Integrating Prior Knowledge in Mixed Initiative Social Network Clustering
我们提出了一种新的方法-称为PK聚类-帮助社会科学家在社交网络中创建有意义的集群。存在许多聚类算法，但大多数社会科学家发现它们难以理解，并且工具不提供任何指导来选择算法，或考虑科学家的先验知识来评估结果。我们的工作介绍了一种新的聚类方法和一个可视化的分析用户界面，解决这个问题。它是基于一个过程，1）捕捉科学家的先验知识作为一组不完整的集群，2）运行多个聚类算法（类似于聚类集成方法），3）通过每个算法与先验知识的匹配程度来可视化所有算法的结果，4）评估用户选择的算法之间的一致性，以及5）允许用户查看细节并迭代地更新所获取的知识。我们描述了我们的方法，使用一个初始的功能原型，然后提供两个例子的使用和早期反馈的社会科学家。我们相信我们的聚类方法提供了一种新的建设性方法，迭代地构建知识，同时避免过度受经常随机选择的黑盒聚类算法的结果的影响。
2021-05-17 cs.HC cs.SI
Clustering function: a measure of social influence
在真实网络中，一个常用的邻接关系的统计依赖特性，即聚类系数，评估给定顶点的两个邻居相邻的机会。通过考虑两个随机选择的顶点相邻的条件概率，得到一个扩展，因为它们有r个共同的邻居。我们将这样的概率表示为cl（r），并将r-> cl（r）称为聚类函数。我们比较了几个网络的聚类功能具有不可忽略的聚类系数。它们显示出相似的模式和令人惊讶的规律性。我们建立了相关随机交图模型的聚类函数的一阶渐近（当顶点数趋于无穷大时），该模型允许非零聚类系数和具有有限二阶矩的渐近度分布.
2013-04-26 cs.SI math.CO math.PR
On a Connection Between Small Set Expansions and Modularity Clustering in Social Networks
在本文中，我们探讨了两个看似不同的问题之间的连接从两个不同的领域：在独特的游戏猜想研究的小集扩展问题，和一个流行的社区发现方法的社交网络被称为模块化聚类方法。我们表明，一个次指数时间算法的小集合扩展问题导致一个次指数时间常数因子近似的模块化聚类问题的一些硬输入实例。
2014-02-11 cs.CC cs.SI physics.soc-ph
Communication activity in a social network: relation between long-term correlations and inter-event clustering
人类在社交网络中交流的时间模式并不是随机的。相反，沟通是由新兴的统计规律，如非平凡的相关性和集群。最近，我们发现用户在社交社区中的活动存在长期相关性。在这里，我们将这项工作扩展到研究整个社区的集体行为。我们的目标是了解集群和长期持久性的起源。在个人层面上，我们发现，在活动的相关性是一个副产品的聚类表示在幂律分布的事件间的时间的单个用户。相反，整个社区的活动呈现出长期的相关性，这是系统真正的涌现属性，即它们与事件间时间的分布无关。这一结果表明，存在的集体行为，可能产生于非平凡的通信模式，通过嵌入的社会网络。
2012-05-08 cs.SI physics.soc-ph
Unsupervised Social Event Detection via Hybrid Graph Contrastive Learning and Reinforced Incremental Clustering
Institute of Software, Chinese Academy of Sciences（中国科学院软件研究所）；University of Chinese Academy of Sciences（中国科学院大学）；National Defense University（国防大学）
针对现有无监督社交事件检测方法存在的GCL信息学习不充分、依赖先验知识的问题，提出融合混合图对比学习与强化增量聚类的HCRC方法，在多个数据集和设置下实现显著性能提升。
2023-12-15 cs.AI cs.SI
A fast clustering algorithm for mining social network data
许多信仰不同的团体正在网上互动。在线社区中的互动有助于人们相互参与，并增强跨群体的理解。在线社区包括多个子社区，其成员由于社会关系、特征或关于某个主题的想法而相似。在这项研究中，我们有兴趣了解这些子社区的相对规模和活动的变化，它们的合并或分裂模式，以及由于社区内部的内生动力，这些子社区成员的观点的变化。
2014-08-29 cs.SI physics.soc-ph
Graph Neural Networks-based Clustering for Social Internet of Things
在本文中，我们提出了一个机器学习过程，用于将大型社交物联网（SIoT）设备聚类为几组共享强关系的相关设备。为此，我们根据物联网设备及其社会关系的历史数据集生成无向加权图。利用这些图的邻接矩阵和物联网设备的特征，我们使用图神经网络（GNN）嵌入图的节点，以获得物联网设备的数字矢量表示。矢量表示不仅反映了设备的特性，而且还反映了它与对等设备的关系。然后将获得的节点嵌入馈送到传统的无监督学习算法以相应地确定聚类。我们展示了使用两种著名的聚类算法（特别是K-means和基于密度的集群发现算法（DBSCAN））获得的物联网组。最后，我们比较了所提出的基于GNN的聚类方法在覆盖率和模块化方面的性能的确定性鲁汶社区发现算法只适用于从不同的关系创建的图形。结果表明，该框架在聚类大规模物联网系统方面取得了可喜的初步成果。
2020-07-08 cs.NI cs.SI
Fast generation of simple directed social network graphs with reciprocal edges and high clustering
在线社交网络已经成为日常交流或分享信息和新闻的有用工具。最流行的网络之一是Twitter，用户通过直接的追随者关系相互连接。研究人员研究了Twitter的追随者图，并描述了他们的各种拓扑特征。收集Twitter数据，特别是抓取用户的追随者，是一个繁琐而耗时的过程，由于其敏感性，包含个人用户信息，需要仔细对待数据。因此，我们的目标是快速生成合成有向社会网络图的相互边缘和高聚类。我们提出的方法是基于以前开发的模型，但依赖于较少的超参数，并具有显着较低的运行时间。实验结果表明，该方法不仅能很好地复制爬行后的有向Twitter图，而且能有效地提高网络的性能.几个拓扑特征和流行病传播过程的应用，但它也是高度可扩展的，允许快速创建表现出与真实世界网络相似属性的更大的图。
2022-08-22 cs.SI
Extracting real social interactions from social media: a debate of COVID-19 policies in Mexico
