Generalized Friendship Paradox: An Analytical Approach
友谊悖论是指社会学的观察，虽然人们对自己受欢迎程度的评估通常是自我夸大的，但实际上他们比朋友更不受欢迎。广义友谊悖论是在社会环境、科学合作网络以及在线社交媒体中经验观察到的平均优势。我们建立了一个基于质量的网络增长模型，其中节点接收新链接的机会取决于它的度和质量参数。节点在第一次加入网络时被分配质量，并且这些质量不会随着时间而改变。我们从理论上分析了该模型，找到了联合度质量分布和最近邻分布的表达式。然后，我们证明了这个模型表现出的友谊悖论和广义的友谊悖论在网络层面上，无论质量的分布。我们还表明，在所提出的模型中，每个节点的程度和质量是正相关的，无论如何节点的质量分布。
2014-10-02 cond-mat.stat-mech cs.SI physics.soc-ph
The friendship paradox in scale-free networks
我们的朋友比我们有更多的朋友。这就是友谊悖论的基础。从数学上讲，朋友的朋友的平均数量比朋友的平均数量要多。在本研究中，我们分析了在<k><k_FF>度从最小度（k_min）到最大度（k_max）的无标度网络中，顶点（个体）的平均度与朋友的朋友的平均数量之间的关系。我们推导出一个表达式为<k_FF><k>无标度网络的幂律分布与给定的标度参数（α）。基于这个表达式，我们可以量化无标度网络的度分布如何影响朋友的朋友的平均数量。
2014-07-15 cs.SI physics.soc-ph
Generalized friendship paradox in complex networks: The case of scientific collaboration
友谊悖论是指你的朋友平均比你拥有更多的朋友。这个悖论是否适用于其他个人特征，如收入或幸福？为了解决这个问题，我们推广了复杂网络中任意节点特征的友谊悖论。通过分析两个合著网络的物理评论期刊和谷歌学术配置文件，我们发现，广义的友谊悖论（GFP）持有在个人和网络水平的各种特征，包括合著者的数量，引用的数量，和出版物的数量。GFP的起源被证明是植根于程度和特征之间的正相关性。作为GFP的一个富有成效的应用，我们提出了有效的和高效的采样方法来识别大规模网络中的高特征节点。我们对GFP的研究有助于理解复杂网络中网络结构与节点特征之间的相互作用。
2014-04-10 cs.SI physics.data-an physics.soc-ph
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
Strong Friendship Paradox in Social Networks
本文分析社交网络中的强友谊悖论，阐明其依赖高阶网络结构，并可推广到个体特质而引发多数错觉，从而影响局部观察与网络集体现象理解。
2024-12-03 cs.SI
Friendship Paradox Biases Perceptions in Directed Networks
一个话题或观点在网络中的受欢迎程度可能与其实际受欢迎程度大不相同。例如，在社交媒体平台的在线网络中，在他们的帖子中提到某个主题的人数-即，它在全球的受欢迎程度-可能与人们在社交信息中看到的有很大的不同-也就是说，它的感知受欢迎度-其中提要聚合了他们朋友的帖子。我们将这种差异的根源追溯到定向网络中的友谊悖论，即平均而言，人们不如他们的朋友（或追随者）受欢迎。我们确定网络结构的条件，引起这种感知偏差，并验证了经验使用的数据从Twitter的研究结果。在我们的样本中，在Twitter用户发布的消息中，我们识别出在用户的社交提要中出现频率高于全局的主题，即，在所有职位中。此外，我们提出了一个投票算法，利用友谊悖论，以获得一个主题的全球流行率从个人的偏见的看法统计有效的估计。我们的特点的偏差的投票估计，提供了一个上限，其方差，并验证算法的效率，通过我们的Twitter数据上的合成投票实验。我们的论文阐明了非直观的方式，其中有向网络的结构可以扭曲社会的看法和由此产生的行为。
2019-05-13 cs.SI physics.soc-ph
Copula-based analysis of the generalized friendship paradox in clustered networks
针对现有广义友谊悖论解析研究依赖局部树状网络假设的局限，采用vine copula方法纳入邻居间属性相关性，实现了对聚类网络等更一般网络中GFP的严格解析理解。
