The one comparing narrative social network extraction techniques
通过社交网络分析叙事是定量文学研究中一个不断扩展的领域。从任何叙述中手动提取社交网络可能非常耗时,因此已经开发了不同复杂性的自动提取方法。然而,不同提取方法对分析的影响尚不清楚。在这里,我们对叙述中的社交网络的三种提取方法进行建模和比较:手动提取、共现自动提取和使用机器学习的自动提取。虽然手动提取方法在网络分析中产生更精确的结果,但它更耗时,并且自动提取方法在密度、中心性度量和边权重方面产生可比较的结论。我们的研究结果提供的证据表明,社交网络自动提取的许多分析是可靠的。我们还描述了哪些方面的分析是不可靠的,这样的社会网络。我们预计,我们的研究结果将使分析更多的叙事变得更容易,这有助于我们提高对故事如何编写和演变以及人们如何相互作用的理解。
2018-11-05 cs.SI physics.soc-ph stat.AP
Comparing the sensitivity of social networks, web graphs, and random graphs with respect to vertex removal
在过去的15年里,网络对顶点移除的敏感性已经得到了广泛的研究。测量这种敏感性的常用方法是(i)通过遵循特定的删除策略连续删除顶点,以及(ii)使用特定的比较方法比较原始网络和修改后的网络。在本文中,我们应用了广泛的删除策略和比较方法,以研究从现实世界和随机生成的网络的中型网络的敏感性。在我们研究的第一部分中,我们观察到社交网络和网络图的敏感性不同。当删除顶点时,社交网络是健壮的,而网络图则不是。Boldi等人分析了非常大的网络,得出了结论性的结论。对于类似生成的随机图,我们发现,灵敏度高度依赖于比较方法。移除策略的选择有令人惊讶的边际影响的敏感性,只要我们考虑共同的中心性措施所暗示的移除策略。但是,当以随机顺序删除顶点时,它具有很强的效果。
2014-12-22 cs.SI physics.soc-ph
Comparing Sentiment Contagion in AI-Agent and Human Social Networks: Evidence from MOLTBOOK
UNIL(洛桑大学);ETH Zurich(苏黎世联邦理工学院)
研究AI社交网络中的情绪传播,发现负面帖子吸引更多回复,但回复通常趋于中性,情绪不会持续扩散,表明AI网络可能抑制情绪极端化。
2026-06-04 cs.MA cs.SI
Comparing Social Network Dynamic Operators
本文提出一种含动态算子的逻辑以区分异步与同步网络变化,证明两类算子一般不可相互替代,并刻画了同步算子可归约为异步算子序列的模型类。
2023-07-11 cs.MA cs.SI
Detecting Social Influence in Event Cascades by Comparing Discriminative Rankers
Georgia Institute of Technology(佐治亚理工学院);Insight Data Science(Insight数据科学公司)
事件级联的全局动态通常由同伴影响的局部动态控制。然而,从观测数据中检测社会影响是具有挑战性的,因为存在同质性等混淆和缺失数据等实际问题。我们提出了一个简单的判别方法来检测观测数据的影响。该方法的核心是训练一个排名算法来预测级联中下一个事件的来源,并将其样本外的准确性与缺乏与社会影响力相对应的特征的竞争基线进行比较。我们分析综合生成的数据表明,这种方法正确地识别存在混淆的影响,是强大的缺失数据和错误的-不像众所周知的替代品。我们将该方法应用于两个真实世界的数据集:(1)在美国众议院共同发起的立法在一个共享的竞选捐助者的社交网络;(2)关于希格斯玻色子发现的谣言在$10^5$ Twitter帐户的追随者网络。我们的模型确定了社会影响力在这些场景中的作用,并利用它对级联的未来轨迹进行更准确的预测。
2019-07-19 cs.LG cs.SI physics.soc-ph
Comparing Network Structures of Commercial and Non-commercial Biohacking Online-communities
本文比较了两个生物黑客组织,防弹执行和DIY生物,其不同的目标导致社会网络结构,活动和切入点的差异。
2015-03-11 cs.SI
Comparing Toxicity Across Social Media Platforms for COVID-19 Discourse
本研究分析 2020 年 Twitter、Parler 和 Reddit 的 COVID-19 讨论,发现 Parler 毒性最低、Reddit 最高,并揭示反疫苗错误信息与阴谋论的作用。
2023-04-26 cs.SI
Comparing Global Tourism Flows Measured by Official Census and Social Sensing
更好地了解游客的行为对于改善全球旅游业中竞争激烈和重要的经济部门的服务具有战略意义。文献中的批判性研究经常使用传统数据(如问卷调查或访谈)来探讨这一问题。传统方法提供了宝贵的信息;然而,它们对获得大规模数据提出了挑战,使得难以研究全球模式。基于位置的社交网络(LBSN)由于获取大量行为数据的成本相对较低,因此可以潜在地缓解这些问题。然而,在使用这些数据研究游客的行为之前,有必要验证这些信息是否充分揭示了用传统数据测量的行为-考虑到地面真相。因此,目前的工作调查,在哪些国家的全球旅游网络测量与LBSN agreeously反映了世界旅游组织使用传统方法估计的行为。虽然我们可以找到例外,结果表明,对于大多数国家,LBSN数据可以令人满意地代表研究的行为。我们有一个迹象表明,在两个数据集获得的结果之间具有高度相关性的国家,LBSN数据可以用于研究在所研究的背景下的游客的流动性。
