Super-blockers and the effect of network structure on information cascades
对在线社交网络上的信息级联进行建模在从市场营销到内乱预测等领域都很重要,然而底层网络结构强烈影响这种级联的概率和性质。即使是简单的级联动力学,大级联的概率几乎完全取决于网络特性,著名的网络,如Erdos-Renyi和Barabasi-Albert,从同一个模型中产生了截然不同的级联。事实上,“超级传播者”的概念已经出现,用来描述在社交网络中促进全球级联的具有高度影响力的节点。在这里,我们使用一个简单的全球级联模型来表明,在网络中的局部性的存在增加了全球级联的概率,由于连接节点的脆弱性增加。而不是“超级传播者”,我们发现这些高度连接的“超级阻断者”在重尾网络中的存在实际上降低了全球级联的概率,同时促进了信息传播。
2018-03-21 cs.SI physics.data-an physics.soc-ph
Threshold-limited spreading in social networks with multiple initiators
社会影响力驱动的观点改变的经典模型是阈值模型。在这里,我们研究的情况下,多个{ \it发起者}触发级联的阈值模型动态驱动的意见变化的级联,所有节点具有相同的采用阈值$ϕ$。具体而言,使用经验和程式化模型的社交网络,我们研究级联大小作为一个函数的发起分数$p$。我们发现,即使对于任意高的值的$ϕ$,存在一个临界引发剂分数$p_c(ϕ)$超过该级联成为全球。网络结构,特别是集群,在这种情况下起着重要的作用。类似于以前研究的单节点或单集团发起人的情况下,我们观察到,网络内的社区结构促进意见传播到更大程度上比一个同质的随机网络。最后,我们研究了不同的引发剂选择策略的级联的大小和级联窗口的效果。
2013-06-26 cond-mat.stat-mech cs.SI physics.soc-ph
A Framework for Quantitative Analysis of Cascades on Networks
在线社交网络中的信息如何流动?信息级联的结构和规模如何随时间演变?如何有效地挖掘级联动力学中包含的信息?我们的做法,这些问题的经验,并提出了一个有效的和可扩展的数学框架,对网络级联的定量分析。我们定义了一个级联生成函数,捕捉级联的微观动力学的细节。我们表明,这个函数也可以用来计算级联的宏观性质,如它们的大小,传播,直径,路径数,和平均路径长度。我们提出了一种算法来有效地计算级联生成函数,并证明,虽然显着压缩信息内的级联,但它仍然允许我们准确地重建其结构。我们使用这个框架来研究Digg社交网络上的信息动态。Digg允许用户发布和投票的故事,并很容易看到的故事,朋友们已经投票。作为一个故事传播Digg通过投票,它产生级联。我们提取了超过3,500个Digg故事的级联,并计算了它们的宏观和微观特性。我们确定了级联动态的几个趋势:通过链接,分支和社区传播。我们讨论这些如何影响通过Digg社交网络的故事的传播。我们的计算框架是通用的,并提供了一个实用的解决方案,即使是非常大的级联的微观结构的定量分析。
2010-11-17 cs.CY cs.SI physics.soc-ph
Structural patterns of information cascades and their implications for dynamics and semantics
信息级联在物理社会和在线社交媒体中无处不在,在结构,动力学和语义方面存在很大差异。虽然信息级联的动力学和语义已经被研究,但其结构模式及其与动力学和语义的相关性在很大程度上是未知的。在这里,我们探索了一个大规模的数据集,包括$432$百万信息级联的传播轨迹,传播行为,信息内容以及用户简档的明确记录。我们发现,信息级联的结构复杂性远远超出了以往的理论。首先,我们提出了一个十维的度量来量化的信息级联的结构特征,反映级联的大小,轮廓,方向和活动方面。我们发现,双峰规律支配大多数的指标,信息流在级联有四个方向,和自循环数和级联的平均活动遵循幂律。然后,我们分析了信息级联的高阶结构模式。最后,我们评估在何种程度上的信息级联的结构特征可以解释其动态模式和语义,并最终揭示了一些显着的信息级联结构模式的含义。我们的发现还为信息传播的微观机制提供了基础,可能会对级联预测和异常值检测产生影响。
2017-08-08 cs.IR cs.SI
Contrastive Cascade Graph Learning for Classifying Real and Synthetic Information Diffusion Patterns
本研究全面评估了Contrastive Cascade Graph Learning (CCGL)在级联图分类任务中的有效性,发现其能精准捕获特定平台与模型的结构模式,为下游信息扩散分析提供了有力工具。
2025-07-16 cs.SI
Finding Super-spreaders in Network Cascades
本文研究如何仅用常数次网络级联的感染时间识别高度超级传播者,证明度数大于 n^{3/4} 的顶点可估计,而度数小于 n^{1/2} 的顶点需近对数次级联,并揭示其与学习整棵树的级联复杂度几乎一致。
2024-05-04 cs.IT cs.SI math.IT
Seed selection for information cascade in multilayer networks
信息传播是在线社交媒体领域的一个有趣领域。在这项工作中,我们正在研究如何以及不同的种子选择策略影响的传播过程中使用独立的级联模型模拟十八个多层社交网络。基于从Facebook公共页面提取的用户交互数据构建了15个网络,其中树是从公共存储库下载的多层网络(其中两个是Twitter网络)。结果表明,单层网络的各种最先进的种子选择策略,如K-Shell或VoteRank,在多层网络上表现不佳,并且被度中心性所超越。
2017-10-12 cs.SI physics.soc-ph
CasSeqGCN: Combining Network Structure and Temporal Sequence to Predict Information Cascades
