Social Data Analysis: A Study on Friend Rating Influence
社交网络在各种在线活动中占了很大一部分~ \cite{smith2009social}。社交的倾向，在线，已经在我们心中根深蒂固，以至于我们正在积极地为世界其他地方制作内容，让他们看到或对我们的行踪感兴趣，我们的饮食，我们的意见，照片等Yelp（https：//www.yelp.com/）无缝地将人们的这一方面整合到其门户网站中。它让人们写评论的企业，他们利用的服务，率，添加照片，标签，遵循其他人和他们的活动等，在本文中，我们研究并提出了用户的评级和影响力的人之间的相互关系，用户遵循，对用户的特定业务。用户关注的人群通常被称为用户的朋友。我们还分析了用户是否会受到影响，如果企业已经有一定数量的评论，或者评论是由精英评论者撰写的（根据Yelp的说法，评论者在撰写评论的一致性以及评论的质量方面为社区做出了杰出的贡献）。我们的分析，通过相关性和回归技术，能够证明用户的评级仍然不受用户的朋友数量的影响，也没有现有的评论数量和精英评论家的存在有助于影响用户。影响用户评级的是用户在餐厅的整体体验。
2017-02-24 cs.SI
With a Little Help From My Friends: Collective Manipulation in Risk-Controlling Recommender Systems
Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）；European Commission, Joint Research Centre (JRC)（欧盟委员会联合研究中心）
研究揭示风险控制推荐系统因依赖聚合反馈易受集体对抗操控影响，通过实验证明小群体可通过平台功能降低非对抗用户nDCG表现，并提出将保障从群体层面转向用户层面的缓解策略。
2026-03-30 cs.IR cs.LG cs.SI
Swayed by Friends or by the Crowd?
我们已经进行了三个实证研究的影响，朋友的建议和一般评级的在线用户如何作出选择。这两个组成部分的社会影响力进行了调查，通过用户研究机械土耳其人。我们发现，对于用户决定两个选择之间的一个额外的评级星级有更大的影响比一个额外的朋友的建议，选择一个项目的概率。同样重要的是，来自朋友的负面意见比正面意见更有影响力，当决策涉及的成本和风险较低时，人们在选择时会表现出更多的随机行为。我们的结果可以在不同的人口统计数据中推广，这意味着个人以类似的方式权衡朋友的推荐和评级。
2011-11-04 cs.CY cs.SI physics.soc-ph
User's Centrality Analysis for Home Location Estimation
用户属性（如家庭位置）对许多应用程序都很有用。许多研究人员一直在研究如何利用用户之间的关系来估计用户的家庭位置。已知的是，诸如名人的某些用户的家庭位置难以使用关系来估计。然而，因为估计所有名人的家庭位置实际上并不困难，所以重要的是要澄清家庭位置难以估计的用户的特征。我们分析了代表用户特征的中心性和与朋友拥有相同家庭位置的倾向是否相关。结果表明，PageRank和HITS分数与用户是否与朋友拥有相同的家庭位置有关，HITS分数较高的用户与朋友拥有相同的家庭位置的频率较低。该结果表明，存在两种类型的用户，其家庭位置难以估计：跟随许多名人的中心用户和作为名人的权威用户。
2019-10-29 cs.SI
Collaborative Filtering with Information-Rich and Information-Sparse Entities
Arizona State University（亚利桑那州立大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
