Towards Efficient Path Query on Social Network with Hybrid RDF Management
资源描述框架（RDF）模型的可扩展性和灵活性使其非常适合表示在线社交网络（OSN）。OSN中的一个基本操作是查找关系链，例如k-Hop朋友。SPARQL中的属性路径查询可以表示这种类型的操作，但它的实现受到性能问题考虑到不断增长的数据规模和复杂性的OSN.本文提出了一种基于主存/磁盘的混合RDF数据管理框架，有效的属性路径查询.在这个混合框架中，我们实现了一个高效的内存中代数运算符的属性路径查询使用图遍历，并估计成本的操作，以配合现有的成本为基础的优化。在基准数据集和真实数据集上的实验表明，该方法能够在数据负载开销和在线查询性能之间取得较好的折衷。
2014-06-10 cs.DB cs.SI
NHAD: Neuro-Fuzzy Based Horizontal Anomaly Detection In Online Social Networks
使用社交网络是当今生活的基本功能。随着越来越多的在线社交媒体的出现，现有信息及其利用受到了几种异常现象的威胁。异常是网络欺诈的主要原因，它允许未经授权的用户访问信息以及信息伪造。作为无声攻击者的异常之一是水平异常。这些是由用户由于他/她对不同来源的可变行为而引起的异常。水平异常对于任何网络都是难以检测和危险的。在本文中，自愈神经模糊方法（NHAD）是用于检测，恢复和消除水平异常有效和准确。所提出的方法在五个范例，即缺失的链接，声誉增益，显着差异，信任属性，和信任得分。该方法的评估与三个数据集：DARPA'98基准数据集，合成数据集，和实时交通。结果表明，所提出的NHAD模型的精度为10%至30%的异常在合成数据集的范围内的98.08%和99.88%之间。在DARPA'98数据集上的测试结果表明，该方法对异常类的检测率达到99.97%，优于现有方法。对于实时流量，建议的NHAD模型的平均准确率为99.42%，检测率为99.90%。
2018-04-19 cs.NI cs.SI
Modelling the Behavior Classification of Social News Aggregations Users
本文论述了实际的模糊逻辑方法建模的社会新闻聚合用户的行为分类。探讨了基于社会新闻聚合的社区信息内容结构的特点。本文提出了一种社会新闻聚合模型的形式化模型，该模型基于对社会新闻聚合特征的模糊测度，包含了社会新闻聚合的用户。开发了用户行为分类方法和构建社会新闻聚合部分和讨论的方法。提出了确定社会新闻聚合用户主要特征的方法：主动性、创造性、吸引力、反应性、忠诚度。提出了一种定义社会新闻聚合用户特征和分类的方法。
2019-09-04 cs.CY cs.SI
On converting community detection algorithms for fuzzy graphs in Neo4j
大规模自由图的一个基本特征，如网络，蛋白质与蛋白质的相互作用，大脑连接和社交媒体图，是它们倾向于形成递归社区。后者是密集连接的顶点簇，表现出快速的本地信息传播和处理。在模糊图模型下，顶点是固定的，而每条边根据隶属函数以给定的概率存在。本文提出了模糊Walktrap和模糊纽曼-Girvan，模糊版本的两个既定的社区发现算法。所提出的算法已被应用到合成图生成的克罗内克模型与不同的终止标准和结果进行了讨论。
2017-02-22 cs.SI
Semantic and Influence aware k-Representative Queries over Social Streams
社交平台上不断产生的海量数据，成为用户重要的信息源。从社会流中获取新鲜和有价值的信息的主要方法是\emph{social search}。虽然社会化搜索已经有了广泛的研究，但现有的方法只关注查询结果的\emph{relevance}，而忽略了\emph{representativeness}。在本文中，我们提出了一种新的语义和影响意识的$k$ -代表（$k$ -SIR）查询的社会流的基础上的主题建模。具体来说，我们认为用户查询和元素都表示为主题空间中的向量。$k$ -SIR查询检索在查询时间w.r. t在滑动窗口上具有最大值\emph{representativeness}的$k$元素的集合。