When Social Influence Meets Item Inference
用于产品推荐和病毒式营销的研究问题和数据采掘技术已经被广泛研究。现有的社交网络中的种子选择工作没有考虑电子商务商店中的产品推荐的效果。在本文中，我们研究的种子选择问题的病毒式营销，同时考虑社会影响力和项目推理（产品推荐）的影响。我们开发了一个新的模型，社会项目图（SIG），捕捉这两种效果的形式hyperedges。相应地，我们制定了一个种子选择问题，称为社会项目最大化问题（SIMP），并证明了SIMP的硬度。我们设计了一个高效的算法，称为Hyperedge-Aware Greedy（HAG）的性能保证，为SIMP和开发一个新的索引结构，称为SIG-索引，以加速计算的扩散过程中的HAG。此外，为了构建现实的SIG模型SIMP，我们开发了一个基于统计推断的框架，从数据中学习超边的权重。最后，我们对我们的提案进行了全面评估，并采用了各种基线。实验结果验证了我们的想法，并证明了所提出的模型和算法的有效性和效率超过基线。
2016-02-15 cs.SI
Less is More: Semi-Supervised Causal Inference for Detecting Pathogenic Users in Social Media
近年来，恶意社交媒体行为者操纵舆论和政治事件的现象激增。这些用户被称为“致病性社交媒体（PSM）”帐户。PSM是在社交媒体上传播错误信息的关键用户。这些帐户可以由真实用户或自动机器人控制。因此，识别PSM对社交媒体当局至关重要。负担通常落在可以识别这些帐户并保护社交媒体声誉的自动方法上。然而，缺乏足够的标记示例来设计和培训复杂的方法来打击这些账户仍然是社交媒体公司面临的最大挑战之一。相比之下，由于大量的用户生成的数据，未标记的数据是丰富和廉价的。在本文中，我们提出了一个半监督因果推理PSM检测框架，SemiPsm，以弥补缺乏标记数据。特别地，所提出的方法以流形正则化的形式利用未标记的数据，并且仅依赖于级联信息。这与使用穷举特征工程的现有方法（例如，简档信息、网络结构等）。来自Twitter的真实世界ISIS相关数据集的经验实验证据表明，利用未标记的实例来检测PSM的结果很有希望。
2019-03-05 cs.SI
Everything About You: A Multimodal Approach towards Friendship Inference in Online Social Networks
以前的在线社交网络（OSN）隐私研究大多集中在使用一种类型的信息来推断另一种类型的信息或仅使用静态配置文件数据（如用户名、配置文件图片或家庭位置）的受限场景。然而，如今用户的多媒体足迹已经变得非常多样化。在现实中，对手会利用随着时间的推移可获得的所有类型的信息来实现其目标。在本文中，我们分析OSN隐私，共同利用长期的多模态信息。我们特别关注社会关系的推理。我们考虑了用户共享的帖子的五个流行组件，即图像，标签，标题，地理位置和发布的友谊。对真实世界OSN数据集的大规模评估表明，虽然我们的单模态攻击实现了强大的预测，但我们的多模态攻击导致了AUC（ROC曲线下面积）高于0.9的更强性能。我们的研究结果强调了在用户的多媒体足迹越来越多样化的时代，需要多模式混淆方法来保护隐私。
2020-03-02 cs.SI
From acquaintance to best friend forever: robust and fine-grained inference of social tie strengths
社交网络通常只提供一种关于社会关系的二元视角：两个人要么有联系，要么没有联系。虽然有时外部信息可以用来推断社会关系的强度，但获取这些信息可能受到限制或不切实际。Sintos和Tsaparas（KDD 2014）首先建议通过利用强三元闭包（STC）属性，仅从网络的拓扑结构中推断社会关系的强度。STC属性指出，如果A与B和C有很强的社会联系，那么B和C也必须相互联系（无论是弱联系还是强联系）。Sintos和Tsaparas利用这一点将社会联系强度的推断公式化为NP-难优化问题，并提出了两种近似算法。我们完善和改进后，这一里程碑式的文件，通过开发一系列的线性松弛这个问题，可以在多项式时间内解决。值得注意的是，这些松弛推断出更细粒度的联系强度水平（超出强和弱），这也允许避免在网络拓扑提供不确定的证据时进行任意的强/弱强度分配。其中一个松弛同时推断存在有限数量的STC违规行为。一个广泛的理论分析导致两个有效的算法方法。最后，我们的实验结果阐明了所提出的方法的优势，并揭示了新的STC属性在实践中的有效性。
2018-09-18 cs.SI