在本文中，我们考虑一个流行的模型，协同过滤推荐系统中，一些用户的网站率的一些项目，如电影，和目标是恢复的评级的一些或所有的未评级的项目的每个用户。特别是，我们认为这两个聚类模型，只有用户（或项目）的聚类，和共同聚类模型，其中用户和项目的聚类，进一步，我们假设，一些用户率许多项目（信息丰富的用户）和一些用户率只有少数项目（信息稀疏的用户）。当用户（或项目）被聚类时，我们的算法可以恢复具有$ω(MK \log M)$噪声条目的评分矩阵，而$MK$条目是必要的，其中$K$是聚类的数量，$M$是项目的数量。在联合聚类的情况下，我们证明了$K^2$条目是必要的恢复评级矩阵，我们的算法达到这个下限内的对数因子时，$K$是足够大的。我们将我们的算法与一种称为交替最小化（AM）的著名算法以及一种基于相似性分数的算法进行比较，该算法被称为朋友间流行度（PAF）算法，将这三种算法应用于MovieLens和Netflix数据集。我们的联合聚类算法和AM在恢复评级矩阵时具有相似的总体错误率，两者都低于PAF下的错误率。但更重要的是，在推荐系统感兴趣的场景中，我们的联合聚类算法的错误率显着低于AM和PAF：当向每个用户推荐几个项目时，或者当向只评价几个项目的用户推荐项目时（这些用户是总用户人口的大多数）。当噪声被添加到数据集时，性能差异甚至会增加更多。
2014-03-06 cs.IT cs.LG math.IT
AutoRec: An Automated Recommender System
Texas A&M University（德克萨斯A&M大学）
现实的推荐系统通常需要适应不断变化的数据和任务，或者系统地探索不同的模型。为了满足这一需求，我们提出了AutoRec，这是一个从TensorFlow生态系统扩展的开源自动化机器学习（AutoML）平台，据我们所知，这是第一个利用AutoML进行深度推荐模型搜索和超参数调整的框架。AutoRec还支持高度灵活的管道，可适应稀疏和密集输入、评级预测和点击率（CTR）预测任务以及一系列推荐模型。最后，AutoRec提供了一个简单、用户友好的API。在基准数据集上进行的实验表明，AutoRec是可靠的，可以在没有先验知识的情况下识别出与最佳模型相似的模型。
2020-06-26 cs.IR cs.LG stat.ML
I will be there for you: six friends in a clique
网络科学在分析社交网络的结构和动力学方面已被证明是有用的。本文旨在分析情景喜剧《老友记》中的人物关系。特别是，两个重要的方面进行了调查。第一，社区的结构如何。其次，不仅静态结构的图和因果关系的调查，而且时间方面。此外，这部情景喜剧经常与以下事实联系在一起：所有六个角色都同样突出;它没有占主导地位的故事情节;和友谊作为代理家庭。本文使用网络理论的工具来检查这些假设和其他假设是否可以量化并证明是正确的。关于中心性和时间方面的主要发现是：在代表不同时间片的节目变化的图形中的模式;总体上，六个朋友的程度确实几乎相同;但是，在不同的情况下，（因此图），度中心性的大小确实改变了;介数中心性对于每个字符显着不同，因此一些字符比其他字符是更好的连接器;这六个朋友的程度与其余角色的程度存在很大差异，这表明这是一个集中式网络;有强烈的迹象表明这六个朋友是代理家庭的一部分。至于网络中的组的存在，不同性质的方法进行了研究，旨在检测组（社区）在网络中代表不同的时间片以及网络的所有情节。对这些方法进行了比较（两两比较，也使用了各种指标，包括可扩展性）。总体上，多水平方法表现合理。此外，这些方法并不完全一致，导致不同方法之间的组非常不同。
2019-12-11 cs.SI physics.soc-ph
Monotonicity in Undirected Networks
在社交网络中建立新的关系（有一个新的追随者/朋友）总是有益的吗？这个问题可以被正式表述为定义网络参与者重要性的中心性度量的一个属性。分数单调性意味着添加弧增加了弧的目标的中心性分数;秩单调性意味着添加弧提高了弧的目标相对于其余节点的重要性。在有向强连通图上，大多数中心度都是分数单调和秩单调的。在本文中，我们研究了无向网络中经典中心性测度的得分和秩单调性问题：在这种情况下，我们要求得分或相对重要性在新边的两端都有所提高。我们发现，令人惊讶的是，在无向情况下的情况是非常不同的，特别是接近，调和中心，介数，特征向量中心，西利的指数，卡茨的指数，和PageRank不是排名单调;介数和PageRank甚至不是得分单调。换句话说，虽然得到一个新的追随者总是一件好事，但得到一个新朋友并不总是有益的。
2022-07-13 cs.IR cs.SI
Measuring ESG Risk in Supply Networks
University of Exeter（埃克塞特大学）；Universidade de Aveiro（阿威罗大学）
本文提出一种改进的测量框架，用于评估供应链中与低评级公司交易对公司ESG评级的影响，以减少绿色洗冤风险。
2026-03-19 cs.SI
Similar but Different: Exploiting Users' Congruity for Recommendation Systems
