Habituation Effect in Social Networks as a Potential Factor Silently Crushing Influence Maximisation Efforts
信息传播过程是在真实和数字社交网络中观察到的关键现象。网络成员经常受到来自不同来源的信息的压力，例如提高认识的信息活动、病毒式营销、谣言、假新闻或其他活动的结果。信息经常被重复，这种重复可以以累积影响的形式提高绩效。由于处理信息的能力有限，重复的消息也可能被忽略。学习过程导致重复的信息被忽视，因为它们的内容已经被吸收。在这种情况下，反应性随着重复而降低，并且可以观察到习惯化效应。在这里，我们分析传播过程，同时考虑习惯化效应和性能下降以及接触次数的增加。还考虑了在减少消息数量时的恢复能力。结果表明，即使是低习惯性和传播概率的下降可能会大大影响网络覆盖。这可能导致使用影响最大化方法选择的种子集的潜力显著降低。除了习惯化效应对传播过程的影响外，我们还展示了如何使用顺序播种方法来减少习惯化效应。这表明顺序播种比单阶段播种对习惯化效应不那么敏感，并且它可以用于限制对接收消息过载的用户的负面影响。
2021-09-28 cs.SI
Scalable Methods for Adaptively Seeding a Social Network
本文针对社交网络中影响力受限用户的信息传播问题，提出一种可扩展的自适应播种方法，为线性影响模型开发可并行化的近似算法，实验证明其效果显著优于标准传播方法。
2015-03-05 cs.SI physics.soc-ph
A Unified Seeding Framework
在线社交网络已经成为传播最新政治、商业和社会信息的重要媒介。具有高知名度的用户通常被选为传播信息的种子，并影响其在目标群体中的采用。我们研究性别差异和相似性如何影响信息传播过程。使用大规模的Instagram数据集和小规模的Facebook数据集，我们首先进行多方面的分析，考虑到交互类型，方向性和频率。为此，我们探讨了各种现有的和新的单跳和多跳中心性措施。我们的分析揭示了男性和女性的互动方式不同，这取决于互动类型，例如，喜欢或评论，它们具有不同的支持和推广模式。我们补充以前的工作表明，女性没有达到最高的知名度（通常被称为玻璃天花板效应）联合因素的连接性和相互作用的强度，这两个以前主要是独立讨论。受这些观察的启发，我们提出了一种新的播种框架，称为差异播种，其目的是在达到目标用户组的同时最大化传播，例如，一定比例的女性-提高代表性不足群体的影响力。“差异播种”利用两个性别意识指标，即目标HI指数和嵌入指数，对有影响力的用户进行排名。广泛的模拟比较差异播种与目标不可知的算法表明，差异播种满足目标百分比，同时有效地最大化传播。差异播种可以推广到对抗不同类型的不平等，例如，种族，并积极促进社会中的少数民族。
2021-10-15 cs.SI
Seeding Influential Nodes in Non-Submodular Models of Information Diffusion
我们认为，在社交网络中的信息扩散模型，从\cite{Hui2010a}，其中包括演员之间的信任（加权链接），并允许演员积极参与传播过程中，特别是通过查询朋友的额外信息的能力。与简单的阈值和级联模型相比，该模型更真实地捕捉了社会代理如何传输和作用于信息。然而，这更难分析，特别是在播种战略方面。我们提出了有效的，可扩展的算法来确定良好的种子集-初始节点注入的信息。我们的一般方法是减少我们的模型，一类更简单的模型，可证明良好的设置可以构建。通过调整这类更简单的模型，我们为原来更复杂的模型获得了一个很好的种子集。我们称之为\emph{projected greedy approach}，因为您将模型“投影”到一类更简单的模型上，其中贪婪的种子集选择接近最优。我们证明了我们的播种策略的有效性，以及在2007年火灾期间建造的一个现实的圣地亚哥疏散网络的合成图。
2013-02-25 cs.SI physics.soc-ph