2022-12-09 cs.SI physics.soc-ph
Friendship Paradox and Attention Economics
通过考虑当地和全球的朋友平均值，重新审视了友谊悖论。如何经济学的注意力影响招聘的朋友进行检查。不同的个人注意力的统计影响进行了调查，有人认为，这是一个原因，朋友的平均值高于中位数在社交网络。朋友的分布向右倾斜还有另外两个原因：（1）机构节点的存在增加了平均值;（2）许多节点的休眠。朋友和朋友的朋友之间的差异是关于网络的结构信息的度量。
2014-12-22 cs.SI
Contagions in Social Networks: Effects of Monophilic Contagion, Friendship Paradox and Reactive Networks
我们考虑SIS传染过程的网络，一个经典的假设是，个人的决定，采取传染的基础上，他们的近邻。然而，最近的文献表明，一些属性之间的相关性更两跳邻居，一个概念称为单态。这促使我们探索单亲性传染，即通过考虑两跳邻居而不是直接邻居来采用传染（例如产品，疾病）的情况（例如，你向你的朋友询问新iPhone，她向你推荐她的一个朋友的意见）。我们发现，友谊悖论的现象使它更容易为独恋传染广泛传播。我们还考虑的情况下，潜在的网络随机演化的状态的传染（例如，根据流感病毒的严重程度，人们限制他们与他人的互动，以避免被感染），并表明，这样一个过程的动态可以近似为一个微分方程的轨迹满足代数约束限制它的流形。我们的研究结果揭示了图论的后果如何影响传染，并提供了简单的确定性模型来近似随机图过程的传染的集体动力学。
2018-10-13 cs.SI physics.soc-ph
What Do Your Friends Think? Efficient Polling Methods for Networks Using Friendship Paradox
本文讨论了社会网络的随机投票问题。在预测两名候选人A和B之间的选举结果的情况下，经典的意向民意调查会随机抽样询问个人：你会投票给谁？民意调查的问题是：你认为谁会赢？在本文中，我们提出了一种新型的邻里期望民意调查（NEP）策略，该策略询问随机抽样的个人：您对A的选票分数的估计是多少？因此，在NEP中，被抽样的个体在回答这个问题时会自然地看他们的邻居（由底层社交网络图定义）。因此，NEP方法的均方误差（MSE）依赖于从网络中选择最佳样本集。为此，我们针对以下情况提出了三种NEP算法：（i）社交网络图未知，但可以在图上执行随机游走（顺序探索）;（ii）社交网络图未知。对于情况（i）和（ii），提出了两个算法的基础上的图论结论称为友谊悖论。建立了算法的MSE对网络性质的依赖性的理论结果。真实和合成数据集的数值结果来说明算法的性能。
2019-09-09 cs.SI physics.soc-ph
The Generalized Friendship Paradox for Spectral Centralities
Mathematical Institute, University of Leiden（莱顿大学数学研究所）；Korteweg–de Vries Institute for Mathematics, University of Amsterdam（阿姆斯特丹大学科特韦格-德弗里斯数学研究所）
本文研究了谱中心性的一般友谊悖论，证明了节点邻居的平均中心性始终高于全局平均中心性。
2026-01-08 cs.SI math.PR
Node-based Generalized Friendship Paradox fails
该研究指出广义友谊悖论的自然基于节点版本可能不成立，其成立与否不仅取决于度与属性的相关性，还依赖底层网络结构，并给出了相关正反结果与对社交网络数据的启示。
2023-05-07 cs.DM cs.SI math.CO
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
The Enmity Paradox
本文基于洪都拉斯农村大规模社交网络数据，提出并验证“敌意悖论”及其广义形式，分析正负关系混合网络中的存在条件。
2023-04-20 cs.SI physics.soc-ph
Centrality-Friendship Paradoxes: When Our Friends Are More Important Than Us