社交媒体的广泛使用提供了关于个人在线社交活动及其社会关系的大量数据。大多数现有推荐系统的构建块是具有社会关系的用户之间的相似性，即，朋友虽然友谊确保了一些同质性，但用户与她的朋友的相似性可以随着朋友数量的增加而变化。社会学研究表明，朋友比陌生人更相似，但朋友可能有不同的兴趣。评论和评级等外部信息可能有助于辨别不同程度的一致性（即，相似用户之间的一致性。在本文中，我们研究是否可以将用户的一致性纳入到推荐系统，以提高其性能。实验结果证明了在推荐系统中嵌入一致性相关信息的有效性。
2018-03-16 cs.IR cs.SI
Centrality measures and opinion dynamics in two-layer networks with replica nodes
该研究针对带复制节点的双层网络，提出两种快速准确的博弈论中心性测度逼近算法，结合扩展的扎卡里空手道俱乐部网络验证，发现内部图密度与共识时间强正相关、权威节点中心性与共识时间强负相关。
2024-09-18 cs.DS cs.SI physics.soc-ph
Limited Attention and Centrality in Social Networks
如何在在线社交网络中找到重要或有影响力的人？研究人员已经提出了各种中心性度量方法来识别那些经常被随机游走访问的个体，感染流行病的个体，或者从朋友那里收到很多信息的个体。最近的研究表明，社交媒体用户响应传入消息的能力受到他们有限注意力的限制，他们将注意力分散在所有传入信息上，即，他们关注的用户发送的信息。我们提出了一种新的中心性测度-Bonacich的Alpha中心性的有限注意版本-模型有限注意对流行病扩散的影响。新的度量描述了一个过程，在这个过程中，节点向它们的外邻居广播消息，但是邻居接收消息的能力取决于它们拥有的内邻居的数量。我们评估建议的措施在现实世界中的在线社交网络，并表明它可以更好地再现经验的影响力排名的用户比其他流行的中心性措施。
2013-03-18 cs.CY cs.SI physics.soc-ph
The importance of being honest: Correlating self-report accuracy and network centrality with academic performance
本研究旨在探讨自我报告准确性与学业成绩的相关性。样本由289名本科生（96名大四学生和193名大三学生）组成，就读于两个工程班。年龄在22至24岁之间，男生略多（53%）。学习成绩是根据学生在每个班级的最后成绩计算的。报告不准确信息的倾向是在瑞文推理测验结束时测量的，要求学生报告他们准确的完成时间。我们控制了性别、年龄、性格特征、智力和过去的学习成绩。我们还包括了他们在友谊、建议和信任网络中的中心地位。相关和多元回归分析结果表明，低成就的学生显着不准确的自我报告的数据。我们还发现，在建议网络中处于更中心的位置与更高的绩效相关（r = 0.20，p <0.001）。这些结果与现有文献一致，强调与学习成绩相关的个人和关系因素，并等待未来的研究，可用于包括一个新的自我报告的准确性，不依赖于学习成绩的指标。
2021-05-27 cs.SI physics.soc-ph
Social Promoter Score (SPS) and Review Network: A Method and a Tool for Predicting Financial Health of an Online Shopping Brand
总结顾客对在线购物品牌的产品的评价或情绪的传统方式不足以评估该品牌的财务健康状况。它忽视了个人客户的社会地位和影响力。在本文中，我们提出了一个名为评论网络的工具，用于测量客户在亚马逊等在线商品网站的影响力。使用这种测量的影响力，我们提出了一种方法，根据他们的评级和情绪，他们从在线商品网站上收集的评论来评估品牌的客户忠诚度。一个品牌的评论网络是由该品牌的所有产品的所有评论构建的，其中节点是客户，如果客户成为另一个客户撰写的评论的潜在读者，则会创建边缘。顾客在评论网络中的中心地位代表了她的影响力。我们提出的方法命名为社会促进者得分结合忠诚度和中心的所有客户的品牌。我们比较了我们的方法与基线方法的基础上的概念，净启动分数。我们在Amazon.com上对一些知名品牌的评论数据集进行了社会化推广评分。结果表明，社会促进者得分预测财务健康的品牌在未来的销售远远优于基线方法。我们已经注意到，一般情况下，社交推广得分的影响会在一到五个月内反映在产品销售上。
