Follow Spam Detection based on Cascaded Social Information
在过去的十年中,我们见证了在线社交网络服务(SNS)的爆炸式增长,如Facebook,Twitter,RenRen和LinkedIn。虽然SNS提供了各种各样的好处,例如,促进人际关系,社区形成和新闻传播,但它们也吸引了不请自来的妓女。垃圾邮件发送者滥用SNS作为快速和广泛传播垃圾邮件的工具。垃圾邮件、未经请求的或不适当的信息严重损害了服务的可信度和可靠性。因此,检测垃圾邮件发送者已成为一个紧迫和关键的问题,在SNS。本文讨论了Twitter中的Follow垃圾邮件。垃圾邮件发送者不会向公众传播烦人的信息,而是跟踪(订阅)合法用户,并跟踪合法用户。基于垃圾邮件发送者的在线关系与合法用户的在线关系不同的假设,我们提出了检测垃圾邮件发送者的分类方案。特别是,我们专注于级联的社会关系,并设计了两个计划,TSP过滤和SS过滤,其中每一个都利用三重显着性配置文件(TSP)和社会地位(SS)在一个两跳的子网络集中在对方。我们还提出了一个empersion技术,级联过滤,结合TSP和SS属性。我们在真实Twitter数据集上的实验表明,所提出的三种方法是非常实用的。所提出的方案是可扩展的,因为它们不是分析整个网络,而是检查以用户为中心的两跳社交网络。我们的性能研究表明,所提出的方法产生显着更好的性能比以前的计划在真阳性和假阳性。
2016-05-02 cs.IR cs.SI
SocialTrans: A Deep Sequential Model with Social Information for Web-Scale Recommendation Systems
Tencent Inc.(腾讯公司);Hong Kong University of Science and Technology(香港科技大学)
在社交网络平台上,用户的行为基于他/她的个人兴趣,或者受到他/她的朋友的影响。在文献中,通常对用户的个人偏好或他们的社会影响偏好进行建模。在本文中,我们提出了一种新的深度学习模型SocialTrans,用于整合这两种类型的偏好。SocialTrans由三个模块组成。第一个模块是基于一个多层的Transformer模型的用户的个人喜好。第二个模块是一个多层图注意力神经网络(GAT),它被用来建模的社会影响力之间的社交网络的朋友。最后一个模块融合用户的个人偏好和社会影响的偏好,以产生推荐。我们的模型可以有效地适应大规模的数据,我们部署了SocialTrans在中国的一个主要的文章推荐系统。在三个数据集上的实验验证了该模型的有效性,并表明它优于最先进的社会推荐方法。
2020-05-09 cs.IR cs.LG cs.SI
Social Knowledge for Cross-Domain User Preference Modeling
本文提出利用大规模社交建模方法,通过用户偏好和流行实体的联合嵌入空间,实现跨领域用户偏好预测与个性化,提升零样本场景下的表现。
2026-03-10 cs.AI cs.SI
Improving Information Cascade Modeling by Social Topology and Dual Role User Dependency
Fudan University(复旦大学)
社交网络上的信息扩散(也称为信息级联)由于其在许多领域的应用价值,在过去的十年中得到了大量的研究。近年来,包括递归神经网络模型在内的序列模型被广泛应用于信息级联的预测。然而,顺序模型捕获的级联序列中的用户依赖性通常是单向的,并且与扩散树不一致。例如,后继者的真实触发可以是非直接前导者而不是序列中的直接前导者。为了更充分地捕捉用户依赖关系,实现精确的级联建模,提出了一种非顺序信息级联模型TAN-DRUD(Topology-aware Attention Networks with Dual Role User Dependency)。受经典通信理论的启发,TAN-DRUD通过捕捉信息发送者和接收者的双重角色用户依赖关系,在信息级联建模方面取得了令人满意的性能。此外,TANDRUD将社交拓扑纳入两级注意力网络中,以增强信息扩散预测。我们在三个级联数据集上的大量实验表明,我们的模型不仅优于最先进的级联模型,而且能够利用拓扑信息和推断扩散树。
2022-04-07 cs.LG cs.SI
A Neural Attention Model for Adaptive Learning of Social Friends' Preferences
Maastricht University(马斯特里赫特大学)
基于社会的推荐系统利用好友的选择来对抗用户偏好的数据稀疏性,提高协同过滤策略的推荐准确率。主要的挑战是捕捉和权衡朋友的偏好,因为在实践中,他们确实必然匹配。本文提出了一种用于社会协同过滤的神经注意力机制,即NAS。我们设计了一个神经架构,通过考虑朋友对用户行为的社会潜在影响来仔细计算朋友偏好的非线性。此外,我们引入了一个社会行为的注意力机制,自适应地权衡朋友对用户偏好的影响,从而产生准确的建议。我们在公开数据集上的实验证明了所提出的NAS模型比其他最先进的方法的有效性。此外,我们研究了建议的社会行为注意力机制的效果,并表明它是一个关键因素,我们的模型的性能。
2019-06-29 cs.IR cs.LG cs.SI
