Emotional Framing in the Spreading of False and True Claims
网上虚假信息的爆炸性增长，如虚假索赔，影响了在线用户的社会行为。为了具有说服力和误导观众，虚假的说法是为了引发观众的情绪。本文通过调查索赔作者试图为受众创造的情感框架，有助于理解社交媒体中的错误信息是如何形成的。首先，我们研究了情感框架在索赔中的存在如何取决于索赔的主题和可信度。其次，我们探讨了情感框架内容如何触发社交媒体用户的情感回应帖子，以及声明和相应用户的回应帖子中表达的情感如何影响他们在社交媒体上的分享行为。对涵盖不同主题（政治、健康、叙利亚战争和COVID-19）的四个数据集的分析表明，作者根据主题领域来塑造他们的主张，以将有针对性的情感传递给他们的受众。通过分析索赔的反应，我们表明，索赔的可信度会影响索赔煽动观众的情绪分布。此外，我们的分析表明，在索赔中表达的情感在用户的反应中重复。最后，对用户分享行为的分析表明，虚假声明的愤怒、恐惧和悲伤等负面情绪框架比正面情绪导致用户之间更多的互动。这项分析还表明，在引发快乐反应的索赔中，与虚假索赔相比，真实索赔导致更多的分享。
2023-03-29 cs.SI
Trending Chic: Analyzing the Influence of Social Media on Fashion Brands
社交媒体平台是时尚品牌营销和广告的热门场所。随着原生广告的引入，用户不必忍受那些没有显著性和吸引力的横幅广告。使用图像和微妙的文本覆盖，即使在一个注意力持续时间不断下降的世界里，品牌也可以留住他们的受众，并拥有广阔的创造潜力。虽然各种各样的营销策略都被介绍过，但各种类型的营销策略之间的微妙区别仍然没有得到充分的探索。本文对社交媒体平台对服装品牌营销行为的影响进行了定性分析。我们采用语言和计算机视觉技术，同时比较和对比战略特质。我们还分析了品牌受众保留率和社交参与度，从而为通过Twitter和Instagram调整广告和营销策略提供建议。
2016-03-08 cs.SI
Followback Clusters, Satellite Audiences, and Bridge Nodes: Coengagement Networks for the 2020 US Election
本文提出共同参与变换方法将大规模社交网络转化为可解释的可视化图像，并通过对2020年美国大选Twitter数据的案例研究，识别出桥接账号、卫星受众和回关社区等关键结构，同时发布开源代码。
2023-05-30 cs.SI
Hashtag Re-Appropriation for Audience Control on Recommendation-Driven Social Media Xiaohongshu (rednote)
研究探讨了小红书女性创作者如何通过重新挪用标签来屏蔽特定受众，从而在推荐驱动的平台中重新掌握内容分发的能动性，为算法权力结构下的自我治理提供见解。
2025-03-04 cs.CY cs.HC cs.IR
A mimetic approach to social influence on Instagram
本研究融合哲学理论与数据分析，提出以受众构成和内容类型定义影响者，基于吉拉尔模仿理论分析Instagram影响者，揭示其影响力源于‘阅读契约’，并探讨契约违约后果及数字化对互惠与模仿行为的影响。
2023-05-08 cs.HC cs.SI
Maximizing Friend-Making Likelihood for Social Activity Organization
社会心理学中的社会存在理论表明，以计算机为媒介的在线互动不如面对面的互动。在本文中，我们考虑的情况下，通过在线社交网络（OSNs）组织交友社交活动的人，并制定了一个新的研究问题，即跳跃界最大组交友（HMGF），通过建模现有的友谊和新朋友的可能性。为了找到一组参加社交活动，HMGF是独特的和具有挑战性的，由于相互作用的群体规模，现有的友谊和交友的可能性的目标函数的约束。我们证明了HMGF是NP-Hard的，除非P = NP，否则不存在近似算法.然后，我们提出了一个误差有界的近似算法来有效地获得非常接近最优解的解。我们进行了一个用户研究，以验证我们的问题制定和执行-形式在真实数据集上的广泛实验，以证明我们提出的算法的效率和有效性。
2015-02-26 cs.SI
Private Date Exposure in Facebook and the Impact of Comprehensible Audience Selection Controls
在线社交网络（OSNs）中的隐私从一个小众话题演变为各种媒体广泛讨论的问题。然而，OSN大大增加了可以在网络上找到的关于个人的信息量。为了估计OSN中数据泄露的规模，我们测量了来自102个国家的4，182名Facebook用户在最受欢迎的OSN Facebook中的用户内容的真实暴露。我们进一步量化的影响，一个可理解的隐私控制界面，已被证明可以极大地减少配置的努力，以及在观众选择的错误配置。我们的研究强调了可用安全性的重要性。(i)通过简化受众选择界面，Facebook用户可见的内容总量并没有大幅减少，但可见内容的组成发生了变化。(ii)哪些信息上传到Facebook以及哪些信息与谁共享在很大程度上取决于用户的原籍国。
2015-05-22 cs.SI
Maximizing Influence in Social Networks: A Two-Stage Stochastic Programming Approach That Exploits Submodularity
我们考虑社交网络中的随机影响力最大化问题。与现有的研究，涉及贪婪近似算法的63%的性能保证，我们的工作重点是最佳地解决问题。为此，我们引入了一类新的问题，我们称之为两阶段随机子模块优化模型。我们提出了一个延迟约束生成算法，以找到这类问题的最优解有限数量的样本。感兴趣的影响力最大化问题是这个一般问题类的特殊情况。我们表明，可以利用影响函数的子模块性来开发比文献中的标准最优性切割更有效的强最优性切割。最后，我们报告了我们的计算实验与大规模的真实世界的数据集的两个基本的影响力最大化问题，独立级联和线性阈值，并表明我们提出的算法优于贪心算法。