2018-04-13 cs.SI
A Language-Driven Framework for Improving Personalized Recommendations: Merging LLMs with Traditional Algorithms
University of North Florida（北弗罗里达大学）
本研究提出一个语言驱动框架，通过LLM优化SVD/SVD++算法输出并融合用户文本偏好，在多项指标上大幅提升电影推荐性能。
2025-07-09 cs.CL cs.IR cs.LG
Lurking in Social Networks: Topology-based Analysis and Ranking Methods
在线社区中大量存在的沉默成员，即所谓的潜伏者，长期以来一直吸引着社会科学、认知心理学和人机交互研究人员的注意。然而，对潜在现象的研究为数据采掘、信息检索及相关领域的研究提供了一个尚未开发的机会。在本文中，我们采取的第一步正式规范和分析潜伏在社交网络。我们解决了潜伏者排名的新问题，并提出了第一个专门为社交网络中的潜伏者排名而设计的中心性方法。我们的方法只利用网络拓扑结构，而不探讨与媒体相关的文本内容或用户关系。使用Twitter，Flickr，Google Feed和GooglePlus作为案例，我们的方法的性能针对数据驱动的排名以及现有的中心性方法进行了评估，包括经典的PageRank和alpha中心性。经验证据表明，我们的潜伏者排名方法的重要性，以及它在有效识别和排名在线社交网络中的潜伏者方面的独特性。
2014-09-16 cs.SI physics.soc-ph
Matrix Factorization with Explicit Trust and Distrust Relationships
Shahid Beheshti University, G.C.（沙希德·贝赫什提大学）；Michigan State University（密歇根州立大学）；University of Minnesota（明尼苏达大学）
随着在线社交网络的出现，推荐系统由于其在使这些应用适应用户特定需求或偏好方面的重要作用而对于许多在线应用/服务的成功变得至关重要。尽管推荐系统越来越受欢迎，但一般情况下，推荐系统会受到数据稀疏性和冷启动问题的影响。为了缓解这些问题，近年来，人们对利用用户之间的信任关系等社会信息以及评级数据来提高推荐系统的性能的兴趣激增。在推荐过程中利用信任信息的主要动机源于我们所接触到的想法和我们所做的选择受到我们的社会背景的显著影响。然而，在大型用户社区中，除了信任关系之外，用户之间还存在不信任关系。例如，在Epperly中，个人“信任网络”和个人“阻止列表”的概念允许用户根据评论的质量将他们的朋友分别分类为信任和不信任的朋友。在本文中，我们提出了一个基于矩阵分解的社会评级网络中的推荐模型，适当地结合了信任和不信任关系，旨在提高推荐的质量，减轻数据稀疏和冷启动用户的问题。通过对Epperly数据集的实验，我们表明，我们的新算法优于其标准的信任增强或不信任增强的同行的准确性，从而证明了积极的影响，将明确的不信任信息可以对推荐系统。
2014-08-02 cs.IR cs.LG cs.SI
Learning Edge Properties in Graphs from Path Aggregations
University of California, Santa Cruz（加利福尼亚大学圣克鲁兹分校）
图边及其标签可以表示非常重要的信息，例如网页之间的链接、用户之间的友谊、用户对其他用户或项目的评级等等。我们介绍LEAP，一个可训练的，一般的框架，用于预测的存在和属性的边缘的基础上的局部结构，拓扑结构，和标签的图形。LEAP框架基于对图中连接节点的路径的探索和机器学习聚合。我们提供了几种方法，通过训练路径聚合器执行聚合阶段，我们证明了框架的灵活性和通用性，将其应用于预测的链接和用户评级在社交网络。我们验证的LEAP框架上的两个问题：链接预测，和用户评级预测。在八个大型数据集上，其中包括arXiv协作网络，酵母蛋白质-蛋白质相互作用和美国航空公司航线网络，我们表明LEAP的链接预测性能至少与当前最先进的方法，如SEAL和WLNM一样好。接下来，我们考虑预测其他用户的用户评级的问题：这个问题被称为加权签名网络（WSN）中的边权重预测问题。在比特币网络和Wikipedia RfA上，我们发现LEAP的表现始终优于基于公平和善良的回归模型，训练边缘的数量在10%到90%之间变化。这些例子表明，LEAP，尽管它的一般性，可以匹配或最好的性能的方法，特别是精心制作的解决非常具体的边缘预测问题。