Universidad Nacional Autónoma de México (UNAM)（墨西哥国立自治大学）；Instituto de Investigaciones en Matemáticas Aplicadas y en Sistemas, Universidad Nacional Autónoma de México (UNAM)（墨西哥国立自治大学应用数学和系统研究所）；Instituto de Investigaciones Biomédicas, Universidad Nacional Autónoma de México (UNAM)（墨西哥国立自治大学生物医学研究所）；Centro de Ciencias de la Complejidad, Universidad Nacional Autónoma de México（墨西哥国立自治大学复杂科学中心）；Lakeside Labs GmbH（湖畔实验室有限公司）
本文通过分析社交媒体中朋友和敌人的动态网络，揭示了新冠政策辩论中真实社交互动的结构特征。
2021-06-16 cs.SI physics.soc-ph
Mutual Clustering Coefficient-based Suspicious-link Detection approach for Online Social Networks
在线社交网络（OSN）是网络上的流行且快速的信息传播媒介，其中每天在世界各地建立数百万个新的连接，这些连接是积极的（例如熟人）或消极的（例如敌意）。负面链接（或者有时我们可以说是有害的连接）主要是由虚假的个人资料建立的，因为它们是由具有不良目的的头脑创建的。检测在线用户中的负面（或可疑）链接可以更好地帮助缓解来自OSN的虚假配置文件。提出了一种改进的聚类系数公式，称为互聚类系数，用Mcc表示，用来定量度量一个组中两个连通用户的好友之间的连通性。本文提出了一种基于互聚类系数和用户个人资料信息的分类系统来检测用户社区中的可疑链接。个人资料信息帮助我们找到用户之间的相似性。已经采用不同的相似性度量来计算连接的用户对之间的简档相似性。实验结果表明，四个基本的和容易获得的功能，如工作（w），教育（e），家乡（ht）和当前城市（cc）随着M_CC在设计一个成功的分类系统中起着至关重要的作用，可疑链接的检测。
2018-05-01 cs.SI
Interest Clustering Coefficient: a New Metric for Directed Networks like Twitter
我们在这里研究有向社会图的聚类。聚类系数的引入是为了捕捉一个朋友的朋友倾向于成为我的朋友的社会现象。该度量已被广泛研究，并已被证明对描述社交图的特征非常感兴趣。事实上，聚类系数适用于其中链接是无向的图，例如友谊链接（Facebook）或专业链接（LinkedIn）。对于一个从信息源指向信息消费者的链接图来说，它并不足够。我们发现，以前的研究已经错过了很多的信息中所包含的有向图的一部分。因此，我们引入了一个新的度量标准来衡量一个有向社会图的兴趣链接，即兴趣聚类系数的聚类。我们在一个非常大的社交图上计算它（精确地使用抽样方法），一个拥有5.05亿用户和230亿链接的Twitter快照。我们还提供了以前引入的有向和无向指标的值，第一次在这样一个大的快照。我们发现，兴趣聚类系数是大于经典的有向聚类系数在文献中介绍。这显示了度量捕获有向图的信息方面的相关性。
2020-08-02 cs.SI physics.soc-ph
Social and Spatial Clustering of People at Humanity's Largest Gathering
科学和社会系统的宏观行为是其组成要素的微观行为的集合的结果，但在人类行为中将宏观与微观联系起来传统上是困难的。同质性的表现，即个体倾向于与相似的人互动的概念，在许多小型和中型环境中已经被观察到。然而，这种行为是否转化为真正的宏观水平，以及其后果可能是什么，仍然是未知的。在这里，我们使用呼叫详细记录（CDR），以研究人口动态和社会和空间同质性的表现在宏观层面上的印度23个州的居民在大壶节，为期3个月的印度教节日。我们估计有6 100万人参加了这个节日，使其成为人类历史上最大的聚会。虽然我们发现了强有力的整体证据，这两种类型的同质性的居民不同的国家，参与者从低代表性国家表现出相当强的倾向，社会和空间同质性比那些从高代表性国家。这些同质性的表现在拥挤的日子里会被放大，比如节日的高峰日，我们估计有2500万人参加。我们的研究结果证实，同质性，这可能是由社会影响引起的，渗透到人类行为的各个层面。
2016-05-23 cs.SI physics.soc-ph stat.AP
Tripartite Graph Clustering for Dynamic Sentiment Analysis on Social Media
The Chinese University of Hong Kong（香港中文大学）
社交媒体（例如Twitter）的日益普及允许用户轻松地彼此分享信息，并通过表达自己对各种主题的看法来影响他人。在这项工作中，我们提出了一个无监督的\emph{tri-clustering}框架，分析用户级和推文级的情感，通过共同聚类的三方图。该框架的一个引人注目的特点是，推文，用户和功能的情感聚类的质量可以通过联合聚类相互提高。我们进一步研究在线框架中用户级情感和潜在特征向量的演变，并设计一种高效的在线算法，用新到达的数据顺序更新推文、用户和特征的集群。在线框架不仅提供了更好的质量的动态用户级和推文级情感分析，但也提高了计算和存储效率。我们验证了2012年11月加州选票Twitter数据的有效性和效率的方法。
2014-06-12 cs.CL cs.IR cs.SI
Determining Impact of Social Media Badges through Joint Clustering of Temporal Traces and User Features
徽章是激励用户在在线网站上执行某些操作的常见方法，有时甚至是唯一的方法。然而，由于影响用户时间动态的许多竞争因素，难以确定徽章是否具有（或将具有）预期效果。在本文中，我们介绍了两种互补的方法来确定徽章对用户的影响。在第一种方法中，我们对用户的时间轨迹（用点过程表示）进行聚类，并应用协变量（用户特征）来正则化结果。在第二种方法中，我们首先用一个新的统计框架对用户的时间轨迹进行分类，然后用协变量的半监督聚类来细化分类结果。从一个流行的Q&A平台的合成数据集和两个徽章上的实验的评价获得的结果证实，它是可能的验证，表征，并在一定程度上预测受徽章影响的用户。
2017-10-04 cs.SI
Role of social environment and social clustering in spread of opinions in co-evolving networks
采取务实的方法，在集体意见形成的现象所涉及的过程中，我们调查了两个具体的修改意见形成的共同进化的网络选民模型，研究由Holme和Newman [1]。首先，我们用个体之间接受或拒绝意见的概率分布来代替重新布线概率参数，以解释社会群体中个体之间关系的不对称影响。其次，我们修改了重新布线步骤的路径长度为基础的偏好重新布线，加强本地集群。我们已经研究了这些修改对该模型的模拟结果的影响。我们发现，改变接受或拒绝意见的概率分布的形状可以导致两个性质不同的最终状态的出现，一个具有几个孤立的连接组件，每个组件都在内部共识中，导致存在不同的意见集，另一个具有一个单一的主导连接组件，其中每个节点都具有相同的意见。此外，更重要的是，我们发现网络中的初始聚类也可以引起类似的过渡。我们的研究还提出，这些转变是由一个弱的和复杂的依赖系统的大小。我们发现，在模型的最终状态的网络具有丰富的结构属性，包括小世界性质的一些参数制度。[1]Holme和M. Newman，Phys.Rev.E74，056108（2006）.
