The power of dynamic social networks to predict individuals' mental health
University of Notre Dame(圣母大学);University of California, Los Angeles(加州大学洛杉矶分校);Eck Institute for Global Health(埃克全球健康研究所)
精准医疗在临床内外都受到了关注。我们专注于后者,通过利用个人的社会互动与心理健康之间的关系,从丰富的动态社交网络数据中开发一个人抑郁或焦虑的可能性的预测模型。据我们所知,我们是第一个这样做的。现有的研究与我们的工作至少在一个方面不同:他们没有将社交互动数据建模为网络;他们这样做,但分析静态网络数据;他们检查社交网络和健康之间的“相关性”,但没有开发预测模型;或者他们研究其他个人特征,但不研究心理健康。在一个系统和全面的评估中,我们表明,我们的预测模型,使用动态的社交网络数据是优于其静态网络以及非网络等价物时,运行在相同的数据。
2019-08-06 cs.LG cs.SI stat.ML
Rumor Detection on Social Media with Reinforcement Learning-based Key Propagation Graph Generator
The Chinese University of Hong Kong(香港中文大学);Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学)
针对社交媒体谣言检测中传播图噪声和结构不足的问题,提出基于强化学习的KPG框架,通过生成关键传播图提升检测性能,在四个数据集上优于现有方法。
2025-06-22 cs.AI cs.LG cs.SI
Creativity in social networks is enhanced by 'Goldilocks' dispersal of ideators' visibility
最近的研究表明,在最大化创意刺激和最小化创意冗余之间取得平衡,可以提高自组织社交网络的创造力。我们探讨分散的想法发电机的可见性是否可以帮助实现这样的权衡。我们采用受欢迎的信号(追随者计数)的参与者作为网络结构的变化,我们控制在四个随机研究条件的外部来源。我们观察到,受欢迎的信号会影响寻求灵感的关系,部分原因是人们对同龄人创造力的看法存在偏见。使用这种外部信号部分分散创意者的可见性的网络显示出减少的创意冗余和提高的创造力。然而,极端分散会缩小想法刺激的范围,从而导致创造力低下。我们的工作对提升创造力具有未来工作的意义。
2021-12-06 cs.SI
Exploiting Tweet Sentiments in Altmetrics Large-Scale Data
本文旨在利用科学文献的社会交流,特别是推文,分析社会媒体用户对研究领域内出版物的情绪。首先,我们采用SentiStrength工具,扩展了新创建的词汇,对Altmetric.com提供的与1,083,535篇出版物相关的6,482,260条推文的情感进行分类。然后,我们提出了谐波均值为基础的统计措施,以产生一个专门的词汇,使用积极和消极的情绪得分和频率度量。接下来,我们采用一种新颖的文章级摘要方法来进行领域级情感分析,以衡量Twitter上社交媒体用户对科学文献的看法。最后,我们提出并采用基于方面的分析方法来挖掘用户的表达与文章的各个方面,如推文的标题,摘要,方法,结论,或结果部分。我们发现,研究社区表现出不同的情绪对各自的领域。对文章方面的领域分布的分析表明,在医学,经济学,商业和决策科学中,推文方面集中在结果部分。相比之下,物理学与天文学、材料科学和计算机科学这些方面则侧重于方法论部分。总体而言,本研究有助于我们了解科学共同体对科技文献的在线社会交流情感。具体而言,这种细粒度的分析可以帮助研究界改善他们关于科学文章的社交媒体交流,以有效地传播他们的科学发现,并进一步增加他们的社会影响。
2020-08-29 cs.SI
Generating Reliable Friends via Adversarial Training to Improve Social Recommendation