2019-03-11 cs.LG cs.SI stat.ML
Psychological Imagination Networks Show Cross-Population Centrality and Clustering Alignment in Humans That Large Language Models Fail to Replicate
University of Florida（佛罗里达大学）
本研究通过心理网络分析发现，人类对心理意象的生动性评分在不同文化群体中形成稳定的网络结构，而大型语言模型（LLM）无法复制这种结构，表明人类想象网络根植于具身经验。
2026-07-03 cs.AI cs.CL cs.SI
Analyzing User Activities Using Vector Space Model in Online Social Networks
Amity University Kolkata（阿米蒂大学加尔各答分校）；MCKV Institute of Engineering（MCKV工程学院）
互联网、无线技术和移动设备的日益普及导致了通过在线社交网络（OSN）和类似环境的大规模连接和在线交互的诞生。OSN反映了一种由一组个体和不同类型的联系（如连接，关系，互动等）组成的社会结构，并帮助其用户与他们的朋友和共同兴趣小组联系，分享观点和传递信息。如今，用户选择OSN网站作为分享他们的更新，不同观点，发布照片的最佳场所，并希望使其可供他人查看，评级和发表评论。本文的目的是探索和分析对象（如照片，帖子等）和它的观众（朋友，熟人等）之间的关联，为给定的用户，并找到他们之间的活动关系，使用TF-IDF计划的向量空间模型。矢量化后的矢量数据通过具有各种属性的加权图来表示。
2019-10-13 cs.LG cs.SI stat.ML
Do Social Explanations Work? Studying and Modeling the Effects of Social Explanations in Recommender Systems
与社交网络相关联的推荐系统通常使用社交解释（例如，“X、Y和2个朋友喜欢这个”）来支持推荐。我们提出了一个研究这些社会解释的音乐推荐背景下的影响。我们从237个用户的实验开始，在这个实验中，我们展示了不同层次的社会信息的解释，并分析了它们对用户决策的影响。我们区分了两个关键的决定：检查推荐的艺术家的可能性，以及基于听几首歌的艺术家的实际评级。我们发现，虽然解释的可能性有一定的影响，有可能性和实际（听）评级为同一艺术家之间的相关性不大。基于这些见解，我们提出了一个生成概率模型，解释解释和音乐偏好的背景信息之间的相互作用，以及如何导致艺术家的最终可能性评级。承认解释的影响，我们讨论了一个一般的建议框架，模型外部信息元素的推荐界面，除了用户的固有偏好。
2013-04-11 cs.IR cs.SI physics.soc-ph
Collaborative Filtering with Social Exposure: A Modular Approach to Social Recommendation
本文研究如何有效利用社会信息来改进推荐。大多数现有的社交推荐系统假设人们与他们的社交朋友分享相似的偏好。然而，由于在线交友的各种动机和在线社交网络的动态，这可能不成立。受最近基于因果过程的推荐的启发，首先对用户对项目的曝光进行建模，然后使用这些曝光来指导评级预测，我们利用社交信息来捕获用户曝光而不是用户偏好。我们假设人们从网上朋友那里获得产品信息，他们不必分享类似的偏好，这限制性较小，似乎更接近现实。在这种新的假设下，在本文中，我们提出了一种新的推荐方法（命名为SERec），将社会曝光到协同过滤。我们提出了两种方法来实现SERec，即社会规范化和社会助推，每种方法都有不同的方式来构建社会曝光。在四个真实数据集上的实验表明，我们的方法在前N个推荐上的性能优于最先进的方法。进一步的研究比较了这两种方法的鲁棒性和可扩展性。
2017-11-30 cs.IR cs.SI
Measuring and Maximizing Influence via Random Walk in Social Activity Networks
