Can Partisan Voting Lead to Truth?
我们研究了一个扩展的选民模型,其中每个代理人都被赋予了一个先天的偏好,两个国家之一,我们称之为“真理”或“谬误”。由于与邻居的相互作用,一个天生喜欢真理的智能体可以被说服接受一个错误的观点(因此与其天生的偏好不一致),或者智能体可以拥有一个内部一致的“真”观点。平行状态存在于那些天生喜欢谎言的代理人身上。我们确定了这样一个群体的条件,在这种条件下,这些代理人最终可以达成共识的真理,一个共识的谎言,或达到一个僵局,其中一个代理人倾向于采取的意见,是在内部一致的先天偏好,使共识永远不会实现。
2011-02-01 cs.SI physics.soc-ph
Beyond Binary Opinions: A Deep Reinforcement Learning-Based Approach to Uncertainty-Aware Competitive Influence Maximization
针对竞争性影响力最大化问题,提出一种基于深度强化学习的不确定性感知框架DRIM,利用主观逻辑建模用户不确定性,优化种子选择,显著提升真实信息传播并超越现有方法。
2025-04-21 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
Cost-Effective Community-Hierarchy-Based Mutual Voting Approach for Influence Maximization in Complex Networks
本文提出Cost-Effective Community-Hierarchy-Based Mutual Voting方法,通过融合层次与社区结构信息度量节点重要性,并利用低计算成本互投机制优化种子节点选择,在10个数据集上平衡指数较次优方法最多提升9.29%。
2024-09-21 cs.IR cs.SI
Opinion Maximization in Social Trust Networks
社交媒体网站正在成为产品推广或营销活动的重要平台。因此,有广泛的兴趣,以确定如何引导网站作出更积极的反应,以有限的预算的产品。然而,现有的关于这一主题的研究的实际意义是有限的,原因有两个。首先,大多数研究都在过度简化的网络中研究这个问题,其中忽略了几个重要的网络特征。其次,个人的意见被建模为二分状态(例如,然而,在许多研究中,这种设置对于许多真实场景来说过于严格。在这项研究中,我们关注的社会信任网络(STNs),这有显着的特点,在以往的研究中被忽视。我们推广了一个著名的连续值的意见动力学模型的STNs,这是更符合实际情况。随后,我们正式提出了两个新的问题,以解决这个问题的STNs。此外,我们开发了两种基于矩阵的方法来解决这两个问题,并在真实世界的数据集上进行了实验,以证明我们的方法的实用性。
2020-06-19 cs.GT cs.SI
Opinion Mining from YouTube Captions Using ChatGPT: A Case Study of Street Interviews Polling the 2023 Turkish Elections
本文提出使用ChatGPT从YouTube自动生成的街头采访字幕中挖掘意见,以2023年土耳其大选为例,ChatGPT预测首选候选人准确率达97%,识别投票动机准确率达71%,为社交媒体意见挖掘提供了低噪高效的新方法。
2023-04-07 cs.CY cs.SI
Liars are more influential: Effect of Deception in Influence Maximization on Social Networks
在社交网络中发现有影响力的用户,称为影响力最大化问题,是一个重要的图挖掘问题,在信息传播、市场广告、谣言控制等领域有着广泛的应用。社交网络中有影响力的用户检测问题在文献中有很多研究。尽管目前的方法在许多不同的应用中得到了成功的应用,但它们假设用户彼此诚实,而忽略了欺骗在社交网络上的作用。另一方面,在社交网络中,欺骗似乎是令人惊讶的普遍现象。本文研究了社交网络上欺骗对影响力最大化的影响。我们首先对社交网络中的欺骗进行建模。然后,我们在这些网络上的意见动力学模型,考虑到欺骗感谢最近的意见动力学模型通过层拉普拉斯。然后,我们扩展了两个有影响力的节点检测方法,即拉普拉斯中心性和DFF中心性,层拉普拉斯测量欺骗的影响,影响力最大化。我们在合成网络和真实网络上的实验结果表明,在社交网络中,说谎者比诚实的用户更有影响力。
2022-03-21 cs.SI math.AT
Internet comments as a barometer of public opinion