Demographic Inference from Social Media Data with Multimodal Foundation Models: Strategies, Evaluation, and Benchmarking
本研究利用GPT-5多模态基础模型，从社交媒体资料中推断年龄、性别和种族，展示了其在提高人口特征推断准确性、公平性和可扩展性方面的潜力。
2025-11-26 cs.SI
Enhancing LLMs with Cognitive-Affective Personality Inference for Simulating Human Social-Psychological Behavior
The University of Tokyo（东京大学）；RIKEN Center for Advanced Intelligence Project（理化学研究所先进智能项目中心）
本文提出SPIN，一种基于认知-情感人格系统的推断流水线，通过三次零样本LLM调用分离稳定人格与情境状态，在多个基础模型上显著提升社会心理行为模拟的对齐性能。
2026-10-07 cs.SI
Graphic-theoretic distributed inference in social networks
我们认为分布式推理在社交网络中的一个现象的兴趣演变在一个给定的社会互动图，称为\emph{social digraph}。对于推理，我们假设代理网络监控社交有向图中的某些节点，并且没有代理可以在其邻域内执行推理;代理必须依赖于智能体通信。本文的主要贡献包括：（一）一种新的构造的分布式估计和分布式观测的第一原则;（二）图论代理分类，建立的重要性和作用，每个代理对推理;（三）表征的必要条件，分类的基础上（二），在代理网络实现分布式观测。我们的结果是基于结构化系统理论，并适用于任何参数的选择，只要社会有向图保持固定的底层系统矩阵。换句话说，任何在结构不变的社会有向图上（线性）演化的社会现象都可以被考虑-我们将这种系统称为线性结构不变（LSI）。因此，上述贡献（i）-（iii）只需要社会有向图（拓扑）的知识，并且独立于社会现象。我们展示了结果对几个真实世界的社交网络的适用性，即僧侣之间的社会影响力，政治博客和书籍的网络，以及合著图。
2014-02-05 cs.MA cs.SI
RABot: Reinforcement-Guided Graph Augmentation for Imbalanced and Noisy Social Bot Detection
RABot通过强化学习引导的图增强方法，解决社会机器人检测中的类别不平衡和拓扑噪声问题，提升检测性能。
2026-02-25 cs.LG cs.SI
Limits of Multilayer Diffusion Network Inference in Social Media Research
该研究通过大量合成数据实验系统分析多层扩散网络推断框架的性能，揭示其在不同网络结构与扩散设置下的性能波动规律，为真实场景下的推断适用性评估提供参考，并发布了准确率更优的公开实现。
2024-10-07 cs.SI
HTIM: Hybrid Text-Interaction Modeling for Broadening Political Leaning Inference in Social Media
针对政治倾向推断长期局限于二分类或仅依赖交互数据的问题，提出融合文本与社交交互的 HTIM 框架，在多政党、多地区场景中显著提升用户政治倾向识别性能。
2024-06-12 cs.SI
Machine learning of network inference enhancement from noisy measurements
School of Artificial Intelligence, Xidian University（西安电子科技大学人工智能学院）；Guangzhou Institute of Technology, Xidian University（西安电子科技大学广州研究院）
本文提出一种模型无关的机器学习框架，通过纠正噪声样本导致的参数更新偏差，显著提升基于模型与无模型的网络推断方法在非线性动力学、演化博弈和流行病传播等现实场景中的性能。
2024-05-05 cs.LG cs.SI
Constrained Expectation-Maximisation for inference of social graphs explaining online user-user interactions
