Understanding Service Integration of Online Social Networks: A Data-Driven Study
跨站点链接功能被在线社交网络（OSN）广泛采用。此功能允许用户将她在一个OSN上的帐户链接到她在其他OSN上的帐户。因此，用户可以使用链接的帐户登录，在这些帐户之间共享内容，并从中导入朋友。它导致了不同的OSN的服务集成。这种整合不仅方便用户管理不同OSN的帐户，而且还为采用跨站点链接功能的OSN带来了实用性。在本文中，我们调查这种有用性的基础上收集的用户数据从一个流行的OSN称为媒体。我们对Medium的社交图谱进行了深入的分析，发现跨站点链接功能带来的服务整合能够改变Medium的社交图谱结构，吸引大量新用户。然而，几乎没有新用户会成为高PageRank用户（PageRank用于衡量用户在OSN中的影响力）。为了解决这个问题，我们建立了一个基于机器学习的模型，仅根据他们的Twitter数据来预测Medium中的高PageRank用户。该模型实现了0.942的高F1分数和0.986的高曲线下面积（AUC）。在此基础上，我们设计了一个系统，以帮助新的OSN识别和吸引高PageRank用户从其他成熟的OSN通过跨站点链接功能。
2018-01-22 cs.SI
PageRank beyond the Web
本文探讨PageRank方法在不同领域的应用，包括社交网络分析、推荐系统及生物学等，展示其数学基础和统一思想。
2014-07-18 cs.CE cs.NA cs.SI
Discovering Key Nodes in a Temporal Social Network
[背景]发现关键节点在社会网络分析（SNA）中具有重要意义。对关键节点的有效、准确挖掘，促进了广告、推荐等领域的成功应用。【方法】针对用户行为的时间属性和类别属性--何时转发或回复消息，以及通过结构嵌入度量的社交亲密度，设计了一种更敏感的PageRank类算法，以适应不断增长和变化的社交网络，挖掘关键节点。【结果】与基线PageRank算法相比，在SNAP Higgs数据集的SIR疾病模拟中，该算法选择的关键节点表现明显更好。[结论]这些结果有助于更好地理解社会事件在网络上的传播。
2018-03-01 cs.SI physics.soc-ph
On the Localization of the Personalized PageRank of Complex Networks
在本文中，个性化PageRank的新成果。我们考虑可能包含悬挂节点的有向图。提出的主要结果给出了分析表征的个性化PageRank的任何node.We使用这个结果给最近的模型，使用个性化的PageRank分类用户的社交网络站点的理论依据。我们引入了新的概念，在复杂网络中的竞争力和领导。我们还提出了一些理论技术来定位领导者和竞争对手，这是有效的任何个性化向量，并通过只使用相关的信息图的邻接矩阵和它的悬挂节点的分布。
2012-07-12 cs.DM cs.SI physics.soc-ph
Dynamic PageRank using Evolving Teleportation
网络中节点的重要性会随着网络结构的变化以及外部利益的变化而不断波动。我们提出了一个不断发展的PageRank方法的隐形传态适应捕捉外部利益的变化如何影响节点的重要性。这个框架无缝地概括了PageRank，因为如果外部影响停止变化，节点的重要性将收敛到PageRank值。我们证明了在维基百科图和Twitter社交网络上不断发展的隐形传态的有效性。外部兴趣由每个页面每小时的访问者数量和每个用户每月的推文数量给出。
2012-03-27 cs.IR cs.SI math.DS
Zombie Account Detection Based on Community Detection and Uneven Assignation PageRank
BNU-HKBU United International College (UIC)（北师港浸会联合国际学院（UIC））
在社交媒体中，存在大量潜在的僵尸账户，可能会对公众舆论产生负面影响。传统的僵尸账号检测方法是使用PageRank算法。然而，它需要一个大的RAM来存储相邻矩阵或相邻列表，并且对于大型图，重要性值可能近似为零。为了解决第一个问题，由于社交媒体的结构使图可分割，我们进行了社区发现算法Louvain，将整个图分解为1，002个子图。模块度为0.58，表明该方法是有效的。为了解决第二个问题，我们执行了非均匀分配PageRank算法来计算每个社区中节点的重要性。然后，设置阈值以区分僵尸账户和正常账户。结果显示，数据集中约有20%的账户是僵尸账户，它们集中在中国的一线城市，如北京，上海和广州。未来，可以使用带有半监督学习的分类算法来检测僵尸账户。
2021-01-04 cs.AI cs.DM cs.SI
Functional Multiplex PageRank
近年来，人们认识到许多复杂的社会、技术和生物网络具有多层性质，可以用多重网络来描述。多路复用网络由一组节点形成，这些节点通过具有不同内涵的链路连接，从而形成多路复用的不同层。表征多路复用网络中节点的中心性是一项具有挑战性的任务，因为节点的中心性自然取决于与某种类型的链路相关联的重要性。在这里，我们建议为多路复用网络的每个节点分配一个中心性，称为功能多路复用PageRank，它是任意两个节点之间的多路复用网络中存在的每个不同连接模式（多链路）的权重的函数。由于多重链接区分了不同层中链接重叠的所有可能方式，因此当将大相关性或小相关性分配给重叠的多重链接时，功能多重PageRank可以描述重要的非线性效果。在这里，我们将功能页面排名应用于多路机场网络，线虫的神经网络。秀丽线虫，科学家之间的社会合作和引用网络。这一分析揭示了这些网络的最中心节点之间存在的重要差异，以及它们所谓的“成功模式”之间的相关性。
2016-11-15 cs.SI physics.soc-ph
Fairness-Sensitive PageRank Approximation
Mehta Family School of Data Science and Artificial Intelligence IIT Roorkee（印度理工学院罗尔基拉分校梅塔数据科学与人工智能学院）；LIACS, Leiden University（莱顿大学计算科学研究所）
本文提出一种高效近似方法，用于在保持链接相关性的同时实现公平敏感的PageRank，通过估计的teleportation向量实现群体层面的公平性，并显著减少计算时间。
2026-02-02 cs.SI
Rethinking Centrality: The Role of Dynamical Processes in Social Network Analysis