社会易感性的定义和分析使用的数据来自CNN新闻网站。目前的观点动力学,投票和羊群在封闭的社区模型进行了扩展,和社会的反应注入一组预定的和永久的意见计算。一种方法来估计可能的响应在互联网社区,遵循一个特定的发展主题的价值。一个社区的社会影响力水平取决于对同一社区成员所写评论的回应(“喜欢”和“不喜欢”投票)的统计数据。本文分析了三个开发新闻故事的真实案例。我们认为,互联网评论可以预测社会反应的水平,类似于一个晴雨表,预测未来的风暴强度在平静的环境。
2015-03-30 cs.SI physics.soc-ph
Maximizing positive opinion influence using an evidential approach
Université de Tunis(突尼斯大学);Université de Rennes 1(雷恩第一大学);Centre d’Etudes et de Recherche des Télécommunications(电信研究中心);Université de Carthage(迦太基大学)
在本文中,我们提出了一个新的数据为基础的模型,在线社交网络的影响力最大化。我们利用信度函数的理论来克服数据不完美的问题。此外,所提出的模型搜索,以检测影响者用户,采取了积极的意见,对产品,想法等,要传播。此外,我们提出了一些实验来显示我们的模型的性能。
2016-10-20 cs.AI cs.SI
Exploiting Social Influence to Control Elections Based on Scoring Rules
在线社交网络用于在用户之间传播意见和想法,从而实现更快的通信和更广泛的受众。人们的意见受到社会互动影响的方式通常被称为社会影响。在政治竞选中,社会影响力被广泛用于宣传和支持候选人。在这里,我们考虑的问题,利用社会影响力的选民网络,以改变他们对目标候选人的意见,目的是增加他的机会,赢得/失去了在广泛的投票系统的选举。我们引入了线性阈值排名,这是一个自然而强大的扩展,它是一个成熟的线性阈值模型,它描述了考虑到行使影响力的意见变化。我们能够最大限度地提高得分的目标候选人高达一个因素的$1-1/e$通过显示子模块。利用这一性质,我们提出了一种求解构造性选举控制问题的$\frac{1}{3}(1-1/e)$ -近似算法.类似地,我们在破坏性场景中得到$\frac{1}{2}(1-1/e)$近似比。该算法可用于任意评分规则的投票系统,包括复数规则和Borda计数。最后,我们在真实网络上进行了实验研究,测量了目标候选者的胜利概率(PoV)和胜利幅度(MoV),以验证模型并测试算法的能力。
2019-07-02 cs.SI
Modeling Personalized Dynamics of Social Network and Opinion at Individual Level
网络动力学一直是学术界值得探讨的一个有意义的课题。以往的网络模型包括两个部分:(1)根据用户属性生成结构;(2)根据网络结构改变属性。然而,这些模型中的属性不能被解释为流行的社会理论或经验真理中的概念。他们通常以统一的方式对待每个人。虽然这种假设是相当误导,从而显着限制他们的表现。为了克服这些缺陷,我们设计了一个个性化的社会网络和意见(PENO),其中公民的意识形态是由变量的意见和四个维度的个性被认为是每个实体-领导,开放性,宜人性和神经质。意见通过社会纽带传播,纽带产生于意见亲和力,人格在进化过程中与意见和纽带一起发挥作用。据我们所知,PENO是第一次尝试在网络动力学中引入个性影响,并在模拟过程中通过合理的可视化来验证社会科学。给出了它的概率图,并提出了迭代学习算法。实验表明,PENO在两个典型的预测任务上优于几个最先进的基线-国会投票预测立法法案和书籍评论网站上的友谊预测。最后,我们讨论了它在日常场景中进行多任务学习和迁移学习的可扩展性。
2018-12-12 cs.SI physics.soc-ph
Quantifying discrepancies in opinion spectra from online and offline networks
Twitter等在线社交媒体被广泛用于挖掘公众对各种问题和主题的意见和情绪。所产生的大量数据和精通网络的公众的热切采用,有助于提高网络媒体作为社会和政治问题新闻和公众意见的便利来源的形象。然而,由于大量使用媒体的人群中存在无法控制的偏见,通常很难衡量在线领域如何准确地反映整个离线世界,从而破坏了在线媒体的有用性。识别和克服线上线下差异的一种方法是对来自线上和线下来源的可比数据集应用共同的分析和建模框架,并交叉分析其中发现的模式。在本文中,我们研究的政治光谱构建从Twitter和立法者的投票记录作为一个例子,以证明潜在的限制,在线媒体的来源,准确的民意挖掘。
2016-01-08 cond-mat.dis-nn cs.SI physics.soc-ph
Influence Diffusion Dynamics and Influence Maximization in Social Networks with Friend and Foe Relationships