查询向量。元素集的代表性包括由主题模型计算的语义和影响力分数。随后，我们设计了两个近似算法，即\textsc{Multi-Topic ThresholdStream}（MTTS）和\textsc{Multi-Topic ThresholdDescend}（MTTD），实时处理$k$ -SIR查询。这两种算法都利用了在每个主题上维护的排名列表，用于具有理论保证的$k$ -SIR处理。在真实数据集上的大量实验证明了$k$ -SIR查询与现有方法相比的有效性以及我们提出的$k$ -SIR处理算法的效率和可扩展性。
2019-01-29 cs.DB cs.SI
On Social-Temporal Group Query with Acquaintance Constraint
三个基本标准对于活动规划是重要的，包括：（1）找到一组熟悉发起者的参与者，（2）确保组中的每个参与者与组中的大多数成员有紧密的社交关系，以及（3）选择可供所有参与者使用的活动时段。因此，本文提出了社会-时间组查询，以找到活动时间和参与者与最小的总社会距离的发起者。此外，该查询结合了熟人约束，以避免找到具有相互不熟悉的与会者的组。有效地处理社会时态组查询是非常具有挑战性的。通过证明证明该问题是NP-难的，并利用可编程语言将该问题形式化。然后，我们提出了两个有效的算法，SGSelect和STGSelect，其中包括有效的修剪技术，并采用枢轴时隙的想法，以大大减少运行时间，找到最优的解决方案。实验结果表明，该算法具有更高的效率和可扩展性。在解决方案的质量比较，我们表明，STGSelect优于由发起人代表手动协调的算法。
2011-04-16 cs.SI
NETR-Tree: An Eifficient Framework for Social-Based Time-Aware Spatial Keyword Query
全球定位系统的发展促进了基于位置的社交网络服务的普及。随着包含位置、文本、签到信息和社会关系的大量数据的出现，LBSN中的空间关键字查询变得越来越复杂。在本文中，我们确定和解决基于社会的时间感知空间关键字查询（STSKQ），返回前k个对象，考虑地理空间得分，关键字相似性，访问时间得分，社会关系的影响。为了解决STSKQ问题，我们提出了一种两层的混合索引结构，称为网络嵌入时间感知R树（NETR-Tree）。在用户层，我们采用网络嵌入策略来衡量用户关系网络中的关系效应。在定位层，考虑空间对象的时空签到信息，构建了时间感知的R树（TR树），并给出了相应的查询处理算法。最后，两个不同的现实生活中的LBSN的广泛的实验证明了我们的方法的有效性和效率，与现有的国家的最先进的方法相比。
2022-02-18 cs.IR cs.SI
A Query-Driven System for Discovering Interesting Subgraphs in Social Media
社交媒体数据通常被建模为具有多种类型的节点和边的异构图。我们提出了一种发现算法，首先选择一个“背景”图的基础上，用户的分析兴趣，然后自动发现子图，结构和内容方面明显不同的背景图。该技术结合了图上的\texttt{group-by}操作的概念和主观兴趣度的概念，从而自动发现有趣的子图。我们的社会政治数据库上的实验表明，我们的技术的有效性。
2021-02-18 cs.SI
Prioritizing Risk Factors in Media Entrepreneurship on Social Networks: Hybrid Fuzzy Z-Number Approaches for Strategic Budget Allocation and Risk Management in Advertising Construction Campaigns
University of Alabama（阿拉巴马大学）；Science and Research Branch, Islamic Azad University（伊斯兰阿扎德大学科学与研究分校）；G. Brint Ryan College of Business, University of North Texas（北德克萨斯大学G.布林特·瑞安商学院）；Iowa state university（爱荷华州立大学）；The University of Texas at Arlington（阿灵顿得克萨斯大学）