友谊悖论表明，平均而言，我们的朋友比我们拥有更多的朋友。在网络术语中，节点的平均度永远不会超过节点邻居的平均度。这一效应是抽样偏差的一个典型例子，在社会科学和网络科学文献中引起了广泛关注，并对悖论的变体和扩展进行了定义，测试和解释。在这里，我们表明，一个版本的悖论严格保持特征向量中心：平均而言，我们的朋友比我们更重要。然后，我们考虑一般的矩阵函数中心性，包括Katz中心性，并给出了悖论成立的充分条件。我们还讨论了哪些结果可以推广到有向边和加权边的情况。通过这种方式，我们为一个主要通过实证检验不断发展的领域提供了理论支持。
2018-07-04 cs.DM cs.SI
The Friendship Paradox and Social Network Participation
友谊悖论意味着一个人的平均朋友比他们的朋友要少。之前的研究已经表明，友谊悖论如何导致与朋友数量相关的行为的感知偏差：例如，人们倾向于认为他们的朋友比他们更参与社交。在这里，我们调查的后果，这种类型的社会比较的概念设置的内容创建（“共享”）在一个在线的社交网络。假设人们将他们的内容接收到的反馈量与他们的朋友的内容接收到的反馈量进行比较，并且假设他们作为该比较的结果修改他们的共享行为。随着时间的推移，这对社交网络上的整体共享有何影响？我们在模型生成的合成网络上运行模拟，假设最初的共享和反馈率是均匀的。因此，人们在社交比较中对分享行为的最初修改完全是由友谊悖论驱动的。这些修改会导致共享率的不均匀性，从而进一步改变感知偏差。如果人们对社会比较的反应是单调的（即，差异越大，共享行为的修改越大），我们的模拟表明，网络中的整体共享逐渐下降。同时，凸响应可以维持或增加网络中的整体共享。我们完全专注于合成图在目前的工作中，还没有扩展到现实世界的网络拓扑结构的模拟。尽管如此，我们确实讨论了实际意义，例如即使存在不利的社会比较效应，如何调整干预措施以维持长期共享。
2022-11-10 cs.SI
A comprehensive generalization of the Friendship Paradox to weights and attributes
本文将友谊悖论统一推广到含权无向图和数值节点属性，给出基于相关性的判定规则，并通过理论、模拟与真实网络验证其适用性。
2024-06-14 cs.DM cs.SI math.CO
Maximum Likelihood Estimation of Power-law Degree Distributions via Friendship Paradox based Sampling
本文研究了利用采样数据估计无向网络幂律度分布的问题。虽然幂律度分布在自然界中无处不在，但广泛使用的估计它们的参数方法（例如双对数轴上的线性回归，均匀采样节点的最大似然估计）由于缺乏幂律度分布尾部的数据点而引入了大方差。作为解决方案，我们提出了一种新的最大似然估计方法，利用友谊悖论，更有效地从度分布的尾部采样。我们分析表明，该方法的结果在一个较小的偏差，方差和Cramer-Rao下界相比，香草最大似然估计与均匀采样节点（这是最常用的方法在文献中）。详细的数值和经验的结果来说明所提出的方法在不同条件下的性能，以及它是如何与其他方法相比。我们还表明，所提出的方法及其理想的属性（即更小的偏差，方差和Cramer-Rao下限相比，香草方法基于均匀样本）扩展到参数度分布以外的幂律，如指数度分布以及。所有的数值和经验结果都是可重复的，代码在Github上公开。
2021-03-07 cs.SI physics.data-an physics.soc-ph
Friends as Sensors: High-Sensitivity Monitoring of Misinformation and Platform Dynamics via the Friendship Paradox
University of Graz（格拉茨大学）；University of Bristol（布里斯托大学）；University of Potsdam（波茨坦大学）；University of Konstanz（康斯坦茨大学）
该研究利用友谊悖论，通过对比2024年美国大选期间Twitter/X上随机用户与传感器的推文数据，实现对错误信息和平台动态的高灵敏度监测，可及早检测新闻并追踪平台可见内容。
2026-10-14 cs.CY cs.SI
Can Generative Agent-Based Modeling Replicate the Friendship Paradox in Social Media Simulations?