大规模在线社交网络(OSNs)中的影响力扩散和影响力最大化已被广泛研究,因为它们对实现有效的在线病毒式营销的影响。现有的研究集中在只有友谊关系的社交网络上,而在许多OSN中普遍存在的敌人或敌人关系,例如,Epperly和Slashdot完全被忽略了。在本文中,我们第一次尝试研究的影响力扩散和影响力最大化在OSN的朋友和敌人的关系,这是建模使用正负边的签署网络。特别是,我们扩展了经典的选民模型签署网络和两个相反的意见的影响力扩散的动力学分析。我们首先提供了系统的特性,在这个模型中的影响力扩散的短期和长期动态,并说明了动态的稳态行为取决于三种类型的图结构,我们称之为平衡图,反平衡图,严格不平衡图。然后,我们应用我们的研究结果来解决的影响力最大化的问题,并制定有效的算法来选择初始种子的一个意见,最大限度地提高其短期的影响覆盖或长期稳定状态的影响覆盖。在合成网络和真实网络(如Epperly和Slashdot)上的大量仿真结果证实了我们对影响力扩散动力学的理论分析,并证明了我们的影响力最大化算法优于其他启发式算法的有效性。
2012-12-01 cs.DM cs.SI physics.soc-ph
Opinion formation on dynamic networks: identifying conditions for the emergence of partisan echo chambers
现代政治互动的特点是强烈的党派性,对跨党派的信息共享和协议缺乏兴趣。目前尚不清楚这种党派回声室是如何产生的,以及它们如何与舆论形成共同演变。在这里,我们通过共同进化游戏的镜头探索这些结构的出现。在我们的模型中,一个人的收益是由他们的意见的大小,他们与社会邻居的一致程度以及拥有社会联系的好处共同决定的。每个人都可以同时调整他们的意见以及他们的社会关系的权重。我们提出并验证了党派回声室出现的条件,其特点是从有共识的有凝聚力的社区过渡到有分歧意见的分裂网络。此外,我们将我们的模型应用于美国众议院几十年来的投票记录,以了解近年来潜在的心理和社会因素对党派偏见的影响。我们的工作有助于阐明今天的分裂是如何形成的,以及如何在各种政治和社会问题上实现凝聚力和团结。
2018-07-03 cs.SI physics.soc-ph
Random Voting Effects in Social-Digital Spaces: A case study of Reddit Post Submissions
在信息寻求者首次转向数字来源获取新闻和观点的时候,我们理解社交媒体在人类行为中扮演的角色至关重要。当信息消费者通过其在线活动也充当信息生产者和编辑者时,情况尤其如此。为了更好地了解编辑评级对在线人类行为的影响,我们报告了社交媒体中大规模体内实验的结果。我们发现,对社交媒体提交的小而随机的评级操纵会导致下游评级发生重大变化,从而导致最终结果显着不同。积极的治疗产生了积极的影响,平均提高了11.02%的最终评级。与对照组相比,积极治疗还使达到高评级(>=2000)的概率增加了24.6%。与相关研究的结果相反,我们还发现,消极的处理导致了负面影响,平均降低了5.15%的最终评级。
2015-06-05 cs.CY cs.MM 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
Maximizing Contrasting Opinions in Signed Social Networks
经典的影响力最大化问题在社交网络中找到有限数量的有影响力的种子用户,使得网络中受影响的用户的预期数量最大化,遵循影响力级联模型。这个问题已经在不同的设置中进行了研究,进一步推广了图结构,例如,边缘权重和极性,目标用户类别等。在本文中,我们介绍了一个独特的影响力扩散的情况下,涉及人口分裂成两个不同的群体,具有相反的意见。我们的目标是找到最有影响力的$k$种子节点,以便同时最大限度地采用两个不同的,对立的意见,在两个群体中,分别。有效地找到这些有影响力的用户在广泛的应用中至关重要,例如增加选民参与度和投票率,引导公众辩论和关于有争议意见的社会问题的讨论。我们用选民模型来模拟意见扩散和动态,然后设计一个线性时间和精确的算法COSiNeMax,同时还研究了网络中的长期意见特征。我们的实验与几个真实世界的数据集证明了所提出的算法的有效性和效率,与各种基线相比。
2019-10-26 cs.SI physics.soc-ph
Shifting Opinions in a Social Network Through Leader Selection
我们研究了法国DeGroot的意见动态在一个社会网络中有两个两极分化的政党。我们考虑一个网络,其中一方的领导人是给定的,我们提出的问题,选择的领导人集的反对党,以转移的平均意见,以一个期望的值。当每一方只有一个领导者时,我们用转移矩阵和网络中随机游动的平稳分布来表示平均意见。分析表明,两个领导者节点之间的影响平衡。我们发现,选择最多$k$绝对领导者转移的平均意见的问题是$\mathbf{NP}$ -硬。然后,我们把问题归结为一个带有次模块背包约束和附加基数约束的次模块最大化问题,并提出了一个带有上界搜索的贪心算法来逼近最优解。我们还在随机网络和真实网络中进行了实验,以证明该算法的有效性。