本文提出了一种基于Z数理论的混合模糊方法，用于优化社交媒体广告活动的预算分配和风险管理。
2026-02-10 cs.CY cs.SI
Social Network Analysis of yahoo web-search engine query logs
Web现在是无可争议的信息仓库。它现在可以为现代问题提供大部分答案。搜索引擎做了一个伟大的工作，结合和排名的最佳结果时，用户试图搜索任何特定的信息。然而，正如我们所知，“能力越大，责任越大”，数据分析师要找到与查询最相关的信息并不是一件容易的事情。一个主要的挑战是，网络搜索引擎面临的困难，认识到用户的具体搜索兴趣，他的初始查询。在这个项目中，我们尝试从Web搜索引擎的查询日志中构建查询网络，其中节点表示查询，边表示查询之间的语义相关性。
2017-05-02 cs.IR cs.SI
Empowering Evolving Social Network Users with Privacy Rights
在社交网络上存在着对隐私的相当大的关注，并且关于如何扩展用户需要的构件以有效地保护他们的隐私权的巨大争论持续存在。虽然已经提出了许多有趣的想法，但似乎没有一种方法足够全面，可以成为领跑者。在本文中，我们提出了一个全面的和新颖的参考概念模型的隐私在不断发展的社交网络，并建立其新颖性，通过简要对比它与当代的研究。我们还提出了一个可能的查询语言，我们可以开发的参考模型的理想功能的轮廓，并参考一个新的查询语言，{ \em PiQL}，开发的基础上，这个模型的目的是支持用户驱动的隐私政策的创作和执行。我们的模型的优势在于，通过开发适当的语言结构作为查询语言（如SQL）的一部分，这种扩展现在是可能的，正如PiQL中所展示的那样。
2013-12-01 cs.CR cs.DB cs.SI
Automatic Detection of Small Groups of Persons, Influential Members, Relations and Hierarchy in Written Conversations Using Fuzzy Logic
Howard University（霍华德大学）
现在很多数据都是在网上论坛上收集的。关键任务之一是确定这些在线群体的社会结构，例如在一个更大的群体中确定子群体。我们将把个体的分组作为一个分类问题来处理。分类器将基于模糊逻辑。分类器的输入将是语言特征和（个体之间的）关系程度。分类器的输出是个体的分组。我们还采用了一种方法，排名检测到的子组的成员，以确定在每个子组的层次结构。数据从HBO电视节目的电线是用来分析的有效性和实用性的模糊逻辑为基础的方法作为替代方法，经典的统计方法通常用于这些问题。所提出的方法可以自动检测出最有影响力的成员，每个组织的电线与90%的准确率。
2016-10-06 cs.CL cs.SI
FLASH: Federated Learning-Based LLMs for Advanced Query Processing in Social Networks through RAG
Southern Illinois University（南伊利诺伊大学）；University of Texas at El Paso（得克萨斯大学埃尔帕索分校）
本文提出FLASH系统，将联邦学习GPT与RAG结合，在保护隐私的前提下聚合多源社交媒体数据，通过个性化聊天机器人实现高效查询处理与知识分发。
2024-08-06 cs.DC cs.IR cs.LG
Optimal Active Social Network De-anonymization Using Information Thresholds
在本文中，去匿名的互联网用户主动查询他们的组成员在社交网络被认为是。在这个问题中，匿名受害者访问攻击者的网站，攻击者使用受害者的浏览器历史记录来查询她的社交媒体活动，以便使用最少的查询次数进行去匿名化。一个随机模型的问题被认为是攻击者有部分先验知识的组成员关系图，并收到嘈杂的响应，其实时查询。受害者的身份被假定为随机选择的基础上，一个给定的分布模型的用户访问恶意网站的风险。提出了一种基于信息阈值的去匿名化算法，并分析了其在有限和渐近大社会网络状态下的性能。此外，提供了一个相反的结果，证明了所提出的攻击策略的最优性。
