A Survey of Pretraining on Graphs: Taxonomy, Methods, and Applications
Westlake University（西湖大学）；Westlake Institute for Advanced Study（西湖高等研究院）；University of Chinese Academy of Sciences（中国科学院大学）；George Mason University（乔治梅森大学）；Chinese Academy of Sciences（中国科学院）
预训练语言模型（PLM），如BERT，彻底改变了自然语言处理（NLP）的格局。受其激增的启发，人们在预训练图模型（PGMs）上投入了巨大的努力。由于PGMs强大的模型架构，可以从大量的标记和未标记的图数据中捕获丰富的知识。隐式编码在模型参数中的知识可以使各种下游任务受益，并有助于缓解图上学习的几个基本问题。在本文中，我们提供了第一个全面的调查铂族金属。我们首先介绍了图表示学习的局限性，从而介绍了图预训练的动机。然后，我们系统地分类现有的铂族金属的基础上，从四个不同的角度分类。接下来，我们介绍了PGMs在社会推荐和药物发现中的应用。最后，我们概述了几个有前途的研究方向，可以作为未来研究的指导方针。
2022-03-21 cs.LG cs.SI q-bio.BM
Behind the Mask: A Taxonomic Analysis of Activities in Online Social Networks
Tallinn University（塔林大学）；Universitat de València（瓦伦西亚大学）；Universidad Politécnica de Madrid（马德里理工大学）；Yasar University（雅沙尔大学）；Mykolas Romeris University（米科拉斯·罗梅里斯大学）
通过专家协作和文献综述设计分类法，分析恶意行为者的特征与活动，并以反移民话语案例研究验证其帮助识别虚假信息传播的潜力。
2026-06-26 cs.HC cs.SI
Machine Learning on Graphs: A Model and Comprehensive Taxonomy
Stanford University（斯坦福大学）；University of Southern California（南加州大学）；Google Research（谷歌研究院）
最近，人们对学习图结构数据的表示方法产生了浓厚的兴趣。基于标记数据的可用性，图表示学习方法通常分为三个主要类别。第一种是网络嵌入（如浅图嵌入或图自动编码器），专注于学习关系结构的无监督表示。第二种是图正则化神经网络，利用图来增加神经网络损失，其中正则化目标用于半监督学习。第三种是图神经网络，旨在学习具有任意结构的离散拓扑上的可微函数。然而，尽管这些领域很受欢迎，但令人惊讶的是，在统一这三种范式方面的工作很少。在这里，我们的目标是弥合图神经网络，网络嵌入和图正则化模型之间的差距。我们提出了一个全面的分类图结构数据的表示学习方法，旨在统一几个不同的机构的工作。具体来说，我们提出了一个图形编码器解码器模型（GRAPHEDM），它将流行的图形半监督学习算法（例如GraphSage，图卷积网络，图注意力网络）和图形表示的无监督学习（例如DeepWalk，node2vec等）推广到一个一致的方法中。为了说明这种方法的一般性，我们适合超过三十个现有的方法到这个框架。我们相信，这种统一的观点为理解这些方法背后的直觉提供了坚实的基础，并使该领域的未来研究成为可能。
2022-04-12 cs.LG cs.NE cs.SI
A Survey and Taxonomy of Graph Sampling
图采样是从原始图中选取顶点和/或边的子集的技术。它具有广泛的应用范围，例如调查社会学中的隐藏人口[54]，可视化社交图[29]，缩小互联网AS图[27]，图稀疏化[8]等。在其他场景中，图是未知的，采样被认为是探索图的一种方式。常用的技术有顶点采样、边缘采样和基于纹理的采样。我们提供了一个不同的图形采样目标和图形采样方法的分类。这些方法之间的关系进行了正式论证，并提供了一个通用的框架，以弥合理论分析和实际实施。尽管采样图的尺寸较小，但采样图可以在某些方面类似于原始图。我们特别感兴趣的是什么样的图形属性被保存给定的采样过程。如果某些性质保持不变，我们可以在采样图上估计它们，这提供了一种构造有效估计的方法。如果一个算法依赖于保持的属性，我们可以预期它在原始图和采样图上给出类似的输出。这导致了一个系统的方法来加速一类图的算法。在这篇综述中，我们讨论了经典的教科书类型的性质和一些先进的性质。景观是制表，我们看到了很多失踪的作品在这一领域。本文收集了一些理论研究成果，并作了简单的推广.大多数以前的数值评估工作都是以特定的方式进行的，即评估不同类型的图，不同的属性集和不同的采样算法。一个系统的和中立的评价是必要的，以阐明进一步的图形抽样研究。