本文提出用于社交媒体仿真的生成式智能体建模框架，并基于美国2020年大选和QAnon数据集验证友谊悖论能够自然涌现，表明GABM可有效建模全局网络动态。
2025-02-09 cs.SI
The H-index Paradox: Your Coauthors Have a Higher H-index than You Do
从社交网络的典型结构中出现的一个有趣的现象是友谊悖论。它表明你的朋友平均比你有更多的朋友。最近的努力已经探索了它的变化，对社交网络的动态有许多影响。然而，友谊悖论及其变体只考虑了网络的拓扑结构，而忽略了许多与节点度相关的其他特征。在这篇文章中，我们采取的情况下，科学合作，调查是否也出现了类似的悖论，在一个研究人员的科学生产力衡量她的H指数。H指数是学术界广泛使用的指标，用于衡量研究人员科学产出的质量和数量。研究人员可能会使用她的合著者的H指数作为一种方式来推断她自己的H指数是否适合她的研究领域。然而，在这篇文章中，我们表明，研究人员的合著者的平均H指数通常高于她自己的H指数。我们提出了这个悖论的经验证据，并讨论了它的一些潜在后果。
2015-10-19 cs.DL cs.SI physics.soc-ph
The happiness paradox: your friends are happier than you
Indiana University（印第安纳大学）；Center for Data Science, New York University（纽约大学数据科学中心）；Wageningen University（瓦赫宁根大学）
社交网络中的大多数人都会经历一种所谓的友谊伙伴关系：他们平均来说比他们的朋友更不受欢迎。这种效应可以解释最近的研究结果，即广泛使用社交网络媒体会导致幸福感降低。然而，人们对受欢迎程度和幸福感之间的关系知之甚少。友谊悖论并不一定意味着幸福悖论，即大多数人都不如他们的朋友幸福。在这里，我们报告了在$39,110$ Twitter用户的大规模在线社交网络中首次直接观察到的显著的幸福paradigm。我们的研究结果表明，受欢迎的人确实更快乐，大多数人都经历了一个显着的幸福悖论。后一种效应的大小是由个人受欢迎程度、幸福感以及用户按幸福程度聚集的事实之间的复杂相互作用决定的。我们的研究结果表明，在线社交网络的拓扑结构和幸福感在某些人群中的分布可以引起广泛的心理社会影响，影响数十亿人的福祉。
2016-02-08 cs.CL cs.HC cs.SI
Neighbor-Neighbor Correlations Explain Measurement Bias in Networks
在网络的许多物理模型中，动力学是基于只涉及节点最近邻居属性的相互作用。然而，一个节点的本地视图，其邻居可能会系统地偏见的网络连接或某些特征的流行的看法。我们研究了强友谊悖论，它发生在大多数节点的邻居有更多的邻居比节点本身。我们开发了一个模型来预测悖论的大小，表明它是由相邻节点的度之间的负相关性增强。然后，我们表明，通过包括邻居-邻居相关性，这是程度相关性的一个步骤，超越那些相邻节点，我们准确地预测了现实世界中的网络中的强友谊悖论的影响。了解悖论如何使局部观测产生偏差，可以更好地测量网络结构，并帮助我们理解集体现象。
2016-12-24 cond-mat.stat-mech cs.CY cs.SI
Risks of Friendships on Social Networks
在本文中，我们探讨了风险的朋友在社交网络的友谊模式所造成的，通过使用现实生活中的社交网络数据，从以前定义的风险模型。特别是，我们观察到，可以通过分析用户对朋友的朋友的态度来挖掘友谊的风险。这使我们能够对社交网络上的友谊和风险动态提供新的见解。
2012-10-11 cs.SI physics.soc-ph
Sentiment Paradoxes in Social Networks: Why Your Friends Are More Positive Than You?
