Modelling of temporal fluctuation scaling in online news network with independent cascade model
我们发现,在线新闻媒体的活动遵循时间波动标度律,我们使用一个独立的级联模型来恢复这一功能,该模型增加了一个不同的炒作参数,代表了原始文章的病毒潜力。我们使用Event Registry平台追踪2016年期间11个不同主题的10,000多家新闻媒体的活动。分析超过22,000,000篇文章,我们发现波动标度指数$α$以一种特征方式依赖于所有考虑的主题的时间窗口大小$Δ$-新闻媒体活动对于$Δ>15\mathrm{min}$部分同步,对于$Δ=1\mathrm{day}$交叉。该模型在几个合成网络模型以及从真实数据中提取的网络上运行。我们的方法抛弃了时间戳不完全可靠的观测,并专注于共同出现的出版商在级联的类似措辞的新闻项目。我们利用事件注册表的新闻聚类功能,找到新闻媒体发布的内容之间的相关性,以发现共同的信息传播路径在已发布的文章,并估计独立级联模型中的边的权重。虽然独立的级联模型遵循波动标度律与平凡的指数$α=0.5$,我们认为,除了底层的合作网络的拓扑结构的时间聚类的文章具有类似的炒作是必要的定性再现的波动标度中观察到的数据。
2019-01-25 cs.SI physics.soc-ph
Cascade-LSTM: Predicting Information Cascades using Deep Neural Networks
University of South Florida(南佛罗里达大学)
预测动态社会环境中的信息流与当代社会的许多领域相关,从传播医疗保健信息到模因跟踪。虽然预测信息级联的增长已经在不同的社交平台上成功地解决了,但预测信息级联的时间和拓扑结构的探索有限。然而,准确预测有多少用户将发送特定用户的消息以及何时发送对于设计实用的干预技术至关重要。本文利用长短期记忆(LSTM)神经网络技术来预测信息级联的两个时空特性,即个体级信息传输的大小和速度。我们将这些预测算法与级联树的概率生成结合到一个生成测试模型中,该模型能够在Reddit和Github两个不同的平台上准确地生成级联树。我们的方法导致信息传递者的分类准确率超过73%,各种社交平台中的早期传递者的分类准确率为83%。
2020-04-26 cs.LG cs.SI
Network Clocks: Detecting the Temporal Scale of Information Diffusion
信息扩散模型通常假设信息令牌在网络中传播的离散时间轴。由于在现实世界的网络中的用户显着不同的强度和活动周期,我们在这项工作中的目标是回答:如何确定一个时间尺度,最好的同意与观察到的信息传播网络内?现有方法的一个关键限制是它们将时间轴聚合成固定大小的窗口,这可能不适合所有网络节点的活动周期。我们提出了一个异构网络时钟的概念:事件的离散时间戳,最好地解释他们的发生根据一个给定的级联传播模型的映射。我们专注于广泛采用的独立级联(IC)模型和形式化的最佳时钟,最大限度地提高所有观察到的级联的可能性。单最优时钟问题可以在多项式时间内精确求解。然而,我们证明了学习多个最优时钟(KOC),对应于网络节点组的时间模式,是NP-难的。我们提出了可扩展的解决方案,运行在几乎线性的时间在级联激活的总数,并讨论每个变量的近似保证。我们的算法及其检测到的时钟可以改进级联大小分类(高达8%的F1提升)和改进缺失级联数据推断(召回率提高0.15)。我们还表明,网络时钟表现出一致性的内容扩散在网络中的类型,并相对于IC模型的传播概率参数是强大的。
2017-09-12 cs.DS cs.SI
Using network motifs to characterize temporal network evolution leading to diffusion inhibition
网络模体是网络中过度表示的节点交互的模式,其先前已被用作构建块以理解社交网络的各个方面。本文利用模体模式来刻画社交网络中的信息扩散过程。我们研究信息级联的生命周期,以了解是什么导致级联再共享增长饱和,从而导致过期,我们称之为“扩散抑制”的事件。在试图了解是什么原因导致抑制,我们使用图案来剖析网络获得的信息级联加上历史扩散或社会网络链接的痕迹。我们的主要结果来自于对微博平台和Flixster电影评级的级联数据集的实验。我们观察了5节点无向基序的时间计数从级联时间网络导致抑制阶段。从分析中得出的经验证据使我们得出以下关于抑制前阶段的结论:(1)个体倾向于更多地从他们过去通过社交网络或先前的交互而认识的用户处采用信息,从而比具有线性链的非循环模式更频繁地创建包含三元组的模式,以及(2)用户需要多次曝光或多轮社会强化才能接受信息,结果信息开始缓慢传播,从而导致级联死亡。根据这些观察结果,我们使用基于基序的特征来预测抑制时网络的边缘基数。我们测试功能的图案模式,通过使用回归模型的个人模式和他们的组合,我们发现,图案的功能是更好的预测未来的网络组织比个人节点的中心。
2019-03-03 cs.SI
Threshold model of cascades in temporal networks