Modeling Spread of Preferences in Social Networks for Sampling-based Preference Aggregation
在人口众多的情况下,收集个人对一组备选方案的偏好并得出总体或集体偏好是一项密集的任务。我们表明,社会网络的人口基础可以利用有效地完成这一任务,通过采样的一个小的子集的代表性节点的偏好。我们首先开发了一个Facebook应用程序来创建一个由节点偏好和底层社交网络组成的数据集,使用该数据集,我们开发了一个模型,该模型可以捕获偏好在典型社交网络中的节点之间的分布情况。因此,我们提出了一个适当的目标函数的问题,选择最佳代表节点。我们设计了两个算法,即,Greedy-min提供了一个广泛的流行的投票规则类的性能保证,和Greedy-sum在实践中表现出优异的性能。我们比较了这些算法对随机轮询和流行的中心性措施的性能,并提供了一个详细的分析所获得的结果。我们的分析表明,使用社交网络信息选择代表有利于聚合与个人话题相关的偏好(例如,生活方式),而具有合理样本大小的随机轮询足以聚集与社会话题相关的偏好(例如,政府政策)。
2017-11-15 cs.SI physics.soc-ph
Balancing User Preferences by Social Networks: A Condition-Guided Social Recommendation Model for Mitigating Popularity Bias
Jilin University(吉林大学);The Hong Kong Polytechnic University(香港理工大学);Griffith University(格里菲斯大学)
本文提出CGSoRec模型,通过去噪社交网络和调整用户偏好权重,缓解推荐中的流行偏见。模型包含条件引导的社交去噪和扩散推荐模块,在三个真实数据集上验证了有效性。
2026-04-10 cs.LG cs.SI
Postmortem Analysis of Decayed Online Social Communities: Cascade Pattern Analysis and Prediction
最近,许多在线社交网络,如MySpace,Orkut和Mysterster,都面临着其成员的不活动衰退,这导致了这些网络的崩溃。这种不活跃性衰减的原因、机制和预防机制尚未完全了解。在这项工作中,我们分析了StackExchange平台上的腐烂和活着的子网站。分析主要集中在这些社区的成员之间发生的不活动级联。我们提供的措施,以了解衰变过程和统计分析,以提取模式,伴随着不活跃的衰变。此外,我们使用机器学习预测级联规模和级联病毒式传播。这项工作的结果包括一个统计上的显着差异的衰变模式之间的衰变和活着的子网站。这些模式主要是:级联规模,级联病毒性,级联持续时间和级联相似性。此外,与基线预测因子相比,贡献的预测框架显示出令人满意的预测结果。在实证证据的支持下,本研究的主要发现是:(1)衰减过程不是由一个网络度量控制的,而是由多个度量更好地描述;(2)StackExchange子网站的专家成员主要负责StackExchange子网站的活动或不活动;(3)统计子网站正在经历可能导致其完全衰退的衰退动态;以及(4)衰退的子网站最初不像活跃的子网站那样对不活动衰退具有较低的弹性。
2018-10-10 cs.SI
Understanding User Topic Preferences across Multiple Social Networks
近年来,社交网络在功能和应用上呈现出多样性。人们开始同时使用多个在线社交网络来满足不同的需求。发现用户的潜在主题和社交网络偏好的能力对于跨社交网络的社区发现、推荐和个性化服务至关重要。不幸的是,目前大多数工作都集中在单一网络上,需要新的技术和模型来解决这个问题。提出了一种多社交网络上的用户偏好发现模型。首先定义了全局和局部主题概念,然后采用潜在语义主题发现方法获取全局和局部主题词分布,以及用户主题和社交网络偏好。在此之后,不同的社交网络的主题分布特征进行了检查,以及用户选择一个网络,而不是另一个创建一个职位的原因。其次,采用Gibbs抽样算法获得模型参数。在实验中,我们从Twitter、Instagram和Tumblr网站收集数据,构建多个社交网络的数据集。最后,将本文的研究与前人的研究进行了比较,定性和定量的评价结果都证明了本文的有效性。
2021-09-10 cs.SI
DCC: A Cascade based Approach to Detect Communities in Social Networks
National Institute of Technology Silchar(西尔查尔国家理工学院);Eindhoven University of Technology(埃因霍温理工大学)
社交网络中的社区发现与发现和分组网络中固有的最相似的节点相关联。这些相似的节点通过计算结强度来识别。更强的关系表示连接的节点对共享的更高的邻近度。这项工作的动机是格兰米特的论点,表明强关系在于密集连接的节点和理论,社区核心在现实世界的网络是密集连接的。在本文中,我们介绍了一种新的方法称为\emph{Disjoint Community detection using Cascades (DCC)},它证明了一个新的局部密度为基础的连接强度测量检测社区的有效性。在这里,利用联系强度来决定传播信息所遵循的路径。其思想是通过不断增加的联系强度引导,通过级联的元组信息向社区核心爬行。考虑到级联生成的步骤,一种新的优先成员资格的方法已经被开发来分配社区标签未分配的节点。$DCC$的有效性已经基于几个真实世界数据集和基线社区发现算法的质量和准确性进行了分析。