随着OSN的普及，找到一组最有影响力的用户（或节点），以触发最大的影响力级联具有重要意义。例如，公司可以利用“口碑”效应，通过向那些最有影响力的用户提供免费样品/折扣来引发大量购买。这一任务通常被建模为一个影响力最大化问题，在过去的十年里，它已经得到了广泛的研究。然而，考虑到OSN中的用户可以参与各种在线活动，例如，对产品进行评级，加入讨论组等，通过在线活动传播影响力变得更加重要。在本文中，我们研究的影响，在线活动制定的影响力最大化问题的社会活动网络（SAN）包含用户和在线活动。为了解决计算的挑战，我们定义了一个影响力中心通过随机游走来衡量影响力，然后使用蒙特卡罗框架来有效地估计在SAN的中心。此外，我们开发了一个基于贪婪的算法，两个新的优化技术，以找到最有影响力的用户。通过对真实世界的数据集进行广泛的实验，我们表明，当我们需要处理大量的在线活动时，我们的方法比最先进的算法IMM[17]更有效。
2017-01-09 cs.SI
A Probabilistic Graph Model for Trust Opinion Estimation in Online Social Networks
信任评估在许多在线应用中起着关键作用，例如在线借贷，产品审查和主动交友。信任模型通常使用一组参数来表示信任者-受信者对之间的信任关系。这些参数来源于委托人对受托人的偏见和看法。自然地，这些参数可以被视为矢量。为了解决这个问题，我们提出了一个框架，以准确地将单个值转换为3VSL所需的参数。该框架首先采用概率图模型（PGM）来推导出委托人的意见和偏见，他对受托人的评级。
2019-09-22 cs.SI physics.soc-ph
Causal Disentanglement for Regulating Social Influence Bias in Social Recommendation
School of Electrical and Data Engineering, University of Technology Sydney（悉尼科技大学电气与数据工程学院）；School of Artificial Intelligence, Chongqing University of Arts and Sciences（重庆文理学院人工智能学院）
针对社交推荐中社交影响偏差盲目消除会损害推荐效果的问题，提出基于因果解耦的框架CDRSB，通过解耦嵌入和动态权重调节偏差，在四个真实数据集上优于现有最优方法。
2024-03-06 cs.AI cs.SI
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
Latent Networks Fusion based Model for Event Recommendation in Offline Ephemeral Social Networks
随着移动社交媒体数量的增长，离线短暂社交网络（OffESN）受到越来越多的关注。离线短暂性社交网络（OffESN）是在特定位置为特定目的而临时创建的网络，并且依赖于诸如射频识别（RFID）和蓝牙设备之类的移动社交媒体而持续短时间。OffESN中人员的主要目的是通过参加预定活动获取和共享信息。通过这种网络进行活动推荐，可以方便参与者选择活动，也可以方便组织者进行资源规划。然而，由于缺乏用户的偏好和评级信息，以及明确的社会关系，基于评级的传统推荐方法和基于社会信任的推荐方法都不能很好地推荐OffESN中的事件。为了解决如何获取用户潜在偏好和社会关系以及如何将潜在信息融合到统一的模型中等问题，我们首先构建了两个异构交互社交网络：事件参与网络和物理邻近网络。然后，我们使用它们来获得用户的潜在偏好和潜在的社会关系网络，包括志同道合的同行，共同出席者和朋友。最后，我们提出了一个LNF（潜在网络融合）模型下的成对因子图来推断事件出席概率的推荐。基于RFID的真实会议数据集上的实验表明，与典型的解决方案相比，所提出的模型的有效性。
2013-08-05 cs.SI physics.soc-ph
The Slashdot Zoo: Mining a Social Network with Negative Edges
我们分析了Slashdot技术新闻网站的用户关系语料库。这些数据是从Slashdot Zoo功能中收集的，该网站的用户可以将其他用户标记为朋友和敌人，提供积极和消极的支持。我们采用社会网络分析技术的负边权重的问题。特别是，我们考虑了全球网络特征的有符号变量，如聚类系数，节点级特征，如中心性和流行性措施，以及链接级特征，如距离和相似性措施。我们评估这些措施上的任务，确定不受欢迎的用户，以及预测的链接的符号的任务，并表明网络具有乘法传递性，允许使用基于矩阵乘法的代数方法。我们比较我们的方法，传统的方法，只适合于正加权边缘。