大多数人认为他们的朋友比他们自己更积极，表现出一种情感障碍。心理学研究将这种矛盾归因于人类的认知偏差。为了理解这一现象，我们研究了社交网络中的情感悖论。我们的研究表明，用户的社会联系（朋友，追随者或追随者）确实（不仅仅是虚幻的）比用户本身更积极。这主要是因为积极的用户有更多的朋友。我们确定了五个情绪悖论在不同的网络层次，从黑社会到大规模的社区。实证和理论证据提供了验证这种情绪悖论的存在。通过研究情感悖论与其他成熟的网络悖论之间的关系，友谊悖论和活动悖论，我们发现用户情绪与他们的朋友数量呈正相关，但很少与他们的社交活动。最后，我们展示了如何情感悖论可以用来预测用户的情绪。
2020-05-02 cs.SI
Network Weirdness: Exploring the Origins of Network Paradoxes
社交网络有许多违反直觉的特性，包括“友谊悖论”，即平均而言，你的朋友比你有更多的朋友。最近，在线社交网络中也出现了各种各样的悖论。本文探讨了这些网络悖论的根源。具体来说，我们要问的是，它们是否源于网络的数学特性，或者它们是否具有行为起源。我们发现，从重尾分布抽样总是会引起一个悖论的平均值，但不是中位数。我们提出了一个强大的形式的网络悖论，利用中位数的基础上，并验证它的经验使用两个在线社交网络的数据。具体来说，我们表明，对于任何用户的大多数用户的朋友和追随者有更多的朋友，追随者等比用户，这不能解释的统计特性的采样。接下来，我们通过使用洗牌测试来消除节点度和属性之间的相关性，从而探索悖论的行为起源。我们发现，悖论的平均值持续在洗牌网络，但不是中位数。我们证明了强烈的悖论出现由于用户属性，包括度，度和属性之间的相关性的非线性。
2014-03-27 cs.CY cs.SI physics.soc-ph
Friendship Prediction in Composite Social Networks
友谊预测是社会网络分析（SNA）的一项重要任务。它可以帮助用户识别朋友并提高他们的活动水平。以前的大多数方法都是根据用户的历史记录来预测用户的友谊，例如他们现有的友谊，社交互动等。然而，在现实中，大多数用户在单个网络中的朋友有限，数据可能非常稀疏。稀疏性问题导致现有方法过拟合稀有观测值，并遭受严重的性能下降。当新的社交网络刚刚开始形成时，尤其如此。我们观察到，今天的许多社交网络本质上是复合的，人们经常参与多个网络。此外，用户的友谊总是相关的，例如，他们都是Facebook和Google+上的朋友。因此，通过将这些重叠用户视为桥梁，其他网络中的友谊知识可以帮助预测他们在当前网络中的友谊。这可以通过以集体方式利用不同网络中的知识来实现。然而，由于每个单独的网络都有自己的属性，这些属性可能与其他网络不兼容和不一致，因此将所有网络合并为一个网络可能无法很好地工作。提出的解决方案是通过分层贝叶斯模型提取不同网络之间的共同行为。它捕获跨网络的共同知识，同时避免由于网络差异而产生的负面影响。实证研究表明，所提出的方法提高了平均平均精度的友谊预测超过国家的最先进的基线在9个现实世界的社交网络数据集显着。
2014-02-17 cs.SI physics.soc-ph
Analyzing the Facebook Friendship Graph
在线社交网络（OSN）作为最重要的新兴Web现象之一，在过去几年中获得了巨大的和日益增长的普及，深刻地改变了用户的行为，并有助于在使用Web的人们之间建立坚实的连接和关系基础。在这份初步工作报告中，我们的目的是分析Facebook，考虑反映订阅用户之间关系的重要数据样本。我们的目标是提取，从这个平台上，这些关系的分布相关信息，并利用社会网络分析（SNA）提供的工具和算法来发现，并可能，了解潜在的相似性之间的发展OSN和现实生活中的社交网络。
2011-06-02 cs.SI physics.soc-ph
Limits of Friendship Networks in Predicting Epidemic Risk