2013-08-12 cs.SI physics.soc-ph
In a World That Counts: Clustering and Detecting Fake Social Engagement at Scale
依赖于用户生成内容的Web服务如何区分垃圾邮件发送者的虚假社交活动和合法社交活动？在本文中，我们专注于YouTube的社交网站和识别不良行为者发布无机内容和膨胀的社会参与指标的计数的问题。我们提出了一种有效的方法，Leas（Local Expansion at Scale），并展示了如何通过分析基于用户和YouTube视频之间的参与行为模式的时间图来跟踪YouTube上的虚假参与活动。与垃圾邮件种子的领域知识，我们制定和解决问题的半监督的方式-与搜索的个人，具有类似的行为模式作为已知的种子-基于图扩散过程通过局部谱子空间的目标。我们提供了一个快速，可扩展的MapReduce部署适应本地化谱聚类算法。我们通过在实践中实现YouTube评论图上98%的手动审查准确率来证明我们在Google部署的有效性。与最先进的CopyCatch算法相比，Leas的运行时间快了10倍。Leas在Google积极使用，在YouTube的参与度图上搜索超过10亿用户的日常欺骗行为。
2016-01-20 cs.SI
GEMSEC: Graph Embedding with Self Clustering
现代图嵌入程序可以有效地处理具有数百万个节点的图。在本文中，我们提出了GEMSEC -一个图形嵌入算法，学习聚类的节点，同时计算其嵌入。GEMSEC是基于序列的图嵌入领域早期工作的一般扩展。GEMSEC将节点放置在抽象特征空间中，其中顶点特征最小化保留采样顶点邻域的负对数似然，并且通过机器学习正则化结合已知的社交网络属性。我们提出了两个新的社会网络数据集，并表明，通过同时考虑嵌入和聚类问题的社会属性，GEMSEC提取高质量的集群竞争或优于其他社区发现算法。在实验中，该方法被发现是计算效率和强大的超参数的选择。
2019-07-25 cs.SI
Learning Social Circles in Ego Networks based on Multi-View Social Graphs
在社会网络分析中，自我网络中的社交圈自动识别是一项重要的研究课题，具有用户隐私保护、兴趣群体推荐等潜在应用价值。到目前为止，大多数研究都集中在解决两个问题，即，如何检测重叠的圆，以及如何检测圆使用网络结构和网络节点属性的组合。本文提出了一个正交的研究问题，即如何检测圆的网络结构（通常）描述的多个视图的基础上？我们的调查开始于从Twitter上抓取自我网络，并采用经典的技术，通过六个视图，包括用户关系，用户交互和用户内容来建模其结构。然后，我们应用标准和我们修改后的多视图谱聚类技术来检测这些自我网络中的社交圈。基于广泛的自动和手动实验评估，我们提供了两个主要发现：首先，多视图聚类技术比普通的单视图聚类技术性能更好，所述普通的单视图聚类技术仅使用一个视图或天真地集成所有视图用于检测，第二，标准的多视图聚类技术不如我们的修改技术鲁棒，其基于稀疏网络结构（潜在地）不完整的假设来选择性地跨视图传送信息。特别是，第二个发现使我们相信，在潜在不完整的网络上直接应用标准聚类可能会产生有偏差的结果。我们轻轻地研究这个问题，在理论上，我们得出这样的偏见的上限，通过整合理论的谱聚类和矩阵扰动，并讨论它可能会受到影响的几个网络特性。
2016-12-24 cs.LG cs.SI
Clustering of Social Media Messages for Humanitarian Aid Response during Crisis
Wright State University（莱特州立大学）；Dataminr Inc.（Dataminr公司）
社交媒体已迅速发展成为人们在危机事件中沟通和表达需求的重要工具。之前在分析社交媒体数据以进行危机管理方面的工作主要集中在自动识别可操作的（或信息性的）危机相关消息。在这项工作中，我们展示了深度学习和自然语言处理的最新进展，在对信息量进行分类的任务中优于先前的方法，并鼓励该领域将其用于研究甚至部署。我们还将这些方法扩展到信息量的两个子任务，并发现深度学习方法在这里也是有效的。
2020-07-23 cs.CL cs.SI
Seating Assignment Using Constrained Signed Spectral Clustering
在本文中，我们提出了一种新的方法，限制集群大小签署谱聚类，使我们能够细分大群体的人的基础上，他们的关系。一般来说，有符号聚类只需要K个硬簇，并且不限制簇的大小。我们扩展了有符号聚类，包括集群大小的限制。使用座位分配的例子，我们有效地找到了具有高社会亲和力的人群，同时减轻了彼此不喜欢的人之间尴尬的社会互动。
2017-08-02 cs.DC cs.SI
Impact of Clustering on the Performance of Network De-anonymization
最近，图匹配算法已被成功地应用到网络去匿名化的问题，其中节点（用户）参与到一个以上的社会网络被识别，只有通过他们的链接到其他成员的结构。这个过程利用了一组初始的种子节点，这些节点足够大，可以触发一个渗透过程，这个过程可以正确地匹配不同社交网络中几乎所有的其他节点。我们的主要贡献是展示聚类所发挥的关键作用，这是现实社会网络图（和许多其他系统）的一个无处不在的功能。聚类既有使匹配算法更容易出错的效果，也有可能大大减少触发渗透所需的种子数量，这要归功于波浪式传播效应。我们证明了这些事实，考虑一个相当普遍的类的随机几何图形与可变聚类水平，并显示如何聪明的算法可以实现令人惊讶的良好性能，同时包含匹配错误。
2015-08-09 cs.SI
Clustering online social network communities using genetic algorithms
为了分析在线社交网络（OSN）中的活动，我们引入了“吸引节点”（NoA）的概念，它代表了网络社区中最活跃的节点。该NoA被识别为吸引其他节点并在任何时间点形成集群的发布/通信的起源/发起者。在这项研究中，一个遗传算法（GA）被用作数据采掘方法，其主要目标是确定集群的网络社区在一个给定的OSN数据集。这种方法在处理我们研究的OSN中不同类型的讨论主题时是有效的-评论，电子邮件，聊天表情等，并且可以根据一个或多个主题形成集群。我们相信，这项工作可以是有用的，在寻找这种基于遗传算法的聚类的在线交互的传播源，并报告了一些实验结果与现实世界的数据，并证明了所提出的方法的性能。
2013-12-08 cs.SI physics.soc-ph