2020-05-16 cs.SI cs.SY eess.SY
Correlations between user voting data, budget, and box office for films in the Internet Movie Database
互联网电影数据库(IMDb)是世界上访问量最大的网站之一,也是电影信息的主要来源。像维基百科一样,IMDb的大部分信息都是用户贡献的。IMDb还允许用户通过投票来表达他们对电影质量的看法。我们调查用户投票数据和某些经济电影特征之间是否存在联系。为此,我们选择了一组电影进行分布和相关性分析,以减轻由于电影的语言和原产国的偏见的影响。我们发现,电影的制作预算,票房总额和用户投票总数在一定的时间段内符合双对数正态分布。从20世纪80年代后期开始,总票数和用户票数都符合双对数正态分布,而预算则从1935年延伸到1979年。此外,我们发现用户投票的数量和经济统计数据,特别是预算之间有很强的相关性。值得注意的是,我们没有发现投票数和平均用户评级之间存在相关性的证据。由于之前的研究已经发现制作预算和营销费用之间存在很强的相关性,我们的研究结果表明,总用户投票是一部电影的突出或知名度的指标,这可以通过其促销成本来量化。
2014-01-16 cs.SI physics.soc-ph
Effects of Time Horizons on Influence Maximization in the Voter Dynamics
在本文中,我们分析了影响力最大化的选民模型中的一个积极的战略和一个被动的影响方在非平稳设置。因此,我们探索的战略影响者的时间视野上的最佳影响力分配的依赖。我们发现,在无向异构网络,在短时间内,影响力最大化时,针对低度节点,而在长时间内,影响力最大化时,控制枢纽节点。此外,我们表明,短期和中期的时间尺度影响最大化可以利用知识(瞬态)的意见配置。更详细地说,我们发现两个规则。首先,应该瞄准那些状态与战略影响者的目标不同的节点。其次,如果只有少数节点最初与战略影响者对齐,则应避免受到相反影响的节点,但当许多节点对齐时,最佳影响者应跟踪相反的影响。
2018-10-05 cond-mat.dis-nn cs.SI math.OC
Stochastic Opinion Dynamics for Interest Prediction in Social Networks
我们利用在线社交网络的核心-外围结构和强大的同质属性来开发更快,更准确的用户兴趣预测算法。现代社交网络的核心由相对较少的有影响力的用户组成,他们的兴趣简介是公开的,而大多数外围用户基于共同的兴趣关注足够多的用户。我们的方法是预测周边节点的利益,从他们的有影响力的连接的利益。为此,我们需要一个正式的模型来解释共同利益如何导致网络连接。因此,我们提出了一个随机的兴趣形成模型,最近邻影响模型(NNIM),这是受Hegselmann-Krause意见形成模型的启发,旨在解释同质性如何塑造网络。基于NNIM,我们开发了一种有效的方法来预测的周边用户的兴趣。在技术层面上,我们使用变分期望最大化来优化瞬时似然函数,使用NNIM的平均场近似。我们证明,我们的算法收敛速度快,是能够顺利扩展到网络与数百万个节点。我们在标准网络基准上的实验表明,我们的算法比最好的已知节点嵌入方法快两个数量级,并达到相似的精度。
2021-07-07 cs.SI
Influence Maximization Considering Influence, Cost and Time
本文提出一个同时优化影响力、成本和时间的新多目标影响力最大化问题,并开发进化变长搜索算法EVEA,在四个真实网络中实现高达19.3%的超体积提升和25-40%的更快收敛。
2025-09-09 cs.NI cs.SI
Beating the news using Social Media: the case study of American Idol
我们提出了一个贡献的辩论社会事件的可预测性使用大数据分析。我们关注的是《美国偶像》电视节目中的淘汰赛,这是一个很好定义的选举现象,每周在美国吸引数百万张选票。我们提供的证据表明,Twitter的活动在电视节目播出和投票期间定义的时间跨度,与参赛者的排名,并允许预测投票结果。此外,包含地理位置信息的推文的比例允许我们绘制每个参赛者的粉丝群,无论是在美国还是国外,都显示出强烈的区域极化。虽然《美国偶像》投票只是复杂社会现象(如政治选举)的最小化和简化版本,但这项工作表明,在线系统中提供的信息量允许实时收集预测未来舆论形成事件的量化指标。
2012-05-23 cs.HC cs.SI physics.soc-ph
Who creates trends in online social media: The crowd or opinion leaders?