感染在现实社会网络中的传播取决于两个过程的相互作用：网络的动态，其结构随着时间的推移而变化，根据个体之间的相遇，以及网络上的动态，其节点可以在相遇后相互感染。身体接触是传染病传播的最常见媒介，但由于收集成本高、不切实际或隐私敏感，有关接触的详细信息往往无法获得。我们问的是，社交网络中个体之间的友谊关系是否能成功预测谁有风险。使用一个流行的在线评论服务的数据集，我们建立了一个随时间变化的网络，它是用户和基于报告友谊的静态网络之间的物理接触的代理。通过计算机模拟，我们比较了由此产生的网络上的感染过程，并表明，虽然友谊网络上的距离与流行病风险相关，但如果感染是由身体接触驱动的，友谊提供了一个很差的识别风险个体的能力。这种限制不是由于感染的随机性，而是由于两个网络的结构差异。与在不同网络上传播的过程之间的宏观相似性相反，由边缘的两种定义确定的局部连通性的差异导致微观水平上的动态之间的显著差异。尽管突出的限制，我们表明，定期和相对不频繁的监测，真正的感染相遇网络允许正确的预测感染的友谊网络，并达到令人满意的预测精度。此外，友谊网络还提供宝贵的信息，在免疫预算有限的情况下，可有效控制流行病的爆发。
2015-10-27 cs.SI physics.data-an physics.soc-ph
The Paradox of Second-Order Homophily in Networks
同质性（Homophily）--节点与其他同类节点连接的倾向--是网络研究的核心问题。在这里，我们采取一个本地的同伦观，定义一阶同伦的节点（它的个人倾向于连接到类似的其他）和二阶同伦的节点（聚合一阶同伦的邻居）的概念。通过这种观点，我们发现了一个令人惊讶的结果同伦值，适用于只有最小的假设图的拓扑结构。它可以简单地表述为“在一个红色和蓝色节点的图中，红色节点的红色朋友平均比蓝色节点的红色朋友更亲同性。“这种平均值的差距违背了简单的直观解释，适用于全球异性恋和同性恋网络，让人想起但在结构上与友谊Parkway不同。这一差距的存在表明，在群体之间的同质性测量的内在偏见，因此是相关的同质性网络的实证研究。
2021-07-16 cs.DM cs.SI math.CO
Evolution Features and Behavior Characters of Friendship Networks on Campus Life
从大数据中分析和挖掘学生的行为和互动，是教育数据采掘必不可少的一部分。基于校园灵巧卡数据，包括3万多名匿名学生的静态人口统计信息和动态行为数据，本文研究了友谊的演化特征以及行为特征与学生交往的关系。一方面，利用本文提出的从月度消费记录中提取的朋友关系，构建了四种不同的演化友谊网络。此外，利用社会网络分析（SNA）和逾渗理论分析了友谊网络的巨连通分量（GCC）特征。另一方面，本研究选取了两个高层次的行为特征，即有序性和勤奋性，来分析它们与学生互动之间的关系。我们的实验/实证结果表明，友谊网络的规模随着时间的增长而下降，小世界效应和幂律度分布在友谊网络中被发现。其次，有序性和勤奋性的相关系数的结果证实了学生之间存在较强的同伴效应。最后，对友谊网络的有序性进行了渗流分析，结果表明友谊网络中存在一个相变，这对通过干预相变点附近的关键学生来实现群体智能具有启发意义。
2020-04-14 cs.SI physics.soc-ph stat.AP
A Friendship Privacy Attack on Friends and 2-Distant Neighbors in Social Networks
在无向社交图中，友谊链接涉及两个用户，并且友谊在两个用户的朋友列表中可见。这种友谊的双重可见性可能会引发隐私威胁。这是因为两个用户都可以单独控制友谊链接对其他用户的可见性，并且他们对链接的隐私政策可能不一致。即使他们中的一个对第三用户隐藏了链接，第三用户也可以从另一个用户的朋友列表中找到这样的友谊链接。此外，由于大多数用户允许他们的朋友在大多数社交网络系统中看到他们的朋友列表，因此对手可以利用不一致的策略来发起隐私攻击，以识别和推断目标用户的许多朋友。在本文中，我们提出，分析和评估这样的攻击，这是所谓的友谊识别和推理（PII）攻击。在PII攻击场景中，我们假设对手只能看到他的朋友列表和他的朋友的朋友列表，而这些朋友并没有对他隐藏朋友列表。然后，一个PII攻击包含两个攻击步骤：1）朋友识别和2）朋友推断。在朋友识别步骤中，对手试图根据他的朋友列表和他的朋友列表来识别目标的朋友。在朋友推断步骤中，对手试图推断目标的朋友使用建议的随机游走与重启方法。我们使用三个真实的社交网络数据集的实验结果表明，当对手和目标是朋友或2-远距离邻居时，FIS攻击通常是有效的。我们还全面分析了攻击结果，以找出哪些参数和网络特征值可能会促进PHI攻击。目前，大多数具有无向友谊图的流行社交网络系统，如Facebook，LinkedIn和Foursquare，都容易受到FIS攻击。