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
Vulnerability of Clustering under Node Failure in Complex Networks
对于现实世界的网络来说，响应于意外事件的鲁棒性总是令人期望的。为了提高任何网络系统的鲁棒性，重要的是要分析外部扰动的脆弱性，如随机故障或对抗攻击发生在网络的元素。在本文中，我们研究了一个新出现的问题，在评估复杂网络的鲁棒性：脆弱性的聚类网络元件的故障。具体来说，我们确定顶点的故障将严重损害网络，通过降低其聚类，通过平均聚类系数进行评估。这个问题很重要，因为对聚类进行的任何重大更改（由元素故障引起）都可能降低网络性能，例如信息在社交网络中传播的能力。我们制定这个脆弱性分析作为一个优化问题，证明其NP-完全性和非单调性，我们提供了两个算法来确定最重要的聚类顶点。最后，我们在由各种知名模型生成的合成社交网络以及真实社交网络的痕迹中进行综合实验。与其他竞争策略的实验结果表明了我们所提出的算法的有效性。
2017-01-30 cs.SI
Mutual or Unrequited Love: Identifying Stable Clusters in Social Networks with Uni- and Bi-directional Links
许多社交网络，Slashdot和Twitter可以表示为有向图（有向图），实体之间有两种类型的链接：相互（双向）和单向（单向）连接。社会科学理论表明，相互联系比单向联系更稳定，单向联系表现出成为相互联系的各种倾向。因此，当执行具有双向和单向连接的社交网络的聚类时，考虑这种趋势是重要的。在本文中，我们利用二元方法来分析社交网络，并发展了一个广义的相互倾向理论，以捕捉那些倾向于建立相互连接的节点对比那些偶然发生的倾向。利用这些结果，我们开发了一个相互性趋势感知谱聚类算法，以确定更稳定的集群，最大限度地提高集群内的相互性趋势和最小化跨集群的相互性趋势。在合成数据集以及真实在线社交网络数据集（如Slashdot）上的大量仿真结果表明，我们提出的相互趋势感知谱聚类算法比传统谱聚类方法提取出更稳定的社会社区结构。
2012-03-25 cs.SI physics.soc-ph
Clustering memes in social media streams
Indiana University（印第安纳大学）
社交媒体中的内容聚类问题具有广泛的应用，包括讨论主题的识别、事件检测和内容推荐。在这里，我们描述了一个流媒体框架，用于在线检测和聚类社交媒体中的模因，特别是Twitter。一个预聚类过程，即原素检测，首先隔离的推文所携带的信息的原子令牌。其后，基于多个相似性度量来聚合原素，以获得作为反映实际概念或讨论主题的推文的内聚群组的模因。聚类算法考虑了数据和元数据的各个维度，包括自然语言、社交网络和信息扩散模式。因此，我们的系统可以建立集群的语义，结构和主题相关的推文。聚类过程基于在线K均值的变体，其中包含记忆机制，用于“忘记”旧的模因并随着时间的推移用新的模因替换它们。我们的框架的评估是通过使用Twitter趋势主题的数据集进行的。在一周的时间里，我们系统地确定了我们的算法是否能够恢复趋势标签。我们表明，所提出的方法优于基线算法，只使用内容功能，以及一个国家的最先进的事件检测方法，假设充分了解底层的追随者网络。我们最后表明，我们的在线学习框架是灵活的，由于其独立性所采用的聚类算法，最适合工作在流的情况下。
2014-11-03 cs.CY cs.LG cs.SI
Fast Generation of Large Scale Social Networks with Clustering
社交网络文献中的一个关键挑战是网络生成的问题-也就是说，我们如何创建与大多数现实世界网络中传统特征相匹配的合成网络？社交网络中存在的重要特征包括幂律度分布、小直径和大量聚类;然而，大多数当前的网络生成器，如Chung Lu和Kronecker模型，在很大程度上忽略了图中存在的聚类，并选择专注于保留其他网络统计数据，如幂律分布。指数随机图模型等模型具有传递性参数，但在计算上难以学习，使得扩展到大型现实世界网络变得棘手。在这项工作中，我们提出了一个扩展的Chung Lu随机图模型，传递Chung Lu（TCL）模型，其中包括一个随机传递边的概念。也就是说，有一定的概率，它会选择连接到一个节点正好两跳远，已经介绍给一个“朋友的朋友”。在所有其他情况下，它将遵循标准的Chung Lu模型，根据给定的不变分布从图中的任何地方选择一个“随机冲浪者”。我们证明了TCL的预期度分布等于原始图的度分布，同时能够捕获网络中存在的聚类。我们的模型所需的单个参数可以在具有数百万条边的图上在几秒钟内学习，而网络可以在边数呈线性的时间内生成。我们在四个真实世界的社交网络上展示了TCL的性能，包括一个具有数十万个节点和数百万条边的电子邮件数据集，显示TCL生成的图与原始网络的度分布，聚类系数和跳点图相匹配。
2012-02-22 cs.SI physics.soc-ph
An Influence-based Clustering Model on Twitter
Stevens Institute of Technology（史蒂文斯理工学院）
本文介绍了一个时间框架检测和聚类的突发和病毒性的社交网络上的主题。基于用户在社交网络上的行为和来自Twitter API的数据集，使用聚类方法探索了病毒式内容发展的内源性和外源性影响。结果进行了讨论，通过引入指标，如流行度，突发性和相关性得分。结果表明，两类用户的开发内容的特点有明显的区别。
2018-11-19 cs.CL cs.SI
Clustering Memes in Social Media
社交媒体的日益普及为研究人类社会行为创造了新的机会，同时也挑战了我们分析其海量数据流的能力。新出现的任务之一是区分不同类型的活动，例如，设计的错误信息活动与自发的沟通。这样的检测问题需要一个正式的定义模因，或单位的信息，可以通过社会网络在人与人之间传播。一旦识别出模因，就可以应用监督学习方法来对不同类型的通信进行分类。然而，模因的适当粒度很难从标签和关键字等现有实体中捕获。在这里，我们提出了一个新的任务检测模因聚类消息从大的社会数据流的框架。我们评估各种相似性措施，利用内容，元数据，网络功能，以及它们的组合。我们还探讨了基于现有实体的预聚类的想法。使用手动策划的数据集作为地面实况进行系统评估。我们的分析表明，预聚类和异构特征的组合产生的最佳权衡的集群数量和它们的质量，表明一个简单的组合的基础上成对的相似性最大化是有效的参数的非平凡优化。我们的方法是全自动的，无监督的，可扩展的实时检测流数据中的模因。