2013-08-23 cs.SI math.PR stat.ME
Social Search: retrieving information in Online Social Platforms -- A Survey
本文综述了社交搜索领域的研究现状，提出新分类法将其分为社交问答、社交内容搜索和社交协同搜索三个子类，指出现有研究多依赖简单组合社交特征，未来应利用更结构化的用户社交档案和行为信息来优化信息需求。
2023-09-13 cs.SI
Online Social Network Analysis: A Survey of Research Applications in Computer Science
在线社交网络的出现和普及，突然提供了大量的数据，从社会组织，互动和人类行为。所有这些信息都为社会系统的研究开辟了新的视角和挑战，许多领域都对此感兴趣。虽然大多数在线社交网络都是最近才出现的（不到15年），但已经发表了大量关于这一主题的科学论文，涉及广泛的分析方法和应用。这项工作描述了如何计算研究已经接近这个问题和用于分析这样的系统的方法。建立在广泛的，但非exaustive的文献综述，分类法提出了分类和描述不同类别的研究。每个研究类别进行了描述，并突出了主要作品，发现和观点。
2016-04-04 cs.SI physics.soc-ph
Predicting the Industry of Users on Social Media
University of Michigan（密歇根大学）
社交媒体用户的自动分析是支持众多下游应用的重要任务。虽然许多研究已经使用社交媒体内容来提取和研究集体社交属性，但缺乏针对用户行业检测的实质性研究。我们将此任务定义为使用特征工程和集成学习的分类。我们的行业检测系统使用发布的内容和个人资料信息来检测用户的行业，准确率为64.3%，在14个行业类别的分类中显著优于大多数基线。我们的定性分析表明，一个人的行业不仅会影响所使用的词语及其感知的含义，还会影响所表达的情感的数量和类型。
2016-12-24 cs.CL cs.SI
A Survey on Privacy and Security in Online Social Networks
在线社交网络（OSN）是一个永久的存在，在今天的个人和职业生活的一个巨大的部分人口，直接影响到离线活动。建立在信任的基础上用户与其他有共同兴趣或重叠的个人兴趣的用户建立联系在线社交网络和相关的应用程序提取了前所未有的大量个人信息。不出所料，出现了严重的隐私和安全风险，将自己定位为两种主要类型的攻击：利用嵌入在公开的社交关系中的隐含信任的攻击;以及收集用户个人信息用于恶意用途的攻击。本文概述了迄今为止OSN中出现的隐私和安全问题。我们介绍了OSN中的隐私和安全攻击的分类，我们概述了现有的解决方案，以减轻这些攻击，并概述了仍然需要克服的挑战。
2015-01-27 cs.CR cs.SI
Temporal Link Prediction: A Unified Framework, Taxonomy, and Review
本综述全面回顾了动态图上的时序链路预测（TLP）方法，提出了统一的编码器-解码器框架与层次化分类法，并开源了OpenTLP项目以重构代表性方法，最后探讨了未来研究方向。
2023-06-29 cs.SI
Influence Maximization in Social Networks: A Survey of Behaviour-Aware Methods
本文针对当前社交网络影响力最大化研究中缺乏行为感知方法全面综述的空白，梳理相关方法并提出分类体系，填补了该领域的研究缺口。
2023-05-04 cs.SI
GRAPHIA: Harnessing Social Graph Data to Enhance LLM-Based Social Simulation
Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；Alimama Tech, Taobao & Tmall Group of Alibaba（阿里巴巴淘宝天猫集团阿里妈妈技术）
GRAPHIA通过强化学习利用社交图数据作为LLM训练的监督信号，提升社会模拟的微观和宏观对齐效果，实验显示其在多个真实网络中显著提高预测精度和社会现象复制能力。
2026-04-11 cs.SI
Emotion Diffusion in Real and Simulated Social Graphs: Structural Limits of LLM-Based Social Simulation
本研究比较了现实与模拟社交图中的情感扩散，发现LLM生成的数据在结构和动态上存在显著差异，影响下游任务性能。
2025-12-24 cs.SI
Social Influence Prediction with Train and Test Time Augmentation for Graph Neural Networks
数据增强已广泛用于机器学习中的自然语言处理和计算机视觉任务，以提高模型性能。然而，很少有研究研究了图神经网络的数据增强，特别是在训练和测试时使用增强。受其他领域增强成功的启发，我们设计了一种使用具有训练和测试时间增强的图神经网络进行社会影响力预测的方法，该方法可以通过在两种情况下利用变分图自动编码器有效地为社交网络生成多个增强图。我们已经评估了我们的方法在预测用户对多个社交网络数据集的影响方面的性能。我们的实验结果表明，我们的端到端的方法，联合训练图自动编码器和社会影响力行为分类网络，可以优于国家的最先进的方法，证明了训练和测试时间增加图神经网络的社会影响力预测的有效性。我们观察到，这对较小的图特别有效。
2021-04-23 cs.SI
Graph Sampling Approach for Reducing Computational Complexity of Large-Scale Social Network
在线社交网络服务为人类的社交互动提供了平台。如今，各种在线交互产生了大规模的社交网络数据。网络分析有助于从网络内部参与者之间的关系中挖掘知识和模式。这种方法对于支持许多实际应用中的预测和决策过程非常重要。社会网络分析方法学借用了图论的方法，提供了几个指标，使我们能够测量网络的特定属性。一些度量计算是在没有考虑可扩展性的情况下构建的，因此它在计算上是昂贵的。在本文中，我们提出了一个图采样的方法来减少社会网络的大小，从而减少计算操作。自然图的采样策略，使用边随机采样，节点随机采样，和随机游动的性能比较，每个选定的图形属性。我们发现，图形采样策略的性能取决于测量的图形属性。
2021-02-18 cs.SI
Systems Applications of Social Networks
本文的目的是提供对社交网络的理解，将其作为系统设计人员使用的标准技术工具箱的有用补充。为此，我们给出了如何收集和使用在不同的应用环境中的数据的例子。我们开发了一个广泛的分类为基础的概述社交网络的共同属性，审查它们如何可能被用于不同的应用程序，并指出潜在的陷阱在适当的地方。我们提出了一个框架，区分两种主要类型的基于社交网络的用户选择个性化的用户选择，其中识别目标用户可能是相关的一个给定的源节点，使用周围的源作为上下文的社交网络，和通用的用户选择或组定界，这是一组用户谁满足一组应用程序的要求，基于他们的社会属性。使用这个框架，我们调查了社交网络在三种典型应用场景中的应用：推荐系统，内容共享系统（例如，P2P或视频流），以及防御滥用系统的用户的系统（例如，垃圾邮件或sybil攻击）。在每种情况下，我们讨论了未来研究的潜在方向，涉及使用社会网络属性。
2017-07-17 cs.SI physics.soc-ph
CACL: Community-Aware Heterogeneous Graph Contrastive Learning for Social Media Bot Detection
提出社区感知异构图对比学习框架CACL，通过动态挖掘难样本与自适应图增强进行有监督对比学习，克服了GNN泛化差与过平滑问题，在三个基准上表现优于基线。
2024-06-03 cs.SI
Graph Neural Networks for Tabular Data Learning: A Survey with Taxonomy and Directions
