而那些不参与的社会成本更高的协议会增加级联的采用可能性。传播的可预测性也因协议而异。但无论机制如何，我们分析中的级联都具有相似的再生数（$\approx$ 1.8），这意味着较低的暴露率可以被较高的采用率所抵消。最后，我们展示了级联的结构不仅可以区分这些协议，而且还可以通过分支过程来建模。总之，这些发现为理解各种信息级联如何在网络中实现实质性采用提供了一个框架。
2018-05-18 cs.SI physics.soc-ph
A Framework for Quantitative Analysis of Cascades on Networks
在线社交网络中的信息如何流动？信息级联的结构和规模如何随时间演变？如何有效地挖掘级联动力学中包含的信息？我们的做法，这些问题的经验，并提出了一个有效的和可扩展的数学框架，对网络级联的定量分析。我们定义了一个级联生成函数，捕捉级联的微观动力学的细节。我们表明，这个函数也可以用来计算级联的宏观性质，如它们的大小，传播，直径，路径数，和平均路径长度。我们提出了一种算法来有效地计算级联生成函数，并证明，虽然显着压缩信息内的级联，但它仍然允许我们准确地重建其结构。我们使用这个框架来研究Digg社交网络上的信息动态。Digg允许用户发布和投票的故事，并很容易看到的故事，朋友们已经投票。作为一个故事传播Digg通过投票，它产生级联。我们提取了超过3,500个Digg故事的级联，并计算了它们的宏观和微观特性。我们确定了级联动态的几个趋势：通过链接，分支和社区传播。我们讨论这些如何影响通过Digg社交网络的故事的传播。我们的计算框架是通用的，并提供了一个实用的解决方案，即使是非常大的级联的微观结构的定量分析。
2010-11-17 cs.CY cs.SI physics.soc-ph
Conspiracy vs science: A large-scale analysis of online discussion cascades
随着社交媒体平台和社交网站的出现和迅速扩散，近年来我们的日常生活中出现了大量错误信息。我们利用涵盖超过140万条帖子和1800万条评论的大规模数据集，调查了两种不同叙述的传播--（i）阴谋信息，其说法通常未经证实，因此在某种程度上被称为错误信息，以及（ii）科学信息，其来源通常很容易识别和验证--在在线社交媒体平台上。我们发现，阴谋级联往往在多代分支过程中传播，而科学级联更有可能以广度优先的方式增长。具体来说，阴谋信息会引发更大的级联，涉及更多的用户和世代，持续时间更长，比科学信息更具病毒性和突发性。内容分析表明，阴谋级联包含更多的负面词汇和情感词汇，表达愤怒，恐惧，厌恶，惊讶和信任。我们还发现，阴谋级联更关注政治和有争议的话题。在应用机器学习模型后，我们在区分阴谋和科学叙述方面的AUC得分接近90%。我们发现，阴谋级联比科学级联更有可能被更广泛的用户控制，这给错误信息的管理带来了新的挑战。虽然政治亲和力被认为会影响错误信息的消费，但很少有证据表明信息源的政治取向在阴谋信息的传播过程中发挥作用。我们的研究为当前的错误信息研究提供了补充证据，并对阻止传播和减轻网上错误信息的影响具有实际的政策意义。
2021-04-06 cs.SI physics.soc-ph
SEISMIC: A Self-Exciting Point Process Model for Predicting Tweet Popularity
社交网站允许用户创建和共享内容。当这些网站的用户与他们的朋友和追随者分享别人的帖子时，就会形成大量的信息分享。理解这种级联行为的核心挑战之一是预测信息爆发，其中单个帖子通过被许多用户重新共享而变得广泛流行。在本文中，我们专注于预测一个给定的职位的最终reshare数。我们建立在自激点过程理论的基础上，开发了一个统计模型，使我们能够做出准确的预测。我们的模型不需要训练或昂贵的特征工程。它产生了一个简单而有效的可计算公式，使我们能够实时回答问题，例如：考虑到目前为止的帖子重新共享历史，我们目前对其最终重新共享数量的估计是多少？后再分享级联是否已经过了爆炸性增长的初始阶段？那么，哪些岗位在未来会被最多人分享呢？我们使用一个月的完整Twitter数据验证了我们的模型，并证明了现有方法在预测准确性方面的显著提高。我们的模型在观察一个小时后预测平均信息级联的最终大小时，只有15%的相对误差。
2015-06-08 cs.SI physics.soc-ph stat.AP