2016-08-18 cs.SI
Hawkes Process for Understanding the Influence of Pathogenic Social Media Accounts
在过去几年中，网络上的政治事件和公众舆论据称被专门用于在社交媒体上传播虚假信息和进行恶意活动的账户操纵。这些账户通常由恐怖分子支持者、水军或假新闻作者控制，因此可能对社交媒体和公众构成威胁。了解和分析PSM可以帮助社交媒体公司设计复杂和自动化的技术，可以部署这些技术来阻止它们接触受众，从而减少它们的威胁。在本文中，我们利用著名的统计技术“霍克斯过程”来量化PSM帐户对社交媒体平台上恶意信息传播的影响。我们在Twitter上的真实世界ISIS相关数据集上的发现表明，PSM在使消息病毒化方面与普通用户有显着不同。具体来说，我们观察到PSM通常不会发布来自主流新闻来源的URL。相反，他们的推文通常会对受众产生很大的影响，如果包含来自Facebook和其他新闻媒体的URL。相反，普通用户发布的推文无论发布的URL及其来源如何，都会获得几乎相同的印象。我们的研究结果可以进一步揭示理解和检测PSM帐户。
2019-02-05 cs.SI
From Latent Influence to Language: Diffusion-Oriented Content Generation via Audience-Susceptible Features
Tongji University（同济大学）；Shanghai Innovation Institute（上海创新研究院）
针对现有面向扩散的内容生成方法难以转化扩散影响信号的问题，提出三阶段框架DOCG-AS，实验显示其在预测扩散影响上优于现有基线。
2026-08-21 cs.SI
Maximizing spreading influence via measuring influence overlap for social networks
影响力重叠是社交网络影响力传播中的一种普遍现象。在本文中，我们认为，影响重叠产生的冗余的影响，造成负面影响的最大化传播的影响。首先，我们提出了一种理论方法来计算影响重叠和记录冗余的影响。然后在消除冗余影响方面，提出了两种多传播者识别算法，即度冗余影响（DRS）和度次邻域（DSN）。在四个经验社交网络上的实验成功地验证了该方法的有效性，DSN算法选择的传播者具有较小的度和k-核值。
2019-03-01 cs.SI physics.soc-ph
Maximizing Truth Learning in a Social Network is NP-hard
本文研究社交网络序贯学习中通过调整预测顺序最大化正确预测人数的问题，证明其在 Bayesian 与多数规则模型下均为 NP-hard，且近似求解也困难。
2025-02-18 cs.SI
Maximizing Fair Content Spread via Edge Suggestion in Social Networks
内容传播不公平是在线社交网络中潜在的不公平问题，严重影响少数群体。在本文中，我们认为友谊的建议，在社交网络平台的一个共同特点，作为一个机会，以实现公平的传播内容。特别是，我们建议建议一个子集的潜在优势（目前不存在于网络中，但可能会被接受），最大限度地提高内容传播，同时实现公平。我们的建议不是重新设计现有的系统，而是在现有的友谊建议组件之上构建一个公平包装。我们证明了该问题是NP-困难的，且在多项式时间内不可逼近，除非P = NP。因此，允许放宽的公平性约束，我们提出了一种算法的基础上LP松弛和随机舍入与固定的近似比的公平性和内容传播。我们提供了多种优化，进一步提高我们的算法在实践中的性能。此外，我们提出了一个可扩展的算法，动态地添加节点的子集，通过迭代采样选择，并解决相应于这些节点的较小的问题。在理论分析的基础上，我们对真实数据集和合成数据集进行了综合实验。在不同的设置中，我们的算法找到了接近零不公平的解决方案，同时显着增加了内容传播。我们的可扩展算法可以在一台机器上处理50万个节点的图，将不公平性降低到0.0004左右，同时将内容传播提高了43%。
2022-12-20 cs.SI
The Susceptibility Paradox in Online Social Influence
Information Sciences Institute, University of Southern California（南加州大学信息科学研究所）；Thomas Lord Department of Computer Science, University of Southern California（南加州大学托马斯·洛德计算机科学系）
本文研究在线社交影响中的易感悖论，发现影响驱动行为的易感性高于自发行为，且朋友比用户自身更易受影响，揭示了社交影响机制的复杂性。
2025-05-13 cs.SI
Measuring and Maximizing Influence via Random Walk in Social Activity Networks
随着OSN的普及，找到一组最有影响力的用户（或节点），以触发最大的影响力级联具有重要意义。例如，公司可以利用“口碑”效应，通过向那些最有影响力的用户提供免费样品/折扣来引发大量购买。这一任务通常被建模为一个影响力最大化问题，在过去的十年里，它已经得到了广泛的研究。然而，考虑到OSN中的用户可以参与各种在线活动，例如，对产品进行评级，加入讨论组等，通过在线活动传播影响力变得更加重要。在本文中，我们研究的影响，在线活动制定的影响力最大化问题的社会活动网络（SAN）包含用户和在线活动。为了解决计算的挑战，我们定义了一个影响力中心通过随机游走来衡量影响力，然后使用蒙特卡罗框架来有效地估计在SAN的中心。此外，我们开发了一个基于贪婪的算法，两个新的优化技术，以找到最有影响力的用户。通过对真实世界的数据集进行广泛的实验，我们表明，当我们需要处理大量的在线活动时，我们的方法比最先进的算法IMM[17]更有效。
2017-01-09 cs.SI