Influence maximization on temporal networks: a review
本文综述了时间网络上的影响力最大化问题，将方法分为单次播种和多次播种两大范式，探讨了实际部署及未来研究方向。
2023-07-01 cs.SI
Optimal Budget Allocation in Social Networks: Quality or Seeding
本文研究了社交网络中的营销和产品消费策略模型。我们考虑两个竞争的公司在市场上提供两种替代产品与预设的质量。代理选择他们的消费后，近视的最佳反应动力学，导致在本地，线性更新的消费。在某个时间点，企业收到有限的预算，他们可以使用它来触发网络中对其产品的更大消费。公司必须在略微提高产品质量和向网络中选定的一组代理商提供免费报价之间作出决定，以便更好地促进产品的推广。我们推导出一个简单的阈值规则的预算的最优分配，并描述由此产生的纳什均衡。结果表明，预算的最优分配取决于网络中心的整体分布、产品质量和模型参数。特别是，我们表明，在一个图形与较高数量的代理中心高于一定的阈值，公司花更多的预算在播种的最优分配。此外，如果种子预算对于平衡图是非零的，那么它对于任何其他图也将是非零的，并且如果种子预算对于星形图是零的，那么它对于任何其他图也将是零的。我们还发现，企业分配更多的预算，以改善质量时，他们的质量是接近，以距离自己从竞争对手的公司。然而，随着质量差距的扩大，质量竞争变得不那么有效，公司在种子上花费更多的预算。
2014-04-04 cs.GT cs.SI math.OC
Sticky Seeding in Discrete-Time Reversible-Threshold Networks
针对可逆阈值网络中的种子选择问题，证明其近似难度，并给出在稀疏网络中评估长期影响的高效算法，改进了收敛时间界限。
2016-03-09 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
Information Access Equality on Network Generative Models
众所周知，由偏好依附和同质性等共同机制产生的网络可能会限制少数群体与多数群体建立联系的能力，从而使他们处于不利地位。这具有限制少数节点获取信息的效果。我们提出了一个实证研究的结果，在不同的增长机制和传播过程的网络模型中的信息访问的平等。对于增长机制，我们专注于多数/少数二分法，同质性，偏好连接和多样性。对于传播过程，我们研究了简单与复杂的传染，群体内和群体间的不同传播率，以及各种播种条件。我们观察到两种现象。首先，信息获取平等是网络结构和传播过程之间复杂的相互作用。其次，在某些情况下，信息获取的平等和效率之间存在权衡（例如，当组间边缘较低并且信息不对称地传输时）。我们的研究结果可以用来为社交网络的信息访问平等的机制设计提出建议。
2021-12-20 cs.SI
Neighborhood Matters: Influence Maximization in Social Networks with Limited Access
影响力最大化（IM）旨在通过向有影响力的用户提供折扣（称为播种）来最大化影响力的传播。在许多应用中，由于用户的隐私问题、庞大的网络规模等，很难如人们所希望的那样将网络中的任何用户作为目标。相反，只有一小部分用户最初是可访问的。这种访问限制将显著地损害影响传播，因为IM通常依赖于播种高程度用户，由于社交网络的幂律结构，这在这样的小子集中是特别罕见的。在本文中，我们试图解决有限的IM在现实世界的场景中的自适应方法与播种和扩散的不确定性考虑。具体来说，我们考虑细粒度的折扣，并假设用户接受概率折扣。扩散过程用独立级联模型描述。为了克服访问限制，我们证明了集明智的友谊悖论（FP）的现象，邻居有更高的程度的期望，并提出了一个两阶段的播种模型与FP嵌入，其中邻居被播种。在此基础上，为了比较，我们制定了非自适应的情况下，自适应的情况下，都被证明是NP-困难的。在非自适应情况下，折扣一次性分配给所有用户。我们显示的单调性的影响蔓延w.r.t.设计了一个两阶段的协调下降框架来确定折扣分配。在自适应的情况下，用户顺序播种现有的播种和扩散结果的观察的基础上。我们分两个阶段证明了影响扩散函数的自适应子模性和子模性。在此基础上，提出了一系列具有常数逼近比的自适应贪心算法。