在社会网络分析中使用的许多流行的测量方法，包括中心性，都是基于随机游走的。随机游走是一个随机过程的模型，其中一个节点每次与另一个节点交互。然而，随机游走可能不适合于建模社会现象，包括流行病和信息扩散，其中一个节点可能同时与许多其他节点交互，例如，通过向其邻居广播病毒或信息。为了产生有意义的结果，社会网络分析算法必须考虑节点之间的交互性质。在本文中，我们将动态过程分为保守和非保守，并将它们与网络分析中使用的著名中心性度量：PageRank和Alpha-Centrality。我们证明，通过对用于广播信息的在线社交网络中的用户进行排名，非保守的阿尔法中心性通常会导致比保守的PageRank更好地与经验排名方案达成一致。
2014-03-27 cs.SI physics.soc-ph
Topic-Based Influence Computation in Social Networks under Resource Constraints
随着社交网络的不断变化和发展，分析动态社交网络的方法在理解社会趋势方面变得越来越重要。然而，由于社交网络服务提供商施加的限制，可用于获取社交网络的整个内容的资源通常非常有限。因此，动态社交网络数据的分析需要在本地维护每个时间段的社交网络的近似副本。在本文中，我们研究的问题，动态网络和文本提取有限的探测能力，识别和维护有影响力的用户的社会网络的发展。我们提出了一种算法来探测的关系（所需的全球影响力计算）以及职位（所需的基于主题的影响力计算）的有限数量的用户在每个探测期间，根据用户的影响力趋势和活动。我们根据新探测的用户数据和本地维护的最后已知网络版本来推断当前网络。此外，我们建议使用链接预测方法，以进一步提高我们的网络推理的准确性。我们采用PageRank作为影响力计算的度量。我们说明了所提出的解决方案如何保持准确的PageRank分数计算全球影响力，和主题敏感的加权PageRank分数基于主题的影响力。后者依赖于一个基于主题的网络，该网络通过对帖子及其共享统计数据的语义分析确定权重来构建。我们评估我们的算法的有效性，通过比较它们与真实的影响力分数的完整和最新版本的网络，使用数据从微博服务Twitter。结果表明，我们的技术显着优于基线方法，并优于国家的最先进的技术从文献中。
2018-01-07 cs.SI physics.soc-ph
A Dynamical System for PageRank with Time-Dependent Teleportation
我们提出了一个动态系统，捕捉变化的网络中心节点的外部利益在这些节点的变化。我们通过在PageRank分数上增加时间依赖的隐形传输来推导这个系统。结果不是一组重要性分数，而是一组时间相关的分数。这些可以以各种方式转换为排名列表，例如，通过在重要性得分中取得最大变化。对于一类有趣的动态隐形传态函数，我们推导出动态PageRank向量的封闭形式的解决方案。从静态PageRank向量的偏差的大小由具有复值隐形传态参数的PageRank问题给出。此外，这些动力系统很容易评估。我们展示了动态隐形传态的效用，在维基百科的文章图，其中的外部兴趣信息是由每小时访问每个页面的人数，和Twitter的社交网络，其中的外部兴趣是每月的推文数量。对于这些问题，我们表明，使用来自动力系统的信息有助于提高预测任务，并确定数据中的趋势。
2012-11-18 cs.IR cs.SI math.DS
Striations in PageRank-Ordered Matrices
模式经常出现在各种各样的大型现实网络中，有趣的物理现象经常用网络拓扑来解释，比如万维网的蝴蝶结结构，或者社交网络中的小世界现象。这种规律的发现和建模具有广泛的应用，从疾病传播到金融市场。在这项工作中，我们描述了一个新发现的经常发生的条纹图案中发现的PageRank排序的邻接矩阵编码现实世界的网络。我们证明，这些条纹是众所周知的图形生成过程的结果，导致在典型的邻域分布中表现出来的条纹。本文中探索的谱视图编码了大量关于给定网络的显式和隐式拓扑的信息，因此我们还讨论了有趣的网络属性，离群值和异常，观众可以通过简单地查看重新排序的矩阵来确定。
2016-05-20 cs.SI physics.soc-ph
Multiplex PageRank
许多复杂系统可以被描述为多路复用网络，其中相同的节点可以在不同的层中彼此交互，从而形成一组交互和共同进化的网络。这种多重系统的例子是社交网络，其中人们参与不同类型的关系并通过各种形式的通信媒体进行交互。多重网络中节点的排序问题是当前复杂网络研究面临的最紧迫、最具挑战性的课题之一。当节点对可以通过多个链路和多个层连接时，节点的排名必须反映节点在一个层中的重要性以及它们在其他相互依赖的层中的重要性。在本文中，我们借鉴有偏随机游走的思想来定义多重PageRank中心性度量，其中直接考虑了网络之间的相互作用对节点中心性的影响。特别是，根据层之间的相互作用的强度，我们定义的加法，乘法，组合，和中性版本的多重PageRank，并显示每个版本如何反映在何种程度上一个节点的重要性在一个层影响的重要性节点可以获得在另一个层。我们讨论这些措施，并将其应用到一个在线多元化的社会网络。研究结果表明，考虑到网络的多重性，有助于发现不同的排名从一个单一的层获得的节点的排名的出现。结果提供了支持，有利于多个中心的措施，如多重PageRank的显着性，用于评估嵌入在多个相互作用的网络中的节点的突出性，并为脱落的结构特性，否则将保持未检测到的，如果每个相互作用的网络进行了分析，在隔离的新光。
2013-09-23 cond-mat.stat-mech cs.SI physics.soc-ph
Efficient Edge Rewiring Strategies for Enhancing PageRank Fairness
Shanghai Key Laboratory of Intelligent Information Processing, College of Computer Science and Artificial Intelligence, Fudan University（上海智能信息处理重点实验室，计算机科学与人工智能学院，复旦大学）；School of Computing, the Australian National University（计算学院，澳大利亚国立大学）
本文提出一种高效算法，通过重排网络边提升弱势群体的PageRank公平性，适用于大规模网络。
2026-01-23 cs.AI cs.SI
Analysis of Nepotism in Bollywood using Personalized PageRank and Effective Influence