2017-10-31 cs.SI physics.soc-ph
Accumulative time-based ranking method to reputation evaluation in information networks
随着现代科技的飞速发展，Web已经成为用户交友、获取信息的重要平台。然而，由于Web上的信息过于丰富，信息过滤成为一个关键任务，在线用户获得相关的建议。由于大多数网站都可以根据用户的评分和偏好、与查询的相关性和新近度进行排名，因此如何从过多的信息中提取最相关的项目一直是各个领域研究人员的关键课题。在本文中，我们采用用于分析复杂网络的工具来评估用户信誉和项目质量。在我们提出的基于时间的累积排名（ATR）算法中，我们将两个行为的权重因子更新时，用户选择或评级项目，以反映用户的声誉和项目质量随着时间的推移的演变。我们表明，我们的算法优于国家的最先进的排名算法的精度和鲁棒性方面的经验数据集从各种在线零售商和研究出版物之间的引用数据集。
2020-03-03 cs.SI
Applying Social Network Analysis to Analyze a Web-Based Community
本文从两个角度对一个非常著名的网站（即图书纵横）进行了分析：第一个角度是从用户与图书的直接关系出发的。从这部分分析中可以推断出很多东西，比如谁比其他人更喜欢读书，为什么？哪些书最受欢迎，哪些用户最活跃，为什么？该任务需要使用某些社会网络分析措施（如度中心性）。当两个用户喜欢同一本书时意味着什么？当另外两个用户有一千本共同的书时，情况是否相同？谁更有可能成为谁的朋友，为什么？社会上是否有特定的人更有资格建立大的社会关系圈？这些问题（当然还有其他问题）通过分析的另一部分得到了回答，这将使我们探索这个社区中用户之间的潜在社会关系。虽然这些关系并不明确存在，但它们可以通过隶属网络分析和m-slice等技术来推断。
2012-12-25 cs.CY cs.SI
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
Randomizing growing networks with a time-respecting null model
复杂网络通常被用来表示不是静态的，而是随着时间而增长的系统：人们建立新的友谊，发表新的论文并引用现有的论文，等等。为了评估在这种网络上进行的测量的统计意义，我们提出了一种随机化方法-一种尊重时间的空模型-它既保留了网络的度序列，又保留了各个节点度值的时间演化。通过保留所分析的系统的时间连接模式，该模型是能够因素出系统的时间模式对它的结构的影响。我们将该模型应用于《物理评论》学术论文的引用网络和美国电影的引用网络。该模型表明，这两个数据集是显着不同的程度的相关性，我们讨论了这一发现的重要影响提供的信息的范例节点中心性指标，如indegree和谷歌的PageRank。这里提出的随机化方法可以用来评估增长网络中任何结构属性的重要性，这可以为空模型发挥关键作用的问题带来新的见解，例如社区和网络图案的检测。
2017-11-16 cs.DL cs.SI physics.data-an
LLFR: A Lanczos-Based Latent Factor Recommender for Big Data Scenarios
本硕士论文的目的是研究和开发一个新的算法框架，协同过滤产生的前N推荐问题的建议。因此，我们提出了Lanczos潜在因素推荐（LLFR），一种新的“大数据友好”的前N推荐的协同过滤算法。使用计算效率高的Lanczos为基础的程序，LLFR建立一个低维的项目相似性模型，可以很容易地利用产生个性化的排名向量的项目空间。在真实数据集上的大量实验表明，LLFR从计算和定性的角度来看优于其他最先进的top-N推荐方法。我们的实验结果还表明，它的相对性能增益，与竞争的方法相比，增加数据变得稀疏，在冷启动问题。更具体地说，当稀疏性被泛化时-如在新社区问题中，这是真实推荐系统在其开始阶段面临的一个非常常见的问题，当协作过滤算法没有足够数量的评级来揭示项目或用户之间的相似性时-并且在稀疏性被定位在数据集的一小部分中的非常有趣的情况下-如在新用户问题中，新用户被引入到系统中，他们还没有对许多项目进行评级，因此CF算法还不能做出可靠的个性化推荐。
2016-06-14 cs.IR cs.SI stat.ML