信息级联研究的一个重要任务是根据信息过去的传播轨迹来预测信息的未来接收者。虽然网络结构是传播的骨干,但如果不了解网络上的动态,就很难做出准确的预测。扩展序列中的时间信息捕获了许多隐藏的特征,但是单独基于序列的预测有其局限性。最近的努力开始探索网络结构和时间特征相结合的可能性。在这里,我们提出了一种新的端到端的预测方法CasSeqGCN,其中的结构和时间特征同时考虑。级联被划分为多个快照,这些快照记录网络拓扑和节点状态。使用图卷积网络(GCN)来学习快照的表示。提出了一种基于动态路由的聚合方法来聚合节点表示,并利用长短期记忆(LSTM)模型来提取时态信息。与其他最先进的基线方法相比,CasSeqGCN更准确地预测了未来的级联大小。烧蚀研究表明,这种改善主要来自于输入层和GCN层的设计。我们明确地设计了一个实验来证明我们的方法学习的级联表示的质量优于其他方法。我们的工作提出了一种新的方法来结合结构和时间特征,这不仅为未来的级联预测研究提供了一个有用的基线模型,而且还为网络上和网络的动态相关的广泛问题带来了新的见解。
2022-03-17 cs.SI
Distributed Rumor Blocking with Multiple Positive Cascades
错误信息和谣言可以通过在线社交网络快速广泛地传播,因此谣言控制已经成为一个关键问题。人们通常认为有一个单一的权威,其目标是通过产生积极的级联来最大限度地减少谣言的传播。在本文中,我们研究了一个更现实的情况下,有多个积极的级联产生不同的代理。对于多级联扩散,我们提出了P2P独立级联(PIC)模型的私人社会通信。本文的主要部分是分析谣言阻断效果(即由谣言激活的用户数)时,代理非合作产生的积极级联。我们表明,谣言封锁效果提供的纳什均衡不会任意恶化,即使产生的积极级联非合作。此外,我们还讨论了级联优先级和激活顺序对谣言拦截问题的影响。我们实验研究的纳什均衡所提出的游戏模拟真实的社会网络结构。
2017-12-01 cs.SI physics.soc-ph
A Large-Scale Study of the Twitter Follower Network to Characterize the Spread of Prescription Drug Abuse Tweets
在这篇文章中,我们进行了一个大规模的Twitter追随者网络的研究,涉及约0.42万用户谁证明DA,以表征DA推文在网络中的传播。我们的观察揭示了一个非常大的巨型组件的存在,涉及99%的这些用户与密集的本地连接,促进了这种消息的传播。我们进一步确定了网络上的活跃级联,并观察到DA推文的级联通过几个紧密相连的用户群体的参与而在很长一段距离内传播。此外,我们的观察还揭示了一个集体现象,涉及一个大的活动边缘节点(与少量的追随者和追随者)以及一个小的连接良好的非边缘节点,共同努力,朝着这样的蔓延,从而可能复杂的过程中逮捕这样的级联。此外,我们发现,用户对某些药物的参与,如Vicodin,Percocet和OxyContin,这些药物在Twitter上被提及最多。另一方面,对于Lortab等提及较少的药物,随着对此类推文的接触增加,参与概率变高,从而表明在Twitter上参与的药物滥用者仍然容易采用新药物,从而进一步加剧了问题。
2021-02-17 cs.SI
Full-scale Cascade Dynamics Prediction with a Local-First Approach
信息级联在各种社交网站中无处不在。是什么机制推动信息在网络中扩散?级联的结构和大小如何随时间演变?什么时候以及哪些用户会采用某个消息?探讨这些问题可以大大加深我们对信息级联的理解,并促进各种重要的应用,包括病毒式营销,谣言预防,甚至链接预测。以往的研究大多只关注最终叶栅尺寸的预测。同时,这些方法都是依赖于叶栅图的方法,这使得它们趋向于大叶栅的预测,并导致了只有在叶栅已经变得很大之后才能预测的批评。在本文中,我们研究了一个基本问题:全尺寸叶栅动力学预测。也就是说,如何预测何时以及哪些用户在级联过程的任何时间点被激活。在这里,我们提出了一个统一的框架,FScaleCP,来解决这个问题。给定历史级联,我们首先将局部传播行为建模为分类问题。通过数据驱动的学习,我们通过测量级联动态的驱动机制来识别共同的模式。在此基础上,我们提出了一种直观的异步传播方法,通过有效地聚集当地的传播行为,全尺寸的级联动力学预测。在社交网络数据集上的大量实验表明,该方法的性能明显优于其他最先进的基线。
2015-12-28 cs.SI physics.soc-ph
Gated Graph Neural Networks for Learning Hidden Independent Cascade Dynamics
针对隐藏独立级联模型下的逆问题,提出基于模拟的摊销估计器SAGE-HC,利用门控图神经网络从症状观测恢复节点级传播参数,在环状图上优于DMP基准。
2026-10-06 cs.LG cs.SI
Optimizing spread dynamics on graphs by message passing
级联过程是自然科学和社会科学中许多重要现象的根源。图上不可逆动力学的简单模型,其中节点根据其邻居的状态激活,已成功地应用于描述各种背景下的级联。在过去的几十年里,许多努力一直致力于了解从一些给定的合奏随机提取的初始条件所产生的级联的典型行为。然而,优化系统轨迹的问题,即确定适当的初始条件以最大化(或最小化)活动节点的最终数量,仍然被认为是实际上难以处理的,唯一的例外是满足称为子模块化的一种收益递减性质的模型。子模块模型可以通过贪婪策略近似求解,但根据定义,它们缺乏在许多实际系统中基本的合作特性。在这里,我们介绍了一个有效的算法的基础上统计物理的优化轨迹的级联过程图。我们表明,对于广泛的一类不可逆动力学,即使在没有子模块化,传播优化问题可以有效地解决大型网络。随机图上的分析和算法结果得到了现实网络(Epperly消费者评论网络)上的传播最大化问题的解决方案的补充。
2013-05-24 cond-mat.dis-nn cs.SI math.OC
Causal motifs and existence of endogenous cascades in directed networks with application to company defaults
基于对经济中违约级联的检测,本文提出了一个基于因果模体的内生性违约扩散检测框架。我们假设一个顶点的状态变化可以由一个内源性或外源性事件触发,底层网络是有向的,顶点改变状态的时间是可用的。除了公司违约的数据,我们还模拟了不同的随机过程驱动的级联在不同的合成网络。我们发现,一些最小的图案可以鲁棒地检测内源性传播事件。最后,我们将该方法应用于克罗地亚公司的违约数据,并观察内生级联可能发生的时间窗口。
2021-12-08 cond-mat.stat-mech cs.SI econ.EM
What Stops Social Epidemics?