在线社交媒体的趋势总是反映了整个网络中大量个人的集体关注。例如,网络俚语可以在极短的时间内因社会模因和网络传播而无处不在。通过对中国微博的研究发现,网络流行语的使用在时间演变过程中经历了两个高峰,其中前者的使用率远低于后者。事实上,这一有趣的现象提供了一个体面的窗口,揭示了推动在线社交媒体大规模扩散趋势的基本因素。具体而言,通过对不同峰值所代表的传播效果进行深入比较,发现在传播初期,人群的关注度越高,传播效果越好;而在传播初期,意见领袖的主导参与度越高,传播效果越差。我们的研究结果在定量上挑战了传统的影响者假设。并讨论了这些新发现对营销实践和社交网络中影响力最大化的影响。
2014-09-05 cs.CY cs.SI physics.soc-ph
Persistence in voting behavior: stronghold dynamics in elections
个人之间的影响是集体社会现象的核心,如思想、信仰或行为的传播、社会学习和创新的传播。已经提出了不同的机制来实现社会模型中的代理间的影响,从选民模型,多数规则,到格兰特模型。在这里,我们朝着这个方向前进,面对最近推出的社会影响力和经常性流动性(SIRM)模型,再现在不同的地理水平,在美国总统选举中的数据的投票份额的一般特征。我们的方法将空间和人口多样性作为观点动力学的输入,而个人的流动性提供了一个代理的社会背景,和同伴模仿帐户的社会影响。该模型捕捉到观察到的静态背景波动的选票份额跨县。我们研究所谓的政治据点,即,一个政党的投票份额系统地高于平均水平的地方。通过对投票空间分布波动的时间持续性的定量定义,对1980-2012年美国总统选举的结果进行了分析。我们比较选举结果与SIRM模型获得的模拟发现一个很好的协议,无论是在数量和据点的位置。在SIRM模型中还系统地描述了据点的持续时间。这些结果与选举结果数据相比较,显示出据点的持久性随时间呈指数衰减。
2015-03-23 cs.SI physics.soc-ph
Why do Opinions and Actions Diverge? A Dynamic Framework to Explore the Impact of Subjective Norms
Nanyang Technological University(南洋理工大学);KTH Royal Institute of Technology(瑞典皇家理工学院)
针对现有模型未捕捉个体公开行动与私人观点动态相互作用的问题,提出整合观点动态与决策机制的基于智能体的建模框架,通过调整反映智能体人格特质的参数可控制群体内观点-行动分歧程度,还识别了社会扩散的三种关键结果。
2025-03-22 cs.SI physics.soc-ph
Balotage in Argentina 2015, a sentiment analysis of tweets
Universidad Nacional de Chilecito(智莱西托国立大学);KUNAN;Universidad Nacional Experimental del Táchira(塔奇拉国立实验大学)
Twitter的社交网络包含了大量的信息产生的用户。这些信息由可能反映社会行为趋势的意见和评论组成。当有可能确定许多人共同的观点和评论时,就会谈到趋势。为了确定两个或多个书面意见是否共享同一地址,使用了自然语言处理(NLP)技术。本文提出了一种基于社会行为的情感分析函数NLP的Twitter预测方法。该案例研究选择了2015年阿根廷总统选举,并使用了由Vertica数据库组成的软件架构Big Data,其中包含称为Pulse的组件。通过分析,有可能发现总统候选人的投票意向趋势,在预测方面比传统系统调查更准确。
2016-11-07 cs.CL cs.IR cs.SI
Influence Maximization in Multi-layer Social Networks Based on Differentiated Graph Embeddings
本文提出Inf-MDE,一种基于差异化图嵌入的多层社交网络影响力最大化方法,通过自适应局部影响力聚合机制,有效捕获层间异质性与层内扩散动态,在多个数据集上显著优于现有方法。