2022-03-11 cs.DB cs.SI
Weaker Coherence, Weaker Reciprocity: Comparing the Semantic and Social Organization of Moltbook and Reddit
Universidad de Buenos Aires, Facultad de Ciencias Exactas y Naturales(布宜诺斯艾利斯大学,理学院);Instituto de Física Interdisciplinaria y Aplicada (INFINA), CONICET – Universidad de Buenos Aires(跨学科与应用物理研究所 (INFINA),阿根廷国家科学研究委员会 - 布宜诺斯艾利斯大学);Instituto Balseiro, Universidad Nacional de Cuyo y Comisión Nacional de Energía Atómica(巴尔塞罗研究所,门多萨国立大学与阿根廷国家原子能委员会);Consejo Nacional de Investigaciones Científicas y Técnicas (CONICET)(阿根廷国家科学研究委员会 (CONICET))
该研究对比AI智能体社交网络Moltbook与早期Reddit,发现Reddit在语义连贯性、多样性及交互互惠性上更优,且未被Moltbook复现。
2026-08-18 cs.SI physics.soc-ph
How Biased is the Population of Facebook Users? Comparing the Demographics of Facebook Users with Census Data to Generate Correction Factors
世界各地的人口普查是指导政府投资和公共政策的关键数据来源。然而,这些来源的获取非常昂贵,而且收集的频率相对较低。在过去的十年中,人们对使用社交媒体数据来补充传统数据源的兴趣越来越大。然而,社交媒体用户并不代表一般人群。因此,基于社交媒体数据的分析需要进行统计调整,如后分层,以消除偏见并提出可靠的统计主张。只有当我们掌握了人口统计群体使用社交媒体的频率信息时,这些调整才有可能。这些数据与官方统计数据相比,使研究人员能够得出适当的统计校正系数。在本文中,我们利用Facebook的广告平台来编译相当于Facebook用户的聚合级普查。我们的汇编包括美国不同地理水平的七个人口统计属性(如性别和年龄)的人口分布。通过将Facebook的统计数据与美国人口普查局和盖洛普提供的官方报告进行比较,我们发现了非常高的相关性,特别是在政治倾向和种族方面。我们还发现了官方统计可能低估人口数量的情况,如移民情况。我们使用收集的信息来计算所有计算属性的偏差校正因子,以评估不同人口统计群体在Facebook上或多或少的代表程度。我们提供了第一个全面的分析,以评估Facebook用户在多个维度上的偏见。这些信息可用于在官方统计数据发布之间及时生成经偏差调整的人口估计数和人口统计数,并具有精细的地理粒度
2020-05-16 cs.SI
Measuring Organizational Consciousness Through E-Mail Based Social Network Analysis
本文介绍了第一个实验测量组织意识比较六个“诚实的信号”的组织内的人际沟通与组织绩效指标。
2015-02-17 cs.CY cs.SI physics.soc-ph
Characterizing and Comparing COVID-19 Misinformation Across Languages, Countries and Platforms
有关COVID-19的错误信息/虚假信息在全球社交媒体上泛滥。在这项研究中,我们调查了社交媒体上的COVID-19错误信息/虚假信息,这些信息使用多种语言-波斯语(波斯语),中文和英语,涉及多个国家-伊朗,中国和美国(US),以及多个平台,如Twitter,Facebook,Instagram,微博和WhatsApp。错误信息,尤其是关于全球大流行病的错误信息,是一个全球性问题,但对社交媒体上COVID-19错误信息的研究通常集中在单一语言(如英语),单一国家(如美国)或单一平台(如Twitter)。我们利用机会主义抽样,汇编了200个特定的病毒项目,但在1月1日至8月31日期间,这些语言,国家和平台上出现了错误信息。然后,我们根据错误信息的主题和错误信息的根本根源对这些集合进行分类。我们的多元文化及多语言团队观察到,社交媒体上COVID-19错误信息的性质在不同语言╱国家有很大差异,视乎文化、信仰╱宗教、社交媒体的普及程度、平台类型、言论自由及人民与政府的权力而定。我们观察到,政治是该数据集中所有三种语言中收集的大多数错误信息的根源。我们进一步观察了伊朗、中国和美国政府对平台的限制和平台对内容的限制的不同影响,以及它们对我们这个时代的一个关键问题的影响:我们如何控制错误信息,而不压制我们需要让政府负责的声音?