2022-12-21 cs.CV cs.IR cs.LG
Predicting Diffusion Reach Probabilities via Representation Learning on Social Networks
Boğaziçi University(博阿齐奇大学)
网络上两个节点之间的扩散到达概率被定义为从一个节点发起的级联到达另一个节点的概率。无限数量的级联将使得能够计算任何两个节点之间的真实扩散到达概率。然而,级联的数量有限,人们通常只能使用所有可用级联中的一小部分。在这项工作中,我们解决的问题,估计扩散到达概率只给出了有限数量的级联和部分信息的基础网络结构。我们提出的策略采用节点表示学习来生成节点嵌入并将其馈送到机器学习算法中,以创建预测扩散到达概率的模型。我们提供了实验分析,在两个现实世界的社交网络上使用综合生成的级联。计算结果表明,在叶栅所占比例较小的情况下,该方法优于现有叶栅计算值。
2019-01-12 cs.LG cs.SI stat.ML
DeepCP: Deep Learning Driven Cascade Prediction Based Autonomous Content Placement in Closed Social Network
Sun Yat-sen University(中山大学);Tencent Inc.(腾讯公司)
在线社交网络(OSN)正在成为内容级联扩散的最流行的主流平台。为了在OSN中为用户提供令人满意的体验质量(QoE),许多研究致力于通过在开放的社交网络场景(例如,Twitter和微博)。在本文中,我们采取了一个新的方向,即在封闭的社交网络中放置受欢迎程度感知的内容(例如,WeChat Moment),用户的隐私得到了高度增强。我们提出了一种新的数据驱动的整体深度学习框架,即DeepCP,用于联合扩散感知级联预测和自主内容放置,而无需利用用户的个人和社交信息。我们首先设计了一个时间窗LSTM模型,用于内容流行度预测和级联地理分布估计。因此,我们进一步提出了一种新的自主内容放置机制CP-GAN,它采用生成对抗网络(GAN)进行敏捷放置决策,以减少内容访问延迟,提高用户的QoE。我们使用微信矩(WM)中的级联扩散轨迹进行了大量的实验。评估结果证实,所提出的DeepCP框架可以预测的内容流行度与高准确性,以实时的方式生成高效的放置决策,并实现显着的内容访问延迟减少现有的计划。
2020-03-09 cs.LG cs.NI 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
Cascading Behavior in Yelp Reviews
社交媒体已经改变了市场营销和消费者研究的景观,因为企业的采用和推广越来越依赖于客户如何在Facebook,Twitter,Yelp等平台上互动和感受企业社会评论网站,如Yelp已成为有关不同企业的重要信息来源。这些在线平台上的社会影响可能导致个人采用或推广导致信息级联的想法和行动。在过去的几年里,关于信息级联的研究越来越受欢迎,但大多数研究都集中在Twitter和Facebook等平台上。使用级联对产品的采用或推广进行研究可以帮助确定社会影响的重要潜在模式。在这项工作中,我们分析了信息的传播,即在欧洲和北美不同城市的Yelp中的级联。我们列举并分析了Yelp社交网络中出现的不同级联拓扑。我们的一些重要发现包括在Yelp评论中存在大量级联,表明社会影响的重要性,级联的重尾分布以及在初步评论的基础上准确预测级联大小的可能性。此外,我们还发现,与级联的根结点和根评论的属性相比,非根节点根结点和非根评论的特征是重要得多的特征类型。这些发现可以帮助社会科学家更系统地分析不同城市的客户行为。此外,它还可以帮助城市中的企业了解不同的消费趋势,从而改善他们的流程和产品。
2017-12-04 cs.SI
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
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
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
Far-reaching consequences of trait preferences for animal social network structure and function
University of Copenhagen(哥本哈根大学);Technical University of Denmark (DTU)(丹麦技术大学);University of Exeter(埃克塞特大学)
本研究开发了生成网络模型,探讨特征偏好如何影响动物社会网络的结构和功能,揭示了其在疾病传播和鲁棒性方面的深远影响。
2026-02-13 cs.SI physics.soc-ph q-bio.PE
Do Diffusion Protocols Govern Cascade Growth?