近年来的社会化推荐研究大多假设人们与他们的朋友分享相似的偏好,并且在线社会关系有助于改进传统的推荐系统。然而,这种假设往往是站不住脚的,因为在线社交网络是相当稀疏的,大多数用户只有少量的朋友。此外,由于建立社交网络过程中的随机性,显性朋友可能不会分享相似的兴趣。因此,为每个用户发现一些可靠的朋友在推进社交推荐中起着重要作用。与其他研究侧重于提取有价值的显性社会联系不同,我们的工作注重在观察到的和未观察到的社交网络中识别可靠的朋友。具体来说,本文提出了一个基于生成对抗网(GAN)的端到端社会化推荐框架。该框架由两个模块组成:一个生成器,用于生成可能增强社交推荐模型的好友;一个搜索器,负责评估这些生成的好友,并根据当前用户及其好友的偏好对项目进行排名。通过生成器和搜索器之间的竞争,我们的框架可以动态地自适应地生成可靠的朋友,这些朋友可以完美地预测当前用户在特定时间的偏好。结果,显式社会关系的稀疏性和不可靠性问题可以得到缓解,社会推荐性能显着提高。在真实数据集上的实验研究证明了该框架的优越性,并验证了生成的可靠朋友的积极效果。
2019-09-08 cs.IR cs.SI
Multiplex Networks Provide Structural Pathways for Social Contagion in Rural Social Networks
University of Arizona(亚利桑那大学);Temple University(天普大学);Yale University(耶鲁大学)
研究基于洪都拉斯110个乡村社区的多层关系与干预实验,提出network torque指标和统计框架,量化不同网络层对健康行为传染路径的贡献。
2025-10-21 cs.SI
Generating social networks with static and dynamic utility-maximization approaches
本文提出基于效用最大化的社交网络生成框架,并开发静态与动态两个版本的人工网络生成器,以支持从经验数据复现网络及分析个体行为约束对网络结构的影响。
2024-11-25 cs.SI math.PR physics.soc-ph
Modeling social media contagion using Hawkes processes
当允许重复激活时,社交网络中会出现传染动力学。这种现象的一个有趣的例子是retweet级联,用户允许重新分享其他人使用公共帐户发布的内容。为了模拟这种类型的行为,我们使用霍克斯自激过程。为了正确地做这件事,我们需要校准考虑中的模型。本文的主要目的是构造该模型的矩估计方法。其中关键的一步是确定Hawkes过程的生成元。我们也对实际数据进行了数值分析。
2020-11-02 cs.SI math.PR
Identifying and Aligning Medical Claims Made on Social Media with Medical Evidence
Department of Computer Science, University Of Sheffield(谢菲尔德大学计算机科学系)
本文研究社交媒体医学主张与循证医学证据的对齐,提出可生成合成医学主张的新系统及EMCC数据集,以改进主张识别、词汇提取和证据检索。
2024-05-18 cs.CL cs.SI
Inference of the Russian drug community from one of the largest social networks in the Russian Federation
麻醉品的犯罪性质使直接评估毒品社区变得复杂,而充分了解吸引或目前使用毒品的人的类型对于找到有效的干预战略至关重要。特别是对俄罗斯联邦来说,这是一个紧迫的问题,因为自90年代初苏联解体以来,俄罗斯联邦的药物滥用现象急剧增加。使用来自俄罗斯社交网络LiveJournal的独特数据,该网络在全球拥有超过3900万注册用户,我们首次能够通过使用已知与毒品相关的官方和“俚语”术语词典对用户博客进行上下文敏感的文本挖掘来识别在线毒品社区。通过比较最积极地在网络上传播毒品信息的用户的兴趣与在线毒品社区之外的个人的兴趣,我们发现,俄罗斯联邦的“平均”吸毒者通常对俄罗斯摇滚、非传统医学、不明飞行物、佛教、瑜伽和神秘学等主题最感兴趣。我们确定了三个不同的无标度子网络的用户可以被唯一地分类为“传染性”,“易感”或“免疫”。
2013-05-13 cs.SI physics.soc-ph
A sneak into the Devil's Colony - Fake Profiles in Online Social Networks