Maximizing the Influence of Bichromatic Reverse k Nearest Neighbors in Geo-Social Networks
地理社交网络为地理定位服务的营销和推广提供了机会。在这种情况下，我们探索一个新的问题，称为最大化双色反向k最近邻的影响（MaxInfBRkNN）。我们的目标是找到一组兴趣点（POI），这是地理文本和社会吸引力的社会影响者，预计将在很大程度上促进POI通过在线影响传播。换句话说，该问题旨在检测具有最大口碑（WOM）营销潜力的最佳POI集合。此功能在各种现实生活应用中非常有用，包括社交广告、基于位置的病毒式营销和个性化POI推荐。然而，解决MaxInfBRkNN与理论保证是具有挑战性的，因为禁止开销的BRkNN检索地理社会网络，和NP和#P-硬度在寻找最佳POI集。为了实现实际的解决方案，我们提出了一个框架，精心设计的索引，高效的批处理BRkNN处理算法，以及替代POI选择策略，支持近似和启发式解决方案。在真实数据集和人工数据集上的大量实验证明了我们所提出的方法的良好性能。
2022-04-25 cs.DB cs.SI
Designed to Spread: A Generative Approach to Enhance Information Diffusion
Tongji University（同济大学）；Shanghai Research Institute for Intelligent Autonomous System, Tongji University（同济大学上海智能自主系统研究院）；Shanghai Innovation Institute, Shanghai, China（上海创新研究院）
本文提出DOCG任务，通过生成模型优化内容传播，提升信息扩散效果并保持内容核心语义。
2026-03-12 cs.SI
DQSSA: A Quantum-Inspired Solution for Maximizing Influence in Online Social Networks (Student Abstract)
Delhi Technological University（德里理工大学）；School of Computer Science, University of Technology Sydney（悉尼科技大学计算机学院）
本文提出离散化量子樽海鞘群算法DQSSA，通过量子启发增强元启发式算法以解决社交网络影响力最大化中的早熟收敛问题，并在四个真实数据集上验证了其优于现有前沿算法的性能。
2023-11-30 cs.AI cs.SI
Scheduling Broadcasts in a Network of Timelines
广播和时间线是当今在线社交平台信息交流的主要机制。Facebook、Twitter和Instagram等服务使普通人能够接触到跨越文化和国家的大量受众，而它们的大规模普及也创造了竞争日益激烈的注意力市场。定时广播以吸引这些地理上不同的观众的注意力，引起了许多初创公司和社会营销大师的兴趣。然而，对时间和频率问题的正式研究还很缺乏。我们研究的第一次指定的时间和频率的发布内容，以最大限度地提高收到的关注的广播调度问题。我们验证和量化了三种相互作用的行为现象，以参数化社交平台用户：信息过载，突发性昼夜节律和单调厌恶，这是第一次在这里定义。我们正式的时间轴的信息交换过程中，这些现象的基础上，并制定了一个目标函数，量化预期的集体注意。最后，我们从Twitter的真实数据，在那里我们发现了一个反直观的调度策略，优于流行的调度，同时产生更少的职位上的实验。
2016-10-19 cs.SI
Maximizing the Diversity of Exposure in a Social Network
社交媒体平台为公民了解情况和参与公共辩论创造了新的途径。然而，要为信息共享、社会审议和意见形成创造一个健康的环境，公民需要接触到挑战他们假设的足够多样化的观点，而不是被困在过滤泡沫中。在本文中，我们朝着这个方向迈出了一步，并提出了一种新的方法来最大限度地提高社会网络中的曝光多样性。我们制定的信息传播的背景下，作为一个任务，推荐少量的新闻文章，选定的用户的问题。我们提出了一个现实的设置，我们考虑到内容和用户倾向，以及进一步分享文章的可能性。这种设置使我们能够在最大限度地传播信息和确保用户接触不同观点之间取得平衡。由此产生的问题可以被铸造为最大化的单调和submodular功能的拟阵约束的文章分配给用户。这是一个具有挑战性的推广的影响力最大化问题。然而，我们能够设计可扩展的近似算法通过引入一个新的扩展的概念，随机反向可达集。我们的实验证明了我们的算法在几个真实世界的数据集上的效率和可扩展性。
2021-11-04 cs.SI physics.soc-ph
How-to Present News on Social Media: A Causal Analysis of Editing News Headlines for Boosting User Engagement
Soongsil University（崇实大学）；Singapore Management University（新加坡管理大学）；Qatar Computing Research Institute（卡塔尔计算研究所）
为了接触更广泛的受众并优化新闻文章的流量，媒体通常会运行社交媒体账户，并通过简短的文本摘要分享其内容。尽管在分享文章中撰写令人信服的信息很重要，但研究界对什么样的编辑策略能有效地促进受众参与并没有足够的了解。在这项研究中，我们的目标是通过使用数据驱动的方法分析媒体的当前做法来填补这一空白。我们首先建立了一个平行的语料库，包含八家媒体共享的原创新闻文章及其相应的推文。然后，我们探讨这些媒体如何编辑推文对原来的标题和这种变化的影响。为了估计编辑新闻标题用于社交媒体共享在受众参与度中的影响，我们提出了一种系统的分析，该分析将因果推理技术与深度学习相结合;使用倾向得分匹配，它允许估计编辑风格的潜在（缺点）优势，与反事实的情况相比，类似的新闻文章以不同的风格共享。通过对各种编辑风格的分析，揭示了不同编辑风格的共同效果和不同效果。为了了解各种编辑风格的效果，媒体可以自己应用我们易于使用的工具。