本研究针对宝莱坞行业的裙带关系问题，利用约1000名新人的关系数据，结合社交网络分析与Effective Influence方法，验证了血缘关系对新人出道资源的显著优势。
2023-12-16 cs.SI
Personalized PageRank dimensionality and algorithmic implications
许多系统，包括互联网、社交网络和电网，都可以用图来表示。在分析图形时，计算描述节点之间的相对重要性或距离的分数通常很有用。一个示例是个性化页面排名（PPR），其向每个节点$v$分配向量，该向量的第$i$条目从$v$的角度描述第$i$节点的重要性。PPR已被证明在许多应用中是有用的，诸如推荐用户应该在社交网络上关注谁（如果第$i$个条目很大，则$v$可能对关注第$i$个用户感兴趣）。不幸的是，计算$n$这样的PPR向量（其中$n$是节点的数量）对于许多感兴趣的图是不可行的。在这项工作中，我们认为情况并不那么可怕。我们的主要结果表明，在$n$中，对于某类随机图和类似于秩的维数的概念，PPR向量集的维数具有高概率的次线性尺度。换句话说，我们认为这个集合的有效维数远小于$n$，尽管包含这些向量的矩阵具有秩$n$。此外，我们表明，这种维数措施密切相关的PPR估计方案，提出了（但没有分析）由Jeh和Widom的复杂性。这使我们能够论证，准确估计所有$n$ PPR向量相当于计算$n^2$向量元素的消失分数（当我们的主要结果的技术假设得到满足时）。最后，我们实证表明，类似的结论时，考虑现实世界的网络，尽管我们的理论的假设不成立。
2018-04-09 cs.DS cs.SI
Leaders in Social Networks, the Delicious Case
寻找相关信息并不局限于搜索引擎。在线社区可以扩大少数高级用户的影响力，使所有其他用户受益。通过选择合适的领导者，可以大大提高用户信息搜寻的深度和广度。例如，在delicious.com中，用户订阅领导者的集合，这导致搜索引擎无法实现的更深更广的覆盖面。为了巩固这种集体搜索，必须利用领导拓扑结构并识别有影响力的用户。Google的PageRank作为万维网上一种成功的搜索算法，在人际网络中的效果却不太好。因此，我们设计了一个自适应和无参数的算法，LeaderRank，量化用户的影响力。我们表明，LeaderRank在排名有效性以及对操纵和噪音数据的鲁棒性方面优于PageRank。这些结果表明，意识到自己影响力的领导者可能会加强社交网络的发展，从而加强集体搜索的力量。
2011-03-27 cs.IR cs.SI physics.soc-ph
Diffusion Signals Reveal Hidden Connections: A Physics-Inspired Framework for Link Prediction via Personalized PageRank Signals
Key Laboratory of Quark and Lepton Physics (MOE) and Institute of Particle Physics, Central China Normal University（夸克与轻子物理教育部重点实验室及粒子物理研究所，华中师范大学）；School of Information Engineering, Anhui University of Chinese Medicine（安徽中医药大学信息工程学院）
本文提出D-PPR框架，通过结合动态过程与结构相似性度量，提升复杂网络中链接预测的性能和理论严谨性。
2025-11-14 cs.SI physics.data-an
Opinion formation driven by PageRank node influence on directed networks
我们研究了两个国家的意见形成模型驱动的PageRank节点的影响，并报告了一个广泛的数值研究如何PageRank影响集体意见的形成在大规模的经验有向网络。在我们的模型中，一个节点的意见可以更新的总和，其邻居节点的意见加权的节点影响力的邻居节点在每一步。我们考虑PageRank概率和它的次线性功率作为节点影响力的措施，并调查在各种条件下的意见的演变。首先，我们观察到所有的网络在一定的松弛时间后达到稳定状态的意见。这个时间尺度随着网络中节点影响的异质性而减小。其次，我们发现我们的模型在稳态下表现出共识和非共识行为，这取决于网络的类型：Web图，物理学文章的引用网络和LiveJournal社交网络表现出非共识行为，而维基百科文章网络表现出共识行为。第三，我们发现，一个更异质的影响力分布导致一个更统一的意见状态的情况下，Web图，维基百科和Livejournal。然而，在引文网络中观察到相反的行为。最后，我们确定，少数有影响力的节点可以施加自己的意见，在所有考虑的网络中的其他节点的显着部分。我们的研究表明，节点影响力的异质性对意见形成的影响可能是显着的，并建议进一步研究网络中节点影响力和集体意见之间的相互作用。
2015-06-06 cs.SI physics.soc-ph
A Fast Algorithm for Ranking Users by their Influence in Online Social Platforms
衡量用户在社交网络中的影响力是众多应用的关键。最近提出的一个影响力度量，被称为$ψ$ -分数，允许超越传统的中心性度量，它只评估结构图的重要性，通过进一步纳入丰富的信息提供的张贴和重新张贴活动的用户。事实上，$ψ$分数被示出为针对非同质节点活动来概括PageRank。尽管其重要性，但它对大型数据集的扩展性很差;对于$N$用户的网络，它需要求解大小为$N$的$N$线性方程组。为了解决这个问题，这项工作介绍了一种新的可扩展算法的快速近似的$ψ$分数，命名为\textit{Power} - $ψ$。所提出的算法是基于一个新的方程，表明它足以解决一个系统的方程的大小$N$计算的$ψ$分数。然后，我们的算法利用这样一个系统可以递归地和分布式地近似于任何期望的误差的事实。这允许$ψ$ -score（总结节点的结构和行为信息）与PageRank一样快地运行。我们验证了所提出的算法的有效性，我们发布作为一个开源的Python库，在几个现实世界的数据集。
2022-10-20 cs.NI cs.SI
Efficient Algorithms for Personalized PageRank