2018-01-19 cs.SI
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
Distributed Probabilistic Bisection Search using Social Learning
Boston University（波士顿大学）；MIT Lincoln Laboratory（麻省理工学院林肯实验室）
我们提出了一种新的分布式概率二分法，利用社会学习与应用程序的目标定位。网络中的每个智能体首先基于其本地信息构造关于目标的查询，并获得噪声响应。代理然后执行贝叶斯更新他们的信念，其次是平均的日志信念在当地的社区。该两阶段算法包括重复查询和平均运行，直到收敛。我们推导出在正确的目标位置的信念的收敛速度的界限。数值模拟表明，我们的方法优于目前最先进的方法。
2016-12-28 cs.LG cs.MA cs.SI
Detecting Outlier Patterns with Query-based Artificially Generated Searching Conditions
在社会计算时代，发现有趣的网络模式或图案对于决策智能、入侵检测、医疗诊断、社会网络分析、假新闻识别、国家安全等各个领域都是重要和关键的。然而，子图匹配仍然是一个具有计算挑战性的问题，更不用说识别其中的特殊图案了。这在大型异构现实世界网络中尤其如此。在这项工作中，我们提出了一个有效的解决方案，发现和排名人类的行为模式的基础上，网络图案探索用户的查询智能的方式。我们的方法利用了用户查询提供的语义，这反过来又提供了数学约束，这对于更快的检测是至关重要的。我们提出了一种方法来生成查询条件的基础上，用户的查询。特别是，我们使用节点之间的Meta路径来定义目标模式，以及它们的相似性，从而有效的主题发现和排名在同一时间。该方法在现实世界的学术网络上进行了研究，使用不同的节点之间的相似性度量。实验结果表明，该方法可以识别出感兴趣的主题，并且对相似性度量的选择具有鲁棒性。
2022-04-06 cs.SI
Social-Inverse: Inverse Decision-making of Social Contagion Management with Task Migrations
University of Delaware（特拉华大学）
考虑两个决策任务$A$和$B$，每个都希望为给定的\textit{query} $X$计算有效的\textit{decision} $Y$，{我们可以通过使用$A$的查询-决策对$(X, Y)$来解决任务$B$而不知道潜在的决策模型吗？}这种问题，称为\textit{inverse decision-making with task migrations}，感兴趣的是，现实世界中的应用程序的复杂性和随机性往往会阻止代理完全知道底层系统。在本文中，我们介绍了这样一个新的问题与正式的配方，并提出了一个通用的框架，以解决决策任务的社会传染管理。在理论方面，我们提出了一个泛化分析证明我们的框架的学习性能。在实证研究中，我们进行了合理性检查，并与其他可能的基于学习和基于图的方法比较所提出的方法。我们已经获得了令人鼓舞的实验结果，首次证实了通过使用与另一个相关联的解决方案来解决一个决策任务是可能的。
2022-09-21 cs.LG cs.SI
Topic-aware Most Influential Community Search in Social Networks
本文提出主题感知最具影响力社区搜索问题TAMICS，通过在线算法和基于索引的启发式算法在不确信有向图中高效发现与查询主题高度相关且影响力最大的内聚社区，实验证明其效果和效率优于现有方法。
2025-04-09 cs.SI
An Information Theoretic Framework for Active De-anonymization in Social Networks Based on Group Memberships