阈值模型试图解释时尚和观点传播等社会影响的后果。与流行病模型一起,它们构成了社会传播过程的主要理论框架。在静态网络的阈值模型中,如果一个个体的邻居中有一小部分人改变了自己的状态,那么这个个体就会改变自己的状态。当接触模式的时间方面存在强相关性时,将系统表示为时间网络是有用的。在这样的系统中,不仅明确地表示接触,而且明确地表示接触的时间。有一个共识,即突发的时间模式减缓疾病的传播。然而,正如我们将看到的,这并不是阈值模型的普遍真理。在这项工作中,我们提出了一个扩展的Watts的经典阈值模型的时间网络。我们这样做是假设一个代理人受到过去某个时间的接触的影响。即,个体受到时间窗口内的接触的影响。除了作为接触分数的阈值之外,我们还调查了时间窗口内的接触数量作为影响的基础。为了阐明模型的行为,我们在真实和随机的经验接触数据集上运行模型。
2012-09-07 cs.SI physics.soc-ph
Temporal Cascade Model for Analyzing Spread in Evolving Networks with Disease Monitoring Applications
用于对网络中的传播进行建模的当前方法(例如,疾病的传播)不能充分地捕获数据的时间属性,诸如演变连接的顺序和持续时间或沿着这些连接传播的动态可能性。演化网络中的时间模型在许多需要分析动态传播的应用中至关重要。例如,疾病传播病毒具有不同的传播性,这取决于个体之间的相互作用,这些相互作用随着时间的推移以不同的频率、接近程度和场所人口密度发生。为了捕捉这些行为,我们首先开发了时间独立级联(T-IC)模型,并提出了一种新的传播函数,我们证明是次模块化的,基于超图的采样策略,有效地利用动态传播概率。然后,我们介绍了“反向传播”的概念,使用建议的T-IC过程,并开发解决方案,以确定哨兵/检测器节点和高度敏感的节点。近似质量的可靠保证使高粒度时间网络的可扩展分析成为可能。大量的实验结果表明,在各种现实世界的数据集上,所提出的方法显着优于替代品在建模传播是否发生以及如何发生,通过考虑不断变化的网络拓扑结构,以及粒度接触/交互信息。我们的方法有许多应用,包括其在监测疾病传播这一重大挑战中的实用性。利用所提出的方法和T-IC,我们分析了各种干预策略对真实时空接触网络的影响。我们的方法也被证明是非常有效的量化超级传播者的重要性,设计有针对性的限制,控制传播,和向后接触追踪。
2022-03-28 cs.CE cs.SI
Leveraging Motifs to Model the Temporal Dynamics of Diffusion Networks
基于社会影响力模型的信息扩散机制主要研究了当活跃邻居向用户暴露消息时采用的可能性。这个问题主要源于这样一个事实,即在大多数情况下,在易感节点被感染之前,社交网络中的一组活跃邻居中谁暴露了谁的明确信息是不可用的。在本文中,我们试图通过研究级联的时间网络结构来理解通过信息级联的扩散过程。在这样做的过程中,我们通过网络修剪技术,利用网络图案,以确定潜在的感染者负责从这些活跃的邻居之间的暴露,适应从一个节点的活跃邻居的曝光的影响。我们试图评估级联动力学建模中使用的组件的有效性,特别是暴露信息的附加效果是否有用。根据这个模型,我们开发了一种推理算法,即InferCut,它使用从模型和暴露信息中学习到的参数来预测给定级联中每个潜在易感用户的实际父结点。通过对真实世界微博社交网络数据集的实证分析,证明了在扩散过程的早期阶段,引入暴露信息对恢复暴露用户的确切父母的重要性。
2020-03-23 cs.SI physics.soc-ph
Explicit Time Embedding Based Cascade Attention Network for Information Popularity Prediction
Soochow University(苏州大学);Georgia Institute of Technology(佐治亚理工学院)
针对信息级联流行度预测中多类信息未有效统一的问题,提出融合时间嵌入与双注意力编码器的TCAN模型,在两个真实数据集上多项指标优于基线且可解释性好。
2023-08-19 cs.AI cs.IR cs.SI
Uncovering Non-Normality in Information Flow: Network Structure and Dynamics of Social Media Cascades
Institute of Science Tokyo(东京科学大学);Hirosaki University(弘前大学);University of Aizu(会津大学);The University of Tokyo(东京大学)
本研究通过谱非正态性量化X平台约58,000个级联网络,发现非正态性与峰值集中度强相关,且中期结构预测准确率可超80%,为信息扩散预测提供了新基准。
2026-10-28 cs.SI
Continuous-Time Graph Learning for Cascade Popularity Prediction
针对级联间相关性及用户偏好、级联语义随时间演化的问题,提出连续时间图学习方法,通过统一交互序列与动态状态更新实现级联流行度预测。
2023-06-06 cs.SI