2013-10-10 cs.CY cs.SI physics.data-an
Clustering Drives Cooperation on Reputation Networks, All Else Fixed
社交网络上基于声誉的合作提供了图属性和社会信任之间的因果关系机制。最近关于社会“结构性微观基础”的论文利用这一观点来说明人口统计过程，如生育率下降，城市化和移民，可以改变人类社会的逻辑。本文以一种不专门研究网络的科学家可以访问的方式演示了潜在的机制。此外，本文还表明，当网络的大小和度固定时（即，所有图具有相同数量的代理，这些代理都具有相同数量的连接），正是聚类系数驱动了社交网络的合作程度的差异。
2022-03-01 cs.SI econ.TH q-bio.PE
Respondent-driven sampling bias induced by clustering and community structure in social networks
使用标准抽样方法对隐藏人口进行抽样特别具有挑战性，主要是因为缺乏抽样框。响应者驱动的抽样（RDS）是一种替代方法，利用同龄人之间的社会联系，以达到这些难以达到的人群中的个人和重量。这是一个滚雪球式的抽样程序，根据接触人数的差异，对被抽样的可能性调整答卷人的权重。在RDS中，社会联系的结构因此定义了采样过程并影响其覆盖范围，例如通过将采样限制在网络的子区域内。在本文中，我们研究的偏见引起的网络结构，如社会三角形，社区结构，和异质性的联系人的数量，在招聘树和RDS估计。我们模拟不同的网络结构和响应率的情况下，研究潜在的偏见，人们可能会期望在现实环境中。我们发现，估计变量的患病率与个人所属的网络社区的大小有关。此外，我们观察到，如果样本和网络的大小相似，那么在某些情况下，低度节点可能会被欠采样。最后，我们还表明，低响应率导致合理准确的平均估计的患病率，但产生相对较大的偏差。
2015-03-19 cs.SI physics.data-an physics.soc-ph
Community detection using spectral clustering on sparse geosocial data
在这篇文章中，我们确定在洛杉矶Hollenbeck警务区的帮派成员之间的社会社区，根据稀疏的社会互动和个人的地理位置相结合的观察。这些信息来自LAPD现场访谈卡，用于构建个体的相似性图。我们使用谱聚类来识别图中的聚类，对应于Hollenbeck的社区，并将其与LAPD对个人帮派成员身份的了解进行比较。我们讨论了不同的方式编码的地理社会信息，使用图形结构和对所产生的聚类的影响。最后，我们分析了这种技术的鲁棒性与噪声和不完整的数据，从而提供建议的数量与质量的相对重要性收集的数据。
2012-11-08 cs.SI physics.soc-ph stat.AP
Improved Density-Based Spatio--Textual Clustering on Social Media
Dankook University（檀国大学）
当输入数据类型在文本描述方面是异构的时，DBSCAN可能是不够的。当我们旨在发现与社交媒体上的特定兴趣点（POI）相关的地理标记记录的集群时，仅检查一种类型的输入数据（例如，与POI相关的推文）可能由于噪声区域而绘制不完整的聚类图。为了克服这个问题，我们引入DBSTexC，一个新定义的基于密度的聚类算法，使用空间文本信息。我们首先将POI相关和POI不相关的推文分别描述为包含和不包含POI名称或其语义连贯变体的文本。通过利用POI相关和POI不相关推文的比例，所提出的算法在$\mathcal{F}_1$分数及其变体方面表现出比DBSCAN情况高得多的聚类性能。虽然DBSTexC在文本同质输入下的性能与DBSCAN完全相同，但它在文本异构输入下的性能远远优于DBSCAN。此外，为了进一步提高聚类质量，充分捕捉地理分布的推文，我们提出了模糊DBSTexC（F-DBSTexC），DBSTexC的扩展，它将模糊聚类的概念到DBSTexC。然后，我们通过密集的实验证明了F-DBSTexC的鲁棒性。我们的算法的计算复杂性也分析和数值显示。
2018-06-14 cs.AI cs.IR cs.LG
Towards Reliable Social A/B Testing: Spillover-Contained Clustering with Robust Post-Experiment Analysis
Kuaishou Technology（快手科技）
本文提出一种具有溢出受限的A/B测试框架，通过预实验阶段的平衡聚类算法和后实验阶段的定制估计器，有效减少溢出影响，提升统计推断的可靠性。
2026-02-09 cs.IR cs.SI
Faster Local Motif Clustering via Maximum Flows
局部聚类旨在识别给定图内的集群，该集群包括指定的种子节点或一组种子节点的重要部分。这一集群应该有很好的特点，即，它具有大量的内边缘和少量的外边缘。在这项工作中，我们提出了社会，一种新的算法，局部图案聚类优化图案电导的基础上的局部超图模型表示的问题和适应版本的最大流一致性切割改进算法（MQI）。在我们对三角形基序的实验中，SOCIAL产生的局部簇的平均基序电导低于最先进的水平，同时速度快了几个数量级。
2023-01-17 cs.SI
Private Hierarchical Clustering in Federated Networks
分析社交网络的结构属性，例如识别其聚类或找到其最中心的节点，有许多应用。然而，这些应用不受允许用户在其终端设备上本地存储其社交链接的联合社交网络的支持。在联邦制度中，用户希望访问个性化服务，同时也保持他们的社交联系私密。在本文中，我们采取了一个步骤，使联邦网络上的分析与差分隐私保证保护网络中的用户链接或联系人。具体来说，我们提出的第一项工作，计算层次聚类树使用本地差分隐私。我们计算它们的算法是新颖的，并且对学习到的树的质量具有理论上的界限。私有分层聚类树使得服务提供商能够以各种粒度查询用户周围的社区结构，而用户不必与提供商共享其原始联系人。我们证明了这种查询的效用，重新设计的国家的最先进的社会推荐算法的联邦设置。我们的推荐算法明显优于不使用社交联系人的基线，并与使用联系人的非隐私算法相当。
2021-05-19 cs.CR cs.SI
Prediction and Clustering in Signed Networks: A Local to Global Perspective