在理解图上的传播过程的动态方面的理论进展表明存在一个流行阈值,低于该阈值,没有流行病形成,高于该阈值,流行病传播到图的很大一部分。我们观察到社交媒体网站Digg上的信息级联,其传播速度足以让一个初始传播者感染数百人,但最终只影响整个网络的0.1%。我们发现,两个影响,以前研究的孤立,结合合作,大大限制了Digg上的级联的最终大小。首先,由于Digg网络的高度集群结构,大多数知道一个故事的人都是通过多个朋友接触到它的。这种结构降低了流行病的门槛,同时适度减缓了级联的总体增长。此外,我们发现,Digg上的社会传染机制指出了信息传播和其他传染过程之间的根本区别:尽管在一个社会群体中有多种感染机会,但人们不太可能成为反复接触信息的传播者。这种机制的结果对于更多的聚类图变得更加明显。最终,这种影响严重限制了Digg上社交流行病的规模。
2011-04-01 cs.SI physics.soc-ph
A data-driven analysis to question epidemic models for citation cascades on the blogosphere
博客网络中的引用级联通常被认为是信息在这个社交媒体上传播的痕迹。在这项工作中,我们质疑这一点,使用结构和语义分析的五个月活动的最具代表性的博客的法语community.Statistical措施显示,我们的数据集与那些可以在文献中找到的许多功能,这表明存在一个相同的基本过程。然而,对文章内容的进一步分析表明,在这种背景下,流行的对级联的类似于数学的描述是误导性的。一个基本的模型,只考虑了博客的行为和他们有限的社会网络,解释了数据的几个重要统计特征。这些论点支持这样一种观点,即引用的主要目的可能不是在博客圈传播信息。
2013-06-03 cs.SI physics.soc-ph
Towards Detecting Cascades of Biased Medical Claims on Twitter
University of Arizona(亚利桑那大学);Bryant University(布莱恩特大学);Univerisity of Texas at Austin(德克萨斯大学奥斯汀分校);Worcester Polytechnic Institute(伍斯特理工学院)
针对社交媒体上医疗声明可能存在的偏见,提出结合RoBERTa和DistilBERT的机器学习框架,识别并分析推特上有偏见声明的级联传播,发现其传播更快更广。
2023-12-22 cs.AI cs.SI
Trend-driven information cascades on random networks
全球级联的阈值模型已被广泛用于模拟现实世界的集体行为,如时尚的传染性传播和新技术的采用。这些级联模型的一个共同特性是,一个极小的种子部分可以通过局部感染传播到无限大网络的有限部分。然而,在社会和经济网络中,个人的行为往往不仅受到其直接邻居的影响,而且还受到大多数人作为一种趋势的影响。趋势影响个人的行为,而个人的行为创造了趋势。为了分析这种局部和全局尺度现象之间的复杂相互作用,我通过引入一种新类型的节点,称为\textit{global nodes}(或\textit{trend followers}),其激活概率取决于全局尺度趋势,特别是激活节点在种群中的百分比,来推广标准阈值模型。该模型表明,一旦出现趋势,全球节点就起到了加速级联的作用,同时降低了趋势出现的概率。因此,全球节点要么促进级联,要么抑制级联,这表明,适度份额的趋势追随者可以最大限度地提高级联的平均规模。
2015-12-02 cs.SI physics.soc-ph
Complete Submodularity Characterization in the Comparative Independent Cascade Model
我们研究的传播比较的想法或项目在社交网络。分别针对竞争思想和互补思想,给出了两思想级联的比较独立级联(Com-IC)模型中子模块性的充分刻画.我们进一步介绍了One-Shot模型,其中代理人对想法表现出较少的耐心,并表明在One-Shot模型中,只有最强的想法与子模块化传播。
2018-11-14 cs.DS cs.SI
Learning hidden cascades via classification
Faculty of Information Technology and Communication Sciences, Tampere University(信息科技与通讯科学学院,塔尔皮耶大学)
本文提出了一种基于分类的机器学习框架,用于学习隐藏的传播级联,通过利用可观察的中间指标来推断底层传播动态,并在合成和现实网络中验证了其有效性。
2026-02-19 cs.LG cs.SI
Prediction-Centric Learning of Independent Cascade Dynamics from Partial Observations
Los Alamos National Laboratory(洛斯阿拉莫斯国家实验室)
传播过程在传播网络、信息传播、市场营销和意见设定等建模中发挥着越来越重要的作用。我们解决的扩散模型的学习问题,使得从该模型生成的预测是准确的,并可以随后用于扩散动力学的优化和控制。我们专注于一个具有挑战性的设置,其中动态的完整观察是不可用的,标准的方法,如最大似然很快成为棘手的大型网络实例。我们引入了一种基于可扩展动态消息传递方法的计算高效算法,该算法能够在仅给定网络中节点激活时间的有限信息的情况下学习有效传播模型的参数。流行的独立级联模型被用来说明我们的方法。我们表明,从学习模型中进行的易处理的推断与原始模型相比,可以更好地预测边际概率。我们开发了一个系统的学习混合模型的过程,进一步提高了预测质量。
2021-07-24 cs.LG cs.SI physics.soc-ph
Go viral or go broadcast? Characterizing the virality and growth of cascades