当人们彼此分享信息时,在线社交网络中可能会出现大规模的级联。虽然简单的再分享级联已经被广泛研究,但社交媒体上的级联行为的范围要多样化得多。在这里,我们研究如何扩散协议,或社会交流,使信息传输,影响级联增长,类似的方式通信协议定义信息如何从一个点传输到另一个。研究Facebook上98个最大的信息级联,我们发现了各种各样的传播协议-从级联图像共享,它使用点击单个按钮传播的简单协议,到ALS冰桶挑战,其传播协议涉及个人创建和发布视频,然后提名特定的其他人做同样的事情。我们发现经常性的类扩散协议,并确定两个关键的平衡因素,在这些协议的建设,与级联的增长的影响:所需的努力,参与级联,和社会成本留在场边。需要更多个人努力的协议会减缓级联的传播,而那些不参与的社会成本更高的协议会增加级联的采用可能性。传播的可预测性也因协议而异。但无论机制如何,我们分析中的级联都具有相似的再生数($\approx$ 1.8),这意味着较低的暴露率可以被较高的采用率所抵消。最后,我们展示了级联的结构不仅可以区分这些协议,而且还可以通过分支过程来建模。总之,这些发现为理解各种信息级联如何在网络中实现实质性采用提供了一个框架。
2018-05-18 cs.SI physics.soc-ph
On Misinformation Containment in Online Social Networks
网上广泛传播的错误信息可能会引起公众恐慌和严重的经济损失。错误信息遏制问题旨在通过发起竞争活动来限制错误信息在在线社交网络中的传播。出于现实的情况下,我们提出了第一次分析的情况下,当一个任意数量的级联是允许的错误信息遏制问题。本文有四个贡献。首先,我们提供了一个形式化的多级联扩散模型,并引入了一个重要的概念称为级联优先级。其次,我们证明了错误信息遏制问题不能近似在多项式时间内的$Ω(2^{\log^{1-ε}n^4})$的一个因素,除非$NP \subseteq DTIME(n^{\polylog{n}})$。第三,我们介绍了几种类型的级联优先级,经常看到在现实的社交网络。最后,我们设计了新的算法来解决错误信息遏制问题。令人鼓舞的实验结果支持所提出的算法的有效性。
2018-09-20 cs.SI
RA-ICM: A Novel Independent Cascade Model Incorporating User Relationships and Attitudes
针对现有信息传播模型忽略非相邻用户关系与用户态度的问题,提出融合两类因素的RA-ICM模型,经6个真实微博数据集验证,其预测精度更高、时间复杂度更低,更贴合真实传播规律。
2024-03-11 cs.SI
Examining Untempered Social Media: Analyzing Cascades of Polarized Conversations
University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校)
在线社交媒体,定期作为一个平台,级联两极分化的话题的谈话。在线社交网络中存在的固有社区结构(同质性)和Gab等边缘媒体的出现创造了在线“回声室”,放大了两极分化的影响,助长了有害行为。最近,在2018年10月,加布成为头条新闻,当时有消息称匹兹堡犹太教堂大屠杀背后的个人罗伯特·鲍尔斯是这个社交媒体网站的活跃成员,并利用它来表达他的反犹太主义观点和讨论阴谋论。因此,为了满足对这些边缘网点进行自动化数据驱动分析的需求,本研究提出了新的方法来发现Gab中普遍存在的主题以及它们如何在网络中级联。具体来说,使用大约3400万个帖子和370万个级联对话线程,接近30万用户;我们证明了Gab中基本上有五种级联模式,最“病毒”的模式从回声室模式开始,并扩展到整个网络。此外,我们经验表明,通过两个模型,即。易感感染和低音,级联结构如何从五种模式之一演变到另一个基于对话的主题高达84%的准确性。
2019-06-10 cs.LG 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
Influence of Personal Preferences on Link Dynamics in Social Networks
US Army Research Laboratory(美国陆军研究实验室)
我们研究了一个独特的网络数据集,包括定期调查和通过智能手机的二元联系人的电子日志。参与者是2011年秋季进入大学的新生样本。他们对各种政治和社会问题的意见和校园活动的清单定期记录在每个学期的开始和结束的前三年的研究。我们确定了一个行为网络定义的电话和文本数据,和一个认知网络的基础上的友谊提名的自我网络调查。这两个网络仅限于研究参与者。由于每个节点上的各种属性都收集在自我报告中,我们将这些网络称为属性丰富网络。我们研究了学生对朋友的某些属性的偏好是否可以预测两个网络中边缘的形成和溶解。我们介绍了一种方法来计算学生的喜好,我们用不同的属性来预测链接的形成和解散。然后,我们根据这些属性对预测的重要性对它们进行排名。我们发现,个人偏好,特别是政治观点,以及对共同活动的偏好有助于预测行为和认知网络中的链接形成和解散。
2017-09-21 cs.AI cs.SI physics.soc-ph
Collaborative Filtering with Social Exposure: A Modular Approach to Social Recommendation