University of Texas, Austin（德克萨斯大学奥斯汀分校）；University of Michigan, Ann Arbor（密歇根大学安娜堡分校）
社交网络的研究是一个新兴的研究领域。然而，大多数现有的工作涉及简单地编码关系是否存在的网络。相比之下，签名网络中的关系可以是积极的（“喜欢”，“信任”）或消极的（“不喜欢”，“不信任”）。社会平衡理论表明，签名网络倾向于遵循某些局部模式，而这些局部模式反过来又会导致某些全局特征。在本文中，我们利用本地以及全球方面的社会平衡理论的两个基本问题，在分析签署的网络：符号预测和聚类。受社会平衡的局部模式的启发，我们首先提出了两个家族的符号预测方法：社会不平衡的措施（MOI），和使用高阶循环（HOC）的监督学习。这些方法基于三角形和\ell -循环来预测相对小的\ell值的边的符号。有趣的是，通过研究社会不平衡的措施，我们表明，经典的Katz措施，这是广泛使用的无符号链接预测，实际上有一个平衡理论的解释时，适用于签署的网络。此外，受平衡网络全局结构的启发，我们提出了一种有效的低秩建模方法，用于符号预测和聚类。对于低秩建模方法，我们通过凸松弛提供理论性能保证，使用基于矩阵分解的算法将其扩展到大的问题大小，并提供广泛的实验验证，包括与本地方法的比较。我们的实验结果表明，通过采用更全局的平衡结构的观点，我们得到显着的性能和计算增益在预测和聚类任务的签署网络。因此，我们的工作突出了有用的全球方面的平衡理论的分析签署的网络。
2013-03-05 cs.LG cs.SI
A Soft Recommender System for Social Networks
Islamic Azad University（伊斯兰阿扎德大学）
最近的社交推荐系统受益于友谊图来做出准确的推荐，相信社交网络中的朋友具有完全相同的兴趣和偏好。一些研究已经受益于硬聚类算法（如K-means），以确定用户之间的相似性，从而定义的友谊程度。在本文中，我们更进一步地识别真正的朋友，以便提出更现实的建议。我们计算了用户之间的相似性，以及用户和项目之间的依赖性。我们的假设是，由于用户偏好的不确定性，模糊聚类，而不是经典的硬聚类，是有益的准确推荐。结合C-均值算法得到软用户聚类的不同隶属度。然后，根据软聚类定义用户的相似性度量。随后，在训练方案中，我们确定了用户和项目的潜在表示，使用矩阵分解从庞大而稀疏的用户-项目-标签矩阵中提取。在参数调整中，我们找到了软社会正则化和用户项依赖项影响的最佳系数。我们的实验结果表明，所提出的模糊相似性度量提高了实际数据中的建议相比，基线社会推荐系统与硬聚类。
2020-01-08 cs.IR cs.LG cs.SI
A new measure for community structures through indirect social connections
基于专家系统的方法，社区发现的问题可以被概念化为网络的聚类模型。在此基础上，可以通过聚类系数来测量社区结构，该聚类系数是由节点周围现有三角形的数量与可以假设构建的三角形的数量之比生成的。本文在三角形的广义定义下，给出了加权网络聚类系数的新定义。具体来说，一个新的概念，三角形的基础上，假设，如果两个弧的总重量是足够强，可以诱导之间的链接不常见的节点。除了这种广义三角形在社会背景下的直观意义之外，我们还探索了它们对洞察底层网络拓扑结构的有用性。500个商业美国机场的标准网络和秀丽隐杆线虫的神经系统的实证实验支持的理论框架，并允许我们的建议和标准定义的聚类系数之间的比较。
2018-06-21 cs.SI physics.soc-ph
Social Clustering in Epidemic Spread on Coevolving Networks
尽管传递性是社交网络的核心结构特征，但它对共同进化网络上流行病传播的影响仍然相对未被探索。在这里，我们介绍和研究的自适应SIS流行病模型，其中的感染和网络的共同发展与非平凡的概率关闭三角形在边重新布线，导致大量加强网络的传递性。这个新的模型提供了一个独特的机会来研究传递性的作用，改变SIS动态的共同进化网络。使用数值模拟和近似主方程（AME），我们确定和研究了一组丰富的新模型的动力学特征。在许多情况下，包括传递性强化的AME提供了稳定状态疾病患病率和网络度分布的准确预测。此外，对于某些参数设置，AME准确地跟踪系统的时间演化。我们发现，较高的传递性强化模型中导致较低水平的感染性个体的人口，当关闭一个三角形是占主导地位的重新布线机制。这些方法和结果可能是有用的发展思路和建模策略控制SIS型流行病。
2019-06-02 cs.SI physics.soc-ph
Real-time Event Detection on Social Data Streams
Twitter（推特）
社交网络正迅速成为讨论现实世界事件的主要媒介。在Twitter等社交平台上生成的信息可以产生丰富的数据流，以便立即了解正在发生的事情及其周围的对话。为了解决事件检测的问题，我们将事件建模为随时间变化的趋势实体的集群列表。我们描述了一个实时的【形】系统，用于发现事件，是模块化的设计和新颖的规模和速度：它适用于集群上的大型流与数百万的实体每分钟，并产生一组动态更新的事件。为了评估聚类方法，我们建立了一个评估数据集来自完整的Twitter Firehose的快照，并提出了新的度量聚类质量的指标。通过实验和系统分析，我们强调了离线和在线管道的关键结果。最后，我们在Twitter上可视化一个备受瞩目的事件，以显示事件的演变建模的重要性，特别是那些从社交数据流中检测到的事件。
2019-07-25 cs.LG cs.SI
Revealing social networks of spammers through spectral clustering
University of Michigan（密歇根大学）；Medasense Biometrics Ltd.（美达森生物识别有限公司）
到目前为止，大多数关于垃圾邮件的研究都只关注垃圾邮件周期的垃圾邮件阶段，而忽略了收获阶段，即大量获取电子邮件地址。据观察，垃圾邮件发送者在收集阶段隐藏他们的身份的程度较低，因此通过研究收集者的行为，可能会获得对垃圾邮件发送者行为的新见解，收集者是收集电子邮件地址的个人或机器人。在本文中，我们揭示了社交网络的垃圾邮件发送者识别社区的行为相似性高，使用谱聚类。分析的数据是通过蜜罐项目收集的，蜜罐项目是一个用于监控收获和垃圾邮件的分布式系统。我们的主要发现是（1）大多数垃圾邮件发送者要么只发送钓鱼电子邮件，要么根本不发送钓鱼电子邮件，（2）大多数垃圾邮件发送者社区也只发送钓鱼电子邮件，要么根本不发送钓鱼电子邮件，（3）社区内的几组垃圾邮件发送者表现出一致的时间行为，并具有相似的IP地址。我们的研究结果揭示了垃圾邮件发送者的一些以前未知的行为，并表明垃圾邮件发送者之间确实存在有待发现的社会结构。