2021-04-22 cs.CL cs.SI
Trust based attachment
本研究围绕间接互惠社会系统中流言传播对声誉的影响展开，提出基于信任的依附（TBA）社交网络生成算法，其生成网络具备真实网络的关键属性，且可通过三元闭包近似，为三元闭包提供了基于信任与信息传播的新解释。
2023-08-29 cs.SI physics.soc-ph
Cascades: A view from Audience
在过去的十年中，在线网络上的级联一直是一个热门的研究课题，有相当多的文献，如扩散机制，病毒式，级联预测和对等网络效应。然而，一个基本的问题得到了相对较少的关注：从用户的角度来看，社交媒体平台上的级联有多可取？虽然这个问题的各种版本都是从级联生产者的角度考虑的，但对这个问题的任何回答都必须考虑到级联对其受众的影响。在这项工作中，我们试图通过提供一个消费者的角度来填补这一空白。在线网络上的用户扮演着生产者和消费者的双重角色。首先，我们对Twitter用户与转发级联的互动进行了实证研究。我们测量了用户在他们的家庭时间轴中观察转发的频率，并观察到一种我们称之为“不受干扰的干扰”的现象：大小为k的级联的印象份额比大小为k的级联的频率衰减得慢。因此，即使是罕见的大型级联，级联的受众也可能相当大。我们还衡量观众参与与转推级联相比，非转推内容。我们的研究结果表明，级联往往竞争对手或超过有机内容的参与收到每印象。这一结果可能令人惊讶，因为消费者没有选择查看这些作者的推文。此外，尽管级联内容广泛流行，但人们会期望它最终到达可能对内容不感兴趣的部分受众。我们的研究结果的动机，我们建立了一个理论模型，重点是对观众的级联效应。我们对这个模型的研究结果突出了转推作为一个高质量的内容选择机制和网络用户在过滤不相关内容的作用之间的平衡。
2017-03-26 cs.SI
Maximizing Welfare in Social Networks under a Utility Driven Influence Diffusion Model
受病毒式营销等应用的启发，影响力最大化（IM）问题在文献中得到了广泛的研究。我们的目标是选择一小部分用户来采用一个项目，从而导致其他用户的大量采用。现有的工作有三个关键的限制。(1)它们不考虑用户在购买/采用物品时的经济考虑。(2)大多数关于多个项目的研究都集中在竞争上，互补项目受到的关注有限。(3)对于网络所有者，最大限度地提高社会福利是重要的，以确保客户的忠诚度，这是没有解决在以前的工作中的IM文献。在本文中，我们解决了所有这三个限制，并提出了一个新的模型，称为UIC，结合效用驱动的项目通过网络的影响力传播。在这种互补的背景下，我们提出了社会福利最大化问题。我们表明，虽然目标函数既不是submodular也不是supermodular，令人惊讶的是，一个简单的贪婪分配算法实现了$(1-1/e-ε)$的最佳预期社会福利的一个因素。我们开发了\textsf{bundleGRD}，这个近似算法的可扩展版本，并证明，与真实和合成数据集的综合实验，它显着优于所有基线。
2019-05-30 cs.SI econ.EM
Maximizing Influence of Leaders in Social Networks
在社交网络中，添加边的操作经常被用于研究意见动态，其目的是多种多样的。在本文中，我们考虑的意见动力学的DeGroot模型的边缘添加问题的$n$节点和$m$边缘的社会网络中，在存在少量的$s \ll n$的竞争领导者的二元对立意见0或1。具体地说，我们提出和调查的问题，最大限度地提高均衡的整体意见，通过创建$k$新的边缘在候选边缘集，其中每个边缘是事件的1值的领导者和追随者节点。我们证明了目标函数是单调的和次模的。然后，我们提出了一个简单的贪婪算法的近似因子$(1-\frac{1}{e})$，近似解决问题的$O(n^3)$时间。此外，我们提供了一个快速算法的$(1-\frac{1}{e}-ε)$近似比和$\tilde{O}(mkε^{-2})$时间复杂度的任何$ε>0$，其中$\tilde{O}(\cdot)$符号抑制的${\rm poly} (\log n)$因素。大量的实验表明，我们的第二个近似算法是高效和有效的，它的规模超过一百万个节点的大型网络。
2021-06-11 cs.CY cs.SI
Maximizing User Engagement in Social Networks: A Game-Theoretic Approach to Network Participation and Resource Sharing
本文提出融合扩散与非扩散动态的 LLL 博弈论框架以优化社交网络用户参与，并给出可实时计算激励、动态重配资源且抗锚点故障的锚点选择方法。
2024-10-25 cs.SI
When-To-Post on Social Networks
对于社交网络上的许多用户来说，广播内容时的目标之一是接触大量受众。每个用户收到对消息的反应的概率不同，并且取决于各种因素，例如位置，每日和每周的行为模式以及消息的可见性。虽然以前的工作集中在整体网络动态和消息流级联，推荐个性化的发布时间的问题仍然是一个未充分探索的研究课题。在这项研究中，我们制定了一个何时发布的问题，其目标是找到最好的时间为用户发布在社交网络，以最大限度地提高观众的反应的概率。为了理解问题的复杂性，我们研究了用户行为的后反应时间，并比较了Twitter和Facebook上不同城市用户的跨网络和跨城市每周反应行为。我们对超过10亿条发布的消息和观察到的反应进行了分析，并提出了多种方法来生成个性化的发布时间表。我们根据经验评估这些时间表上的抽样用户集的0.5万活跃用户和超过25万条消息观察了56天。我们发现，当使用推荐的发布时间时，用户在Facebook上看到的反应增益高达17%，在Twitter上看到的反应增益高达4%。我们打开了本研究中使用的数据集，其中包括超过1.44亿个帖子和超过11亿个反应的时间戳。这里导出的个性化时间表用于完全部署的生产系统，为每天数百万用户推荐发布时间。
2015-06-05 cs.SI
Self-Organizing Map and social networks: Unfolding online social popularity