我们提出了新的，更有效的算法估计随机游走分数，如个性化的PageRank从一个给定的源节点到一个或多个目标节点。这些分数对于包括社交网络、用户项目网络和web的网络上的个性化搜索和推荐是有用的。过去的工作已经提出使用蒙特卡罗或使用线性代数来估计从单个源到每个目标的分数，使得它们对于单个对是低效的。我们的贡献是一个新的双向算法，结合线性代数和蒙特卡罗实现显着的速度提高。在一组不同的六个图上，我们的算法比过去最先进的算法快70倍。我们还提出了理论分析：虽然过去的算法需要$Ω(n)$的时间来估计一个随机游走分数的典型大小$\frac{1}{n}$的$n$节点图上一个给定的恒定的准确性，我们的算法只需要$O(\sqrt{m})$预期的时间为平均目标，其中$m$是边缘的数量，并证明是准确的。除了我们的核心双向估计个性化PageRank，我们提出了一种替代算法的无向图，推广到任意的步行长度和马尔可夫链，个性化搜索排名的算法，以及从给定的源到给定的一组目标的随机路径的采样算法。我们希望我们的双向方法可以在其他方面进行扩展，并将在其他图形分析问题的有用的子程序。
2015-12-15 cs.DS cs.IR cs.SI
Quantifying Location Sociality
基于地理位置的社交网络的出现为研究人类流动与社会关系之间的相互作用提供了前所未有的机会。这项工作是量化一个地点是否适合进行社会活动的一个步骤，这个概念被命名为地点社会性。能够量化位置的社会性创造了实际的机会，如城市规划和位置推荐。为了量化一个位置的社会性，我们提出了一个混合模型的HITS和PageRank异构网络连接用户和位置。通过利用纽约和洛杉矶的Instagram用户生成的数百万个签到数据，我们研究了位置社交性与几个位置属性之间的关系，包括位置类别，评级和受欢迎程度。我们还进行了两个案例研究，即，友谊预测和位置推荐，实验结果表明，我们的量化的有用性。
2017-09-04 cs.SI physics.soc-ph
Endorsement Deduction and Ranking in Social Networks
一些社交网络，如LinkedIn和ResearchGate，允许用户为特定技能背书。通过这种方式，对于每个技能，我们得到一个有向图，其中节点对应于用户的配置文件，弧表示认可关系。根据收到的认可的数量和质量，可以为每个简档分配权威评分。在本文中，我们提出了一个权威评分计算方法，考虑到不同的技能之间存在的关系。我们的方法是基于丰富的信息中所包含的有向图的背书对应于一个特定的技能，然后应用排名方法承认加权有向图，如PageRank。我们描述的方法，并测试它的合成网络的1493个节点，安装背书。
2015-10-07 cs.SI
Network Essence: PageRank Completion and Centrality-Conforming Markov Chains
马图谢克（1963-2015）在数学和算法设计方面有许多突破性的贡献。他的里程碑式的成果不仅意义深远，而且优雅。通过超越原来的对象-如欧几里德空间或线性程序- Jirka发现了具有挑战性的数学/算法问题的本质，以及对他来说很自然的美丽解决方案，但对该领域来说是令人惊讶的发现。在这篇简短的探索文章中，我将首先与读者分享我与Jirka的初次相遇，并讨论他在20世纪90年代初的一个基本几何结果。在社会和信息网络时代，我将把讨论从几何结构转向网络结构，试图向网络科学的圣杯迈出一小步，即理解所观察到的稀疏和多面网络数据背后的网络本质。我将讨论一个简单的结果，它总结了个性化PageRank矩阵的一些基本代数性质。与传统的二元关系传递闭包不同，个性化PageRank矩阵采用网络数据的“累积马尔可夫闭包”。其中一些代数性质在各种背景下都是已知的。但我希望在更广泛的背景下将它们放在一起，将有助于说明这种马尔可夫网络完备化的理想性质，并促进网络理论的系统发展，以理解大量和无处不在的多方面网络数据。
2017-08-25 cs.CG cs.DS cs.SI
Multi-Scale Matrix Sampling and Sublinear-Time PageRank Computation
在Web科学和社会网络分析中的许多应用中出现的基本问题是，给定任意的近似因子$c>1$，输出节点的集合$S$，其以高概率包含至少$Δ$的PageRank的所有节点，并且没有PageRank小于$Δ/c$的节点。我们将此问题称为{ \sc SignificantPageRanks}。我们开发了一个接近最优的，本地算法的问题与运行时的复杂性$\tilde{O}(n/Δ)$网络上的$n$节点。我们发现，任何解决这个问题的算法必须有运行时间的$Ω(n/Δ)$，使我们的算法最佳的对数因子。我们的算法有两个主要的技术贡献。第一个是一个基本的矩阵问题，可能是感兴趣的本身的多尺度采样方案。在抽象矩阵问题中，假设可以通过查询其行来访问未知的{ \em右随机矩阵}，其中查询的成本和答案的准确性取决于精度参数$ε$。以$1/ε$的代价命题，查询将返回一个$O(1/ε)$条目及其索引的列表，这些条目提供行的$ε$精度近似值。我们的任务是找到一个集合，该集合包含所有和至少为$Δ$的列，并忽略任何和小于$Δ/c$的列。我们的多尺度采样方案解决了这个问题的成本$\tilde{O}(n/Δ)$，而传统的采样算法将需要时间$Θ((n/Δ)^2)$。我们的第二个主要的技术贡献是一个新的本地算法近似个性化的PageRank，这是更强大的比早期开发的\cite{JehW03,AndersenCL06}，是非常有效的，特别…
2013-05-28 cs.DS cs.SI
Neighborhoods are good communities
社交网络的社区是顶点的集合，集合内部的连接比外部的连接多。我们从理论上证明了社交网络的两个常见的性质，重尾度分布和大的聚类系数，意味着存在顶点邻域（也称为egonet），它们本身就是良好的社区。我们评估这些社区社区的一系列图。我们发现，社区社区的电导率通常与费德勒切割一样好。此外，附近社区的电导表现出类似的行为，网络社区配置文件计算与个性化的PageRank社区发现方法。后者需要扫过大量的起始顶点，这可能是昂贵的。然而，通过使用一个小的且易于计算的邻域社区集作为这些PageRank社区的种子，我们发现当在图中的任何地方播种时，社区都可以精确地捕获网络社区配置文件的行为，并且总工作量显着减少。
2011-11-30 cs.DM cs.DS cs.SI
Distributed Algorithms for Fully Personalized PageRank on Large Graphs
个性化网页排名（PPR）有着巨大的应用，例如社交网络的链接预测和推荐系统，这些系统通常需要知道完整的PPR。此外，大多数现实生活中的图都是边加权的，例如，Facebook网络上用户之间的互动。然而，计算完全PPR在计算上是困难的，特别是在大型图上，更不用说大多数现有的方法不考虑边的权重。特别是，现有的方法不能处理具有十亿条边的中等大小的集群上的图。为了解决这个问题，本文提出了一种新的研究在大型图上使用分布式计算框架的完全边加权PPR的计算。具体来说，我们采用蒙特卡罗近似，从图的每个节点执行大量的随机游走，并利用并行流水线框架，以减少完全PPR的整体运行时间。在此基础上，我们开发了几种优化技术，（i）缓解了可能导致内存空间爆炸的大节点问题，（ii）为小节点预先计算短遍历，大大加快了随机遍历的计算速度，以及（iii）优化每个流水线中要计算的随机遍历量，从而显著降低了开销。通过对各种现实生活中的图数据集进行广泛的实验，我们证明了我们的解决方案比现有技术快几个数量级，同时在准确性方面大大优于基线算法。