2013-04-30 cs.LG cs.SI physics.soc-ph
Improving Link Prediction in Social Networks Using Local and Global Features: A Clustering-based Approach
Islamic Azad university（伊斯兰阿扎德大学）
针对社交网络链路预测，提出结合相似性与学习方法的聚类新策略，通过提取节点局部与全局特征并应用子空间聚类，在多个真实数据集上验证了其优越性能。
2023-05-17 cs.AI cs.SI
Representation Learning in Heterogeneous Professional Social Networks with Ambiguous Social Connections
网络表示已被证明可以提高各种任务的性能，包括分类、聚类和链接预测。然而，大多数模型要么专注于中等规模的同构网络，要么需要用户提供大量的辅助输入。此外，很少有作品研究网络表征在现实世界中的异构社交网络模糊的社会关系，往往是不完整的。在目前的工作中，我们研究的问题，学习低维节点表示异构专业社交网络（HPSN），这是不完整的，有模糊的社会联系。我们提出了一个通用的异构网络表示学习模型称为Star 2 Vec，学习实体和人的嵌入共同使用的社会连接强度感知偏置随机游走结合节点结构扩展功能。在LinkedIn的Economic Graph和公开的Facebook网络快照上的实验表明，Star 2 Vec在成员行业和社交圈分类、技能和头衔聚类以及成员-实体链接预测方面优于现有方法。我们还进行了大规模的案例研究，以展示在LinkedIn的经济图上训练的Star 2 Vec嵌入的实际应用，例如下一个职业移动，替代职业建议和一般实体相似性搜索。
2019-10-23 cs.SI
Clustering attributed graphs: models, measures and methods
对图进行聚类，即，将其节点分配给组是一种重要的操作，其最著名的应用是发现社交网络中的社区。图聚类和社区发现传统上集中在没有属性的图上，边权重是一个明显的例外。然而，这些模型只提供了真实社会系统的部分表示，因此通常使用节点属性（表示参与者的特征）和边属性（表示它们之间的不同类型关系）来描述。我们将这些模型称为属性图。因此，现有的图聚类方法最近已经扩展到处理节点和边属性。本文是对这一主题的文献综述，以统一的方式组织和展示了最近的研究成果，描述了现有的主要聚类方法，并强调了它们的概念差异。我们还涵盖了聚类评估的重要主题，并确定当前的开放问题。
2015-01-07 cs.SI physics.soc-ph
Parallel clustering of high-dimensional social media data streams
我们引入云DIKW作为一个分析环境，支持科学发现，通过集成的并行批处理和流处理，并将其应用到一个代表性的领域应用：社交媒体数据流聚类。最近的工作表明，可以通过使用反映文本内容和社交网络信息的高维向量表示数据点来生成高质量的聚类。由于相似性计算的高成本，即使是单遍算法的顺序实现也无法跟上真实世界流的速度。本文介绍了我们的努力，以满足实时社会流聚类通过并行化的限制。我们关注两个系统层面的问题。像Apache Storm这样的大多数流处理引擎都以有向非循环图的形式组织分布式工作器，这使得动态同步并行工作器的状态变得困难。我们通过使用发布-订阅消息传递系统创建单独的同步通道来应对这一挑战。由于高维向量的稀疏性，随着新数据点被分配到聚类，质心的大小快速增长。传统的同步，直接广播集群质心变得过于昂贵，限制了并行算法的可扩展性。我们解决这个问题的通信集群，而不是整个质心向量的动态变化。我们的算法在云DIKW下可以实时处理Twitter 10%的数据流，具有96路并行度。通过对Cloud DIKW的自然改进，包括在Harp项目中开发的高级集体通信技术，我们将能够以1000路并行实时处理完整的Twitter流。我们使用强大的通用软件子系统将使许多其他需要集成流和批处理数据分析的应用程序成为可能。
2015-02-01 cs.DB cs.DC cs.SI
Mutual Community Detection across Multiple Partially Aligned Social Networks
在线社交网络中的社区发现是近年来的研究热点。同时，为了享受更多的社交网络服务，现在的用户通常同时参与多个在线社交网络，其中一些可以共享共同的信息和结构。涉及一些共同用户的网络被称为多个“部分对齐网络”。在本文中，我们希望同时检测多个部分对齐网络的社区，这被正式定义为“相互聚类”问题。互聚类问题是一个非常具有挑战性的问题，因为它有两个重要的问题要解决：（1）如何保持网络的特点，在相互社区发现？以及（2）如何利用其他联盟网络中的信息来细化和消除共享用户的社区结构？针对这两个问题，提出了一种新的社区发现方法MCD（Mutual Community Detector）。MCD可以同时检测多个部分对齐网络中用户的社会社区结构，充分考虑（1）每个网络的特性，（2）对齐网络中共享用户的信息。在两个真实的部分对齐的异构社交网络上进行的大量实验表明，MCD可以很好地解决“互聚类”问题。
2015-06-18 cs.SI physics.soc-ph
Testing network clustering algorithms with Natural Language Processing
ISC-PIF - Institut des Systèmes Complexes - Paris Ile-de-France（巴黎法兰西岛复杂系统研究所）；CNRS（法国国家科学研究中心）；CAMS - Centre d’Analyse et de Mathématique sociales（分析与数学社会研究中心）
本研究针对社区检测算法选择未结合个体文化产出的问题，提出基于文化的在线社交群体定义，采用结合社区检测与NLP分类的混合方法，实现了对社区检测算法的评分及85%以上的用户观点分类准确率。
2024-06-24 cs.CL cs.CY cs.SI
I Know You'll Be Back: Interpretable New User Clustering and Churn Prediction on a Mobile Social Application