本研究使用Kohonen自组织图（SOM）来表示的流行模式的Myspace音乐艺术家从他们的属性在平台上，他们在社会网络中的位置。该方法适用于聚类的配置文件（社会网络的节点）和最佳的友谊链接（边）。这表明，SOM是一个有效的工具来解释观众和音乐家的影响力之间的复杂联系。最后给出了一个在线社交网络行为的鲁棒分类器。
2013-01-28 cs.SI physics.soc-ph
Urban scaling of football followership on Twitter
社会科学今天面临着一个重要的挑战，即利用在线社交网络产生的大量数据所提供的新的研究机会。由于其营销价值，体育俱乐部也有动力在社交媒体上创造和维持稳定的受众。在本文中，我们分析了追随者的知名足球俱乐部在Twitter上获得他们的家的位置。然后，我们测量城市规模是如何连接到追随者的数量使用城市规模理论。结果表明，俱乐部追随者的标度指数依赖于一个国家的收入。这些发现可用于了解全球足球观众的结构和潜在增长领域。
2018-12-11 cond-mat.dis-nn cs.SI physics.soc-ph
Investigating the dissemination of STEM content on social media with computational tools
Georgia Institute of Technology（佐治亚理工学院）；Emory University（埃默里大学）；Children's Healthcare of Atlanta（亚特兰大儿童医疗保健中心）；Emory University School of Medicine（埃默里大学医学院）
该研究运用聚类、回归和情感分析等开源机器学习方法，分析6位STEM创作者的1000多个视频，揭示了受众兴趣信号与观看次数的关系及新创作者传播差异，并提出优化传播策略。
2024-04-25 cs.CY cs.LG cs.SI
Maximizing Diversity of Opinion in Social Networks
Rensselaer Polytechnic Institute（伦斯勒理工学院）
研究如何在包含二元对立意见的意见领袖的社交网络中最大化意见多样性，采用生态学中的多样性指数对系统进行量化，并通过分析路径、循环和树结构给出解决方案。
2019-03-28 cs.SI cs.SY eess.SY
Viral content propagation in Online Social Networks
信息流是在线社交网络（OSN）中不断交换的结果。OSN用户全天实时创建和共享各种类型的信息。病毒性是作为一个术语引入的，用来描述在短时间内到达广泛受众的信息。作为一个案例，我们测量在Reddit中提交的信息的传播，识别不同的模式，并在Twitter，Facebook和2个图像和多媒体托管域ImgUr和YouTube上呈现多OSN扩散分析。我们的研究结果表明，积极的内容是最共享的，并提出了最高的病毒式传播概率，和用户创建的信息的整体病毒式传播概率是低的。最后，我们强调的问题，有限的访问OSN数据。关键词：在线社交网络，病毒，扩散，病毒内容，Reddit，Twitter，Facebook，ImgUr，YouTube
2018-01-15 cs.SI
Data Science for Influencer Marketing : feature processing and quantitative analysis
通过社交媒体内容影响目标受众已成为营销领导者感兴趣的新焦点。虽然影响者每天都会产生大量的异构数据，但影响者营销（IM）领域的专业人士仍然依赖于简单的定量指标，如社区规模或参与率来估计影响者的价值。由于很少有研究论文提出了一个框架，通过使用量化的影响者数据（追随者数量，参与度......）来量化影响者的表现，定性信息（年龄、国家、城市等），自然文本（个人资料和帖子描述）和视觉信息（图像和视频），我们决定探索这些变量并定量评估它们的依赖性。通过对5个社交媒体平台上的713，824名影响者进行为期一年的分析，我们确定了价值主张数据（参与度，覆盖范围，受众），人口统计学，自然文本模式和视觉信息之间的关系。本文的主要目标是为IM专业人员提供一种现代方法，以更好地了解他们的影响者的价值，并为聚类、评分或推荐提供机器学习算法。
2019-05-10 cs.SI
Interactive Sensing and Decision Making in Social Networks
诸如实时的微博和在线信誉系统之类的社交媒体的激增促进了对社交模式和行为的实时的感测。在过去的十年中，社交网络中的感知和决策在电气工程、计算机科学、经济学、金融学和社会学研究领域取得了重大进展。这一领域的研究涉及动态随机图、社会经济分析和统计推断算法的相互作用。这本专著提供了一个调查，教程的发展，并讨论了四个高度程式化的例子：社会学习的互动传感;跟踪度分布的社交网络;传感和信息扩散;和协调决策通过博弈论学习。四个例子中的每一个都是由实际例子激发的，包括文献调查以及仔细的问题制定和数学分析。尽管是高度程式化的，这些例子提供了丰富的各种模型，算法和分析工具，很容易访问的信号处理，控制/系统理论，和应用数学的观众。
2014-05-06 cs.SI
Deciding what to display: maximizing the information value of social media
在信息丰富的环境中，对用户注意力的争夺导致了大量内容的泛滥，人们往往很难从中挑选出最相关、最有用的内容。使用Twitter作为案例研究，我们应用注意力经济的解决方案，以产生最翔实的推文，为用户。通过将推文的新颖性和受欢迎程度作为其相关性和实用性的客观衡量标准，我们使用Huberman-Wu算法自动选择在下一个时间间隔内获得最多关注的推文。他们预测的受欢迎程度通过使用为期2个月的Twitter数据得到证实。
2014-11-12 cs.CY cs.HC cs.SI
Long-Term Profit-Maximizing Incentive for Crowd Sensing in Mobile Social Networks