2019-03-28 cs.DB cs.DC cs.SI
Predicting enterprise cyber incidents using social network analysis on the darkweb hacker forums
随着过去几年安全漏洞的增加，越来越需要从社交媒体平台中挖掘洞察力，以提高可能的攻击警报，试图在竞争中保护冲突。我们通过利用用户交互的回复网络结构来使用来自暗网论坛的信息，目标是预测企业网络攻击。我们在监督学习模型之上使用一套社交网络功能，并在二元分类问题上验证它们，该问题试图预测组织在任何一天是否会受到攻击。我们从我们的实验中得出结论，使用来自暗网中53个论坛的信息在12个月的时间内预测2个不同安全事件的真实世界组织网络攻击，分析用户组之间的路径结构比仅仅研究网络中心（如Pagerank）或依赖于用户在论坛中发布的统计数据更好。
2018-11-15 cs.SI
MPC meets SNA: A Privacy Preserving Analysis of Distributed Sensitive Social Networks
在本文中，我们正式的分布式敏感社交网络（DSSNs），其中包括网络，如敌意网络，金融交易网络，供应链网络和性关系网络的概念。与研究得很好的传统社交网络相比，考虑到网络所编织的个人的隐私问题，DSSN的研究往往更具挑战性。在目前的工作中，我们设想使用安全的多方工具和技术进行隐私保护社会网络分析在DSSNs。作为实现这一目标的一步，我们设计了有效的数据无关算法，用于计算给定DSSN的K壳分解和PageRank中心性度量。所设计的数据不经意算法可以转化为等价的安全计算协议。我们还列出了一系列需要解决的挑战，采用安全计算协议作为一个实际的解决方案，研究DSSNs。
2017-05-19 cs.CR cs.SI
Google matrix of Twitter
我们构建了整个Twitter网络的Google矩阵，日期为2009年7月，并分析了其频谱和本征态属性，包括所有节点的PageRank和CheiRank向量和2DRank。我们的研究表明，与之前研究的维基百科和英国大学的网络相比，Twitter网络的顶级PageRank节点之间的互联性要强得多。我们的分析可以找到控制网络上信息流的顶级Twitter用户。我们认为，这一小部分的用户总数，这可以被视为社会网络精英，在网络上的意见形成的过程中起着主导作用。
2012-07-14 cs.SI physics.soc-ph
Efficient Algorithms for Approximate Single-Source Personalized PageRank Queries
给定图$G$、源节点$s$和目标节点$t$，$t$相对于$s$的个性化PageRank（PPR）是从$s$开始的随机游走终止于$t$的概率。PPR查询的一个重要变体是单源PPR（SSPPR），它枚举$G$中的所有节点，并返回相对于给定源$s$具有最高PPR值的前$k$节点。一般而言，PPR和具体而言，SSPPR在web搜索和社交网络中具有重要的应用，例如，在Twitter的Who-To-Follow推荐服务中。然而，PPR计算在大型图上是昂贵的，并且抵抗索引。因此，以前的解决方案要么使用无法保证结果质量的统计学，要么依赖于成本高昂的现代数据中心的强大计算能力。出于这一动机，我们提出了有效的无索引和基于索引的近似PPR处理算法，严格保证结果质量。我们首先介绍了FORA，一种近似的SSPPR解决方案，它以一种简单而又不平凡的方式结合了两种现有的方法向前推（快速但不保证质量）和蒙特卡洛随机游走（准确但缓慢），从而实现了高精度和高效率。此外，FORA包括简单且有效的索引方案，以及用于具有高修剪能力的顶部$k$选择的模块。大量的实验表明，所提出的解决方案比各自的竞争对手更有效的数量级。值得注意的是，在一个十亿边的Twitter数据集上，FORA使用单个商品服务器在1秒内回答了前500个近似的SSPPR查询。
2019-08-28 cs.DB cs.DS cs.SI
Lurking in Social Networks: Topology-based Analysis and Ranking Methods
在线社区中大量存在的沉默成员，即所谓的潜伏者，长期以来一直吸引着社会科学、认知心理学和人机交互研究人员的注意。然而，对潜在现象的研究为数据采掘、信息检索及相关领域的研究提供了一个尚未开发的机会。在本文中，我们采取的第一步正式规范和分析潜伏在社交网络。我们解决了潜伏者排名的新问题，并提出了第一个专门为社交网络中的潜伏者排名而设计的中心性方法。我们的方法只利用网络拓扑结构，而不探讨与媒体相关的文本内容或用户关系。使用Twitter，Flickr，Google Feed和GooglePlus作为案例，我们的方法的性能针对数据驱动的排名以及现有的中心性方法进行了评估，包括经典的PageRank和alpha中心性。经验证据表明，我们的潜伏者排名方法的重要性，以及它在有效识别和排名在线社交网络中的潜伏者方面的独特性。
2014-09-16 cs.SI physics.soc-ph
Perception, Prestige and PageRank
学术上的尊重很难用客观的术语来量化。网络理论提供了使用数学形式主义来建模与学者相关的尊重以及学术同事之间的关系的机会。早期的尝试使用这种推理方式，主要集中在由导师学生网络构成的智力谱系上。考试过程在许多研究领域都很重要，但在现有模式中没有发挥作用。一个网络理论的“社会”模型，提出了作为一种工具，探索和理解的动态尊重的学术等级。据观察，这样的模型自然会产生这样的想法，即与图中的节点相关联的尊重（个人学术的尊重）可以被视为一个动态量，该动态量基于网络中属性的局部和非局部变化而随时间演变。本文所研究的玩具模型包括导师-学生关系和考官-学生关系。这让我们深入了解了学术系谱的一些关键特征，并自然地导致了学术网络上的“尊重传播”模型。这种传播不仅在时间上是向前的（从老师到后代），有时也会向另一个方向流动。当合作者做得很好时，这很好地反映了他们选择与之合作的人和教他们的人。此外，即使在一段关系或职业生涯结束后，尊重作为一个数量仍然是动态的。换句话说，尊重可以被认为是在时间上向前和向后流动的。
2019-03-04 cs.DL cs.SI physics.soc-ph