2020-10-03 cs.DM cs.DS cs.SI
Improving Fairness in Information Exposure by Adding Links
影响力最大化中的公平问题是近年来研究的热点。在这种情况下，大多数作品研究的问题是如何找到播种策略（确定性或概率性），使网络中的节点或社区得到公平的覆盖份额。在这方面采用了不同的公平标准。所有这些工作都假设传播信息的实体对公平地传播信息有内在的兴趣，否则他们为什么要使用开发的公平算法？然而，这种假设在现实中可能是有缺陷的--扩展实体可能纯粹是\emph{efficiency-oriented}。在本文中，我们提出了研究两个优化问题的目标是修改网络结构，通过添加链接，以这样一种方式，以效率为导向的信息传播成为\emph{automatically fair}。我们从理论和实验的角度研究了所提出的优化问题，即给出了逼近结果的几个硬度和硬度，为某些特殊情况提供了有效的算法，更重要的是为解决实践中的一个问题提供了启发式方法。在我们的实验研究中，我们首先将所提出的算法相互比较，并建立最成功的算法。在第二个实验中，我们证明了我们的方法在实践中可以非常成功。也就是说，我们已经表明，在添加了一些边缘的网络的贪心算法，纯粹最大化蔓延超过所有的公平定制算法在事后公平。也许令人惊讶的是，我们甚至表明，我们的方法实现了事后公平值，与目前最有效的优化事前公平的算法的事前公平值相当，甚至更好。
2023-02-25 cs.DS cs.GT cs.SI
Towards Trusted Social Networks with Blockchain Technology
大规模的谣言传播会造成严重的社会和经济损失。网络社交网络和新媒体的出现甚至会使谣言传播更加严重。有效控制谣言传播具有重要的理论和现实意义。本文迈出了第一步，了解区块链技术如何帮助限制谣言的传播。具体来说，我们开发了一种嵌入区块链技术的社交网络的新范式，它采用去中心化合同来激励信任网络以及安全的信息交换合同。我们设计了一种基于区块链的顺序算法，该算法利用虚拟信息信用进行每个对等信息交换。我们验证了区块链社交网络在限制谣言传播方面的有效性。仿真结果验证了我们的算法设计在避免快速和激烈的谣言传播，并激励更好的机制设计的可信社交网络。
2018-02-22 cs.SI physics.soc-ph
Smart Information Spreading for Opinion Maximization in Social Networks
意见最大化的目标是使社交网络中的个体对产品、意识形态或任何实体的正面看法最大化。到目前为止，意见最大化主要是在社会网络中寻找一组有影响力的节点来快速传播内容。在本文中，我们提出了一种新的方法来解决这个问题，意见最大化是通过有效的信息传播。在我们的模型中，多个源不断地向网络中注入信息，而具有异构社会学习能力的规则节点通过八卦机制将信息传播给他们的熟人。其中一个信源采用智能信息传播，其余信源随机传播信息。我们的社会互动和意见的演变模型作为一个动态贝叶斯网络（DBN），使用它的意见最大化制定为一个顺序决策问题。由于这个问题是棘手的，我们开发了多个变种的集中式和分散式学习算法，以获得近似的解决方案。通过在合成网络和真实网络中的模拟，我们证明了两个关键结果：1）所提出的方法比随机传播的性能要好得多，2）即使智能源（传播所需内容）位于网络中的不利位置，它也可以胜过位于有利位置的竞争随机源。
2019-01-01 cs.SI physics.soc-ph
Pricing cyber insurance for a large-scale network
针对网络保险损失数据缺乏的问题，提出了一种基于合成数据的大规模网络保险定价方法。合成数据由所提出的风险分散和恢复算法生成，该算法允许感染和恢复事件顺序发生，并且允许不同节点的随机等待时间对感染的依赖性。采用无标度网络框架来考虑随机大规模网络的拓扑不确定性。通过大量的模拟研究，了解了风险的分散和恢复机制，并揭示了最重要的承保风险因素。最后通过一个案例分析表明，所提出的方法和算法可以为网络保险定价提供参考。