目前的网络推理算法无法生成具有边的图，这些边可以解释给定数据集或轨迹中的整个节点交互序列。为了量化一个推断的图形可以解释一个轨迹的程度，我们引入了可行性，一个新的质量标准，并建议它与结果的准确性有关。此外，我们还提出了CEM-*，这是一种网络推理方法，在给定在线社交媒体跟踪的情况下，可以保证100%的可行性，这是Newman（2018）开发的期望最大化算法的非平凡扩展。我们提出了一组线性优化更新，其中包含一组辅助变量和一组可行性约束;后者考虑到用户之间可能存在的所有隐藏路径，这些路径基于用户交互的时间戳，并引导推理走向可行性。我们提供了两个CEM-* 变体，假设基础图的未知分布是Erdos Renyi（ER）或随机块模型（SBM）。在一个合成和一个真实世界的Twitter数据集上进行的大量实验表明，对于这两个先验数据，CEM-* 可以生成一个后验分布图，解释整个轨迹，同时更接近地面真相。作为额外的好处，使用SBM先验在优化期间同时推断和聚类用户。CEM-* 在可行性、运行时间和推断图和社区的精度方面优于基线和最先进的方法。最后，我们提出了一个启发式的推理，以适应较低的可行性要求，并显示它如何影响结果的精度。
2023-01-25 cs.SI
Information Diffusion in Social Networks: Friendship Paradox based Models and Statistical Inference
由于社交网络的激增，社交网络中信息扩散的动态模型和统计推断是在过去十年中取得显著进展的一个领域。信息传播的建模和推理可应用于有针对性的广告和营销、预测选举、预测投资者情绪和确定流行病爆发。本章讨论了与社交网络中的信息扩散相关的三个重要方面：（1）观察偏差（称为友谊悖论（一个图论结论））和单亲传染（朋友的朋友的影响）如何影响信息扩散动力学。(ii)社交网络如何根据信息扩散的状态调整其结构连接性。(iii)如何估计由信息扩散引起的网络状态。本章讨论的所有三个主题的动机都源于网络科学和社会感知的最新发现。此外，还讨论了从这些主题中产生的未来研究的几个方向。
2018-12-14 cs.SI physics.soc-ph
A Probabilistic Framework for Location Inference from Social Media
Massachusetts Institute of Technology（麻省理工学院）；Tsinghua University（清华大学）；Carnegie Mellon University（卡内基梅隆大学）
我们研究在多大程度上可以从社交媒体推断用户的地理位置。来自社交媒体的位置推断可以使许多应用受益，例如灾难管理、定向广告和新闻内容定制。然而，挑战在于有限的标记数据量和大规模的社交网络。在本文中，我们将从社交媒体推断位置的问题形式化为半监督因子图模型（SSFGM）。该模型提供了一个概率框架，其中各种信息源（例如，内容和社交网络）可以组合在一起。我们设计了一个两层的神经网络来学习特征表示，并将学习到的潜在特征纳入SSFGM。为了处理大规模的问题，我们提出了一个双链采样（TCS）算法来学习SSFGM。该算法实现了准确性和效率之间的良好平衡。在Twitter和微博上的实验表明，所提出的TCS算法的SSFGM可以大大提高推理精度比几个国家的最先进的方法。更重要的是，与传统的基于传播的方法（例如，循环的信念传播）。
2019-05-10 cs.AI cs.SI
Evaluating Social Networks Using Task-Focused Network Inference
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
网络是复杂的潜在社会过程的表征。然而，相同的给定网络可能更适合于对个体的一种行为进行建模。在许多情况下，总体模型可能比在网络上建模更有效。我们提出了一个通用的框架，用于评估给定的网络的适用性，一组预测任务的兴趣，与替代，从数据中推断的网络。我们提出了几个可解释的网络模型和措施，我们的比较。我们将这个一般框架应用于Last.fm社交网络的新数据集中的音乐偏好集体分类的案例研究。
2017-07-08 cs.AI cs.SI
Causal Inference for Early Detection of Pathogenic Social Media Accounts
Arizona State University（亚利桑那州立大学）
恐怖分子支持者等致病性社交媒体账户利用支持者社区对社交媒体进行攻击。早期检测PSM帐户至关重要，因为它们可能是使有害信息“病毒式传播”的关键用户。本文概述了我最近的博士工作，利用因果推理，以确定PSM帐户在很短的时间内，围绕他们的活动。该方案（1）为用户分配时间衰减的因果关系分数，（2）将基于社区发现的算法应用于共享相似因果关系分数的用户组，最后（3）部署分类算法来对账户进行分类。与现有的技术，需要网络结构，级联路径，或内容，我们的计划完全依赖于用户的行动日志。