2020-10-15 cs.CY cs.SI
Comparing User Activity on X and Mastodon
本文通过分析日语帖子,比较了用户在中心化平台 X 与去中心化平台 Mastodon 上的活动差异,发现 Twitter 回复更多、mstdn.jp 用户参与更稳定且各服务器主题偏好不同。
2025-03-10 cs.SI
Distinguishing between Personal Preferences and Social Influence in Online Activity Feeds
许多在线社交网络在通过活动馈送向用户自动共享朋友的活动上蓬勃发展,这可能影响用户的下一步动作。然而,识别这种社会影响是棘手的,因为这些活动同时受到影响力和同质性的影响。我们提出了一个统计程序,使用常用的网络和观察数据的人的行动,以估计复制的影响程度-模仿别人的行动,出现在饲料。我们假设非好友不会影响用户;因此,比较用户的活动与好友和具有相似偏好的非好友之间的相关性,可以帮助梳理出复制影响的效果。对来自多个社交网络的数据集进行的实验表明,不考虑同质性的估计会高估复制的影响,因为它们的数量往往很大。此外,在所有网络中,复制影响估计低于总行为的1%:大多数人和几乎所有行为都不受提要的影响。我们的研究结果质疑围绕在线社交网络中的复制影响程度的普遍看法,并建议改进扩散和推荐模型。
2016-04-05 cs.HC cs.SI stat.ME
COVID-19 in Spain and India: Comparing Policy Implications by Analyzing Epidemiological and Social Media Data
2019冠状病毒病疫情迫使公共卫生专家制定应急政策以遏制感染传播,包括部分╱全面封锁等措施。这些政策的效果因地理、人口分布和执行效果而异。因此,一些国家(例如,台湾、海地)比其他国家(例如,美国)遏制疫情。对一个国家有效的公共卫生政策进行数据驱动的调查,将使其他国家的公共卫生专家能够决定未来控制疾病和流行病爆发的行动方针。我们选择了西班牙和印度,对在某些因素方面相似的地区进行分析:(1)人口密度,(2)失业率,(3)旅游业,(4)生活质量。我们认为,从twitter对话中获得的公民意识形态可以提供对政策一致性的见解,并适当地反映未来的情况预测。当曲线显示彼此偏离的新案例的数量时,里程碑用于定义提取政策相关推文的时间段,而来自政策相关子事件的因果关系网络的概念用于生成概念云。新病例的数量是使用回归模型中的情感分数预测的。我们看到,新的病例预测反映了Twitter的情绪,有意义地与触发子事件联系在一起,使西班牙和印度的政策相关调查结果能够有效地进行比较。
2020-10-26 cs.SI physics.soc-ph
Comparing Online Community Structure of Patients of Chronic Diseases
在本文中,我们比较了人们在Facebook和Twitter上谈论克罗恩病,囊性纤维化和1型糖尿病的社交网络结构。我们发现,克罗恩病社区的贡献者在Facebook和Twitter上最情绪化,在Twitter上最消极,而T1D社区的通信网络结构是最有凝聚力的。
2015-02-18 cs.SI physics.soc-ph
A multi-objective time series analysis of community mobility reduction comparing first and second COVID-19 waves
鉴于大多数国家在新型冠状病毒病(COVID-19)疫苗的生产、分销和应用方面面临物流挑战,社交距离(SD)仍然是减缓病毒传播的最切实可行的方法。为了协助SD监控,几家科技公司已经公开了匿名移动数据。在这项工作中,我们使用谷歌社区流动性报告~(CMR)数据,在美国和欧洲的几个地方进行了第一次和第二次COVID-19浪潮之间的多目标流动性减少率比较。通过多维可视化,我们能够以符合帕累托的方式比较每个选定地点的不同封锁期的流动性减少,同时考虑CMR中提供的所有地点类别。此外,我们的分析包括每个地区的56天封锁期和COVID-19浪潮,我们分析为56天周期和14天连续窗口。结果有很大的不同,作为一个功能的本地考虑,特别是当流动性降低的时间演变被认为是。因此,我们单独讨论每个地方,相关的社会距离措施和观察到的减少。
2021-02-28 cs.SI
Towards Direct Comparison of Community Structures in Social Networks
National Institute of Technology Silchar(锡尔查尔国家理工学院)
社区发现算法通常通过比较用不同算法获得的社区的评估度量值来评估。用于测量社区质量的评估指标包括实体的拓扑信息,如社区内或社区外节点的连通性。然而,在比较度量值时,它失去了社区拓扑信息在比较过程中的直接参与。本文提出了一种直接比较的方法,直接比较两种算法得到的社区拓扑信息。设计了一种基于社区拓扑信息直接比较的质量度量方法\emph{Topological Variance (TV)}。考虑到新设计的质量措施,两个排名计划的发展。建议的质量度量以及排名方案的有效性进行了研究与8个广泛使用的现实世界的数据集和6个社区发现算法。
2022-09-26 cs.LG cs.PF cs.SI
An overview and perspective on social network monitoring
在本文中,我们给出了一些统计方法的监测社交网络的概述。我们讨论了各种方法的优点和局限性以及一些相关问题。我们的主要贡献之一是给出了网络监测方法与工程统计和公共卫生监测方法之间的关系。我们鼓励工业过程监控领域的研究人员致力于开发和比较社会网络监控方法的性能。我们还讨论了社会网络监测中的一些问题,并给出了一些研究思路。
2016-03-31 cs.SI physics.soc-ph stat.OT
Real Time Enhanced Random Sampling of Online Social Networks
社交图可以很容易地从在线社交网络中提取。然而,这些网络每天都在扩大。用于评估图信息的采样方法不能准确地提取图属性。此外,社交网络限制了对其数据的访问,使得抓取过程更加困难。提出了一种新的随机抽样方法,考虑到有限性和资源。我们在5个不同的测试图上使用4个不同的设置来评估这个建议,这些测试图直接从Twitter上抓取。通过对结果的比较,观察其方法的优劣以及各自的资源分配。最后,我们介绍了它们的最佳应用领域。