在线社交网络(OSN)在互联网用户进行内容分享、新闻阅读、发布消息、产品评论和讨论事件等日常活动中发挥着重要作用。同时,各种垃圾邮件发送者也同样被这些OSN吸引。这些网络犯罪分子包括性侵犯者,在线欺诈者,广告活动家,鲶鱼和社交机器人等,通过各种手段利用信任网络,特别是通过创建虚假个人资料来传播其内容并进行诈骗。所有这些恶意身份对用户和服务提供商都是非常有害的。从OSN服务提供商的角度来看,除了带宽损失外,虚假配置文件还会影响网络的整体声誉。要找出这些恶意用户,需要大量的人力和更复杂的自动化方法。在本文中,各种类型的OSN威胁生成器,如受损的配置文件,克隆的配置文件和在线机器人(垃圾邮件机器人,社交机器人,像机器人和有影响力的机器人)已被分类。尝试提出几个类别的功能,已被用来训练分类器,以确定一个假的配置文件。已经确定了不同的数据抓取方法以及用于虚假配置文件检测的一些现有数据源。还介绍了对现有网络法律的更新,以遏制基于社交媒体的网络犯罪及其局限性。
2017-05-30 cs.SI
Dynamic Clustering in Social Networks using Louvain and Infomap Method
在社交网络中发现社区或聚类是社会网络分析中的一个著名课题。大多数算法仅限于静态快照,因此无法处理底层图中的动态。在本文中,我们提出了一个修改的Louvain社区检测方法来处理图中的变化,而无需重新运行完整的算法。此外,我们采用了Louvain贪婪的方法来优化信息地图的措施。主要的想法是,重新计算只有一个小区域周围的变化。根据图的大小和更改量,这会导致运行时间大幅减少。作为验证数据,我们提供了一个图形生成器,它在给定的时间产生特定的社区结构,以及将图形从一个特定图形转换到另一个特定图形的中间步骤。实验表明,运行时间的减少是可能的,而不会有太大的质量损失。这些值取决于图形中的再处理区域。
2016-03-08 cs.SI physics.soc-ph
Graph Generators: State of the Art and Open Challenges
互联数据的丰富性推动了图形生成器的设计和实现,这些图形生成器可以再现真实世界的链接属性,或者衡量图形算法、技术和应用程序操纵这些数据的有效性。我们考虑跨多个子领域的图生成,如语义Web,图数据库,社交网络,和社区发现,以及一般的图。尽管这些社区中的现代图形生成器的需求不同,但我们在一个共同的保护伞下对其进行分析,了解其功能,实际用途及其支持的操作。我们认为,这种分类是服务于需要提供科学家,研究人员和从业人员与正确的数据生成器在手,为他们的工作。本调查提供了一个全面的概述,最先进的图形生成器,重点是那些相关的,适合于几个数据密集型任务。最后,我们讨论了当前图形生成器面临的挑战和缺失的需求,以及它们未来在新兴领域的扩展。
2020-01-22 cs.DB cs.IR cs.SI
How Do Hyperedges Overlap in Real-World Hypergraphs? -- Patterns, Measures, and Generators
超图是图的一种推广,自然地表示多个个体或对象之间的组关系,这在许多应用领域中是常见的,包括web、生物信息学和社交网络。每个超边中节点数量的灵活性提供了超图的表现力,但也带来了图和超图之间的结构差异。特别是,重叠的超边导致复杂的高阶关系超越成对关系,提出了新的问题,没有考虑在图:如何超边重叠在现实世界的超图?有没有什么普遍的特征?什么样的潜在过程会导致这种模式?在这项工作中,我们仔细研究了来自不同领域的13个真实超图,并分享了关于超边重叠的有趣观察。为此,我们定义了原则措施,并统计比较重叠的超边在现实世界中的超图和那些在空模型。此外,根据观察,我们提出了HyperLap,一个现实的超图生成模型。HyperLap是(a)现实:它准确地再现了现实世界超图的重叠模式,(b)自动拟合:它的参数可以使用HyperLap+自动调整,以生成与给定目标超图特别相似的超图,(c)可扩展:它在几个小时内生成并拟合具有7亿条超边的超图。
2021-04-20 cs.SI
Latent Network Models to Account for Noisy, Multiply-Reported Social Network Data
社交网络数据通常通过合并来自多个人的报告来构建。然而,如何调和来自个人的不一致反应并不明显。如果人们的反应反映了规范性的期望,例如对平衡、互惠关系的期望,那么多重报告的数据可能会有特别的风险。在这里,我们提出了一个概率模型,它结合了多个人报告的关系,以估计未观察到的网络结构。除了为每个报告者估计一个与他们的过度或低估报告关系的倾向有关的参数外,该模型还明确地纳入了一个术语“相互性”,即在涉及相同改变的两个方向上报告联系的倾向。我们的模型的算法实现是基于变分推理,这使得它高效和可扩展到大型系统。我们将我们的模型应用于从75个印度村庄收集的数据,名称生成器的设计,和一个基于名册的设计收集的社区。我们在两个数据集中都观察到了“相互性”的强有力证据,并发现这个值因关系类型而异。因此,我们的模型估计的网络的互惠值与标准确定性聚合方法产生的互惠值有很大不同,这表明在收集、构建和分析基于调查的网络数据时需要考虑这些问题。