2018-08-03 cs.AI cs.SI
Inference and Influence of Large-Scale Social Networks Using Snapshot Population Behaviour without Network Data
投票和接种疫苗等人口行为取决于社交网络。社交网络可以根据行为类型而不同，并且通常是隐藏的。然而，我们经常有大规模的行为数据，尽管只是在一个时间点拍摄的快照。我们提出了一种方法，联合推断大规模的网络结构和网络模型的人类行为只使用快照人口行为数据。这利用了简单的几个参数，几何社会人口网络模型和基于自旋的行为模型。我们举例说明，欧盟公投和两个伦敦市长选举，该模型如何提供预测和解释我们的同性恋倾向。除了从大规模行为数据集中提取特定于行为的网络结构之外，我们的方法还产生了一个将不平等和社会偏好与行为结果联系起来的粗略计算。我们给出了潜在的网络敏感政策的例子：收入不平等，社会温度和同性恋偏好的变化如何在最近的选举中减少两极分化。
2020-03-23 cs.SI physics.soc-ph
On the Convexity of Latent Social Network Inference
在许多现实世界中，几乎不可能收集明确的社交网络数据。在这种情况下，整个网络必须从基础观测中推断出来。在这里，我们制定的问题，推断潜在的社交网络的基础上网络扩散或疾病传播数据。我们考虑传染在未观察到的社交网络的边缘传播，在那里我们只观察节点被感染的时间，但不观察谁感染了它们。给定这样的节点感染时间，我们然后确定最能解释观测数据的最佳网络。我们提出了一个最大似然方法的基础上凸规划的l1-like惩罚项，鼓励稀疏。对真实数据和合成数据的实验表明，我们的方法几乎完美地恢复了底层网络结构以及传染传播模型的参数。此外，我们的方法可扩展性很好，因为它可以在几分钟内推断出数千个节点的最佳网络。
2010-10-26 cs.SI physics.soc-ph
You are Who You Know and How You Behave: Attribute Inference Attacks via Users' Social Friends and Behaviors
我们提出了新的隐私攻击来推断属性（例如，位置、职业和兴趣）。我们的攻击利用在线社交网络中公开的看似无辜的用户信息来推断目标用户的缺失属性。鉴于越来越多的可用性（看似无辜的）用户信息在线，我们的研究结果有严重的影响互联网隐私-私人属性可以推断从用户的公开数据，除非我们采取措施，以保护用户免受这种推理攻击。为了推断目标用户的属性，现有的推断攻击利用用户的公开可用的社交朋友或用户的行为记录（例如，用户在Facebook上喜欢的网页，用户在Google Play上评论的应用程序），但不是两者都有。正如我们将展示的，这种推理攻击的成功率有限。然而，如果我们同时考虑社会朋友和行为记录，问题就有了质的不同。为了应对这一挑战，我们开发了一种新的模型来整合社交好友和行为记录，并根据我们的模型设计新的攻击。我们从理论上和实验上证明了我们的攻击的有效性。例如，我们观察到，在一个拥有110万用户的真实世界大规模数据集中，我们的攻击可以正确地推断出57%的用户所在的城市，通过置信度估计，如果攻击者选择性地攻击一半的用户，我们能够将攻击成功率提高到90%以上。此外，我们表明，我们的攻击可以正确地推断属性显着更多的用户比以前的攻击。
2016-06-19 cs.SI physics.soc-ph
Bayesian Inference of Online Social Network Statistics via Lightweight Random Walk Crawls
在线社交网络（OSN）包含了大量关于潜在社会的信息，这些信息尚未被探索。从OSN获取信息的最可行的技术之一，通过应用程序编程接口（API）请求爬行，对估计的保证提出了严重的问题。在这项工作中，我们专注于使用有限的API抓取进行可靠的统计推断。基于随机游动的再生性，提出了一种关于边上函数聚集和的无偏估计，并证明了估计方差与谱间隙之间的关系.为了便于贝叶斯推断估计的真实值，我们推导出估计的近似后验分布。最后，通过对真实网络中的推理问题进行数值实验，验证了所提出的思想。
2015-12-18 cs.SI physics.soc-ph stat.ML
Influence Estimation on Social Media Networks Using Causal Inference