LiveRank: How to Refresh Old Datasets
本文考虑了数据集的刷新问题。更准确地说，给定一个节点集合（网页、来自在线社交网络的用户）以及一些结构（超链接、社交关系），我们希望识别出当前仍然存在的节点的重要部分。旧节点的活性可以通过当前的在线查询来测试。我们将LiveRank称为旧页面的排名，以便活动节点更有可能首先出现。LiveRank的质量是通过使用LiveRank顺序时识别给定部分活动节点所需的查询数量来衡量的。我们研究了不同的场景，从静态设置，在任何查询之前计算的Liv-eRank，到动态设置，在处理查询时可以更新LiveRank。我们的研究结果表明，建立在PageRank可以导致有效的LiveRanks，Web图形以及在线社交网络。
2016-01-06 cs.SI
Recommending Users: Whom to Follow on Federated Social Networks
为了培养活跃且参与的社区，社交网络采用过滤大量内容并向用户提供网络的个性化视图的推荐算法。流行的社交网络，如Facebook和Twitter，通过列出用户可能有兴趣联系的简档来生成关注推荐。联邦社交网络旨在通过分散权力和促进隐私来解决与流行的社交网络相关的问题，例如大规模的用户监视和滥用用户数据来操纵选举。由于它们最近出现，推荐系统还不存在于联合社交网络中。为了使这些网络更有吸引力，促进社区建设，我们研究如何推荐算法可以应用到分散的社交网络。我们提出了一个离线和在线评估两种推荐策略：基于BM 25的协同过滤推荐和基于拓扑的推荐使用个性化的PageRank。我们的联邦社会网络Mastodon的一个大的无偏样本的实验表明，协同过滤方法优于基于拓扑的方法，而这两种方法显着优于随机推荐。随后的现场用户实验乳齿象使用平衡交错显示，协同过滤推荐器的性能与基于拓扑的推荐器不相上下。
2018-11-22 cs.IR cs.SI
Learning Networks from Random Walk-Based Node Similarities
Yale University（耶鲁大学）；Massachusetts Institute of Technology（麻省理工学院）；Boston University（波士顿大学）；Harvard University（哈佛大学）
在线社交媒体世界中的数字存在带来了重大的隐私风险。在这项工作中，我们考虑了对社交网络的隐私威胁，其中攻击者可以访问基于随机行走的节点相似性的子集，例如有效电阻（即，通勤时间）或个性化的PageRank分数。利用这些相似性，攻击者的目标是推断尽可能多的关于底层网络的信息，包括任何剩余的未知成对节点相似性和边缘。对于有效的阻力度量，我们表明，只有一个小的测量子集，攻击者可以学习一个社会网络中的大部分边缘，即使测量是嘈杂的。我们还表明，可以学习一个图，该图在所有其他有效电阻上与底层网络准确匹配。从数据采掘的角度来看，第二个观察结果是有趣的，因为精确计算所有有效电阻可能是昂贵的。作为替代方案，我们的图从近似有效电阻的子集中学习，可以在使用有效电阻探测图结构的广泛应用中用作代理，包括图聚类，节点中心性评估和异常检测。我们通过数学形式化图学习目标，使用两个优化问题来获得我们的结果。一个公式是凸的，可以证明在多项式时间内求解。另一个不是，但我们用投影梯度和坐标下降有效地解决了它。我们证明了这些方法的有效性，从Facebook获得的社交网络的数量。我们还讨论了我们的方法可以推广到其他随机行走的相似性，如个性化的PageRank。我们的代码可在https://github.com/cnmusco/graph-similarity-learning上获得。
2018-01-23 cs.DS cs.LG cs.SI
A Linear Circuit Model For Social Influence Analysis
了解信息传播行为对于有效利用社交网络中的社会影响力至关重要。然而，现有的影响力模型是既听话，有效地描述信息传播过程和定量测量的社会影响力。为此，在本文中，我们开发了一个线性的社会影响力模型，命名为电路，由于它的密切关系的电路网络。基于预定义的社会影响力的四个公理，我们首先证明了我们的模型可以有效地测量任何一对节点之间的影响力强度。沿着这条线，识别节点的影响的上限以用于潜在的使用，例如，减小了搜索空间。此外，我们还提供了电路模型的物理含义，并深入分析了它与现有方法（如PageRank）的关系。然后，我们提出电路模型提供了一个自然的解决方案，计算每个节点的权威，并找到一组节点的社会影响力最大化的问题。最后，该模型的有效性进行了评估，在现实世界的数据。大量的实验结果表明，电路模型始终优于国家的最先进的方法，可以大大减轻影响力最大化问题的计算负担。
2012-09-10 cs.SI physics.soc-ph
X-posing Free Speech: Examining the Impact of Moderation Relaxation on Online Social Networks
本文以马斯克收购 Twitter 为案例，结合内容与网络分析超过 1000 万条推文，发现审核放松导致针对 LGBTQ+ 群体和自由派的仇恨内容显著增加，并形成由极右翼影响者推动的仇恨社区，揭示了言论自由与平台审核之间的深层矛盾。
2024-05-23 cs.SI
Contributive Social Capital Extraction From Different Types of Online Data Sources
在线交流中经常出现的一个问题是，陌生人的属性很难评估。这可能会导致各种问题，例如来自不可信来源的“假新闻”的传播。在社会学中，一个人通过其社会网络可获得的（社会）资源的总和通常被描述为社会资本。在这篇文章中，我们从另一个角度来看待社会资本。而不是评估的优势，人们有，因为他们在某一组的成员，我们调查各种方法来推断一个人添加或可能添加到网络的社会资本，他们的贡献社会资本（CSC）。由于文献中对一个人的社会资本究竟由什么组成没有共识，我们研究了各种相关的属性：专业知识，声誉，可信度和影响力。对这些特征的分析是针对五种不同的在线数据源进行的：微博（例如，Twitter）、社交网络平台（例如，Facebook）、直接通信（例如，电子邮件），科学计量学，和线索讨论板（例如，Reddit）。在每个领域，我们讨论了最近的出版物，并把重点放在使用的数据源，实现的算法，和性能评估。研究结果进行了比较，并设置在背景下，贡献的社会资本提取。分析算法基于个体特征（例如，Twitter上的追随者）、其比率、或个人的中心性度量（例如，PageRank）。机器学习方法，例如直接分类器（例如，支持向量机）使用连接到社会资本的地面实况。对这些方法的讨论旨在通过确定相关的数据来源和最适合的算法，并通过为评估结果提供经过测试的方法，促进对该主题的研究。