量化级联的病毒性是一个跨学科的重要问题,如疾病的传播,信息的传播和创新的传播。一个合适的病毒式传播度量应该能够区分浅层的、广播式的传播过程和深层的、多代的分支过程。虽然已有一些有价值的工作致力于这一领域,其中大多数没有考虑的扩散源的位置,这使得他们陷入图同构的陷阱,并会导致不精确的估计级联病毒性在某些情况下不可避免的。在本文中,我们提出了一个根感知的方法来量化的级联的病毒性适当考虑扩散树中的根节点。与合成和经验级联的应用程序,我们展示了拟议的病毒性措施的性质和潜在的效用。基于优先附着机制,我们进一步引入了一个模型来模拟级联的生长。所提出的模型,使广播和病毒传播之间的插值级联的增长过程中。通过数值模拟,我们证明了所提出的模型的有效性,在表征不断增长的级联病毒。我们的工作有助于理解级联病毒和增长,并可能在一系列政策领域,包括病毒营销,传染病和信息传播提供实际意义。
2022-06-28 cs.SI physics.soc-ph
Exact Computation of Influence Spread by Binary Decision Diagrams
评价社交网络中的影响力传播是评价病毒式营销口碑效应的基本步骤。关于这个主题有大量的研究;然而,在标准的随机级联模型下,影响扩散的精确计算是已知的#P-hard。因此,现有的研究使用基于蒙特卡罗模拟的近似,以避免精确的计算。我们提出了第一个算法来计算独立级联模型下的影响传播。该算法首先为影响力扩散的所有可能实现构造二元决策图(BDD),然后在所构造的BDD上利用动态规划计算影响力扩散。为了有效地构建BDD,我们设计了一个新的基于前沿的搜索类型的过程。所构造的BDD也可用于解决其他影响扩散相关问题,如无拒绝随机抽样、条件影响扩散评估、动态概率更新和概率优化问题的梯度计算。我们进行了计算实验,以评估所提出的算法。该算法在合理的时间内成功地计算了现实世界中具有100条边的网络上的影响传播,这是朴素算法完全不可能实现的。我们还进行了一个实验,通过比较所提出的算法获得的确切的影响扩散来评估基于蒙特卡罗模拟的近似的准确性。
2017-01-06 cs.DS cs.SI
Controversial information spreads faster and further in Reddit
在线用户在社交网络上讨论和交谈各种话题。Facebook、Twitter、Reddit等许多网络都可以让用户自由分享信息。这些网络上共享的丰富信息使它们成为研究人类信息传播行为各个方面的一个有吸引力的领域。在许多有趣的行为中,社会级联中的争议性是我们非常感兴趣的。众所周知,在网上讨论中必然会发生争议。在线社交网络平台Reddit有一个功能,如果用户对该评论有不同的看法,它会将评论标记为有争议的。这项研究与以前试图理解社交网络上的争议性的不同之处在于,我们不调查已知有争议的话题。相反,我们研究了典型的级联与评论,读者认为是有争议的问题讨论。这项工作的问题是,有争议的信息级联是否比Reddit中没有争议的信息级联具有独特的特征。我们使用从Reddit收集的数据,包括大约1700万个帖子及其与网络安全问题相关的相应评论,来回答这些新出现的问题。从所进行的比较分析来看,有争议的内容传播得更快,距离其来源更远。了解这一现象将有助于用户或组织如何利用它来帮助控制和传播特定的受益信息。
2020-06-24 cs.SI
How Complex Contagions Spread Quickly in the Preferential Attachment Model and Other Time-Evolving Networks
本文研究了复杂传染病在社会网络中的传播速度。一个$k$复合体传染从一组最初被感染的种子开始,这样任何至少有$k$被感染邻居的节点都会被感染。简单的传染,即,$k=1$,迅速蔓延到整个网络的小世界图。然而,复杂传染病的快速传播似乎不太可能,也更微妙;成功的案例关键取决于网络结构\cite{G08,Ghasemiesfeh:2013:CCW}。我们的主要结果表明,复杂的传染病可以快速传播的一般家庭的时间演化网络,其中包括优先连接模型~ \cite{barabasi99emergence}。我们证明,如果初始种子被选为最古老的节点在这个家庭的网络中,$k$ -复杂的传染覆盖整个网络的$n$节点在$O(\log n)$步骤。我们表明,初始种子的选择是至关重要的。如果在PA模型中均匀随机地选择初始种子,即使它们的数量是多项式,复杂的传染也会过早停止。优先连接模型中最老的节点可能具有高的度。然而,我们注意到,它实际上不是幂律度分布本身,有利于快速传播的复杂传染,而是这种模型的进化图结构。所述族中的一些成员甚至不具有幂律分布。我们还证明了复杂的传染是快速的复制模型~ \cite{KumarRaRa00},一个变种的优先连接家庭。最后,我们证明了当一个复杂的传染病开始从一个一般的图上的初始种子的任意一组,确定是否感染的顶点的数量是超过一个给定的阈值是$\mathbf{P}$ -完全的。因此,我们不…
2014-08-09 cs.SI physics.soc-ph
One AI Signal, Many Human Judgments: A Bayesian Cascade Analysis of AI-based Credibility Indicators in Online Information Spread
Purdue University(普渡大学);St John’s University(圣约翰大学);Stevens Institute of Technology(史蒂文斯理工学院);Singapore-MIT Alliance for Research and Technology(新加坡-麻省理工研究与技术联盟);University of Manchester(曼彻斯特大学)
该研究将贝叶斯级联模型扩展,以AI为共享信号分析在线信息传播中的人-AI交互,发现过度依赖弱AI有害,多样化AI信号可提升群体信息性。
2026-09-01 cs.AI cs.HC cs.SI