2022-12-12 cs.SI
Learning Individual Causal Effects from Networked Observational Data
Arizona State University(亚利桑那州立大学);University of Virginia(弗吉尼亚大学)
方便地获得观测数据使我们能够在没有随机实验的情况下学习因果效应。这一研究方向在经济学、医疗保健和教育等研究领域引起了越来越多的关注。例如,我们可以使用现有的电子健康记录来研究药物(治疗)如何因果地影响患者的健康状况(结果)。为了验证从观察数据中学习到的因果效应,我们必须控制混杂偏倚--即对治疗和结果都有因果影响的变量的影响。沿着这条线的现有工作绝大多数依赖于不存在未观察到的混杂因素的unconfoundedness假设。然而,这一假设是无法检验的,甚至是站不住脚的。事实上,大多数以前的工作忽略了一个重要的事实,即观察数据可以与网络信息一起使用,这些信息可以用来推断隐藏的混杂因素。例如,在一项药物个体水平治疗效果的观察性研究中,通常不是随机实验,而是根据一系列因素将药物分配给每个个体。一些因素(例如,社会经济地位)可能难以衡量,因此成为隐藏的混杂因素。幸运的是,一个人的社会经济地位可以通过她在社交网络中的联系人来反映。考虑到这一事实,我们的目标是利用网络信息来识别隐藏混杂因素的模式,这将进一步使我们能够从观察数据中学习有效的个体因果效应。在这项工作中,我们提出了一个新的因果推理框架,网络decofounder,学习表示从网络信息中解开隐藏的混淆模式。从经验上讲,我们进行了大量的实验,以验证网络反倒建器在各种数据集上的有效性。
2019-12-01 cs.LG cs.SI
Deep Graph Generators: A Survey
Sharif University of Technology(谢里夫理工大学);Amirkabir University of Technology(阿米尔卡比尔理工大学)
过去几年,深度生成模型在图像、语音和自然语言处理等领域取得了巨大成功。由于基于图的深度学习的进步,特别是图表示学习,深度图生成方法最近出现了新的应用,从发现新的分子结构到建模社交网络。本文对基于深度学习的图形生成方法进行了全面的调查,并将其分为五大类,即自回归,基于自编码器,基于RL,对抗和基于流的图形生成器,为读者提供了每类方法的详细描述。我们还提供了公开的源代码,常用的数据集和最广泛使用的评估指标。最后,我们强调了现有的挑战,并讨论了未来的研究方向。
2020-12-31 cs.AI cs.LG cs.SI
Latency-Bounded Target Set Selection in Social Networks
出于社会学,经济学和医学中的应用,我们研究的目标集选择问题,首先提出了肯普,克莱因伯格和塔尔多斯的变种。在我们的场景中,给定一个图$G=(V,E)$,每个顶点$v$(\emph{thresholds})的整数值$t(v)$,目标是确定一个小的顶点集(\emph{target set}),该顶点集将给定数量(或给定子集)的$G$ \emph{within}的顶点激活规定数量的轮。$G$中的激活过程如下进行:最初,在第0轮,目标集中的所有顶点都被激活;随后,在每一轮$r\geq 1$,如果$t(v)$的至少$t(v)$的邻居在第$r-1$轮之前已经是活动的,则$G$的每个顶点都被激活。已知的是,找到最终激活整个图$G$的最小基数目标集的问题很难近似为比$O(2^{\log^{1-ε}|V|})$更好的因子。本文给出了求有界树宽图的最小基数目标集的\emph{exact}多项式时间算法和树的\emph{exact}线性时间算法。
2014-04-17 cs.DS cs.SI math.CO
Cues to gender and racial identity reduce creativity in diverse social networks