National Cheng Kung University（国立成功大学）；National Taiwan University（国立台湾大学）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
本文综述了图神经网络在表格数据学习（GNN4TDL）中的应用，系统总结了图结构构建、表示学习、训练计划及实际应用，并指出了现有局限与未来研究方向。
2024-01-04 cs.AI cs.IR cs.LG
Leveraging Peer Centrality in the Design of Socially-Informed Peer-to-Peer Systems
社交应用程序挖掘用户社交图谱，以提高搜索性能，提供推荐，允许资源共享并提高数据隐私。当这样的应用在对等（P2P）架构上实现时，社交图分布在P2P系统上：社交图的遍历转化为对等层中的社交通知路由。在这项工作中，我们介绍了模型的投影图，这是分散的社交图到对等网络的结果。我们专注于三个社会网络指标：度，节点介数和边缘介数中心性和分析制定的社会图和投影图中的指标之间的关系。通过对真实网络的实验评估，我们证明了当映射用户社区的大小高达50-150个用户在每个对等体上时，社交图的属性与投影图之间的关联性很高，因此（动态）投影图的属性可以从（变化较慢的）社交图的属性中推断出来。此外，我们展示了两个应用场景上的大规模社交网络的可用性的投影图在设计社会化搜索应用程序和非结构化P2P覆盖。
2012-10-22 cs.DC cs.SI
Measuring social mobility in temporal networks
本文定义层级流动性等时序相关统计量，衡量节点度增长倾向随时间的变化，并在人工模型和26个真实时序网络上验证其能揭示网络结构动态并区分不同领域网络。
2025-02-04 cs.SI physics.soc-ph
Studying Social Networks at Scale: Macroscopic Anatomy of the Twitter Social Graph
Twitter是最大的社交网络之一，在帐户之间使用专门的定向链接。这使得Twitter社交图比Facebook更接近支持现实生活通信的社交图。因此，理解Twitter社交图的结构不仅对计算机科学家来说很有趣，对其他领域的研究人员（如社会学家）来说也很有趣。然而，很少有人知道如何在Twitter上的信息传播是由其内部结构的约束。在本文中，我们提出了一个深入研究的宏观结构的Twitter的社交图揭示的高速公路上的推文传播，与此宏观结构的每个组件相关联的特定的用户活动，以及这个宏观结构的演变随着时间的推移，在过去的6年。在这项研究中，我们抓取Twitter以检索所有帐户和帐户之间的所有社交关系（跟随链接）;抓取于2012年7月完成，其中5.05亿个帐户通过230亿个链接相互连接。然后，我们提出了一种方法来揭示Twitter社交图的宏观结构。该宏观结构由8个组件组成，这些组件由其连接特性定义。每个组件都将具有特定Twitter用法的用户分组。例如，我们确定了聚集垃圾邮件发送者或名人的组件。最后，我们提出了一种方法来近似Twitter社交图的宏观结构在过去，使用旧的数据集验证这种方法，并讨论了Twitter社交图的宏观结构在过去6年的演变。
2014-04-04 cs.SI physics.soc-ph
A Survey on Self-Supervised Graph Foundation Models: Knowledge-Based Perspective
Huazhong University of Science and Technology（华中科技大学）
本文从基于知识的新视角综述自监督图基础模型，提出涵盖微观、中观、宏观三类共9类知识、25余种预文本任务及下游泛化策略的分类框架。
2025-05-06 cs.LG cs.SI
Social Network Integration: Towards Constructing the Social Graph