Evently: Modeling and Analyzing Reshare Cascades with Hawkes Processes
在线话语动态建模是理解离线和在线信息传播以及新兴在线行为的核心活动。目前,在线社会媒体分析的从业人员-通常是社会、政治和传播科学家-与能够检查用户在线讨论的工具的可获得性之间存在脱节。在这里,我们evently提出,一个工具,用于建模在线转发级联,特别是转发级联,使用自激过程。它提供了一套全面的功能,用于处理来自Twitter公共API的原始数据,对已处理的转发级联的时间动态进行建模,并通过广泛的扩散措施来表征在线用户。该工具专为具有广泛计算机专业知识的研究人员设计,包括教程和详细文档。我们通过对与COVID-19相关的主题数据集的在线用户行为进行端到端分析来说明evently的使用。我们表明,通过仅根据用户的内容如何在网上传播来描述用户,我们可以将有影响力的用户和在线机器人分开。
2021-01-08 cs.CY cs.SI
Toward Order-of-Magnitude Cascade Prediction
当一条信息(微博、照片、视频、链接等)当一个社交网络开始传播时,一个重要的问题出现了:它是否会传播到“病毒式”的比例--“病毒式”的定义是数量级的增长。然而,以前的几项研究已经确定,级联的大小和频率是通过幂律相关的-这导致了严重的不平衡,在这个分类问题。在本文中,我们设计了一套基于“结构多样性”的测量方法--参与特定级联的个人所处的各种社会环境(社区)。我们证明这些措施能够区分病毒和非病毒级联,尽管这个问题的数据严重不平衡。此外,我们利用这些测量值作为分类方法中的特征,成功地预测了从50到500次转发的微博,其精确度为0.69,病毒类的召回率为0.52-尽管此类样本不到2%。这明显优于我们的基线方法以及当前的最先进的。我们的工作也展示了我们如何在准确率和召回率之间进行权衡。
2015-08-13 cs.SI physics.soc-ph
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
Toward Early and Order-of-Magnitude Cascade Prediction in Social Networks
当一条信息(微博、照片、视频、链接等)当社交网络开始传播时,一个重要的问题出现了:它是否会传播到病毒式的比例-其中病毒式可以定义为数量级的增长。然而,以前的几项研究已经确定,级联的大小和频率是通过幂律相关的-这导致了严重的不平衡,在这个分类问题。在本文中,我们设计了一套基于结构多样性的测量方法-各种社会背景(社区)中,参与给定级联的个人参与。我们证明这些措施能够区分病毒和非病毒级联,尽管这个问题的数据严重不平衡。此外,我们利用这些测量值作为分类方法中的特征,成功地预测了从50到500次转发的微博,其精确度为0.69,病毒类的召回率为0.52-尽管此类样本不到2%。这显著优于我们的基线方法以及当前最先进的方法。我们还表明,这种方法在识别观察60分钟的级联是否会增长到500次转发方面也表现良好,并演示了我们如何在精度和召回率之间进行权衡。
2016-08-08 cs.SI physics.soc-ph
Detecting Hidden Layers from Spreading Dynamics on Complex Networks
在处理网络上的传播过程时,测试数据的可靠性并识别潜在的未观察到的传播路径可能是至关重要的。在本文中,我们解决这些问题,并提出隐藏层识别和重建的方法。我们还探讨了任务的难度和多层网络结构之间的相互作用,描述了整个系统的传播过程发生。我们的方法源于一个精确的表达的可能性级联的易感感染模型上的任意图形。然后,我们表明,通过恳求统计特性的单峰分布和简单的数学描述的联合可能性的一系列级联,可以获得一个估计的存在的隐藏层和它的内容,成功率远远超过那些零模型。我们对合成网络和现实网络进行分析,为所提出的方法的可行性提供证据。
2021-07-25 cond-mat.stat-mech cs.SI physics.data-an
Single-Seed Cascades on Clustered Networks
我们考虑一个动态网络级联过程应用到一个随机网络与一个特定数量的集群,属于一类随机网络纽曼开发的Watts。我们适应现有的树为基础的方法,制定一个适当的两种类型的分支过程来描述一个单一的活动节点开始的级联的传播,并获得一个不动点方程来隐含地表达这样的级联的灭绝概率。在这样做,我们还恢复了一个特殊情况下的公式的哈克特等人。给出的条件,一定灭绝的级联。
2015-09-30 cs.SI math.PR physics.soc-ph
The Impact of Heterogeneous Thresholds on Social Contagion with Multiple Initiators
阈值模型是复杂社会系统中传染病传播的一个简单但经典的模型。为了捕捉社会影响的复杂性,我们调查的阈值限制级联的行为在多个启动器的存在下,作为阈值的分布是不同的两个极端的情况下,相同的阈值和均匀分布的数值和分析的过渡。我们通过采用节点阈值的截断正态分布来实现这一点,并且当我们改变标准差时观察到级联大小的非单调变化。此外,对于一个足够大的传播的阈值分布,社会影响过程的临界点行为消失,取而代之的是由发起人集的大小所控制的平滑交叉。我们证明,对于一个给定的大小的发起人集,有一个特定的方差的阈值分布的意见传播最佳。此外,在合成图的情况下,我们表明,传播渐近成为独立的系统的大小,和全球级联可以出现只是由一个单一的节点添加到启动器集。
2015-11-20 cs.SI physics.soc-ph
A Novel Approach to Participant-Level Influence Calculation in Viral Cascades