本文研究如何有效利用社会信息来改进推荐。大多数现有的社交推荐系统假设人们与他们的社交朋友分享相似的偏好。然而,由于在线交友的各种动机和在线社交网络的动态,这可能不成立。受最近基于因果过程的推荐的启发,首先对用户对项目的曝光进行建模,然后使用这些曝光来指导评级预测,我们利用社交信息来捕获用户曝光而不是用户偏好。我们假设人们从网上朋友那里获得产品信息,他们不必分享类似的偏好,这限制性较小,似乎更接近现实。在这种新的假设下,在本文中,我们提出了一种新的推荐方法(命名为SERec),将社会曝光到协同过滤。我们提出了两种方法来实现SERec,即社会规范化和社会助推,每种方法都有不同的方式来构建社会曝光。在四个真实数据集上的实验表明,我们的方法在前N个推荐上的性能优于最先进的方法。进一步的研究比较了这两种方法的鲁棒性和可扩展性。
2017-11-30 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
Predicting human preferences using the block structure of complex social networks
随着可用数据的不断增加,预测个人的偏好并帮助他们找到最相关的信息已成为一种迫切的需求。从根本角度来看,理解和预测偏好也很重要,这是所谓的“新”计算社会科学的一部分。在这里,我们提出了一种新的方法,基于随机块模型,这已被社会学家开发的社会互动的复杂网络的合理模型。我们的模型是基于其他人的偏好来预测个人偏好的精神,但是,而不是拟合特定的模型,我们依赖于贝叶斯方法,该方法对所有可能的模型进行采样。我们表明,我们的方法比领先的推荐算法准确得多,比行业级算法有38%到99%的重大相对改进。此外,我们的方法揭示了决策过程中,通过识别群体的个人有一贯相似的偏好,并使这些群体的特征分析。
2012-10-03 cs.SI physics.data-an physics.soc-ph
An Intelligent Group Event Recommendation System in Social networks
背景的重要性已被广泛认可的个人推荐系统。然而,大多数现有的基于事件的社交网络(EBSNs)中的群体推荐模型关注于如何聚合群体成员的偏好以形成群体偏好。在这些模型中,虽然考虑了情境对群体的影响,但只是简单地以手动方式定义,无法模拟情境与群体之间复杂而深入的交互。在本文中,我们提出了一个基于注意力的上下文感知的组事件推荐模型(ACGER)EBSN。ACGER通过多层神经网络对上下文对用户、组和事件的深层非线性影响进行建模。特别地,设计了一种新的注意力机制,使得上下文对用户/组的影响权重随着事件的发生而动态变化。考虑到群体可能具有与群体成员完全不同的行为模式,我们提出需要从间接和直接两个角度(分别称为间接偏好和直接偏好)来获得群体的偏好。为了获得间接偏好,提出了一种基于注意力机制的偏好聚集方法。与已有的预定义策略相比,该方法可以根据群组关注的事件灵活地调整策略。为了获得直接的偏好,我们采用神经网络直接学习它从群体事件的相互作用。此外,为了充分利用EBSN中丰富的用户-事件交互,我们将上下文感知的个人推荐任务集成到ACGER中,从而提高了用户嵌入和事件嵌入学习的准确性。在Meetings的两个真实数据集上进行的大量实验表明,我们的模型ACGER显着优于最先进的模型。
2020-06-16 cs.IR cs.SI
The Detection and effect of social events on Wikipedia data-set for studying human preferences
有几项研究使用维基百科(WP)数据集来分析全球人类对语言的偏好。然而,这些研究可能会受到与特殊社会环境有关的偏见的影响。任何推广WP特别版的大型活动都可以被定义为偏见的来源。在本文中,我们遵循一个检测离群值的过程。我们的研究是基于$12$语言和$13$不同的类别。我们的方法定义了一个参数,这是依赖于语言,而不是外部固定。我们还研究了人类循环行为的存在,以评估明显的离群值。在我们的分析之后,我们发现我们数据集中的离群值并没有显著影响使用整个维基百科数据集作为数字足迹来分析全球人类偏好。
2022-05-14 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
Gender Matters! Analyzing Global Cultural Gender Preferences for Venues Using Social Sensing
性别差异是社会科学家们积极研究的一个世界性现象。传统上,用于支持这类研究的数据是人工获得的,通常是通过志愿者调查获得的。然而,由于手动步骤导致其固有的高成本,此类传统方法无法快速扩展到大规模研究。我们在这里调查性别差异的一个特殊方面:对场地的偏好。为此,我们探索使用从Foursquare收集的签到数据来估计物理世界中场地的文化性别偏好。为此,我们首先证明,通过分析世界各地区的签到数据,我们可以发现性别群体之间对特定场所的偏好存在显着差异。其中一些重大差异反映了众所周知的文化模式。此外,我们还收集了证据,证明我们的方法提供了有关现实世界中特定地区场地性别偏好的有用信息。这表明观察到的性别和地点偏好可能不是独立的。我们的研究结果表明,我们提出的方法可能是一个很有前途的工具,以支持研究性别偏好的场地在世界各地不同的空间粒度,比传统的方法更快,更便宜,除了快速捕捉现实世界中的变化。
2017-03-18 cs.SI
The role of hidden influentials in the diffusion of online information cascades