2019-02-20 cs.SI
Finding Influentials in Twitter: A Temporal Influence Ranking Model
随着在线社交媒体的日益普及，识别这些社交网络中的有影响力的用户已经变得非常流行。现有的工作研究了用户属性，网络结构和用户交互时测量用户的影响力。与这些作品相比，我们专注于用户的行为特征。我们调查的时间动态的用户活动模式，以及这些模式如何影响用户交互。我们吸收这些特征到一个基于PageRank的时间影响力排名模型（TIR），以确定有影响力的用户。TIR中的转移概率由逻辑回归模型和随机游走预测，根据用户的时间活动模式有偏。实验结果表明，TIR模型在全局影响力排名和好友推荐方面比现有模型具有更好的性能和稳定性。
2022-03-23 cs.SI
Mental Disorder Recovery Correlated with Centralities and Interactions on an Online Social Network
最近的研究建立了理论基础和强有力的经验证据，有效的社会行为在维护人们的身心健康方面发挥着有益的作用。为了测试社交行为和幸福感是否也与在线社区有关，我们研究了精神障碍患者的康复与他们在在线社交媒体上的行为之间的相关性。作为与社会行为和精神康复进展相关的数据来源，我们使用了PatientsLikeMe（PLM），这是世界上第一个开放参与的研究平台，用于开发以患者为中心的健康结果指标。我们首先构建了一个在线的社会网络结构的基础上，从PLM获得的200例患者之间的患者关系。然后，我们通过测量每个患者获得的“帖子和视图”和“有用标记”的数量来描述患者的在线社交活动。患者的恢复数据来自他们自我报告的状态信息，这些信息也可在PLM上获得。我们发现，一些节点属性（入度，特征向量中心性和PageRank）和两个在线社交活动措施与患者的恢复显着相关。此外，我们在第一次数据汇集后两个月重新采集了患者的恢复数据。我们发现患者的社会行为与第二次恢复数据之间存在显著相关性，这些数据是间隔两个月收集的。我们的研究结果表明，社交网络社区，如PLM显着相关的精神障碍患者的当前和未来的恢复。
2015-07-30 cs.CY cs.SI
Supervised Rank Aggregation for Predicting Influence in Networks
社会网络分析的许多工作都集中在识别社会网络中最重要的参与者。这导致了一些影响力和权威的措施。虽然大多数这样的社会计量学（例如，PageRank）是由基于参与者在网络中的位置的直觉驱动的，要求“最有影响力”的参与者本身就是一个不适定的问题，除非它与特定的可测量任务放在一起。在给定领域中构建感兴趣的预测任务提供了一种定量比较不同影响措施的机制。此外，当我们知道要收集什么类型的可操作洞察力时，我们不需要依赖于单一的网络中心性度量。测量的组合更有可能捕获社交网络的各个方面，这些方面对于任务是预测性的和有益的。为此，我们提出了一种监督排名聚合的方法，由社会选择理论的技术驱动。我们通过在Twitter和引文网络上的实验说明了该方法的有效性。
2011-08-24 cs.GT cs.IR cs.SI
Non-Conservative Diffusion and its Application to Social Network Analysis
随机游走是网络动态过程建模的基础。基于随机游走的搜索算法已经在从图像处理到网页排序的许多应用中得到了应用。然而，随机游走对于社交网络的建模和分析有多合适呢？我们认为，与随机游走不同，它保存了在网络上扩散的数量，许多有趣的社会现象，如信息或疾病在社交网络上的传播，从根本上讲是非保守的。当一个人用病毒感染她的邻居时，感染的总量会增加。我们将扩散过程分为保守和非保守两类，并展示了这些差异如何影响用于网络分析的指标的选择，以及我们对网络结构和行为的理解。我们表明，阿尔法中心，数学上描述非保守扩散，导致新的见解网络上的传播过程的行为。给出了一个计算大型图的α中心度的可扩展近似算法。我们验证我们的方法在现实世界的在线社交网络的Digg。我们发现，一个非保守的度量，如阿尔法中心，产生更好的协议与经验措施的影响比保守的度量，如PageRank。我们希望我们的调查将激发进一步探索领域的保守和非保守的度量在社会网络分析。
2011-09-07 cs.SI physics.data-an physics.soc-ph
Tripartite Heterogeneous Graph Propagation for Large-scale Social Recommendation
Clova AI Research, NAVER Corp.（NAVER公司Clova人工智能研究院）；Search Solution Inc.（搜索解决方案公司）；LINE Plus Corp.（LINE Plus公司）
图神经网络（GNNs）已经成为一种很有前途的关系表示方法，包括推荐系统。然而，社交图的各种挑战性问题阻碍了GNN用于社交推荐的实际使用，例如它们复杂的噪声连接和高度异质性。GNN的过度平滑也是基于GNN的社交推荐的障碍。在这里，我们提出了一个新的图嵌入方法异构图传播（HGP）来解决这些问题。HGP使用组-用户-项目三方图作为输入，以减少社交图中的边的数量和路径的复杂性。为了解决过度平滑的问题，HGP在个性化的基于PageRank的传播方案下嵌入节点，分别用于组用户图和用户项图。使用注意力机制来集成来自每个图的节点嵌入。我们在一个由1，645，279个节点和4，711，208条边组成的大规模真实世界数据集上评估我们的HGP。实验结果表明，HGP在AUC和F1评分指标方面优于几个基线。
2019-07-24 cs.IR cs.LG cs.SI
Ranking the Importance of Nodes of Complex Networks by the Equivalence Classes Approach
识别复杂网络中节点的重要性对于社交网络、生物网络等的研究具有重要意义。目前研究者已经提出了介数、PageRank和HITS等度量方法或算法，来识别节点的重要性。然而，这些措施是基于不同方面的属性的节点，往往与其他冲突。需要一个合理、公平的标准来评价和比较这些算法。本文提出了一个框架作为标准的节点的重要性排名。提出了四种直观的节点重要性度量规则，并采用等价类方法解决冲突和聚集规则的结果。为了定量地比较算法，性能指标也提出了基于相似性度量。三个广泛使用的现实世界的网络被用作测试床。实验结果表明，该框架的可行性，并表明这两个算法，PageRank和HITS，在处理测试网络时，具有良好的偏见。此外，本文使用所提出的方法来分析互联网的结构，并得出了互联网的内核与密集的链接。