2013-12-01 cs.CR cs.SI physics.soc-ph
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
Information flow simulation community detection of weighted-directed campus friendship network in continuous time
针对传统校园好友网络及社区检测缺乏时间特征的问题，本文重构连续时间加权有向校园好友网络并提出对应社区检测算法，实验证明其效果更优，且同社区学生在消费、饮食、行为上具相似性，丰富了相关理论并为学生管理提供指导。
2023-05-03 cs.CY cs.SI
Tail-scope: Using friends to estimate heavy tails of degree distributions in large-scale complex networks
自然和社会现象中的许多复杂网络往往具有重尾度分布的特征。然而，由于网络数据规模的快速增长以及对使用这些数据的隐私问题的担忧，分析完整的数据集变得更加困难。因此，它是至关重要的，以设计有效的和高效的估计方法，在大规模的网络中的度分布的重尾仅使用一小部分采样节点的局部信息。在这里，我们提出了一个基于友谊悖论的局部观察偏差的尾范围方法。我们发现，尾部范围的方法优于均匀节点抽样估计度分布的重尾，而相反的趋势是在小度的范围内观察。为了充分利用这两种采样方法的优点，我们设计了混合方法，成功地恢复了整个范围的度分布。我们的尾范围方法显示了如何大规模复杂网络的结构异质性可以被用来有效地揭示网络结构，只有有限的本地信息。
2015-05-16 cs.SI physics.data-an physics.soc-ph
Comparing the Structures and Characteristics of Different Game Social Networks -- The Steam Case
在大多数游戏中，社交联系是游戏体验的重要组成部分。玩家在游戏内部或周围的社区中建立联系，并建立友谊，这些友谊可以转化为其他游戏甚至现实世界。最近的研究调查了几个多人游戏的玩家社交网络中的社会现象，但我们仍然对这些网络是如何形成和形成的知之甚少。具体来说，我们不知道游戏类型及其机制如何与其社区结构相关，以及这些结构在不同游戏中如何变化。本文对Steam用户进行了初步分析，并介绍了Steam上的200款游戏是如何建立友谊的。我们通过将这200个游戏分成集群来检查它们的友谊图，以比较它们的网络属性和它们的特定特征（例如，类型、游戏元素和机制）。我们发现Steam用户定义的标签比游戏类型更能表征集群，这表明玩家如何感知和使用游戏也反映了他们在社区中的联系方式。此外，基于团队的游戏与具有更强单人焦点的游戏相比，与更具凝聚力和集群网络相关联，支持团队合作更有可能产生社会资本（即，Steam友谊）。
2021-06-24 cs.HC cs.SI
Estimating within-school contact networks to understand influenza transmission
许多流行病模型通过假设混合群体内的随机混合来近似社会接触行为（例如，家庭、学校和工作场所）。更现实的社会网络结构对流行病参数估计的影响是一个开放的探索领域。我们开发了一个详细的统计模型来估计的社会联系网络在一所高中使用的友谊网络数据和接触行为的调查。我们的接触网络模型包括课堂结构，与朋友的接触时间比非朋友更长，与朋友的接触更频繁，基于接触调查中的报告。我们进行了模拟研究，以探索哪些网络结构与流感传播相关。这些研究产生了两个关键发现。首先，我们发现，友谊网络结构的重要性的传输过程中，可以充分表示为二进制独立的指数随机图模型（ERGM）。这意味着个体水平的采样数据足以描述整个友谊网络。其次，我们发现，接触行为是充分代表了一个静态的，而不是动态的接触网络。
2012-03-15 cs.SI physics.soc-ph stat.AP