估计对社交媒体网络的影响是一个重要的实践和理论问题，特别是因为这种新媒体被广泛用作虚假信息和宣传的平台。本文介绍了一种新的方法来估计社交媒体网络的影响力，并将其应用于现实世界的问题，在2017年法国总统选举期间，在Twitter上的特征积极的影响力操作。新的影响力估计方法通过使用网络因果推理框架来解释网络上的叙事传播，从而将影响力归因于从图采样和过滤产生的数据。这一因果框架将结果的差异推断为暴露的函数，与现有的将影响归因于活动量或拓扑特征的方法相反，现有的方法既不明确衡量也不一定表明实际的网络影响。Cramér-Rao估计界是作为因果分析中的一个步骤导出的参数估计，并用于实现因果推理问题的几何洞察力。推断高因果影响的能力在现实世界的社交媒体账户上得到了证明，这些账户后来被独立证实与外国影响力行动直接相关或相关，使用的证据来自美国国会和新闻报道。
2018-04-11 cs.SI physics.soc-ph
Joint Inference of User Community and Interest Patterns in Social Interaction Networks
在线社交媒体已经成为我们社交生活中不可或缺的一部分。分析社交媒体平台中的对话可以产生复杂的概率模型来理解社交互动网络。在本文中，我们提出了一种建模方法，通过共同推断用户社区和兴趣的基础上，社会媒体的互动网络特征。我们提出了几种模式推理模型：i）兴趣模式模型（IPM）捕捉人口水平的交互主题，ii）用户兴趣模式模型（UIPM）捕捉用户特定的交互主题，iii）社区兴趣模式模型（CIPM）捕捉社区结构和用户兴趣。我们在从普渡大学社区收集的Twitter数据上测试我们的方法。从我们的模型结果中，我们观察到与普渡大学社区内的两个大事件相关的互动主题和社区，即普渡大学捐赠日和参议员伯尼·桑德斯访问普渡大学作为2016年印第安纳州初选的一部分。基于用户交互构建社会交互网络说明了用户在各种感兴趣的主题上的交互的相似性，并指示了他们的社区归属感。我们观察到，这种网络的度分布遵循幂律，这表明网络中存在较少的节点，具有较高的交互水平，以及许多其他节点具有较少的交互。我们还讨论了这种网络作为一种有用的工具，有效地传播特定的信息，以目标受众对规划任何大型活动的应用，并演示了如何挑选出特定的节点在一个给定的社区运行网络算法。
2017-04-06 cs.SI physics.soc-ph
Jointly Predicting Links and Inferring Attributes using a Social-Attribute Network (SAN)
社会影响和同质性的影响表明，网络结构和节点属性信息都应该通知链接预测和节点属性推理的任务。最近，Yin等人提出了一种属性增强的社会网络，即社会属性网络（SAN），它将网络结构和节点属性相结合，以执行链接预测和属性推理。他们专注于将带重启的随机游走算法推广到SAN框架，并展示了改进的性能。在本文中，我们扩展了SAN框架与几个领先的监督和无监督的链接预测算法，并证明了性能的改善，每个算法的链接预测和属性推理。此外，我们提出了新的观察，即属性推断可以帮助通知链接预测，即，通过首先推断丢失的属性，进一步提高了链接预测的准确性。我们全面评估这些算法，并使用一个新的，大规模的Google+数据集，我们公开提供与其他现有的算法进行比较。
2012-06-22 cs.SI physics.soc-ph
Point-of-Interest Type Inference from Social Media Text
University of Sheffield（谢菲尔德大学）；Bloomberg（彭博社）
物理场所有助于塑造我们如何感知我们在那里的经历。这是我们第一次研究社交媒体文本与发布地点类型之间的关系，无论是公园、餐馆还是其他地方。为了促进这一点，我们引入了一个新的数据集$\sim$ 200,000英语推文发布从2,761个不同的兴趣点在美国，丰富了地点类型信息。我们训练分类器来预测推文发送位置的类型，这些位置在八个类别中达到43.67的宏F1，并发现与每种类型的地方相关联的语言标记。从推文中预测语义位置信息的能力在推荐系统、个性化服务和文化地理学中有应用。
2020-10-02 cs.CL cs.SI
Cyber-Social Systems: Modeling, Inference, and Optimal Design
Semnan University（塞姆南大学）；School of Computer Engineering, Sharif University of Technology（谢里夫理工大学计算机工程学院）；Tufts University（塔夫茨大学）