病毒级联模型的努力为它们如何形成和传播提供了重要的视角。一系列的方法,如多变量霍克斯过程或网络推理算法,试图通过推理将级联分解为组成部分-通过构建一个潜在的影响网络,或通过在级联参与者之间生成直接的成对影响措施。虽然这些方法提供了事件序列的生成机制的详细模型,但它们的复杂性通常会带来陡峭的计算成本,这使得它们无法应用于大规模数据集。对于多变量霍克斯过程来说,情况尤其如此。在这项工作中,我们提出了一种新的,可扩展的方法,在一组级联产生个人层面的影响措施。在真实世界的数据集,我们证明了这种方法的计算与现有方法推断的影响,以及这种方法的计算可扩展性的对齐。
2023-02-24 cs.SI
Correlated Cascades: Compete or Cooperate
在现实世界的社交网络中,存在多个级联,它们很少是独立的。他们通常相互竞争或合作。受社会学中的强化理论的启发,我们利用这样一个事实,即用户对任何行为的采用都是由其邻居的行为聚合来建模的。我们使用一个多维标记霍克斯过程来模拟用户的产品采用,从而在社交网络的级联传播。由此产生的推理问题被证明是凸的,并通过使用障碍方法并行求解。所提出的模型的优点是双重的,它的模型相关的级联,也学习潜在的扩散网络。在Twitter、URL缩短和音乐流媒体服务中收集的合成数据集和两个真实数据集上的实验结果表明,所提出的模型优于其他模型。
2016-11-22 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
Outward Influence and Cascade Size Estimation in Billion-scale Networks
估计级联规模和节点的影响力是社会、技术和生物网络中的一项基本任务。然而,由于网络的庞大规模和结构异质性,这项任务极具挑战性。我们研究了一种新的影响力度量,称为向外影响(OI),定义为节点$S$的子集将激活的(预期)节点数,不包括S中的节点。因此,OI等于S减去|S|的影响力传播,这是事实上的标准度量。OI不仅对影响较小的节点提供更多信息,而且在设计新的有效抽样和统计估计方法方面也至关重要。基于OI,我们提出了SIEA/SOIEA,新的方法来估计影响力传播/向外影响的规模和严格的理论保证。所提出的方法是建立在两个新的组件1)IICP一个重要的外部影响的抽样方法,和2)RSA,一个强大的均值估计方法,通过分析方差和随机变量的范围,最大限度地减少样本的数量。与影响估计的最新技术相比,SIEA在理论上快$Ω(\log^4 n)$倍,在实践中快了几个数量级。第一次,在数十亿条边的网络中,节点的影响可以在几分钟内以高精度估计。我们在真实世界网络上的综合实验也提供了证据,反对使用固定数量(例如10K或20K)的样本来计算影响力传播的“地面实况”的流行做法。
2017-04-16 cs.DS cs.SI
PersonalityGate: A General Plug-and-Play GNN Gate to Enhance Cascade Prediction with Personality Recognition Task
级联预测是从宏观或微观两个方面来估计级联的大小或状态。这对于理解社交网络中的谣言传播和新技术传播等信息扩散过程至关重要。最近,代替提取手工制作的特征或将级联序列嵌入到用于级联预测的特征向量中,引入了图神经网络(GNNs)以利用控制级联效应的网络结构。然而,这些模型没有考虑到社会因素,如人格特质,驱动人类参与信息扩散过程。在这项工作中,我们提出了一种新的多任务框架,用于增强级联预测与个性识别任务。特别地,我们设计了一个通用的即插即用的GNN门,命名为PersonalityGate,耦合到现有的基于GNN的级联预测模型,以提高其有效性,并提取个人的个性特质。在两个真实世界数据集上的实验结果证明了我们提出的框架在增强基于GNN的级联预测模型和预测个人人格特质方面的有效性。
2021-04-29 cs.SI
Uncovering Social Network Activity Using Joint User and Topic Interaction
Université Paris Saclay(巴黎萨克雷大学);Université Paris Cité(巴黎城市大学);ENS Paris Saclay(巴黎萨克雷高等师范学校);CNRS(国家科学研究中心);SSA;INSERM(法国国家健康与医学研究中心);Centre Borelli(博雷利中心);Centre d’Analyse et de Mathématique Sociales(社会分析与数学研究中心);EHESS(高等社会科学研究院);Laboratoire de Physique de l’École Normale Supérieure(高等师范学校物理实验室);College of Computing, UM6P(计算学院,UM6P)
本文提出MIC模型,通过联合建模用户和主题交互,提升信息瀑布传播的建模性能,并提供双层可视化分析。
2026-03-10 cs.LG cs.SI stat.ML
Role of social environment and social clustering in spread of opinions in co-evolving networks
采取务实的方法,在集体意见形成的现象所涉及的过程中,我们调查了两个具体的修改意见形成的共同进化的网络选民模型,研究由Holme和Newman [1]。首先,我们用个体之间接受或拒绝意见的概率分布来代替重新布线概率参数,以解释社会群体中个体之间关系的不对称影响。其次,我们修改了重新布线步骤的路径长度为基础的偏好重新布线,加强本地集群。我们已经研究了这些修改对该模型的模拟结果的影响。我们发现,改变接受或拒绝意见的概率分布的形状可以导致两个性质不同的最终状态的出现,一个具有几个孤立的连接组件,每个组件都在内部共识中,导致存在不同的意见集,另一个具有一个单一的主导连接组件,其中每个节点都具有相同的意见。此外,更重要的是,我们发现网络中的初始聚类也可以引起类似的过渡。我们的研究还提出,这些转变是由一个弱的和复杂的依赖系统的大小。我们发现,在模型的最终状态的网络具有丰富的结构属性,包括小世界性质的一些参数制度。[1]Holme和M. Newman,Phys.Rev.E74,056108(2006).