在这项工作中，我们制定的社会网络整合的问题。它将多个观察到的社交网络作为输入，并返回一个集成的全局社交图，其中每个节点对应于一个真实的人。社会网络集成的关键挑战是发现不同社交网络之间的对应关系或相互联系。我们对AMiner、Linkedin和Videolectures这三个在线社交网络进行了深入分析，以解决揭示用户社交身份的因素，不同社交网络之间的社交因素是否一致，以及我们如何利用这些信息进行整合。我们提出了一个统一的社会网络集成任务的框架。它从多个社交网络中抓取数据，并进一步从所获得的网络中发现与同一个真实人物相对应的帐户。我们使用一个概率模型来确定这种对应关系，它结合了不同社会地位和社会关系的一致性，以及一对一映射约束和逻辑传递性等特征来共同进行预测。实验结果验证了该方法的有效性。
2014-01-21 cs.SI physics.soc-ph
Beyond Individual Mimicry: Constructing Human-Like Social network with Graph-Augmented LLM Agents
Cyberspace Security, Beijing University of Posts and Telecommunications（网络安全，北京邮电大学）；Institute of Software, Chinese Academy of Sciences（软件研究所，中国科学院）
本文提出GraphMind，通过让基于LLM的社交机器人学习人类社交网络结构，解决现有社交机器人在全局交互协调上的不足，并构建GraphMind-Botnet评估现有检测算法性能。
2026-03-31 cs.AI cs.SI
Social Network Analysis: From Graph Theory to Applications with Python
社会网络分析是通过使用网络和图论来研究社会结构的过程。它结合了各种技术来分析社交网络的结构，以及旨在解释这些结构中观察到的潜在动态和模式的理论。它是一个内在的跨学科领域，最初出现在社会心理学，统计学和图论领域。本讲座将涵盖社会网络分析的理论，并简要介绍图论和信息传播。然后，我们将使用NetworkX深入研究Python代码，以更好地理解网络组件，然后从真实的Pandas和文本数据集构建和暗示社交网络。最后，我们将讨论实际用例的代码示例，例如matplotlib可视化，社会中心分析和信息传播的影响力最大化。
2021-02-05 cs.LG cs.SI
Evolving Twitter: an experimental analysis of graph properties of the social graph
本文提出一种采样框架，在包含1320万用户和83亿条边的Twitter社交网络子集上估计24个图属性的时间演化，揭示其内部结构与增长动态。
2015-10-05 cs.SI physics.soc-ph
Graph Neural Networks for Social Recommendation
City University of Hong Kong（香港城市大学）；Michigan State University（密歇根州立大学）；The Hong Kong Polytechnic University（香港理工大学）
近年来，图神经网络（GNNs），它可以自然地集成节点信息和拓扑结构，已被证明是强大的学习图形数据。GNN的这些优点为推进社会推荐提供了巨大的潜力，因为社会推荐系统中的数据可以表示为用户-用户社交图和用户-项目图;学习用户和项目的潜在因素是关键。然而，构建基于GNN的社会推荐系统面临着挑战。例如，用户-项目图对交互及其相关联的意见进行编码;社会关系具有异质强度;用户涉及两个图（例如，用户-用户社交图和用户-项目图）。为了同时解决上述三个挑战，在本文中，我们提出了一种新的图神经网络框架（GraphRec）的社会建议。特别是，我们提供了一个原则性的方法来共同捕捉用户项图中的交互和意见，并提出了框架GraphRec，它连贯地建模两个图和异构的优势。在两个真实数据集上的大量实验证明了所提出的框架GraphRec的有效性。我们的代码可在\url{https://github.com/wenqifan03/GraphRec-WWW19}上获得
2019-11-23 cs.IR cs.LG cs.SI
The social graph based on real data
提出一种基于婚姻状况等真实社会关系数据的社会图创建模型，实验表明该图具有幂律分布和小世界特性。
2024-01-02 cs.SI physics.soc-ph