本文研究了网络-社会系统的建模、推断和最优设计问题，提出了一种无需假设底层社会系统秩的分布式推断协议，开发了新型代理分类以确定不同类型的连接需求，并解决了具有分布式可观测性的网络约束的最优设计问题。
2019-03-29 cs.SI cs.SY eess.SY
Real-Time Inference of User Types to Assist with More Inclusive Social Media Activism Campaigns
George Mason University（乔治梅森大学）
社交媒体为人们提供了一种机制，使人们能够在一系列问题上参与社会事业。它还为那些希望推进一项事业的人提供了一个战略工具，以交流、促进或宣传他们的想法。在这种情况下，如果使用得当，AI可以是一种资产，也可以是一种障碍。劳动力多样性运动的关键问题之一是实时的【形】了解谁在参与-具体地说，参与者是个人还是组织，如果是个人，则是男性还是女性。在本文中，我们提出了一项研究，以展示一个案例，为社会公益的人工智能开发了一个模型，以实时的【形】推断不同的用户类型参与了Twitter上的一个原因驱动的标签活动，ILookLikeAnEngineer（ILLAE）。设计了一个通用的框架，将Twitter用户分为三类：组织，男性和女性在实时的【形】方式。该框架对两个数据集（ILLAE和一般数据集）进行了测试，并优于基线二进制分类器对组织/个人和男性/女性进行分类。所提出的模型可以应用于未来的社会原因驱动的运动，以获得实时的【形】洞察宏观层面的社会行为的参与者。
2018-04-25 cs.AI cs.SI
Network structure from rich but noisy data
在科学、工业和更广泛的公众日益增长的兴趣的驱动下，近年来对网络结构进行了大量的实证研究，从互联网和万维网到生物网络和社交网络。这些实验产生的数据通常是丰富的和多模态的，但同时它们可能包含大量的测量误差。在实践中，这意味着真实的网络结构可能与根据原始数据进行的朴素估计有很大差异，因此从这些朴素估计中得出的结论可能会有很大的错误。在本文中，我们描述了一种技术，绕过这个问题，并允许我们作出最佳估计的真实结构的网络中存在丰富的纹理数据和显着的测量不确定性。我们给出了两个不同的社交网络的应用实例，一个来自面对面的互动，一个来自自我报告的友谊。
2018-02-06 cs.SI physics.soc-ph
Low-distortion Inference of Latent Similarities from a Multiplex Social Network
大部分社会网络分析都是--或隐或显--基于这样一个假设，即个人倾向于与他们的朋友而不是陌生人更相似。因此，观察到的社会网络提供了一个关于潜在的“社会空间“的嘈杂信号：个体相似或不相似的方式。通过社会网络分析经常解决的许多研究问题实际上是关于这个社会空间的问题，提出了一个颠倒过程的问题：给定一个社会网络，我们如何准确地重建相似性和差异性的社会结构？我们开始正式解决这个问题。观察到的社交网络通常是多元的，在某种意义上，它们反映了几个不同“类别”的相似性，如地理上的接近性，亲属关系，或职业/爱好的相似性。我们假设，每个这样的类别的特征在于一个潜在的度量捕获（不）在这一类的相似性。每个类别都会产生一个单独的社交网络：一个由这个度量参数化的随机图。对于一个具体的模型，我们考虑Kleinberg的小世界模型和一些变化。观察到的社交网络是这些图的未标记的并集，即，可以观察到边缘的存在或不存在，但不能观察到它们的起源。我们的主要结果是一个算法，重建每个度量可证明低失真。
2014-08-15 cs.DS cs.SI physics.soc-ph
Causal inference for social network formation
University of Oxford（牛津大学）；Harvard Kennedy School（哈佛肯尼迪学院）；University College London（伦敦大学学院）
本文提出了一种框架，用于识别、估计和推断驱动内生社会网络形成的因果机制。通过时间序列网络观测和初始联系的随机变化来解决因果识别的挑战，采用基于设计的方法，将节点集和潜在结果视为非随机，以估计间接联系、网络度和局部网络密度对联系形成的影响。
2026-04-20 cs.SI econ.EM stat.AP
Inference of a universal social scale and segregation measures using social connectivity kernels