2012-11-23 cs.SI physics.soc-ph
Ang Social Network sa Facebook ng mga Taga-Batangas at ng mga Taga-Laguna: Isang Paghahambing
在线社交网络（OSN）对菲律宾人产生了巨大的影响，其中Facebook，Twitter，LinkedIn，Google+和Instagram是最受欢迎的。它们的流行，加上其直观和互动的使用，允许一个人的个人信息，如性别，年龄，地址，关系状态和朋友列表，成为公开可用。从这些网站获得的信息，在计算机的帮助下，可以对广泛的人口特征进行研究，即使是在省一级。除了邻近的地方，拉古纳和八打雁的居民都从两个湖泊，拉古纳湾和塔尔湖获得生计。这两个居民都遇到了类似的问题，例如，在许多其他问题中，鱼类死亡。这项研究的目的是找出他们各自的在线人群的相似之处，特别是Facebook的。通过使用计算动态社会网络分析（CDSNA），我们发现这两个社区是相似的，除其他外，如下：o两个群体都由单身年轻女性主导o在选择年龄方面的朋友时观察到同性恋（即，在年龄相差不超过五岁的人之间更经常建立友谊）;以及在根据性别选择朋友时观察到异性恋（即，男性和女性之间建立的友谊比同性之间建立的友谊多）。本文还介绍了两种社交网络在结构上的差异，如分离度和偏好依恋。
2015-07-10 cs.SI
FairSNA: Algorithmic Fairness in Social Network Analysis
本文探讨了社交网络结构偏见对社交网络分析（SNA）方法公平性的影响，回顾了链接预测、影响力最大化等不同SNA研究主题的公平性约束、评估指标与数据集，并指出了未来的开放研究方向。
2024-03-20 cs.CY cs.SI
A Multimodal Framework for Topic Propagation Classification in Social Networks
Chongqing University of Posts and Telecommunications（重庆邮电大学）
本文提出一种社交网络话题传播预测模型，通过引入用户关系广度与权威性改进PageRank，结合Text-CNN、Bi-LSTM与Transformer融合多维特征，在F1-Score等指标上显著优于传统及单模态深度学习模型。
2025-03-05 cs.AI cs.NE cs.SI
Static and Dynamic Strategies for Influencing Opinions in Social Networks
Politecnico di Milano（米兰理工大学）
研究通过实验比较静态和动态干预策略在社会网络中影响意见的效果，发现动态策略更有效，能逐步招募中间节点并扩展影响范围。
2026-05-14 cs.CY cs.SI
Winning the Social Media Influence Battle: Uncertainty-Aware Opinions to Understand and Spread True Information via Competitive Influence Maximization
提出一种基于深度强化学习并整合主观逻辑的竞争性影响力最大化框架，通过不确定性感知观点模型在社交网络中有效传播真实信息以缓解虚假信息，显著优于现有方法并在部分可观测网络中表现稳健。
2024-04-30 cs.SI
Spreading dynamics in complex networks
在复杂网络中寻找有影响力的传播者是一个具有重要意义的问题，可以应用于各个领域，从流行病控制，创新扩散，病毒式营销，社会运动到思想传播。在本文中，我们首先展示了一些最重要的理论模型，描述了传播过程，然后分别讨论了定位个人和多个有影响力的传播者的问题。这两个主题的最新方法。为了识别特权单传播者，本文总结了几种广泛使用的中心性，如度中心性、介数中心性、PageRank、k-shell等。有了这个广泛的数据集，我们发现各种措施可以传达非常不同的节点信息。在LiveJournal社交网络的所有用户中，只有一小部分参与传播。对于LiveJournal中的传播过程，度可以以更高的概率定位参与信息扩散的节点，而k壳在发现影响力大的节点时更有效。我们的研究结果应该提供有用的信息，在现实中设计有效的传播策略。
2013-12-22 cs.SI physics.soc-ph
Ranking of nodes of networks taking into account the power function of its weight of connections
要对社会性质的准层次网络中的节点进行排名，必须对网络进行详细分析，并根据所有给定的标准评估所获得的结果，并确定最具影响力的节点。现有的排名算法在绝大多数估计这样的网络一般，这不允许清楚地确定节点之间的影响。在研究的过程中，已知的算法的结果进行排名的HITS，PageRank的节点的分析，并比较所获得的数据与专家评价的网络。为了有效地分析准层次网络，HITS的基本算法进行了修改，它允许评估和排名节点根据给定的标准（之间的输入和输出链接的数量），这对应于专家评估的结果。结果表明，在某些情况下，收到的方法提供了与真实社会关系相对应的结果，以及节点作者的指数--预先分配的社会角色。
2017-11-14 cs.NI cs.SI physics.soc-ph
Social media battle for attention: opinion dynamics on competing networks
本文提出多重网络观点动力学模型，研究用户在竞争性社交媒体平台间的注意力分配，发现中性算法平台仍可能维持极化，而多平台动态隔离可在提升满意度时不加剧极化。
2023-10-27 cs.SI physics.soc-ph
Extracting Information from Multiplex Networks
多路复用网络是一种广义网络结构，它能够描述由具有不同内涵的链路连接的同一组节点的网络。多重网络无处不在，因为它们也描述了社会，金融，工程和生物网络。将我们分析复杂网络的能力扩展到多重网络结构，可以大大提高从大数据中提取信息的水平。因此，刻画多路网络中节点的中心性，寻找新的方法来解决多路网络中的推理问题，是网络科学的基本问题。在本文中，我们讨论的相关性的多路复用PageRank算法测量多层网络中的节点的中心性，我们最近推出的指标函数$\widetildeΘ^{S}$描述他们的中尺度组织和社区结构的特点的效用。作为研究这些措施的工作示例，我们考虑了三个用于社会科学的多重网络数据集。
2016-05-16 cs.SI physics.soc-ph