在多个社交网站、不同的活动模式和不同的用户-用户关系的多元化背景下,“信息级联”的概念几乎是明确的。尽管可以用不同的方式来定义这种信息级联,但重要的是要检查所观察到的一些模式是否是现代社交媒体上发生的各种传染过程所共有的。在这里,我们探讨一种类型的信息级联,即那些时间限制,相关的两种社会根源的话题在Twitter上。具体而言,我们表明,在这两种情况下,级联的大小分布以下的肥尾分布,并在级联是否达到系统范围内的比例主要是由所谓的隐藏的影响的存在。后者的节点不是枢纽,相反,往往充当信息传播的防火墙。我们的研究结果是很重要的,更好地了解复杂的传染病的动态,并从实际的一面,在病毒现象的有效传播者的识别。
2013-03-19 cs.SI physics.soc-ph
Online Reputation and Polling Systems: Data Incest, Social Learning and Revealed Preferences
本文考虑在线声誉和投票系统,其中个人根据他们的私人观察和朋友的建议提出建议。这样的个人和他们的社会影响力的相互作用被建模为社会学习的有向无环图。数据乱伦(错误信息传播)的发生是由于在社会学习中形成公众信念时无意地重复使用相同的行为;每个代理收集的信息被错误地认为是独立的。这导致了对国家估计的过度自信和偏见。给出了信息交换图的结构对数据乱伦有抑制作用的充分必要条件。乱伦删除算法。人类受试者的实验结果来说明社会的影响和数据乱伦的决策。这些实验结果表明,社会学习协议需要精心设计,以处理和减轻数据乱伦。乱伦删除算法在一个期望投票系统中示出,在该系统中,参与者在投票中回答他们的朋友的信念的摘要。最后,利用微观经济学理论中出现的显示偏好原理来解析Twitter数据集,以确定社交传感器是否是效用最大化者,然后确定其效用函数。
2015-01-05 cs.SI
Understanding the Gap Between Stated and Revealed Preferences in News Curation: A Study of Young Adult Social Media Users
University of Maryland(马里兰大学)
研究探讨年轻成人社交媒体用户声明偏好与实际行为偏好之间的差距,分析用户如何理解和平衡不同价值观,提出算法推荐系统的设计方向。
2026-04-13 cs.HC cs.SI
Inferring User Preferences by Probabilistic Logical Reasoning over Social Networks
Stanford University(斯坦福大学);The Ohio State University(俄亥俄州立大学)
我们提出了一个框架来推断潜在的态度或偏好的用户进行概率一阶逻辑推理的社会网络图。我们的方法回答了关于Twitter用户的问题,比如{ \em这个用户喜欢寿司吗?}或{ \em此用户是纽约尼克斯队的球迷吗?}通过建立一个概率模型,对用户属性(用户的位置或性别)和社交网络(用户的朋友和配偶)进行推理,通过同质性(如果配偶或朋友喜欢寿司,我更有可能喜欢寿司,如果我住在纽约,我更有可能喜欢尼克斯队)等推论。该算法使用远程监督、半监督数据采集和向量空间模型从文本中提取用户属性(例如配偶、教育、位置)和偏好(喜欢和不喜欢)。然后将提取的命题送入概率推理机(我们研究马尔可夫逻辑和概率软逻辑)。我们的实验表明,概率逻辑推理显着提高属性和关系抽取的性能,并在预测用户喜欢或不喜欢,也达到了0.791的F分数,显着优于两个强基线。
2014-11-11 cs.AI cs.CL cs.LG
Sentiment cascades in the 15M movement
最近的草根运动表明,在线社交网络可能在他们的组织中发挥关键作用,因为追随者有一个快速的、多对多的沟通渠道来帮助协调他们的动员。从抗议者的数字痕迹构建的网络的结构和动力学已经在一定程度上分析最近。然而,对抗议期间交换的消息的语义内容进行分析的努力却较少。使用从微博服务在西班牙的15M运动的酝酿和活跃阶段获得的数据,我们进行了第一次大规模的集体情绪和集体行动中的社会互动的理论测试。我们的研究结果表明,在运动中的活动和信息级联是更大的负面集体情绪的存在,当用户表达自己的社会内容。在个人参与者的层面上,我们的研究结果表明,他们在运动中的社会融合,通过社会网络指标测量,随着他们的参与程度和消极表达的增加。我们的研究结果表明,非理性因素在网络媒体社会运动的形成和活动中发挥了作用,对病毒式传播产生了重要影响。
2015-05-14 cs.SI physics.soc-ph
Inferring users' preferences through leveraging their social relationships
推荐系统从用户的历史活动和个人档案中推断用户的偏好,在过去几年中取得了巨大的成功。现有的大多数作品都是基于用户、对象或两者的相似性,这些相似性来自他们在网上购物平台上的购买记录。然而,当已知信息有限时,这种方法面临瓶颈。极端的情况是如何向新用户推荐产品,即所谓的冷启动问题。在线社交网络的兴起给了我们一个打破玻璃天花板的机会。物以类聚,人以群分。亲密的朋友可能有相似的选择产品的隐藏模式,朋友的建议更值得信赖。在本文中,我们将个人的社会关系到推荐系统,并提出了一种新的方法,称为社会质量扩散(SMD),基于质量扩散过程中的组合网络的用户的社会网络和用户项目二分网络。实验结果表明,在二分网络上,SMD算法比单纯的质量扩散(MD)算法具有更高的推荐准确率。特别是,对于小度用户来说,这种改进是惊人的。此外,SMD为冷启动问题提供了很好的解决方案。新用户推荐的准确率明显高于传统的基于流行度的算法。这些结果可能为更好的个性化推荐系统和信息服务的新设计提供一些启示。
2017-11-28 cs.IR cs.SI physics.soc-ph
Why Do Cascade Sizes Follow a Power-Law?