人群感知是一种新的模式，它利用配备传感器的移动设备提供感知服务，如法医分析，记录公共空间，以及协作构建统计模型。要达致良好的服务质素，用户的广泛参与是不可或缺的。目前，大多数现有的机制集中在保证良好的服务质量的基础上瞬时广泛的用户参与的人群感知应用。很少有人关注一直致力于最大限度地提高长期服务质量的人群传感应用，由于他们的不对称的利益，偏好，自私的行为，等，为了填补这些空白，在本文中，我们推导出封闭的表达的基础上，在经济学的垄断聚集的边际感知数据质量。此外，我们还设计了基于边际质量的长期人群感知应用激励机制，不仅通过最大化移动用户的预期总利润来提高用户的广泛参与，而且通过应用边际质量来激励移动用户生产高质量的内容。最后，仿真结果表明，我们的机制优于现有的解决方案。
2015-05-25 cs.GT cs.NI cs.SI
Maximizing Contrasting Opinions in Signed Social Networks
经典的影响力最大化问题在社交网络中找到有限数量的有影响力的种子用户，使得网络中受影响的用户的预期数量最大化，遵循影响力级联模型。这个问题已经在不同的设置中进行了研究，进一步推广了图结构，例如，边缘权重和极性，目标用户类别等。在本文中，我们介绍了一个独特的影响力扩散的情况下，涉及人口分裂成两个不同的群体，具有相反的意见。我们的目标是找到最有影响力的$k$种子节点，以便同时最大限度地采用两个不同的，对立的意见，在两个群体中，分别。有效地找到这些有影响力的用户在广泛的应用中至关重要，例如增加选民参与度和投票率，引导公众辩论和关于有争议意见的社会问题的讨论。我们用选民模型来模拟意见扩散和动态，然后设计一个线性时间和精确的算法COSiNeMax，同时还研究了网络中的长期意见特征。我们的实验与几个真实世界的数据集证明了所提出的算法的有效性和效率，与各种基线相比。
2019-10-26 cs.SI physics.soc-ph
Maximizing Acceptance Probability for Active Friending in On-Line Social Networks
好友推荐成功地促进了在线社交网络的爆炸式增长。当今大多数交友推荐服务旨在支持被动交友，其中用户被动地从推荐的候选者中选择交友目标。在本文中，我们提倡推荐支持主动交友，用户主动指定一个交友目标。据我们所知，在现有的在线社交网络服务中，还没有探索设计用于为用户系统地接近他的交友目标提供指导的推荐。为了最大限度地提高概率，交友目标将接受邀请，从用户，我们制定了一个新的优化问题，即\emph{Acceptance Probability Maximization (APM)}，并开发了一个多项式时间的算法，称为\emph{Selective Invitation with Tree and In-Node Aggregation (SITINA)}，找到最佳的解决方案。我们实现了一个积极的交友服务与SITINA在Facebook上验证我们的想法。我们的用户研究和实验结果表明，SITINA在解决方案的质量有效地优于人工选择和基线方法。
2013-02-27 cs.CY cs.SI physics.soc-ph
Maximizing Utility Among Selfish Users in Social Groups
我们考虑的问题，一个社会群体的用户试图获得一个“宇宙”的文件，首先从服务器，然后通过他们之间的交流。我们考虑自私的文件交换范例的给予和采取，即两个用户可以交换文件，只有当每个人都有独特的东西提供给对方。我们感兴趣的是最大限度地增加用户的数量，他们可以通过文件交换的时间表获得宇宙。我们首先提出了一个实用的文件采集范例。然后，我们提出了一种算法，它确保至少有一半的用户获得的宇宙具有高概率的$n$文件和$m=O(\log n)$用户时，$n\rightarrow\infty$，从而显示出近似比为2。扩展这些想法，我们展示了一个$1+ε_1$ -近似算法的$m=O(n)$，$ε_1>0$和一个$(1+z)/2 +ε_2$ -近似算法的$m=O(n^z)$，$z>1$，$ε_2>0$。最后，我们表明，对于任何$m=O(e^{o(n)})$，存在一个时间表的文件交换，确保至少有一半的用户获得宇宙。
2013-09-30 cs.DS cs.NI cs.SI
Network disruption: maximizing disagreement and polarization in social networks
近年来，错误信息的传播明显增加，Facebook和Twitter等社交媒体加速和放大了这一现象。虽然一些行为体传播错误信息以推动具体议程，但也有大量文件证明，其他行为体的目的只是通过增加整个网络的分歧和两极分化来破坏网络，从而破坏社会稳定。流行的社交网络也容易受到大规模攻击。出于这一现实，我们引入了一个简单的网络中断模型，对手可以接管有限数量的用户简档在社交网络中的最大化的分歧和/或极化的网络的目的。我们从理论和实证两个方面研究了这个模型。我们表明，对手总是会改变一个接管配置文件的意见，以最大限度地破坏到一个极端。我们还证明，对手可以增加分歧/极化最多线性的用户简档的数量，它接管。此外，我们提出了一个详细的实证研究的几个自然算法的对手在合成网络和现实世界（Reddit和Twitter）的数据集。这些研究表明，即使是简单、不复杂的策略，比如针对中间派，也可以有效地破坏网络，导致分歧/极化的大幅增加。因此，通过对手的视角研究网络中断问题突出了问题的严重性。
2020-04-09 cs.DS cs.GT cs.SI
Finfluencers on TikTok: A Longitudinal Analysis of Content, Engagement, and Disclaimer Practices
Newcastle University（纽卡斯尔大学）；University of Birmingham（伯明翰大学）
利用TikTok研究API数据，对英国金融影响者的内容、互动、免责声明等进行纵向分析，通过主题建模等方法，揭示相关主题、受众情绪等情况，强调金融内容生态中透明度和披露实践的挑战。