Modeling self-sustained activity cascades in socio-technical networks
理解并最终预测社交网络中信息和激活级联的出现的能力是复杂社会技术系统研究的核心。然而,社会互动的复杂性使这成为一项具有挑战性的事业。以前的级联模型的工作假设,这种集体现象的出现是在当地附近的个人观察到的活动,但不考虑是什么决定了随时间变化的过程中传播信息的意愿。在这里,我们提出了一个机械模型,占在一个简化的设置中的个人状态的时间演变。我们将个体的活动建模为一个复杂的相互作用的集成和发射振荡器网络。该模型再现了真实系统中级联的统计特性,为研究状态依赖活动情景下级联的时间演化提供了框架。
2013-05-18 cs.SI physics.soc-ph
A Variational Topological Neural Model for Cascade-based Diffusion in Networks
Sorbonne Université(巴黎索邦大学);LIP6(巴黎第六大学(LIP6))
在文献中已经提出了许多工作来捕捉网络中的扩散动力学。虽然他们中的一些人定义了图形马尔可夫模型来提取网络中节点感染之间的时间关系,但其他人认为扩散事件是通过递归神经模型的感染序列。在本文中,我们提出了一个模型在这两个极端的十字路口,它嵌入了历史的感染节点的扩散作为隐藏的连续状态。根据内容在到达给定节点之前所遵循的轨迹,影响概率的分布可能会有所不同。然而,内容轨迹通常隐藏在数据中,这会导致具有挑战性的学习问题。我们提出了一个拓扑递归神经模型,具有良好的实验性能的扩散建模和预测。
2018-12-28 cs.LG cs.SI stat.ML
Inferring the Underlying Structure of Information Cascades
University of California at Santa Barbara(加州大学圣巴巴拉分校)
在社交网络中,信息和影响力在用户之间以级联的方式传播。虽然研究叶栅的重要性已在各种应用中得到承认,但在实践中很难观察叶栅的完整结构。此外,关于如何根据部分观测推断级联,人们所知甚少。本文研究了独立级联模型下的级联推理问题,从复杂度到算法都进行了全面的论述:(a)提出了一致树作为级联推理结构的思想,这些树将源节点和观测节点连接起来,路径满足观测时间信息的约束。(b)我们引入指标来衡量的可能性一致的树推断级联,以及几个优化问题,找到他们。(c)我们表明,一致树的决策问题一般是NP-完全的,优化问题是很难近似的。(d)我们提供的近似算法的推断级联的质量,以及questionistics的性能保证。我们实验验证了我们的推理算法的效率和有效性,使用真实和合成数据。
2012-10-12 cs.AI cs.SI physics.soc-ph
Incomplete Gamma Integrals for Deep Cascade Prediction using Content, Network, and Exogenous Signals
Jadavpur University(贾达普大学);Adobe(奥多比)
信息级联(如转发)的行为已被广泛建模。虽然基于点过程的生成模型长期以来一直用于估计级联增长,但深度学习极大地增强了多样化特征的集成。我们观察到两个显着的时间信号级联数据,尚未强调或报告给我们的知识。首先,级联根的受欢迎程度会强烈影响级联大小,但这种影响会随着时间的推移而迅速下降。第二,在根内容的新颖性(相对于流外部语料库)和所得到的级联的相对大小之间存在可测量的正相关性。针对这些观察结果,我们提出了GammaCas,这是一种新的级联增长模型,作为时间的参数函数,它结合了来自内容的深度影响信号(例如,推文文本),网络特征(例如,根用户的追随者),以及外生事件源(例如,在线新闻)。具体来说,我们的模型通过定制的循环网络处理这些信号,然后其状态提供级联速率函数的参数,该参数随时间积分以预测级联大小。网络参数使用观察到的级联进行端到端训练。GammaCas在一个大规模的转发级联数据集上的表现明显优于七个最近的不同基线,再加上时间对齐的在线新闻-它击败了最好的基线,在肯德尔的$τ$相关性方面增加了18.98%,平均绝对百分比误差减少了$35.63$。广泛的消融和案例研究发掘有趣的见解关于转推级联动态。
2021-06-13 cs.LG cs.SI
Understanding Information Flow in Cascades Using Network Motifs
越来越多的应用程序考虑网络形成的过程中,使用子图作为生成网络拓扑结构的工具。因此,迫切的研究挑战之一是能够使用这些子图来理解信息级联的网络拓扑结构,这最终为信息如何随着时间的推移而传播的理论化铺平了道路。在本文中,我们第一次尝试使用网络图案,以了解它们是否可以被用来作为生成元素的扩散网络组织在级联生命周期的不同阶段。在这样做的时候,我们提出了一个基序解释为基础的算法,使用网络图案来衡量在何种程度上,他们可以代表的时间级联网络组织。我们从扩散的角度比较了级联生命周期的两个阶段-急剧增长的阶段和饱和之前的抑制阶段。我们对来自微博平台的一组级联和5节点基序的实验表明,只有少数特定的基序模式能够表征扩散过程,因此抑制区域的网络组织比高增长阶段更好。相比之下,我们没有发现令人信服的结果,为阶段的急剧增长。