2013-01-16 cs.IR cs.SI physics.soc-ph
Reading Anxiety or Reading the Label? Comparing Fine-Tuned and Frontier Models for Anxiety Detection on Social Media
本研究比较了六种模型在Reddit焦虑检测任务上的表现,发现前沿模型F1最高(0.846),但110M参数微调编码器接近(0.831)且无API依赖;同时揭示关键词匹配混淆,微调模型词汇依赖性更高,已发表结果实为上限。
2026-09-21 cs.CL cs.SI
Is the Sample Good Enough? Comparing Data from Twitter's Streaming API with Twitter's Firehose
Twitter是一家社交媒体巨头,以交换简短的140个字符的消息而闻名,称为“tweets”。在科学界,微博网站以分享数据的开放性而闻名。它通过一个"Streaming API"提供了数百万用户和数十亿推文的一瞥,该API提供了与API用户预设的一些参数相匹配的所有推文的样本。API服务已被许多研究人员,公司和政府机构使用,他们希望根据与社交媒体有关的各种问题提取知识。Twitter API的主要缺点是缺乏关于用户获得什么和多少数据的文档。这导致研究人员质疑采样数据是否有效地代表了Twitter上的整体活动。在这项工作中,我们开始回答这个问题,通过比较使用Twitter的采样API服务收集的数据与使用完整的数据收集的数据,虽然昂贵,Firehose流,包括每一个发布的推文。我们使用常见的统计指标以及允许我们比较主题,网络和推文位置的指标来比较这两个数据集。我们的工作结果将帮助研究人员和从业者理解使用Streaming API的含义。
2013-06-21 cs.SI physics.soc-ph
Increasing Knowledge Worker Efficiency through a "Virtual Mirror" of the Social Network
在本文中,我们介绍了一个案例研究,描述了基于人工调查和基于电子邮件的社会网络分析相结合。该项目的目标是提高一家大型高科技制造商的顾问团队的协作效率。通过分析42名咨询顾问的社会网络并将其与作为因变量的利用率进行比较,通过弥合结构漏洞和消除瓶颈,减轻负担过重的个人的压力,连接孤立的个人,并确定最佳的网络结构,以提高利用率和工作满意度,他们在一起工作的效率以各种方式得到提高。
2013-08-06 cs.CY cs.SI physics.soc-ph
Detecting Ideal Instagram Influencer Using Social Network Analysis
Queen Mary University of London(伦敦玛丽女王大学)
社交媒体是现代社会的一个重要方面,人们在这里分享他们的思想,观点,感受和情感。在过去的几年里,社交媒体的普及导致了数据的巨大增长。用户使用这种媒介来表达他们对各种主题的想法,感受和观点,包括政治和名人。因此,社交媒体已经发展成为一个有利可图的平台,公司可以扩大其范围并改善其前景。本文的重点是社会网络分析(SNA)的现实世界的在线营销策略。该研究通过比较各种中心性指标来确定网络中最中心的节点,并使用线性阈值模型来了解单个用户的传播行为。总之,本文将不同的中心性度量与传播行为相关联,以确定网络中最具影响力的用户
2021-07-12 cs.AI cs.SI
Cats and Captions vs. Creators and the Clock: Comparing Multimodal Content to Context in Predicting Relative Popularity
Cornell University(康奈尔大学)
当今社交媒体的内容越来越丰富,越来越多地混合了文本、图像、视频和音频。这是一个有趣的研究问题,以吸引用户的注意力和参与这些不同的模式之间的相互作用建模。但是为了进行多模态内容的研究,我们还必须考虑上下文:时间效应,社区偏好和社会因素(例如,哪些作者已经很受欢迎)也会影响社交媒体帖子收到的反馈和反应的数量。在这项工作中,我们分离出这些非内容因素的影响,在几个方面。首先,我们专注于对快速连续发布到同一社区的提交对进行排名,例如,在30秒内,这种框架鼓励模型专注于时间不可知和社区特定的内容功能。在该设置中,我们确定作者与内容特征的相对性能。我们发现,胜利通常属于“猫和标题”,因为视觉和文本特征一起往往优于基于身份的特征。此外,我们的实验表明,当孤立地考虑时,简单的单字文本特征和深度神经网络视觉特征分别产生最高的准确性,并且这两种模式的组合通常会导致最佳的整体准确性。
2017-03-06 cs.CL cs.CV cs.SI
What's Kooking? Characterizing India's Emerging Social Network, Koo
社交媒体在短时间内呈指数级增长,成为通信和在线互动的最前沿。尽管增长迅速,但社交媒体平台一直无法扩展到全球不同的语言,许多人仍然无法访问。在本文中,我们将Koo描述为Twitter的印度替代品,Koo是一个多语言微博网站,于2021年流行起来。我们收集了407万用户的数据集,1.6312亿关注者关系,以及他们在12种语言中的内容和活动。我们沿着语言、位置、性别和职业来研究用户人口统计。印度语言在Koo话语中的突出存在表明该平台在促进区域语言方面取得了成功。我们观察到Koo的追随者网络比Twitter的密集得多,由紧密联系的语言社区组成。对Koo上的帖子进行的N-gram分析显示了#KooVsTwitter的修辞,揭示了比较两个平台的辩论。我们的特征突出了多语言社交网络的动态及其多样化的印度用户群。
2022-01-20 cs.SI
Geolocated Social Media Posts are Happier: Understanding the Characteristics of Check-in Posts on Twitter