在本文中，一个新的数学公式的问题去匿名的社会网络用户，积极查询他们在社会网络组的成员。在这个公式中，攻击者可以访问社交网络中每个用户的组成员的嘈杂观察。当身份不明的受害者访问恶意网站时，攻击者使用浏览器历史记录嗅探来查询受害者的社交媒体活动。特别地，它可以对受害者的组成员身份和受害者的身份进行极性查询。攻击者会收到对她的查询的嘈杂响应。目标是以最少的查询次数对受害者进行去匿名化。从一个严格的数学模型，这个主动去匿名化问题，上界的攻击者的预期查询成本的推导，并提出了新的攻击算法，实现这一界限。这些算法在计算成本和性能方面各不相同。结果表明，以前的启发式方法，这个问题提供了次优的解决方案。
2017-10-11 cs.CR cs.IT cs.SI
A Network-Aware Approach for Searching As-You-Type in Social Media (Extended Version)
我们在本文中提出了一种新的方法，作为你类型的顶部- $k$关键字搜索社会媒体。我们采用了一个自然的“网络感知”的信息相关性的解释，即更接近搜索者的用户所产生的信息被认为是更相关的。在实践中，这种查询模型对在线搜索的有效性和效率提出了新的挑战，即使当一个完整的查询作为输入在一个搜索引擎中。这主要是因为它需要联合探索社会空间和经典的IR索引，如倒排列表。我们描述了一个内存效率和增量前缀为基础的检索算法，它也表现出随时的行为，允许输出任何选择的运行时间限制内最有可能的答案。我们通过对几个应用程序和搜索场景进行广泛的实验来评估它，包括在微博（Twitter和Tumblr）中搜索帖子，以及基于Yelp中的评论搜索企业。他们表明，我们的解决方案在回答社交媒体上的实时搜索时是有效的。
2015-07-29 cs.IR cs.SI
Differentially Private Data Analysis of Social Networks via Restricted Sensitivity
我们引入了限制敏感性的概念，作为全局和平滑敏感性的替代方案，以提高差异隐私数据分析的准确性。受限敏感度的定义与全局敏感度的定义类似，不同之处在于，我们不是对所有可能的数据集进行量化，而是利用查询者可能拥有的关于数据集的任何信念来量化受限的一类数据集。具体来说，给定一个查询f和一个关于数据集D的结构的假设H，我们一般地展示了如何将f转换成一个新的查询f_H，其全局灵敏度（在所有数据集上，包括那些不满足H的数据集）匹配查询f的受限灵敏度。此外，如果查询者的信念是正确的（即，D在H中）则f_H（D）= f（D）。如果信念是不正确的，那么f_H（D）可能是不准确的。我们通过考虑回答关于社交网络的查询的任务来证明这个概念的有用性，我们将社交网络建模为图和其顶点的标签的组合。特别是，虽然我们的通用程序是计算效率低下，为特定的定义H的有界度的图形，我们展示了有效的方法，使用不同的投影为基础的技术来构建f_H。然后，我们分析了两个重要的查询类：子图计数查询（例如，三角形的数目）和局部简档查询（例如，一个间谍和一个计算机科学家互相认识的人数）。我们证明，这种查询的限制的敏感性可以显着低于其平滑的敏感性。因此，使用受限敏感度，我们可以保持隐私，无论D是否在H中，同时在H为真的情况下提供更准确的结果。
2013-02-01 cs.CR cs.SI physics.soc-ph
Globalness Detection in Online Social Network
University of California, Davis（加州大学戴维斯分校）
由于人工智能（AI）的成熟，分类问题取得了重大进展。然而，在没有明显边界的情况下将物品与类别区分开来仍然是机器面临的巨大挑战-这对机器智能化也至关重要。为了研究分类的模糊概念，我们定义并提出了一个具有四阶段操作流程的全局性检测。然后，我们在Facebook公共页面上展示了我们的框架与其地理位置之间的关系图。我们的预测算法实现了本地页面的高准确率（89%）和召回率（88%）。我们评估的结果，在国家和国家的水平，发现全球节点的比率是相对较高的，在那些国家（纽约州，加利福尼亚州）有大型国际城市。本文还给出了几个全局节点的例子并进行了研究。我们希望我们的结果揭示了每个分类问题的完美价值，并提供了更好的理解在线社交网络（OSN）中的全局和局部节点。
2018-12-18 cs.LG cs.SI stat.ML