SybilFence: Improving Social-Graph-Based Sybil Defenses with User Negative Feedback
检测和暂停在线社交网络（OSN）服务中的虚假帐户（Sybils）可以保护OSN运营商和OSN用户免受非法利用。现有的基于社交图的防御方案有效地将被接受的Sybil与Sybil和非Sybil用户之间的社交连接总数绑定在一起。然而，Sybils仍然可以通过向真实用户征求许多社会联系来逃避防御。我们提出了SybilFence，这是一个改进基于社交图的Sybil防御以进一步阻止Sybils的系统。SybilFence基于这样的观察：即使是维护良好的假账户也不可避免地会收到大量的用户负面反馈，例如拒绝他们的好友请求。我们的主要想法是对收到负面反馈的用户的社交优势进行打折，从而限制Sybils社交优势的影响。初步模拟结果表明，我们的建议对假账户随着时间的推移不断请求社交联系的攻击更具弹性。
2013-04-13 cs.SI physics.soc-ph
A Survey of Link Prediction in Temporal Networks
University of Manchester（曼彻斯特大学）；University of Sheffield（谢菲尔德大学）
本综述提出一种区分表示与推理的新分类法，系统梳理时间链接预测方法，揭示未探索组合，为可解释性与可扩展架构奠定基础。
2025-02-28 cs.AI cs.SI
Force-Directed Graph Drawing Using Social Gravity and Scaling
力导向布局算法通过解析模拟物理力的系统来产生图形。我们提出的技术，使用社会引力作为一个额外的力量，在力导向的布局，连同缩放技术，产生图纸的树木和森林，以及更复杂的社交网络。社会引力将质量分配给与网络中心性成比例的顶点，这使得在图形理论上更中心的顶点可以在物理中心位置可视化。缩放会在整个模拟过程中改变重力，并减少相对于未缩放重力的交叉。除了提供这种算法框架，我们将我们的算法应用到由Mark Lombardi制作的社交网络中，我们展示了如何将社会引力融入到力量导向的伦巴第风格的绘画中。
2012-09-04 cs.CG cs.SI physics.soc-ph
Line graphs as social networks
线图是群集的和独立的。它们与某些社交网络共享这些拓扑特征。我们认为，这种相似性揭示了社交网络的小团体性质。在这里提出的模型中，社会网络是由家庭、社区、利益集团、学校班级和小公司组成的初始网络的线图。这些群体扮演节点的角色，个体由这些节点之间的链接表示。这张图片得到了LiveJournal网络上大约8 x 10^6人的数据的支持。特别地，聚类系数C（k）的度依赖性的观测数据的尖锐最大值与社交网络中的集团相关联。
2010-10-12 cs.SI physics.data-an physics.soc-ph
Social Event Detection with Interaction Graph Modeling
本文的重点是从社交媒体网站上发布的照片中检测社交，物理世界事件。问题很重要：廉价的媒体捕获设备显著增加了这些网站上共享的照片数量。本文的主要贡献是将在线社交互动功能的物理事件的检测。我们认为，在线社交互动反映了参与者之间关于两张照片的“社交亲和力”的重要信号，从而有助于事件检测。我们通过在社交互动图上随机游走来计算社交亲和力，以确定图上两张照片之间的相似性。我们训练一个支持向量机分类器，结合照片和照片为中心的元数据，包括时间，位置，标签和描述之间的社会亲和力。然后使用增量聚类将照片分组到事件聚类。我们在两个大规模的真实世界数据集上获得了非常好的结果：Upcoming和MediaEval。在这些数据集上，我们在F1中显示了0.06-0.10之间的改进。
2012-08-13 cs.IR cs.MM cs.SI
Grassroots Social Networking: Where People have Agency over their Personal Information and Social Graph
本文提出草根社交网络架构，通过去中心化社交图谱、个人信息流和草根传播协议，结合blocklace数据结构，实现用户对个人信息和社交图谱的自主控制，并以类Twitter和类WhatsApp协议验证其可行性与安全性。
2024-05-01 cs.CY cs.DC cs.MA