社交媒体上位置共享功能的日益普及使研究人员能够使用地理定位数据进行计算社会科学研究,为研究人类流动性,现实世界事件的影响等提供了机会。本文分析了什么是关键的区别与地理标签的职位,从那些没有。我们发现,共享位置的用户并不能代表整个社交媒体用户群,这会危及仅使用地理定位数据的研究的普遍性。我们考虑三个方面:情感-情感和情绪,内容-文本和非文本,以及受众参与。通过将130万条带有地理标记的推文的数据集与相同大小的随机数据集进行比较,我们发现Twitter上带有地理标记的帖子表现出明显更多的积极性,通常是关于婚礼或毕业典礼等欢乐和特殊事件,传达更多的集体主义而不是个人主义,并且包含更多的附加功能,如标签或图像中的对象,但同时产生的参与度大大降低。这些发现表明,有地理标记的帖子所传达的信息存在显着差异。我们的研究对未来利用地理定位社交媒体数据的研究具有重要意义。
2023-02-14 cs.SI
Dissent and Rebellion in the House of Commons: A Social Network Analysis of Brexit-Related Divisions in the 57$^{ th}$ Parliament
英国的政党制度以其纪律性和凝聚力而闻名,但它在一个问题上仍然停滞不前:欧洲一体化。我们提供了一种方法,使用社会网络分析,认为议员在投票过程中的个人互动。使用公开的议会记录,我们在第57届议会(2017年6月至2019年4月)中刮取了个别议员的选票,计算了成对相似性得分,并基于特征向量中心计算了叛乱度量。比较英国脱欧和非英国脱欧部门的网络,我们的方法能够检测到前者的欧洲怀疑行为的显着差异,并使用反叛指标,我们预测国会议员将如何在即将到来的英国脱欧协议中投票,准确率超过90%。
2021-05-27 cs.SI physics.soc-ph
Comparing the willingness to share for human-generated vs. AI-generated fake news
研究通过988名受试者和20条COVID-19虚假新闻的预注册在线实验,比较了人类与GPT-4生成虚假新闻的感知准确性和分享意愿,发现AI生成新闻虽被认为准确性较低但分享倾向相同,并揭示了影响用户轻信AI虚假新闻的社会经济因素。
2024-02-12 cs.SI physics.soc-ph
Modeling Social Networks with Overlapping Communities Using Hypergraphs and Their Line Graphs
我们提出超图可以用来建模具有重叠社区的社交网络。超图的节点表示社区。超图的超链接表示可以参与多个社区的个人。超图不容易分析,而超图的线图是简单图或赋权图,因此可以应用网络理论。我们定义的重叠深度$k$的个人的社区,在该个人重叠的数量,我们证明了相应的线图的最小邻接特征值不小于$-k_{max}$,这是整个网络的最大重叠深度。基于具有优先连接的超图,建立了一个包含重叠社区的网络模型,其中重叠参数$k$和$w$可调.通过与Hyves社会网络的比较,我们发现,我们的社会网络模型具有高度的聚类性,混合性,幂律度分布和短的平均路径长度。
2010-12-13 cs.SI physics.soc-ph
Online learning for Social Spammer Detection on Twitter
像Twitter这样的社交网络服务在人们的日常生活中发挥着重要作用,因为它支持有效沟通和分享信息的新方式。这些社交网络服务的优势使它们能够迅速增长。然而,社交网络服务的兴起正在导致来自垃圾邮件发送者、恶意软件鉴别器和其他内容污染者的不需要的破坏性信息的增加。社交垃圾邮件的负面影响不仅会惹恼用户,还会导致经济损失和隐私问题。Twitter上的垃圾邮件检测有两个主要挑战。首先,社交网络的数据规模具有巨大的流社交数据量。其次,垃圾邮件发送者不断改变他们的垃圾邮件发送策略,例如改变内容模式或试图获得社会影响力,尽可能伪装自己。面对这些挑战,传统的批量学习方法很难在大容量和实时的社交媒体数据中快速适应新的垃圾邮件模式。我们需要一个反垃圾邮件系统,以便在获得标签反馈时能够调整学习模型。此外,社交媒体上的数据可能是无限的。然后,系统必须允许在计算和存储器需求方面更新效率模型。在线学习是解决这一问题的理想方法。这些方法通过每一个反馈来逐步调整学习模型,并随着时间的推移而调整垃圾邮件发送者不断变化的模式。实验结果表明,基于在线学习方法的反垃圾邮件系统与批处理学习方法相比,在快速改变垃圾邮件发送者方面是有效的。我们也尝试找出最佳的在线学习方法,并研究各种特征集对这些在线学习方法的有效性。
2016-05-14 cs.SI
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
Fraudulent User Detection Via Behavior Information Aggregation Network (BIAN) On Large-Scale Financial Social Network
Zhejiang Lab(之江实验室)
金融欺诈每年造成数十亿美元的损失,但缺乏有效的方法来检测欺诈同时考虑用户简档和他们的行为在社会网络。社交网络形成图结构,而图神经网络(GNN)是深度学习中一个很有前途的研究领域,可以无缝地处理非欧几里德图数据。在金融欺诈检测中,通过分析用户简档及其交易、借贷等行为和社会关系,可以识别犯罪分子的作案手法。目前,大多数GNN不能选择重要的邻居,因为邻居的边缘属性(即,行为)被忽略。本文提出了一种新型的行为信息聚合网络(BIAN),将用户行为与其他用户特征结合起来。与其“近亲”如图注意力网络(GAT)和图Transformer网络(GTN)不同,它基于相邻边属性分布聚合邻居,即金融社交网络中的用户行为。在真实世界的大规模金融社交网络数据集DGraph上的实验结果表明,BIAN在AUROC上获得了10.2%的增益。
2023-03-26 cs.AI cs.SI
A Probabilistic Framework for Location Inference from Social Media
Massachusetts Institute of Technology(麻省理工学院);Tsinghua University(清华大学);Carnegie Mellon University(卡内基梅隆大学)
我们研究在多大程度上可以从社交媒体推断用户的地理位置。来自社交媒体的位置推断可以使许多应用受益,例如灾难管理、定向广告和新闻内容定制。然而,挑战在于有限的标记数据量和大规模的社交网络。在本文中,我们将从社交媒体推断位置的问题形式化为半监督因子图模型(SSFGM)。该模型提供了一个概率框架,其中各种信息源(例如,内容和社交网络)可以组合在一起。我们设计了一个两层的神经网络来学习特征表示,并将学习到的潜在特征纳入SSFGM。为了处理大规模的问题,我们提出了一个双链采样(TCS)算法来学习SSFGM。该算法实现了准确性和效率之间的良好平衡。在Twitter和微博上的实验表明,所提出的TCS算法的SSFGM可以大大提高推理精度比几个国家的最先进的方法。更重要的是,与传统的基于传播的方法(例如,循环的信念传播)。