人们如何相互联系是社会科学中的一个基本问题，由此产生的社交网络会对我们的日常生活产生深远的影响。布劳给出了一个强有力的解释：人们基于他们在社会空间中的位置而相互联系。然而，社会距离的原则性衡量标准，允许社会内部和社会之间的比较，仍然难以捉摸。我们使用条件独立边模型的连接内核来开发一系列具有理想属性的隔离统计数据：它们提供了社会空间上直观和通用的特征尺度（便于跨数据集和社会进行比较），适用于多变量和混合节点属性，并在个体，个体对和社会整体层面上捕获隔离。我们证明了隔离统计可以在Blau空间（一个由社会成员的属性所跨越的空间）上导出一个度量，并提供两个社会的映射。贝叶斯范式下，我们推断的参数的连接内核从11个自我网络数据集收集的四个调查在英国和美国。布劳空间不同维度的重要性在时间和地点上是相似的，这表明宏观上稳定的社会结构。身体分离和年龄差异对友谊网络中的隔离影响最大，并对晚年的代际混合和隔离产生影响。
2020-10-28 cs.SI physics.soc-ph stat.ME
Organizational Chart Inference
如今，为了促进员工之间的沟通和合作，许多公司已经采用了一种新的在线社交网络，称为“企业社交网络”（ESN）。ESN可以为员工提供各种专业服务，帮助他们处理日常工作问题。同时，公司的员工通常根据他们职位的相对等级被组织成不同的等级。公司内部的管理结构可以用组织结构图直观地勾勒出来，出于隐私和安全考虑，这通常是对公众保密的。本文研究了基于异构ESN的企业内部组织结构图识别的IOC（Inference of Organizational Chart）问题。IOC问题的解决具有很大的挑战性，因为为了保证企业的顺利运营，企业内部组织结构图需要满足一定的结构要求（关于其深度和宽度）。为了解决IOC问题，提出了一种新的无监督方法Create（ChArT RECovEr），该方法包括3个步骤：（1）将ESN用户划分为不同的社会阶层;（2）从管理者到下属的监督链接推理;（3）连续的社会阶层匹配以修剪冗余的监督链接。在真实世界的在线ESN数据集上进行的大量实验表明，Create可以很好地解决IOC问题。
2015-07-24 cs.CY cs.SI
Sequential Monte Carlo Inference of Mixed Membership Stochastic Blockmodels for Dynamic Social Networks
Graduate School of System Informatics, Kobe University（神户大学系统信息学研究科）
许多类型的数据可以表示为网络或图形。推断这种网络的潜在结构并预测网络中未观察到的链接至关重要。混合隶属度随机块模型（MMSB）是一种很有前途的网络数据模型。MMSB中的潜在变量和未知参数已经通过贝叶斯推断对整个网络进行了估计;然而，在线估计它们对于不断发展的网络很重要。在本文中，我们首先开发在线推理方法MMSB通过顺序蒙特卡罗方法，也被称为粒子滤波器。然后，我们扩展它们的时间演化网络，考虑到网络结构的时间依赖性。我们通过实验证明，时间相关的粒子滤波器优于几个基线的预测性能在线条件。
2013-12-07 cs.LG cs.SI stat.ML
Efficient Online Inference for Infinite Evolutionary Cluster models with Applications to Latent Social Event Discovery
Carnegie Mellon University（卡内基梅隆大学）；Northeastern University（东北大学）
经常性中国餐馆过程（RCRP）是一种强大的统计方法，用于在大规模社交媒体数据中建模不断变化的集群。使用RCRP，可以允许模型中的聚类数量和聚类参数随时间变化。然而，RCRP的应用在很大程度上受到限制，由于集群进化先验和多项式似然之间的非共轭。这种非共轭性使得推理困难，并限制了使用RCRP的模型的可扩展性，导致RCRP仅适用于简单的问题，例如可以通过单个高斯发射近似的问题。在本文中，我们提供了一个新的解决方案的非共轭问题的RCRP和一个例子，如何利用我们的解决方案的一个特定的问题-社会事件发现问题。通过在推理中使用顺序蒙特卡罗方法，我们的方法可以大规模地扩展，并且具有高度的可扩展性，可以在数千万文档上工作。我们能够生成高质量的主题和位置分布的集群，可以直接解释为真实的社会事件，我们的实验结果表明，所提出的方法实现更好的预测性能比以前的工作中报告的技术。我们还展示了我们开发的技术可以用于更一般的方式来解决类似的问题。
2017-08-20 cs.AI cs.CL cs.SI
Mental Health Coping Stories on Social Media: A Causal-Inference Study of Papageno Effect