2026-07-07 cs.CY cs.SI
Sentiment and Hashtag-aware Attentive Deep Neural Network for Multimodal Post Popularity Prediction
针对现有多模态帖子流行度预测方法忽略多模态信息及跨模态关系的问题，提出NARRATOR模型，融合视觉人口统计特征、话题标签情感与话题标签引导注意力，在两个真实数据集上性能显著优于现有方法。
2024-12-14 cs.IR cs.SI
Characterizing Collective Attention via Descriptor Context: A Case Study of Public Discussions of Crisis Events
Georgia Institute of Technology（佐治亚理工学院）
社交媒体数据集可以快速量化对新兴话题和突发新闻（如危机事件）的集体关注。集体关注度通常是通过聚合计数来衡量的，比如提到名字或标签的帖子数量。但根据自然语言交流的理性主义模型，每个实体的集体显著性不仅表现在它被提及的频率上，而且表现在这些提及所采取的形式上。这是因为自然语言交流是基于演讲者和作者对他们的信息将如何被目标受众解释的期望而进行的（并根据其定制）。我们通过对Facebook和Twitter上突发新闻事件的公众在线讨论进行大规模分析来测试这一想法，重点关注最近的五个危机事件。我们研究了人们如何指代地点，特别关注上下文描述符，如“圣胡安”与“波多黎各圣胡安”。“对自然语言交流的描述主义者的解释预测，当期望命名的实体对读者具有高的优先显着性时，这样的描述符将是不必要的（因此被省略）。我们发现，上下文描述符的使用确实与代理的社会和信息的期望，包括宏观层面的因素，如位置的全球显着性和微观层面的因素，如观众参与。我们还发现，在每个危机事件的生命周期中，描述符上下文的使用持续减少。这些发现提供了关于社交媒体用户如何与受众沟通的证据，并指向更细粒度的集体注意力模型，这些模型可能有助于研究人员和危机应对组织更好地了解公众对正在发生的危机事件的看法。
2020-03-31 cs.CL cs.SI
PPM: A Privacy Prediction Model for Online Social Networks
在线社交网络（OSN）在我们的社交生活中扮演着越来越重要的角色，其固有的隐私问题已成为用户的主要关注点。我们能否帮助消费者进行隐私决策，例如预测他们的偏好并提供个性化建议？为此，我们引入PPM：一个隐私预测模型，植根于心理学原理，它可以用来给用户个性化的建议，他们的隐私决策的做法。使用这个模型，我们研究的心理变量，已知会影响用户的披露行为：请求者/信息受众的可信度，接收者/信息持有者的共享倾向，请求/共享信息的敏感性，请求/共享活动的适当性，以及几个更传统的上下文因素。
2016-06-23 cs.CY cs.SI
Correlation of Scholarly Networks and Social Networks
在以往的研究中，多学科领域的研究都致力于了解潜在的学术网络，包括书目网络，引文网络和共同引文网络的机制。特别关注通过作者亲和力或相互内容构建的网络。网络缺少一个有价值的维度，那就是受众的学术性论文.本文旨在评估社交网络和媒体对学术论文的影响。我们还研究了在这样的网络中的信息流的过程。我们还提到了我们提出的网络模型揭示的一些有吸引力的事件的观察结果。
2014-11-19 cs.CY cs.DL cs.SI
Maximizing Social Welfare in a Competitive Diffusion Model
University of British Columbia（不列颠哥伦比亚大学）；Microsoft Research（微软研究院）
影响力最大化（IM）由于在病毒营销和感染遏制等方面的应用，在文献中获得了大量的关注。它的目的是选择少量的种子用户采用一个项目，使采用传播到网络中的大量用户。竞争性即时通信侧重于网络中竞争项目的传播。现有的工作竞争IM有几个限制。(1)他们未能将经济激励纳入用户的项目采用决策。(2)大多数作品的目的是最大限度地采用一个特定的项目，而忽略了不同项目发挥的集体作用。(3)他们主要关注竞争的一个方面--纯粹的竞争。为了解决这些问题，我们研究竞争IM下的效用驱动的传播模型称为UIC，并研究社会福利最大化。一般来说，这个问题不仅是NP-难的，而且在任何常数因子内都是NP-难的。因此，我们设计即时相关的有效近似算法的一般情况下，以及一个$(1-1/e-ε)$ -近似算法的限制设置。我们的算法优于不同的基线竞争IM，无论是在解决方案的质量和运行时间在大型真实网络下的合成和真实的效用配置。
2020-12-06 cs.AI cs.IT cs.SI
MONSTOR: An Inductive Approach for Estimating and Maximizing Influence over Unseen Networks
KAIST AI（韩国科学技术院人工智能研究院）；KAIST AI & EE（韩国科学技术院人工智能与电子工程学院）；Department of AI, Yonsei University（延世大学人工智能系）
影响力最大化是社会网络分析中的重要问题之一。它的目标是找到给定数量的种子节点，使信息在社交网络中的传播最大化。由于它是NP难问题，已经开发了许多近似/探试法，并且其中许多反复重复蒙特卡罗（MC）模拟以可靠地估计影响（即，感染节点的数量）。在这项工作中，我们提出了一种归纳机器学习方法，称为蒙特卡洛模拟器（MONSTOR），用于估计训练过程中看不到的社交网络中给定种子节点的影响。据我们所知，MONSTOR是用于此目的的第一个归纳方法。MONSTOR可以通过取代重复的MC模拟来大大加速现有的IM算法。在我们的实验中，MONSTOR提供了高度准确的估计，在看不见的现实世界社交网络中达到了0.998或更高的Pearson和Spearman相关系数。此外，在63%的IM用例中，配备MONSTOR的IM算法比最先进的竞争对手更准确。
2020-10-26 cs.LG cs.SI stat.ML