2019-05-10 cs.AI cs.SI
IRIE: Scalable and Robust Influence Maximization in Social Networks
影响力最大化是在一定的影响扩散模型下选择社交网络中的顶级$k$种子节点以最大化其影响覆盖的问题。在本文中,我们提出了一种新的算法IRIE,集成了一个新的消息传递的影响力排名(IR),和影响力估计(IE)的影响力最大化的独立级联(IC)模型和它的扩展IC-N,包括负面意见传播的方法。通过大量的实验,我们证明了IRIE匹配的影响覆盖率的其他算法,而规模远远优于所有其他算法。此外,IRIE算法在不同网络密度和级联规模下,无论是运行时间还是内存使用都比其他算法更鲁棒和稳定。它比其他最先进的算法(如PMIA)快两个数量级,适用于具有数千万节点和边缘的大型网络,而与PMIA相比,它只使用一小部分内存。
2012-03-19 cs.SI physics.soc-ph
Asymptotic analysis of threshold models for social networks
提出了一类动态阈值模型,用于描述社交网络中集体行动的扰乱。网络的代理人必须决定是否采取某种行动。他们通过将邻居的活动水平与时变阈值进行比较来做出决定,根据时不变的意见动态模型进行进化。该模型的主要特点是一个参数代表的程度的自信的代理,和代理所采用的机制来评估他们的邻居的活动水平。在这种情况下,一个激进的代理人,最初渴望采取行动,与一组普通的代理人,被认为是相互作用。本文的主要贡献是完整的分析表征的网络的渐近行为,为三种不同的图形拓扑结构。渐近活动模式被确定为一个函数的自信参数和初始阈值的普通代理。
2016-05-20 cs.SI physics.soc-ph
Social Structure of Facebook Networks
我们在一个时间点上研究了100所美国高校的Facebook“友谊”网络的社会结构,并研究了用户属性(性别、年级、专业、高中和居住地)在这些机构中的作用。我们调查的共同属性的影响,在二元水平上的可拓性系数和回归模型。然后,我们通过算法检测社区并将其与基于用户特征的网络分区进行比较来研究更大规模的分组。因此,我们比较了不同机构的不同特征的相对重要性,发现例如,普通高中对大型机构的社会组织更重要,而普通专业的重要性在机构之间差异很大。我们的计算说明了微观和宏观的角度如何在大学的社会组织提供互补的见解,并建议未来的研究,以进一步调查这种现象。
2011-02-10 cs.SI nlin.AO physics.soc-ph
Evolution of Ego-networks in Social Media with Link Recommendations
自我网络是社会图中的基本结构,但它们的演化过程仍然没有得到广泛的探索。在在线环境中,一个关键问题是链接推荐系统如何扭曲这些网络的增长,可能限制多样性。为了阐明这一点,我们分析了从Flickr和Tumblr中提取的1.7亿个自我网络的完整时间演化,比较了自发创建的链接与算法推荐的链接。我们发现,自我网络的演化是突发性的,社区驱动的,其特征在于随后的阶段的爆炸性直径增加,轻微收缩,稳定。建议倾向于流行和连接良好的节点,限制直径扩张。通过一个旨在从观测数据中检测因果关系的匹配实验,我们发现,由建议引入的偏见在邻居选择过程中促进了全局多样性。最后,通过两个链接预测实验,我们展示了如何从我们的分析见解可以用来提高社会推荐系统的有效性。
2017-02-05 cs.SI physics.soc-ph
Social Networks Analysis in Discovering the Narrative Structure of Literary Fiction
在我们的论文中,我们想做一个跨学科的飞跃,并使用网络理论的工具来理解和探索文学小说中的叙事结构,这是一种仍然被低估的方法。然而,小说中的系统对读者的主观性很敏感,必须注意不同的网络提取方法。该项目旨在通过比较由自动算法-自然语言处理产生的网络与通过调查更主观的人类反应创建的网络,来调查文本中阅读社交互动的不同方式。科学家们已经从小说中提取出了对话网络,但围绕这些互动的更一般的框架却缺失了。我们提出了几种用于检测交互的NLP方法,并针对一系列人类感知进行了测试。在此过程中,我们指出了用网络分析来检验文学理论的一些局限性,如与情节相对应的互动并不形成高潮。
2016-08-21 cs.SI physics.soc-ph
Social significance of community structure: Statistical view
社区结构分析是研究社交网络的有力工具,它可以大大简化网络的拓扑和功能分析。然而,由于社团发现方法具有随机性,而从复杂系统中得到的真实社交网络往往含有错误边,因此评价社团结构划分的意义是一个迫切而重要的问题。本文结合现实社会的具体特点,提出了一个专门分析社会共同体意义的新框架。社会互动的动力学建模识别社会领袖和相应的层次结构。我们不是直接与随机模型的平均结果进行比较,而是通过公共邻居的数量来计算给定节点与领导者的相似性。为了确定社区成员向量,提出了一种基于节点位置及其领导者的社区发现算法。然后,使用对数似然得分,社区的紧密度可以得到。基于群落紧密度的分布,建立了$p$ -值理论与网络分析的新联系,并得到了一种新的统计形式的显著性测度。最后,该框架被应用到基准网络和真实的社交网络。实验结果表明,本文的工作可用于确定最优社区数目、分析给定社区的社会意义、比较各种算法的性能等领域。
2015-05-08 cs.SI physics.soc-ph
Inferring the strength of social ties: a community-driven approach