长期以来,社会伙伴的特征一直被假设为对指导群体互动有影响力。了解人口统计学线索如何影响创造性合作者的网络,对于提升其中的创造性表现至关重要。我们进行了一项随机实验,以调查同龄人的性别和种族身份的知识如何扭曲人们的连接模式和由此产生的创造性成果,在一个动态的社会网络。与之前的工作一致,我们发现创造性灵感的联系主要是与顶级想法生成器形成的。然而,当性别和种族身份是已知的,不仅有(1)在同性连接的几率增加了82.03%(但不是为同种族连接),但(2)由这些连接刺激的想法集的语义相似性也显着增加相比,人口统计学不可知的网络,产生负面影响的发散性创造力的结果。我们发现,人口群体内部的想法往往比群体之间的想法更加同质化,从而从基于相似性的联系中拿走了多样性奖金,并部分解释了结果。这些见解可以为智能干预提供信息,以增强整个网络的创造性表现。
2021-04-29 cs.SI physics.soc-ph
Adversarial Classification on Social Networks
通过社交媒体传播不需要的或恶意的内容已成为一个重大挑战。传统的例子包括社交网络垃圾邮件,但一个重要的新问题是通过社交媒体传播假新闻。用于减轻该问题的常见方法是通过使用标准统计分类来区分恶意(例如,假新闻)实例从良性(例如,真实的新闻故事)。然而,这种方法忽略了恶意实例通过网络传播的事实,这在量化后果(例如,通过网络传播的假新闻),以及捕获检测冗余(可以在不同节点检测到不良内容)。另一个问题是规避攻击,恶意实例的生成者通过修改这些实例的性质来逃避检测。我们将这个问题建模为防御者和攻击者之间的Stackelberg博弈,防御者选择检测模型的参数,攻击者选择发起恶意传播的节点和恶意实体的性质。我们开发了一种新的双层规划方法,这个问题,以及一种新的解决方案的基础上隐函数梯度的方法,并通过实验证明了我们的方法的优势,忽略网络结构的替代品。
2018-01-24 cs.MA cs.SI
"I'm in the Bluesky Tonight": Insights from a Year Worth of Social Data
针对社交媒体 API 受限导致数据短缺的问题,本文发布了一个覆盖 400 万 Bluesky 用户、2.35 亿条帖子及多种互动和推荐算法输出的大规模数据集,为在线行为与内容传播研究提供真实基准数据。
2024-04-29 cs.CY cs.SI
Quality of Life Assessment of Diabetic patients from health-related blogs
动机:人们正在生成大量的社会数据来描述他们的医疗保健体验,并不断搜索有关疾病,症状,诊断,医生,治疗方案和药物的信息。这些社会痕迹越来越多的可用性提供了一个有趣的机会,以提高及时性和效率的照顾。通过收集、分析和利用这些信息,有可能修改或在任何情况下显著提高我们对病理表现的认识,并获得对患者经历的更详细和细致入微的看法,我们称之为疾病的“社会表型”。材料和方法:在本文中,我们提出了一个数据分析框架来表示,提取和分析疾病的社会表型。为了显示我们的方法的有效性,我们提出了一个详细的糖尿病案例研究。首先,我们创建了一个高质量的糖尿病患者信息数据样本,这些信息是从10多年来流行的医学论坛中提取的。接下来,我们使用基于潜在分析和词嵌入的主题提取技术,以识别这些患者的主要并发症,经常报告的症状和共同关注的问题。结果如下:我们表明,一个自由表现的感知疾病可以明显不同的是从问卷调查,调查和其他常用的方法来衡量疾病对患者的生活质量的影响推断。在我们对糖尿病的案例研究中,我们发现据报道对糖尿病患者有日常影响的问题是饮食,血糖控制,药物和临床测试。这些问题在生活质量评估中通常不被考虑,因为医生不认为它们代表严重的局限性。
2019-02-18 cs.CY cs.SI
Graph Data Augmentation via Contrastive Generator Inversion ($\texttt{DCBA}$)
Wrocław University of Science and Technology(弗罗茨瓦夫理工大学);University of Technology Sydney(悉尼科技大学);SGH Warsaw School of Economics(华沙经济大学);Toronto Metropolitan University(多伦多都会大学)
本文提出DCBA,一种基于模型的反演图生成器配置的图数据增强方法,通过多正对比学习联合表示图与生成器参数,恢复ABCD配置以保留宏观结构,并在社区检测中显著提升AMI性能。
2026-10-06 cs.LG cs.SI
Do ResearchGate Scores create ghost academic reputations?