The Triadic Loop: A Framework for Negotiating Alignment in AI Co-hosted Livestreaming
University College London（伦敦大学学院）
本文提出三元循环框架，用于协商AI共播直播中的对齐问题，通过三者之间的双向适应过程，解决多用户社交环境中的动态反馈循环问题。
2026-04-20 cs.AI cs.HC cs.SI
Maximizing Social Influence in Nearly Optimal Time
扩散是一个基本的图形过程，它支撑着流行病的传染和创新的口碑传播等现象。我们解决的算法问题，找到一组k个初始种子节点的网络，使预期的规模最大化，所产生的级联下，标准的独立级联模型的网络扩散。由于相关输入网络的规模庞大，因此，对于此问题，优先考虑。对于影响力最大化问题，我们给出了一个快速算法，对于任意ε> 0，在O（（m+n）k log（n）/ε ^2）时间内获得了近似因子（1 - 1/e -ε）.我们的算法是运行时最佳的（对数因子），并大大提高了以前最知名的算法，运行时间欧米茄（mnk POLY（1/1））。此外，我们的算法可以修改为允许提前终止：如果它在O（beta（m+n）k log（n））步后终止，其中某些beta < 1（可以依赖于n），则它返回近似因子为O（beta）的解。最后，我们证明了这个运行时间对于任何beta和固定种子大小k都是最优的（对数因子）。
2016-06-22 cs.DS cs.SI physics.soc-ph
Positioning services of a travel agency in social networks
在本文中，通过社交网络形成一个旅游公司的客户群的方法进行了观察。这些方法涉及社交网络（VK.com和Facebook）的网络用户，用于在互联网上定位旅行社“新欧洲”的服务。并提出了应用维护活动和维护用户兴趣的方法。因此，在线社交网络是现代网络社会信息交流的主要方式。这种信息和通信技术的快速发展和完善是旅行社品牌在全球信息空间中定位的关键因素。没有时间和空间的限制以及信息在社交网络的目标受众中传播的速度为旅行社“新欧洲”及其在互联网上的服务的有效推广创造了所有条件。
2019-01-21 cs.CY cs.SI
Maximizing positive opinion influence using an evidential approach
Université de Tunis（突尼斯大学）；Université de Rennes 1（雷恩第一大学）；Centre d’Etudes et de Recherche des Télécommunications（电信研究中心）；Université de Carthage（迦太基大学）
在本文中，我们提出了一个新的数据为基础的模型，在线社交网络的影响力最大化。我们利用信度函数的理论来克服数据不完美的问题。此外，所提出的模型搜索，以检测影响者用户，采取了积极的意见，对产品，想法等，要传播。此外，我们提出了一些实验来显示我们的模型的性能。
2016-10-20 cs.AI cs.SI
DynaMo: Dynamic Community Detection by Incrementally Maximizing Modularity
社区发现对于在线社会网络分析具有重要意义。当今在线社交网络产生的数据的数量、种类和速度正在推动研究人员分析这些网络的方式。例如，现实世界的网络，如Facebook，LinkedIn和Twitter，本质上是快速增长的，并随着时间的推移积极扩张。然而，迄今为止，大多数研究都集中在静态网络上的社区检测。在动态网络的网络快照上直接重复地采用一个经过充分研究的静态算法是计算昂贵的。我们提出了一种新的基于模块化的动态社区发现算法DynaMo，旨在检测动态网络的社区，重复应用静态算法一样有效，但在一个更有效的方式。DynaMo是一种自适应的增量算法，旨在更新动态网络的社区结构时，增量地最大化模块化增益。在实验评估中，DynaMo，Louvain（静态）和其他5个动态算法进行了全面的比较。在6个真实网络和10，000个合成网络上进行了广泛的实验。我们的结果表明，DynaMo优于所有其他5个动态算法的有效性，是2至5倍（平均）比鲁汶算法。
2019-11-09 cs.CR cs.SI
Influencing the Influencers: Evaluating Person-to-Person Influence on Social Networks Using Granger Causality
我们介绍了一种新的方法来分析Twitter上的人对人的内容的影响。使用自我-改变框架和格兰杰因果关系，我们研究唐纳德·特朗普总统（自我）和他转发的人（改变）作为案例研究。我们发现，每个Alter在多个主题中具有不同的影响范围，对给定主题的影响程度不同，并且单个Alter的影响程度可以在不同主题中变化。这部作品的新颖之处在于它专注于人与人之间的影响和基于内容的影响。其影响是双重的：（1）识别“煤矿中的金丝雀”，这些金丝雀可以被错误信息研究人员或平台观察到，以在超级影响者将其传播给大量受众之前识别错误信息叙述，以及（2）实现针对超级影响者上游的数字营销。
2021-10-10 cs.CY cs.SI
Maximum Coverage and Maximum Connected Covering in Social Networks with Partial Topology Information
病毒式营销活动寻求招募最有影响力的个人来覆盖最大的目标受众。这可以被建模为研究充分的最大覆盖问题。当被招募的节点被连接时，存在相关的问题。它被称为最大连通覆盖问题。这个问题确保了有影响力的节点之间的协调，这些节点是营销活动的骨干。在这项工作中，我们对这两个问题都感兴趣。大多数相关文献都假设网络拓扑结构的知识。即使在这种情况下，问题也是NP难的。在这项工作中，我们提出的算法的最大连通覆盖问题和最大覆盖问题的不同知识水平的网络拓扑结构。我们量化了这些算法与局部和全局贪心算法之间的差异。
2013-12-27 cs.SI physics.soc-ph