在线社交网络正在增长并变得越来越密集。一个人的社会关系可能具有很高的可变性:从亲密的朋友和亲戚到熟人,再到几乎不认识的人。推断社会关系的强度是对网络中的用户交互进行建模并理解其行为的重要组成部分。此外,该问题在计算社会科学,病毒式营销和人员推荐中也有应用。在本文中,我们研究的问题,推断在一个给定的网络中的社会关系的强度。我们的工作是由最近的一种方法[27]推动的,该方法利用了强三元闭合(STC)原理,这是一种植根于社会心理学的假设[13]。为了指导我们的推理过程,除了网络结构之外,我们还将紧密社区的集合作为输入。这些是我们期望通过强关系连接的顶点集合。这些社区出现在不同的情况下,例如,当成为社区的一部分意味着与现有成员之一的紧密联系时。我们考虑两个相关的问题形式化,反映了我们的设置的假设:少量的STC违规和强连接的输入社区。我们表明,这两个问题的配方是NP-困难的。我们还表明,一个问题的制定是很难近似,而第二,我们开发了一个算法与近似保证。我们通过与分别优化STC违规和社区连通性的基线进行比较,在真实世界的数据集上验证了所提出的方法。
2019-02-05 cs.DS cs.SI
A customisable pipeline for continuously harvesting socially-minded Twitter users
在社交媒体平台,特别是Twitter上,特定类别的用户,如影响者,在网络和内容指标方面得到了令人满意的操作定义。其他人,例如网上活动家,也同样重要,但他们的特征仍然需要实验。我们假设这样的有趣的用户可以在时间和空间上局部化的上下文中找到,即,网络的小而热门的片段,包含关于社交事件或活动的互动,在Twitter上有重要的影响。为了探索这一假设,我们设计了一个持续的用户配置文件发现管道,通过从Twitter流中收集和分析上下文,产生不断增长的用户简档数据集。配置文件数据集包括关键的网络和基于内容的用户指标,允许使用用户定义的评分函数进行实验,以识别特定类别的在线用户。本文介绍了管道的设计和实施,并在英国的医疗保健相关的运动组成的案例研究的实证评估,显示它如何支持在线行动主义的操作定义,通过比较三个实验排名功能。代码是公开的。
2019-03-17 cs.IR cs.SI
Decoding Echo Chambers: LLM-Powered Simulations Revealing Polarization in Social Networks
Mohamed bin Zayed University of Artificial Intelligence(穆罕默德·本·扎耶德人工智能大学)
本文提出基于大语言模型的社会观点网络仿真框架,通过构建典型网络结构并引入主动与被动助推方法,有效模拟并缓解社交网络中的观点极化与回音室现象。
2025-03-11 cs.CL cs.SI
Temporal evolution of notoriety of Wikipedia pages with origin in social networks
维基百科是一个由用户创建的门户网站,它的简单性,引用以及在Google搜索结果中为他们的页面插入介绍性段落,使其成为了解当前事件或人物的首选之地。此外,其开放的应用程序编程接口(API)允许任何用户了解某些特定页面的访问次数。在本文中,在某些事件,使哥白尼在西班牙的病毒模因,我们研究的强度和持续时间的增量访问他的页面和其他页面相关的事件。使用与其他人相关的页面作为比较,我们试图建立一个典型的通过社交网络实现的恶名持续时间,主要是与前几年相同日期的访问量进行比较。我们得出结论,7天的持续时间是统计模式,并且该持续时间相对独立于访视次数的初始增加。
2017-03-09 cs.CY cs.SI nlin.AO
Topic Diffusion and Emergence of Virality in Social Networks
我们提出了一个随机模型的主题进入一个社会网络建模的Watts-Strogatz图的扩散。我们的模型在这些主题之间展开了一场隐性竞争,因为它们争夺网络中用户的注意力。我们的模型的动态是基于从现实世界的OSN,如Twitter,用户要么采用一个外源的主题或复制主题从他们的邻居导致内源性传播的概念。当正确实例化时,该模型实现了一种病毒式的机制,其中一些主题从网络中获得了异常良好的响应,密切模仿了现实世界OSN的行为。我们的主要贡献是我们的描述,集群的近距离用户已经发言的主题合并,形成一个巨大的组成部分,使一个主题去病毒。这表明,在病毒式传播中发挥重要作用的不是弱关系,而是强关系。我们进一步验证我们的模型和我们的假设,其行为通过比较我们的模拟结果与测量研究的结果从Twitter上采取的真实数据。
2012-02-10 cs.SI physics.soc-ph
Proper network randomization is key to assessing social balance
针对符号网络结构平衡评估中传统零模型失效的问题,提出保留符号度与拓扑的STP随机化方法,使多数社交网络满足强结构平衡,并揭示其机制与应用前景。
2023-05-26 cs.SI physics.soc-ph
Capacitated Team Formation Problem on Social Networks
在团队组建问题中,需要找到一组能够满足协作任务要求的用户。这种协作任务的例子比比皆是,从软件产品开发到知识创造中的各种参与式感知任务。由于任务的性质,团队成员往往需要在合作的基础上工作。先前的研究表明,合作在社会关系存在的情况下变得有效。因此,有效的团队选择要求团队成员在社会上是亲密的,以及团队成员之间的任务分工,以便没有用户因分配而过载。在这项工作中,我们将研究如何在社交网络上形成这样的团队。由于我们的团队形成问题被证明是NP难的,我们设计了有效的近似算法,找到近最优的团队可证明的保证。由于来自在线社交网络(例如Twitter,Facebook等)的传统数据集通常不包含大规模协作的实例,因此我们在四年的时间内从GitHub(一个流行的开源社交编码网络)中抓取了数百万个软件存储库和数十万名开发人员。我们在这个数据集上进行了大规模的实验,以评估我们的算法的准确性和效率。实验结果表明,我们的算法实现了显着的改善,在寻找有效的团队相比,天真的战略和规模以及数据的大小。最后,我们通过与GitHub中现有的软件团队进行比较来验证我们的技术。
2012-05-16 cs.SI physics.soc-ph
Explore what-if scenarios with SONG: Social Network Write Generator