Aalto University（阿尔托大学）；Microsoft Research（微软研究院）；University of Helsinki（赫尔辛基大学）
Papageno效应关注媒体如何在预防和减轻自杀意念和行为方面发挥积极作用。随着社交媒体的日益普及和广泛使用，人们经常表达和分享生活经历和心理健康斗争。然而，我们对社交媒体中Papageno效应的存在和有效性的理解存在差距，我们在本文中进行了研究。特别是，我们采用了一个因果推理框架来研究暴露于心理健康应对故事对个人在Twitter上的影响。我们获得了一个Twitter数据集，其中包含$\sim$ 10K个人的$\sim$ 2M帖子。我们考虑将应对故事作为治疗干预，并采用分层倾向评分方法来寻找治疗组和对照组个体的匹配队列。我们测量的情感，行为和认知结果的心理社会变化的纵向Twitter数据之前和之后从事的应对故事。我们的研究结果表明，参与应对故事会减少压力和抑郁，提高表达性写作，多样性和互动性。我们的工作讨论了支持心理健康的实践和平台设计的影响。
2023-02-20 cs.CL cs.CY cs.SI
Inference in Opinion Dynamics under Social Pressure
我们引入了一个新的意见动力学模型，一组代理持有两种意见：固有的和宣布。每个代理人的固有意见是固定的，不能被其他代理人观察到。在每个时间步，代理人在社交网络上广播他们声明的观点，这些观点受到代理人固有观点和社会压力的支配。特别是，我们假设代理人可能会声明与他们的固有意见不一致的意见，以符合他们的邻居。这就提出了一个自然的问题：我们能否从对公开意见的观察中估计出行为人的固有意见？例如，代理人的固有意见可能代表他们真正的政治联盟（民主党或共和党），而他们宣布的意见可能会模拟社交媒体上推文的政治倾向。在这种情况下，我们可以通过观察选民的推文来预测选举结果，由于社会压力，这些推文不一定反映他们的政治支持。我们在底层社交网络是一个完整图的特殊情况下分析这个问题。我们证明，只要人口不包括大多数，估计的总和和个人的固有意见是可能的。另一方面，大多数人迫使少数人在时间上撒谎，这使得渐近估计是不可能的。
2022-05-03 cs.SI cs.SY eess.SY
Quickest Inference of Network Cascades with Noisy Information
我们研究的问题，估计源的网络级联给定的时间序列的噪声信息的传播。最初，有一个顶点受到级联（源）的影响，级联以离散的时间步长在网络中传播。级联演化是隐藏的，但是可以观察到来自每个顶点的噪声信号的时间序列。假设顶点的时间序列是独立同分布的序列。在级联影响顶点之前，来自改变前分布$Q_0$的样本，并且时间序列是i.i.d.级联影响顶点后，从更改后分布$Q_1$中采样。给定的时间序列的噪声信号，这可以被看作是一个嘈杂的测量的级联演变，我们的目标是设计一个程序，以可靠地估计级联源尽可能快。我们调查贝叶斯和极大极小公式的源估计问题，并获得近似最优估计简单的级联动态和网络拓扑结构。在贝叶斯设置中，观察样本直到贝叶斯最优估计器的误差下降到阈值以下的估计器实现最优性能。在极大极小条件下，通过设计一种新的多假设序贯概率比检验（MSPRT）来获得最优性能。我们发现，这些最优估计需要$\log \log n / \log (k - 1)$观测的噪声时间序列时，网络拓扑结构是$k$ -正则树，和$(\log n)^{\frac{1}{\ell + 1}}$观测所需的$\ell$维格。最后，我们将讨论如何将我们的方法扩展到任意图上的级联。
2022-11-12 cs.IT cs.SI math.IT
Using Social Network Information in Bayesian Truth Discovery
Nanyang Technological University（南洋理工大学）
我们调查的问题，真理发现的基础上，从多个代理人谁可能是不可靠的或有偏见的意见。我们考虑的情况下，代理人的可靠性或偏见是相关的，如果他们属于同一个社区，这定义了一组代理人有类似的意见，关于一个特定的事件。对于不同的事件，智能体可以属于不同的社区，而这些社区是先验未知的。我们将知识的代理人的社会网络在我们的真理发现框架和开发拉普拉斯变分推理方法来估计代理人的可靠性，社区和事件状态。我们还开发了一个随机变分推理方法，将我们的模型扩展到大型社交网络。对真实数据的仿真和实验表明，当观测稀疏时，我们提出的方法比其他几种推理方法，包括多数投票，Truthfall，AccuSim，置信度感知的真相发现方法，贝叶斯分类器组合（BCC）方法和社区BCC方法表现得更好。
2019-04-29 cs.LG cs.MA cs.SI