本文引入随机有向无环图,并利用它对信息扩散网络进行建模。随后,我们分析了Leskovec等人[19]引入的级联生成模型(CGM)。到目前为止,对这一模型的实证研究还很少。在本文中,我们提出的第一个理论证明,由CGM产生的级联的大小遵循幂律分布,这是符合多个大型社交网络的实证分析。我们将我们的模型的假设与Twitter社交网络进行了比较,并测试了近似的良好性。
2017-02-20 cs.CY 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
The Lifecycle and Cascade of WeChat Social Messaging Groups
社交即时通讯服务正在成为一种变革性的形式,人们在日常生活中与朋友联系和沟通-它们促进了社交团体的形成,并为人们带来了更强的社区感和联系。然而,研究界仍然对社会信息背景下群体的形成和演变知之甚少-他们的生命周期,随着时间的推移,他们的底层结构的变化,以及他们发展新成员的扩散过程。在本文中,我们分析了中国最大的独立消息通信服务微信群消息平台的日常使用日志,目的是了解社交消息群组聚集在一起,发展新成员并随着时间的推移而发展的过程。具体来说,我们发现了一个强大的二分法群体在其生命周期,并考虑到广泛的群体层次的功能,显示长期和短期的群体本质上是不同的,开发了一个可分性模型。我们还发现,消息群组的生命周期在很大程度上取决于它们在用户日常社交体验和特定目的中的社交角色和功能。鉴于长期和短期群体之间的强分离性,我们进一步解决了成功社区的早期预测问题。除了从群体层次的角度对群体的成长和演化进行建模外,我们还研究了群体成员的个体层次属性,并研究了群体获得新成员的扩散过程。通过考虑成员的历史参与行为以及他们嵌入的本地社会网络结构,我们开发了一个成员级联模型,并证明了预测邀请者的AUC为95.31%,预测受邀者的AUC为98.66%。
2016-02-20 cs.SI
Social media use among American Indians in South Dakota: Preferences and perceptions
本研究通过在线调查评估了COVID-19期间南达科他州美国印第安人的社交媒体使用偏好与感知,发现Facebook等平台最受欢迎,且用户普遍认为负面影响多于正面影响。
2023-07-03 cs.SI econ.GN q-fin.EC
Modeling of Information Diffusion on Social Networks with Applications to WeChat
在线社交网络中记录的用户活动的痕迹,例如随着时间的推移创建、查看和转发/共享信息,为定量和系统地理解社交网络上的信息扩散过程开辟了新的可能性。从像微信这样的在线社交网络中,我们可以收集大量的信息级联树,每个信息级联树都告诉消息/信息的传播轨迹,例如哪个用户创建了信息,哪些用户查看或转发了哪些邻居分享的信息。在这项工作中,我们提出了两个异质非线性模型。这两个模型都通过微信数据进行了验证,重现和解释了级联树的关键特征。具体来说,我们首先应用随机递归树(RRT)的级联树的拓扑结构建模,捕捉关键功能,即平均路径长度和度方差的级联树的节点数(大小)的树。具有单个参数$θ$的RRT模型描述树的生长机制,其中现有树中的节点具有连接到新添加的节点的概率$d_i^θ$,该概率取决于现有节点的度$d_i$。所识别的参数$θ$量化级联树的相对深度或宽度,指示信息经由星形广播或病毒式逐跳扩散传播。RRT模型解释了枢纽的出现,因此随着级联大小的增加,平均路径长度可能会更小,正如在微信中观察到的那样。我们进一步提出了随机敏感视图转发删除(SVFR)模型来描述动态用户行为,包括创建,查看,转发和忽略一个消息在一个给定的社会网络。
2017-04-11 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
The Opacity Problem in Social Contagion
时尚、产品采用、暴民、谣言、迷因和新兴规范是各种各样的社会传染,它们被建模为网络级联。这些级联的实证研究是脆弱的,我们所描述的“不透明问题”:无法观察到的临界水平的同伴影响所需的触发个人的行为变化。即使有最大的信息,网络级联揭示的间隔,约束临界水平的同行曝光,而不是临界值本身。现有的实践使用区间最大值,系统地高估了行为改变所需的社会影响。仿真结果表明,高估可能是常见的,在幅度大。一项针对320万Twitter用户的标签级联的实证研究证实了这一点:五分之一的标签采用由于不透明问题而遭受临界值不确定性。不同的假设,这些时间间隔导致定性不同的结论的作用,同伴强化扩散。我们介绍了一种解决方案,结合确定紧密有界的区间预测不确定的临界值,使用节点级信息。
2018-11-19 cs.SI physics.soc-ph
Do Cascades Recur?