2019-04-08 cs.SI physics.soc-ph
Uncovering the Temporal Dynamics of Diffusion Networks
时间在信息、影响力和疾病在网络上的传播中起着至关重要的作用。在许多情况下,我们只观察节点何时复制信息,做出决定或被感染-但节点和传输源之间的连接,传输速率是未知的。推断潜在的动态是突出的兴趣,因为它能够预测,影响和延缓感染,广义上理解。为此,我们将扩散过程建模为以不同速率发生的连续时间过程的离散网络。给定级联数据-观察到的节点感染时间-我们推断出全球扩散网络的边缘,并估计最能解释观察到的数据的每条边缘的传输率。优化问题是凸的。该模型自然地(没有解析)施加稀疏解,并且不需要参数调整。这个问题可以分解成一系列独立的小问题,因此很容易扩展到数十万节点的网络。在真实数据和合成数据上的实验表明,该算法既能恢复扩散网络的边缘,又能从级联数据中准确地估计其传输速率。
2011-05-03 cs.DS cs.IR cs.SI
MANCaLog: A Logic for Multi-Attribute Network Cascades (Technical Report)
U.S. Military Academy(美国军事学院);University of Oxford(牛津大学);Naval Postgraduate School(海军研究生院)
在复杂网络形式的多智能体系统中的级联过程的建模,近年来已成为一个重要的研究课题,由于其许多应用:采用商业产品,疾病的传播,思想的传播等,在本文中,我们首先确定了一个必要的七个属性,一个框架建模这样的过程应该满足:表示节点和边的属性的能力、时间的显式表示、表示非马尔可夫时间关系的能力、不确定信息的表示、表示竞争级联的能力、允许非单调扩散以及计算易处理性。然后,我们提出了MANCaLog语言,一种基于逻辑编程,满足所有这些desiderata的形式主义,并专注于算法,寻找最小的模型(从级联的结果可以得到),以及如何这种形式主义可以应用在现实世界中的场景。我们不知道任何其他形式主义的文献,满足所有上述要求。
2013-01-19 cs.AI cs.LO cs.MA
AutoCas: Autoregressive Cascade Predictor in Social Networks via Large Language Models
University of Science and Technology of China(中国科学技术大学);East China Normal University(华东师范大学);Hefei University of Technology(合肥工业大学)
针对信息级联流行度预测,提出LLM增强的AutoCas模型,通过分词、自回归建模和提示学习适配级联数据,显著优于基线并具备扩展能力。
2025-02-25 cs.AI cs.SI
CasCIFF: A Cross-Domain Information Fusion Framework Tailored for Cascade Prediction in Social Networks
Chongqing University of Posts and Telecommunications(重庆邮电大学);Chongqing Engineering Research Center of Software Quality Assurance, Testing and Assessment(重庆市软件质量保证与测评工程技术研究中心);Auckland University of Technology(奥克兰理工大学)
针对现有级联预测方法在用户表示、时序利用和时空整合上的不足,提出跨域信息融合框架CasCIFF,利用多跳邻域和时间戳嵌入,并通过多任务学习统一用户分类与级联预测,提升预测性能。
2023-08-09 cs.LG cs.SI
Local cascades induced global contagion: How heterogeneous thresholds, exogenous effects, and unconcerned behaviour govern online adoption spreading
创新、产品或在线服务的采用通常被解释为一个传播过程,在很大程度上受社会影响驱动,并受个人需求和能力的制约。为了模拟这一过程,人们通常引入行为阈值机制,如果系统满足一组条件,则可以引起全局级联的演变。然而,这些模型并没有解决时间方面的新兴级联,这在现实系统中可能会通过各种途径,从缓慢到快速的模式演变。在这里,我们通过对全球最大的互联网语音服务Skype社交网络的产品采用情况进行分析和建模,填补了这一空白。我们提供的分数行为阈值,这似乎是独立的采用自我的程度的异质性分布的实证证据。我们发现,现实世界的采用集群的结构是从根本上不同于以前的理论预期,因为脆弱的收养-引起一个单一的采用邻居-似乎是重要的,只有在本地,而自发的收养者到达一个恒定的速度和不关心的个人的参与管理全球出现的社会传播。
2016-01-29 cond-mat.stat-mech cs.SI physics.data-an