在线社交网络(OSN)在过去几年中经历了巨大的增长,成为在线用户沟通、交换内容甚至找工作的平台。OSN的出现吸引了研究人员和分析师,并进行了许多数据驱动的研究。然而,收集数据集是不平凡的,有时很难在研究人员之间共享数据集。本文的主要贡献是一个名为SONG(社会网络写生成器)的框架,用于生成OSN上写活动的合成痕迹。我们建立我们的框架的基础上,一个大型的Twitter数据集的表征研究,并确定需要考虑的重要因素。我们展示了如何用SONG生成跟踪,并通过与真实数据进行比较来验证它。我们将讨论如何扩展和使用SONG来探索不同的“假设”场景。我们使用16台机器和Cassandra构建了一个Twitter克隆。然后,我们通过示例展示了SONG的实用性,并对我们的实现进行了压力测试。我们希望SONG被研究人员和分析人员用于他们自己的涉及写入活动的工作。
2012-02-24 cs.NI cs.SI physics.soc-ph
Cognitive network science for understanding online social cognitions: A brief review
University of Exeter(埃克塞特大学)
社交媒体正在将大量用户在时间线和情感内容方面的认知数字化。这些大数据为研究感知、个性和信息扩散等认知现象提供了前所未有的机会,但需要合适的可解释框架。由于社交媒体数据来自用户的头脑,因此这一挑战的有价值的候选者是认知网络,即为心理概念联想提供结构的认知模型。这项工作概述了认知网络科学如何通过在线媒体为理解认知开辟新的定量方法,例如:(i)重建用户如何使用机器学习无法获得的上下文知识在语义和情感上构建事件,(ii)通过社会话语中的知识结构研究概念突显/突出;(iii)通过帖子中的语言研究用户的个性特征,如开放性、好奇心和创造力;(iv)通过比较影响者和追随者的心态的多层网络,将认知/情感内容和社会动态联系起来。这些进步结合了认知、网络和计算机科学,以理解数字和现实世界环境中的认知机制,但在代表性、个体差异性和数据整合方面存在局限性。这些方面的讨论沿着操纵社会认知数据的伦理影响。在未来,通过网络和社交媒体阅读认知可以暴露被在线平台放大的认知偏见,并为政策制定、教育和市场提供有关大规模复杂认知趋势的相关信息。
2021-02-25 cs.CL cs.CY cs.SI
Identifying Influential Brokers on Social Media from Social Network Structure
本研究通过对比源头传播者与中心节点,利用三个社交媒体数据集分析特征,发现多数源头传播者并非中介者,且中心节点重叠小,进而提出基于节点嵌入的预测模型,有效识别有影响力的中介者。
2022-08-01 cs.CY cs.SI
The fitness landscape of social norms in social dilemmas
Mila - Quebec AI Institute(Mila-魁北克人工智能研究所)
本文研究了社会规范在社会困境中的协调作用,通过规范对随机信号的解释来实现去中心化和广泛采纳,提出了基于马尔可夫游戏的更一般框架,并分析了复制动态以阐明规范如何演变。
2026-05-13 cs.GT cs.MA cs.SI
Deriving the Traveler Behavior Information from Social Media: A Case Study in Manhattan with Twitter
Twitter等社交媒体平台为解决交通问题提供了全新的视角,有望成为传统方法的补充。带有地理标签的推文可以提供Twitter用户的位置信息,并正在应用于旅行者行为分析。本文探讨了Twitter在获取出行行为信息方面的潜力,并以曼哈顿地区为例进行了研究。提出了一种从Twitter位置中提取位移信息的系统方法。我们的研究表明,Twitter有一个独特的人口统计数据,不仅包括当地居民,还包括游客或乘客。对于个人用户,Twitter可以揭示他/她的旅行行为特征,包括工作日和周末的时间和位置分布。对于所有的Twitter用户,聚集的出行行为的结果也表明,在曼哈顿岛的一天中的时间旅行模式类似的交通流量; OD模式的识别也是有希望的,通过比较的结果,旅行调查。
2021-01-27 cs.NA cs.SI math.NA
Two-Faced Humans on Twitter and Facebook: Harvesting Social Multimedia for Human Personality Profiling
ITMO University(圣光机大学);SUSS School of Business(新跃社科大学商学院);SoMin.ai Research(SoMin.ai研究院)
人类的性格特征是我们决策背后的关键驱动力,每天影响着我们的生活道路。人格特质的推断,例如Myers-Briggs人格类型,以及对人格特质和用户在各种社交媒体平台上的行为之间的依赖关系的理解,对于现代研究和行业应用至关重要。多样化和跨目的社交媒体途径的出现使得基于跨多种数据模态表示的数据自动且有效地执行用户个性分析成为可能。然而,从多源多模态社交媒体数据中进行个性分析的研究工作相对较少,不同社交网络数据对机器学习性能的影响程度还有待全面评估。此外,在研究界没有这样的数据集来进行基准测试。这项研究是弥合这一重要研究差距的首次尝试之一。具体来说,在这项工作中,我们推断迈尔斯-布里格斯人格类型指标,通过应用一种新的多视图融合框架,称为“PERS”,并比较性能结果不仅跨数据模态,而且相对于不同的社交网络数据源。我们的实验结果表明,PERS的学习能力,从多视图数据的个性分析,有效地利用显着不同的数据来自不同的社会多媒体来源。我们还发现,在选择社交网络数据源时,选择机器学习方法至关重要,人们倾向于在不同的社交媒体渠道中揭示他们个性的多个方面。我们发布的社交多媒体数据集促进了这一方向的未来研究。
2021-06-20 cs.LG cs.MM cs.SI
Unified framework for measuring segregation resolves how social and geographical space jointly shape connections
Imperial College London(帝国理工学院);Massachusetts Institute of Technology(麻省理工学院);Harvard T.H. Chan School of Public Health(哈佛大学陈曾熙公共卫生学院);Indian Institute of Technology Delhi(印度德里理工学院)
本研究提出统一框架测量地理社交网络中的隔离,发现社会隔离主导地理隔离,且地理距离会放大社会同质性,从而间接影响跨群体联系。
2026-09-24 cs.SI physics.soc-ph stat.AP