学术社交网站ResearchGate(RG)对其成员有自己的指标RG Score。该网站的高调性质意味着RG分数可用于招聘,晋升和其他任务,其中研究人员进行评估。作为回应,本研究调查是否是合理的雇用RG分数作为学术声誉的证据。为此,研究了三个不同的作者样本。一个离群样本包括104位具有高价值的作者。诺贝尔奖的样本包括医学与生理学、化学、物理学和经济学(1975年至2015年)的73位诺贝尔奖得主。纵向样本包括具有不同RG评分的4位作者的每周数据。结果表明,高RG分数主要来自与在网站中提问和回答问题相关的活动。特别是,似乎不可能仅仅通过出版物获得高RG分数。在RG中,可以区分在网站中互动很少的(被动)学者和主动平台用户,后者可以通过与网站内的其他人(问题,答案,与有影响力的研究人员的社交网络)进行互动来获得高RG分数。因此,RG分数不应被误认为是学术声誉指标。
2017-05-09 cs.DL cs.SI
Synthetic generation of online social networks through homophily
针对真实在线社交网络数据获取受限的问题,本研究提出基于同质性的合成算法,整合语义亲和性、三元闭包等机制,经超参数校准后可生成兼具拓扑真实性与属性驱动社区的可扩展社交网络测试平台,性能优于主流方法。
2025-09-02 cs.CY cs.SI
A Synthetic Network Generator for Covert Network Analytics
我们研究社交网络,并专注于隐蔽(也称为隐藏)网络,如恐怖分子或犯罪网络。他们的组织、成员和活动都是非法的。因此,有关隐蔽网络的数据往往是不完整的,部分是不正确的,使得解释这种网络的结构和活动具有挑战性。由于法律原因,研究人员无法获得有关主动隐蔽网络的真实数据。为了解决这些挑战,我们在这里介绍一个合成网络的网络生成器,该合成网络在统计上与真实网络相似,但没有关于其成员的个人信息。生成器使用关于真实或想象的隐蔽组织网络的统计数据。它生成网络组的随机块模型的随机实例,但保留了这种网络组织结构。这种匿名网络的直接使用是为了训练他们的研究和分析工具,以发现隐蔽网络的结构和动态。由于这些合成网络的边缘和社区集不同,因此它们可以用作网络分析的新来源。首先,它们提供了对原始网络数据的替代解释。这些替代解释的概率分布使新的网络分析成为可能。分析者可以发现群落结构是频繁的,因此在扰动下是稳定的。它们还可以分析稳定性如何随扰动强度而变化。对于隐蔽网络,分析人员可以量化统计预期的阻断结果。这种分析适用于所有数据不完整或部分不正确的复杂网络。
2020-08-10 cs.SI physics.soc-ph
SynCo: Synthetic Community-Aware Attributed Graph Generator for Graph Neural Network Benchmarking
Federal University of São Carlos(圣卡洛斯联邦大学);Federal University of Mato Grosso do Sul(南马托格罗索联邦大学)
SynCo是一种社区感知的属性图生成器,允许用户控制度分布和子社区结构,在图模仿、超参数评估和节点聚类任务中优于现有方法,并能生成多达210万节点的大规模图。
2026-09-11 cs.LG cs.SI