2013-08-12 cs.SI physics.soc-ph
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
Quickest Inference of Network Cascades with Noisy Information
我们研究的问题,估计源的网络级联给定的时间序列的噪声信息的传播。最初,有一个顶点受到级联(源)的影响,级联以离散的时间步长在网络中传播。级联演化是隐藏的,但是可以观察到来自每个顶点的噪声信号的时间序列。假设顶点的时间序列是独立同分布的序列。在级联影响顶点之前,来自改变前分布$Q_0$的样本,并且时间序列是i.i.d.级联影响顶点后,从更改后分布$Q_1$中采样。给定的时间序列的噪声信号,这可以被看作是一个嘈杂的测量的级联演变,我们的目标是设计一个程序,以可靠地估计级联源尽可能快。我们调查贝叶斯和极大极小公式的源估计问题,并获得近似最优估计简单的级联动态和网络拓扑结构。在贝叶斯设置中,观察样本直到贝叶斯最优估计器的误差下降到阈值以下的估计器实现最优性能。在极大极小条件下,通过设计一种新的多假设序贯概率比检验(MSPRT)来获得最优性能。我们发现,这些最优估计需要$\log \log n / \log (k - 1)$观测的噪声时间序列时,网络拓扑结构是$k$ -正则树,和$(\log n)^{\frac{1}{\ell + 1}}$观测所需的$\ell$维格。最后,我们将讨论如何将我们的方法扩展到任意图上的级联。
2022-11-12 cs.IT cs.SI math.IT
SI based disease model over signed network
符号网络是将网络中的每条边与一个正或负的符号相关联,以表示个体之间的友好或不友好关系的网络。当疾病在签名网络上传播时,一些不友好的边可能会拒绝传播。此外,符号网络是动态的,根据符号网络研究中最重要的理论--结构平衡理论,符号网络中的边会随着时间的推移而符号翻转。疾病的传播与符号网络的演化如何相互作用成为一个具有挑战性的问题。本文提出了一种描述疾病传播和网络共同演化的能量函数,并引入了结构和传播平衡的概念。本文推广了Cartwright的结构平衡理论,提出了一个结构与扩散定理.最后,我们在完全符号网络上进行了蒙特卡罗模拟,验证了我们的定理。在实验中,我们发现带符号网络在疾病传播过程中具有自身免疫性,这可以用来解释通过隔离来隔离强毒病毒的现象。
2018-03-21 cs.SI physics.soc-ph
A Spreader Ranking Algorithm for Extremely Low-budget Influence Maximization in Social Networks using Community Bridge Nodes
Delhi Technological University(德里理工大学);University of Technology Sydney(悉尼科技大学)
近年来,社交网络平台在大众中获得了显著的普及,如与人联系,传播思想和观点。这为这些平台上的用户特定广告和推荐打开了大门,并带来了对社交网络上影响力最大化(IM)的极大关注,因为它在目标广告,病毒式营销和个性化推荐中具有广泛的适用性。IM的目的是识别网络中的某些节点,这些节点可以帮助通过扩散级联最大化某些信息的传播。虽然已经提出了几个工程IM,大多数是低效的,充分利用社区结构。在这项工作中,我们提出了一个社区结构为基础的方法,它采用了K-Shell算法,以产生一个分数的种子节点和社区之间的连接低预算的情况下。此外,我们的方法在社区内使用熵,以确保社区内信息的正确传播。我们选择了独立级联(IC)模型来模拟信息传播,并在四个评价指标上对其进行评价。我们在八个公开可用的网络上验证了我们提出的方法,并发现它在这些指标上的表现明显优于基线方法,同时仍然相对有效。
2022-11-17 cs.AI 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
An Efficient Randomized Algorithm for Rumor Blocking in Online Social Networks
社交网络使思想和创新得以迅速传播,同时负面信息也得以广泛传播。当具有不同意见的级联到达同一用户时,首先到达的级联最有可能被用户采用。因此,一旦发现错误信息或谣言,一种自然的遏制方法就是引入一个积极的级联来对抗谣言。在给定预算$k$的情况下,谣言阻断问题要求$k$种子用户触发正级联的传播,使得不受谣言影响的用户的数量可以最大化。现有的工作表明,谣言阻断问题可以近似的$(1-1/e-δ)$的一个因素,通过一个经典的贪心算法结合蒙特卡洛模拟与运行时间的$O(\frac{k^3mn\ln n}{δ^2})$,其中$n$和$m$是用户和边缘的数量,分别。不幸的是,基于蒙特卡罗模拟的方法是非常耗时的,现有的算法要么交易性能保证的实际效率,反之亦然。在本文中,我们提出了一个随机算法,它运行在$O(\frac{km\ln n}{δ^2})$预期的时间,并提供了一个$(1-1/e-δ)$近似的概率很高。在真实世界和人工社交网络上的实验结果表明,该随机谣言阻断算法比现有方法效率更高,能够找到有效限制谣言传播的种子节点.
2017-11-08 cs.SI
When Less Is More: Systematic Analysis of Cascade-Based Community Detection
信息扩散、传染病的传播和谣言的传播是发生在现实生活网络中的基本过程。在许多实际情况下,人们可以观察到节点何时被感染,但感染或信息传播的底层网络是隐藏的。推断底层网络的属性是很重要的,因为这些属性可以用于约束感染、预测、病毒式营销等。此外,对于许多应用程序来说,只恢复该网络的粗略高级属性就足够了,而不是恢复其所有边。本文对以下问题进行了系统和广泛的分析:仅给定感染次数,找到高度互连节点的社区。这个任务显着不同的研究社区发现的问题,因为我们没有观察到一个图进行聚类。我们在几个大型数据集上对现有方法和新方法进行了彻底的比较,并涵盖了针对这一问题的方法学挑战。其中一个主要结论是,最稳定的性能和最显着的改善,目前的最先进的是通过我们提出的简单的启发式方法不可知的特定的图结构和流行病模型。我们还表明,一些著名的社区发现算法可以通过包括边缘权重的级联数据的基础上得到增强。
2022-03-30 cs.SI physics.soc-ph
Temporal Scale Estimation for Oversampled Network Cascades: Theory, Algorithms, and Experiment