信息共享的级联是内容在社交媒体上到达受众的主要机制,一项积极的研究已经研究了这种级联是如何发展和消退的,这种级联形式是内容在人与人之间重新共享。在本文中,我们对Facebook上的级联进行了大规模的分析,时间跨度要长得多,发现一个更复杂的画面出现了,其中许多大的级联重复出现,表现出多次爆发的流行与之间的静止期。我们通过测量爆发之间的时间,它们在社交网络中的重叠和接近程度,以及参与每个高峰的个人的人口统计数据的多样性来表征复发。我们发现,内容的病毒式传播,正如其最初的流行程度所揭示的那样,是复发的主要驱动因素,该内容的多个副本的可用性有助于引发新的爆发。尽管如此,超过一定的流行度的内容,复发率下降的级联开始耗尽感兴趣的个人的人口。我们重现这些观察到的模式,在一个简单的模型中的内容重现模拟一个真实的社交网络。仅使用级联的初始突发的特性,我们在预测它是否会在未来复发表现出很强的性能。
2016-02-02 cs.SI physics.soc-ph stat.ML
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
Minority Becomes Majority in Social Networks
人们经常观察到,智能体倾向于模仿社交网络中邻居的行为。这种模仿行为可能导致采取与代理人认为正确的行为不同的公共行为的战略决策,这可能会颠覆整个群体的行为。在本文中,我们考虑的情况下,代理人表示偏好超过两个选项和模型的社会压力与多数动态:在每一步代理被选中,其偏好是由她的邻居的大多数偏好所取代。在平局的情况下,代理不改变她当前的偏好。如果每个代理的偏好与至少一半的邻居的偏好一致,则代理偏好的概况是稳定的(因此,系统处于平衡状态)。我们问是否有网络拓扑结构,是强大的社会压力。也就是说,我们问是否有这样的图,其中初始配置文件中的大多数偏好总是与从该配置文件可到达的所有稳定配置文件中的大多数偏好一致。我们完全刻画了这个鲁棒性的图形显示,这是可能的,只有当图形没有边缘,或者是一个集团或非常接近一个集团。换句话说,除了这几个图之外,每个图都至少有一个初始偏好轮廓,其中多数动态可以颠覆初始多数。我们还表明,当少数群体的规模至多为社交网络规模的1/4时,决定一个图是否允许少数群体成为多数群体是NP难的。
2015-10-01 cs.DS cs.GT cs.MA
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
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
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
Disentangling sources of influence in online social networks
在线社交网络中的信息传播由两种类型的影响促进-在社交网络的用户之间起作用的内源性(同伴)影响和对应于各种外部媒介(例如在线新闻媒体)的外源性(外部)影响。然而,从数据中推断这些影响仍然是一个挑战,特别是当关于用户激活的数据很少时。在本文中,我们提出了一种方法,只使用一个社会网络结构和一个单一的激活级联产生估计的内源性和外源性的影响。我们的方法利用了两种类型的影响之间的统计差异-内源性取决于每个用户的社交网络结构和当前状态,而外源性则独立于这些。我们评估我们的方法模拟激活级联以及从几个大型Facebook的政治调查应用程序获得的级联。我们表明,我们的方法是能够提供估计的内源性和外源性的影响,在网上社交网络,表征激活每个单独的用户是内源性或外源性驱动,并确定最有影响力的用户群体。
2019-03-27 cs.SI physics.soc-ph
Social Conformity Despite Individual Preferences for Distinctiveness
我们证明,个人的行为,旨在实现独特性,实际上可以产生完整的社会整合。因此,我们为这一核心社会现象提供了一种意想不到的生成机制。具体来说,我们建立的代理人有固定的需要是不同的,并调整自己的位置,以实现独特的目标,但可以自组织的绝对一致性的限制状态。这个看似矛盾的结果是从少量的自然假设中推导出来的,然后在计算上进行了详细的探索。从这种一致性均衡出发的有趣的偏离也是可能的,包括立场上的分歧。本文讨论了极端主义少数群体对这些动态的影响。然后引入一个简单的扩展,它允许模型生成和维护社会多样性,包括多模态独特性分布。本文贡献了正式的定义,分析推导,并违反直觉的发现,对文学的个人独特性和社会从众。
2015-02-11 cs.SI physics.soc-ph
Heterogeneous Update Processes Shape Information Cascades in Social Networks
该研究探讨社交网络中不同更新规则个体的分布对信息级联的影响,发现简单传播者仅在度异质网络中放大级联,而基于阈值的传播者的聚集分布可削弱传播,揭示了角色分布对信息扩散的调控作用。
2025-01-15 cs.MA cs.SI
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