2020-06-29 cs.SI stat.ME
Use of a controlled experiment and computational models to measure the impact of sequential peer exposures on decision making
人们普遍认为，一个人的同龄人影响产品采用行为。这种关系与决策者在社交网络中收到的信号数量有关。但目前还不清楚，当它接收这些信号的模式发生变化时，以及当同伴影响指向非最佳选择时，这些原则是否成立。为了调查这一点，我们在一个在线控制实验中使用与人类参与者的游戏来操纵社交信号暴露。游戏中的每个参与者在具有不同效用的选择中做出决定。我们注意到以下情况：（1）即使存在货币风险和先前获得的选择知识，决策者也倾向于偏离明显的最优决策，当他们的同伴做出类似的决策时，我们称之为影响决策，（2）当社会信号的数量随时间变化时，影响决策的转发概率以及因此对社会影响的响应不一定与信号的绝对数量。为了更好地理解这些规则的同行影响力可以用于建模应用程序的现实世界中的扩散和网络环境中，我们用我们的行为研究结果来模拟传播动态在现实世界中的案例研究。我们特别试图看看累积的影响如何发挥在用户的不确定性和测量其结果的谣言扩散，我们作为一个例子，次优选择扩散模型。总之，我们的模拟结果表明，从影响决策的顺序同行效应克服了个人的不确定性，引导更快的谣言随着时间的推移扩散。然而，当扩散的速度是缓慢的，在开始时，用户的不确定性可以有相当大的作用相比，同行的影响，在决定采用轨迹的一块有问题的信息。
2020-06-05 cs.SI
Quantifying agent impacts on contact sequences in social interactions
人类社会行为在SARS-CoV-2或假新闻等病原体如何在人群中传播方面发挥着至关重要的作用。社会互动决定了个体之间的联系网络，而传播，需要个人对个人的传播，发生在网络之上。因此，研究接触网络的拓扑结构，不仅有可能对个体行为如何影响传播现象产生有价值的见解，而且还可能为设计有效的行为干预提供可能性。由于交互的时间性质-由于网络的拓扑结构，包括谁与谁联系，何时，多长时间，以及精确的顺序，在时间上变化（快速）-分析它们需要开发尊重时间可变性的网络方法和度量，而不是针对静态（即，时不变）网络。在这里，通过事件映射，我们提出了一种方法来量化如何快速代理混合通过转换代理联系人的时间网络数据。我们定义了一个新的措施称为“接触序列中心”，它量化的影响，个人的接触序列，反映个人的行为潜力的传播。比较接触序列中心性跨代理允许排名代理的影响，并确定潜在的“行为超级传播者”。该方法被应用于在阿姆斯特丹的艺术博览会上收集的社交互动数据。我们与现有的网络指标，时间和静态的措施，并发现（主要是在较长的时间尺度）传统的指标失去了它们的相似之处接触序列中心。我们的工作强调了在分析社会互动时考虑接触的顺序性质的重要性。
2022-04-14 cs.SI physics.soc-ph
Controlling Graph Dynamics with Reinforcement Learning and Graph Neural Networks
NVIDIA Research（英伟达研究院）
我们考虑的问题，控制一个部分观察到的动态过程的图上的有限数量的干预。在安排病毒测试以遏制流行病;有针对性的营销以推广产品;手动检查帖子以检测社交网络上传播的假新闻等情况下，这个问题自然会出现。我们制定这个设置作为一个时序图过程中的顺序决策问题。针对时间图上的指数状态空间、组合动作空间和部分可观测性，设计了一种新的控制方案。我们成功地将我们的方法应用于两个流行的问题，属于我们的框架：优先考虑哪些节点应该进行测试，以遏制流行病的传播，和图上的影响力最大化。
2021-07-09 cs.LG cs.SI