从在线社交网络的研究到病毒式营销,再到流行病学,图表上的传播过程出现在许多应用领域。已经提出了各种离散时间概率模型的传播过程。这些用于下游统计估计和预测问题,通常涉及与过程引起的感染一起传输的消息或其他信息。因此,重要的是要设计级联观测模型,考虑到在任何给定时间导致工艺状态不确定性的现象。我们强调这样一个现象-时间失真-所造成的不一致的速率之间的观察级联过程中,并在该过程本身的操作速度,并认为,未能纠正它的结果在下游统计任务的性能下降。为了解决这些问题,我们制定的自然失真措施方面的时钟估计问题。我们给出了一个时钟估计算法,我们称之为FastClock,运行在线性时间的大小,其输入和可证明的统计准确的广泛的模型参数时,级联是从独立的级联过程中产生的已知参数,当底层图形是Erdens-Rényi。我们进一步给出经验的结果,我们的算法的性能相比,最先进的估计,通过动态规划实现的似然代理最大化为基础的估计。我们发现,在一个广泛的参数制度,我们的算法大大优于动态规划算法的运行时间和精度。
2021-09-22 cs.SI math.PR stat.ML
Cascade Size Distributions: Why They Matter and How to Compute Them Efficiently
Harvard T.H. Chan School of Public Health(哈佛陈曾熙公共卫生学院);Harvard Medical School(哈佛医学院)
级联模型是理解、预测和控制流行病传播和信息传播的核心。相关的优化,包括影响力最大化、模型参数推断或疫苗接种策略的开发,在很大程度上依赖于从模型中采样。这要么是低效的,要么是不准确的。作为替代方案,我们提出了一个有效的消息传递算法,计算加权有向网络和推广的独立级联模型的级联大小的概率分布。我们的方法是精确的树,但可以应用于任何网络拓扑结构。它很好地近似了局部树状网络,可以扩展到大型网络,并且可以在更密集的网络上获得令人惊讶的良好性能,因为我们也可以在真实世界的数据上进行扩展。
2020-12-16 cs.AI cs.SI physics.soc-ph
Rumor Spreading in Random Evolving Graphs
随机八卦是大规模网络中最流行的信息传播方式之一。该方法因其简单性、鲁棒性和效率而受到赞赏。在“推送”协议中,每个被通知的节点在每个时间步长(a.k.a. round),其相邻节点之一均匀随机地转发信息到该节点。已知该协议以高概率(w.h.p.)在$O(\log n)$时间步长中完成信息扩展。在$n$节点“静态”网络的几个族中。推送协议也已经被经验地证明在实践中表现良好,并且具体地,对于动态拓扑变化是鲁棒的。在本文中,我们的目的是分析推协议在“动态”网络。我们认为“边马尔可夫”不断发展的图形模型,捕捉自然的时间$t$的网络结构之间的时间依赖关系,并在时间$t+1$。确切地说,非边缘以概率$p$出现,而现有边缘以概率$q$死亡。为了与真实世界的轨迹相吻合,我们主要集中在$p=Ω(1/n)$和$q$为常数的情况下进行研究。我们证明,在这个现实的情况下,推协议确实表现良好,完成信息传播的$O(\log n)$时间步长w.h.p.请注意,这种性能保持,即使当网络,w.h.p.,在每个时间步长断开(例如,当为$p << (\log n) / n$时)。我们的结果提供了第一个正式的参数,证明了鲁棒性的推送协议对网络的变化。我们还提出了参数$p$和$q$的其它范围(例如,$p+q=1$与任意$p$和$q$,以及$p=1/n$与任意$q$)。虽然它们并不完全符合对真实世界轨迹执行的测量,但它们可能对…
2013-02-15 cs.DC cs.DM cs.SI
Propagation Dynamics of Rumor vs. Non-rumor across Multiple Social Media Platforms Driven by User Characteristics
该研究结合Twitter与微博的近百万真实用户数据,分析谣言与非谣言的多平台传播差异,揭示了“旁观者”用户的传谣特点、名人的审慎态度及可信度侵蚀效应等规律。
2024-01-31 cs.SI
Interdependent Security with Strategic Agents and Cascades of Infection
我们调查级联的网络组成的战略代理相互依赖的安全。我们假设战略代理人可以在以下三种选择中做出选择:i)投资于保护自己,ii)购买保险以转移(一些)风险,iii)不采取任何行动。使用人口博弈模型,我们研究了各种系统参数,如节点度,感染传播速度,感染的节点传播感染到邻居的概率,影响节点的选择在纳什均衡和由此产生的无政府代价/稳定。此外,我们研究了一个单一的感染节点可以传播感染到整个网络的一个重要部分,称为级联概率的概率,行为相对于系统参数。特别是,我们证明,至少对于某些参数制度,级联概率增加的平均度的节点。
2015-02-26 cs.GT cs.SI physics.soc-ph
Social Contagion: An Empirical Study of Information Spread on Digg and Twitter Follower Graphs
社交网络已成为信息传播、搜索、营销、专业知识和影响力发现的关键因素,并可能成为动员人民的重要工具。社交媒体使社交网络无处不在,也使研究人员能够获得大量数据进行实证分析。这些数据集为研究个人和群体行为的动态、网络的结构和信息流动的全球模式提供了丰富的证据来源。然而,在以前的大多数研究中,底层网络的结构并不直接可见,而是必须从个人之间的信息流中推断出来。因此,我们还不了解网络上的信息传播的动态或网络的结构如何影响它。我们通过分析两个流行的社会新闻网站的数据来解决这个问题。具体来说,我们提取活跃的Digg和Twitter用户的追随者图,并跟踪对新闻故事的兴趣如何通过图级联。我们比较和对比这两个网站上的信息级联的属性,并阐明他们告诉我们的动态网络上的信息流。
2013-08-12 cs.CY cs.SI physics.data-an
Don't Be Greedy: Leveraging Community Structure to Find High Quality Seed Sets for Influence Maximization
我们考虑通过选择固定数量的初始种子来最大化社会网络中的影响力传播的问题-这是网络级联研究中的一个中心问题。关于这个问题的大多数现有工作,正式称为影响力最大化问题,是为子模块叶栅设计的。尽管经验证据表明,许多级联是非次模块化的,但很少有工作集中在非次模块化的影响力最大化。我们提出了一个新的启发式解决的影响力最大化问题,并通过模拟现实世界和合成网络,我们的算法输出更有影响力的种子集比国家的最先进的贪心算法在许多自然情况下,平均提高了7%的子模块级联,和55%的非子模块级联。我们的启发式使用动态规划方法的社会网络的层次分解,利用之间的关系的传播级联和社区结构的社交网络。我们验证了网络结构的重要性,通过显示层次分解的质量影响我们的算法输出的种子集的质量。我们还提出了“最坏情况”的理论结果证明,在某些设置中,我们的算法输出的种子集是一个因素的$Θ(\sqrt{n})$更有影响力的贪心算法,其中$n$是网络中的节点数。最后,我们将我们的算法推广到一个消息传递版本,可以用来找到种子集,至少有尽可能多的影响力的动态规划算法。
2016-09-21 cs.SI physics.soc-ph