University of Illinois, Urbana Champaign（伊利诺伊大学厄巴纳-香槟分校）；Snap Inc.（Snap公司）
随着在线平台努力获得更多用户，一个关键的挑战是用户流失，这对新用户来说尤其重要。本文以Snapchat的匿名大规模真实数据为例，基于正确的用户聚类有助于理解和预测用户流失的直觉，开发了\textit{ClusChurn}，这是一个可解释的新用户聚类和流失预测的系统化两步框架。因此，\textit{ClusChurn}首先根据新用户在平台上的活动和自我网络结构，将其分为可解释的典型集群。然后，我们设计了一种基于LSTM和注意力的新型深度学习管道，通过利用用户多维活动和底层用户类型之间的相关性，在非常有限的初始行为数据下准确预测用户流失。\textit{ClusChurn}还能够预测用户类型，从而能够对不同类型的用户流失做出快速反应。大量的数据分析和实验表明，\textit{ClusChurn}提供了有价值的洞察用户行为，并实现了最先进的流失预测性能。整个框架被部署为数据分析管道，向多个相关团队提供实时数据分析和预测结果，以供商业智能使用。它也足够通用，可以被任何具有用户行为数据的在线系统所采用。
2019-09-29 cs.LG cs.SI
Clustering assortativity, communities and functional modules in real-world networks
现实世界系统的复杂网络被认为是由常见现象控制的，产生的结构远非规则或随机。集群化、群落结构和按程度进行的非竞争性混合也许是后者最突出的例子。虽然这些性质被普遍接受用于社交网络，但它们只能部分解释其他网络的结构。我们首先表明，度校正的聚类是在相反的标准定义，高度重复性。然而有趣的是，我们进一步注意到，非社交网络包含具有非常低聚类的连接区域。因此，现实世界的网络结构是超越社区的。在这里，我们调查的概念功能模块-定期等价节点组-并表明，这种结构可以解释在非社会网络中观察到的属性。现实世界的网络可能由社区覆盖的功能模块组成。我们支持后者提出了一个简单的网络模型，生成无标度的小世界网络可调聚类和度混合。模型在许多现实世界的网络中有一个自然的解释，同时它也提供了一个适当的社区提取框架的见解。我们还提出了一种在没有任何先验知识的情况下检测任意结构模块的算法。算法被证明是优于国家的最先进的，而应用到现实世界的网络揭示了良好的支持复合材料的不同结构模块，是一致的底层系统。在包括社交网络在内的所有类型的网络中，都有明确的功能模块。因此，我们的发现揭示了功能模块是复杂现实世界网络的另一个关键组成部分。
2012-02-15 cs.SI physics.data-an physics.soc-ph
Emergence of Clustering in an Acquaintance Model without Homophily
我们引入了一个基于代理的熟人模型，其中社会联系的过程中，没有明确的同质性。尽管社会互动具有同质性，但高度聚集的社交网络可能会出现。我们的模型的关键特征是变量传递相互作用。也就是说，当一个代理人介绍两个没有联系的朋友时，他们之间实际发生联系的速度取决于他们共同认识的人的数量。随着这种传递性交互率的变化，社会网络经历了一个戏剧性的聚类过渡。在接近过渡期时，网络由一系列定义明确的社区组成。作为时间的函数，网络也可以经历\emph{incomplete}凝胶化转变，其中凝胶或巨簇即使在无限时间也不构成整个网络。我们模型的一些聚类特性也出现了，但在Facebook网络中是以一种更渐进的方式出现的。最后，我们讨论了一个更现实的变体，我们的原始模型中，有一个软截止率的传递相互作用。有了这个变体，人们可以构建与Facebook网络定量匹配的网络实现。
2014-11-12 cond-mat.stat-mech cs.SI physics.data-an
Social Networks Analysis to Retrieve Critical Comments on Online Platforms
George Mason University（乔治梅森大学）
社交网络是分析用户生活各方面习惯的丰富数据来源。使用者的行为是各国卫生系统的决定性组成部分。促进良好行为可以显著改善公众健康。在这项工作中，我们开发了一个新的模式，社会网络分析，使用文本分析方法。我们通过分析用户的在线行为来定义用户对全球流行病的反应。将一组有相似习惯的在线用户聚集在一起，有助于发现病毒在不同社会中的传播方式。在社交媒体的高风险在线用户中推广健康的生活方式对公共卫生和减少全球流行病的影响具有重要作用。在这项工作中，我们介绍了一种新的方法，在流行病期间根据社交媒体上的用户活动对习惯进行聚类，并推荐了一种机器学习模型，以促进在线平台的健康。
2021-02-21 cs.AI cs.SI
Clustering Network Tree Data From Respondent-driven sampling with application to opioid users in New York City
有很大的兴趣，找到有意义的子组的属性网络数据。有许多可用的方法来聚类完整的网络。不幸的是，许多网络数据是通过采样收集的，因此是不完整的。响应者驱动抽样（RDS）是一种广泛使用的方法，用于对难以接触的人群进行抽样，该方法基于跟踪潜在未观察到的社交网络中的链接。因此，所得到的数据具有表示网络的子样本的树结构以及许多节点属性。在本文中，我们介绍了一种方法来调整混合模型的一般网络聚类采样RDS。我们将我们的模型应用于纽约市阿片类药物使用者的数据，并检测反映干预活动感兴趣的群体特征的社区，包括药物使用模式，社会联系和其他社区变量
2020-08-08 cs.SI stat.ME
Signed Network Formation Games and Clustering Balance
我们提出了一个有符号的网络形成游戏，在这个游戏中，成对的个体策略性地改变一个完整网络中边的符号。这些人是社会网络的成员，他们通过改变他们的人际评价来战略性地减少认知失调。我们描述了这个游戏的最佳响应动态，并证明了它的实现\pc{can}动态驱动网络的社会学意义的标志配置称为聚类平衡。在这种配置中，社交网络中的代理形成一个或多个集群，这些集群在其成员之间具有正关系，但在其他集群的成员之间具有负关系。在过去，心理社会学、政治学和物理学领域的各种研究人员都研究了解释两个集群生成的模型。我们的工作有助于这些领域提出了一个简单的模型，产生了更广泛的一类签署的网络。
2019-09-28 cs.SI physics.soc-ph