2025-08-14 cs.SI
Anxious Depression Prediction in Real-time Social Data
Delhi Technological University(德里理工大学)
心理健康和社交媒体一直是密切相关的研究领域。本研究提出了一种新的焦虑抑郁预测模型--AD预测模型,用于实时的【形】推文中的焦虑抑郁预测。这种混合型焦虑抑郁障碍主要与不稳定的思维过程、不安和失眠有关。基于语言线索和用户发帖模式,使用5元组向量<词、定时、频率、情感、对比度>来定义特征集。建立了一个与焦虑相关的词汇库来检测焦虑指标的存在。分析推文的时间和频率是否存在违规行为,并进行意见极性分析,以发现发布行为中的不一致之处。该模型使用三个分类器(多项式朴素贝叶斯,梯度提升和随机森林)进行训练,并使用集成投票分类器进行多数投票。初步结果进行评估抽样100用户的推文,该模型实现了85.09%的分类准确率。
2019-03-25 cs.CL cs.SI
Learning Opinion Dynamics From Social Traces
ISI Foundation(ISI基金会);Eurecat
意见动力学(Opinion dynamics)是研究人们的意见如何在社会背景下形成和演变的研究领域,传统上使用基于主体的模型来验证社会学理论的含义。这些模型对驱动意见形成过程的因果机制进行了编码,并且具有易于解释的优点。然而,由于它们没有利用数据的可用性,它们的预测能力是有限的。此外,参数校准和模型选择是手动且困难的任务。在这项工作中,我们提出了一个推理机制,用于拟合一个生成的,类似代理的意见动态模型,以现实世界的社会痕迹。给定一组可观察值(例如,行动和代理之间的相互作用),我们的模型可以恢复最有可能的潜在的意见轨迹,是兼容的过程动态的假设。这种类型的模型保留了基于代理的模型的优点(即,因果解释),同时增加了对真实数据进行模型选择和假设检验的能力。我们展示了我们的建议,通过将经典的基于代理的意见动态模型转化为生成对应。然后,我们设计了一种基于在线期望最大化的推理算法来学习模型的潜在参数。该算法可以从经典的基于Agent的模型产生的轨迹中恢复潜在的意见轨迹。此外,它还可以确定用于生成数据跟踪的最可能的宏观参数集,从而允许对社会学假设进行测试。最后,我们将我们的模型应用于Reddit的真实数据,以探索关于逆火效应影响的长期问题。我们的研究结果表明,在Reddit的政治对话中,这种效应的突出程度很低。
2020-06-02 cs.CY cs.LG cs.SI
Phase Transition of the 2-Choices Dynamics on Core-Periphery Networks
考虑网络上的以下过程:每个智能体最初持有蓝色或红色的意见;然后,在每一轮中,每个智能体查看两个随机邻居,如果两者具有相同的意见,则智能体采用它。这个过程被称为2-Choices动态,可以说是社交网络上最基本的非平凡意见动态模型。尽管其明显的简单性,2-Choices已被分析的特点,只有在有限的网络类-在假设的初始配置,建立它作为一个快速多数共识协议。在这项工作中,我们的目标是通过考虑其在一类具有核心-外围结构的网络上的行为,这是社交网络中一个众所周知的拓扑假设,从而有助于理解2-选择动力学。简而言之,假设智能体的一个密集连接的子集,即核心,持有与网络的其他部分不同的观点,即外围。然后,根据核心和外围之间的切割强度,发生相变现象:要么核心的意见在网络的其余部分中迅速传播,要么发生亚稳态阶段,其中两种意见在网络中共存超多项式时间。我们的结果有两方面的意义。一方面,通过将2-Choices动态视为社交网络中意见竞争的简单模型,我们的定理揭示了核心对网络其余部分的影响,作为核心与后者连接的函数。另一方面,我们提供了第一个分析结果,它显示了一个简单的动态网络的结构参数的函数的异质行为。最后,我们通过在真实网络上进行的大量实验来验证我们的理论预测。
2020-11-16 cs.SI physics.soc-ph
Graph-Aware Evolutionary Algorithms for Influence Maximization
社交网络如今在许多情况下代表着信息传播的主要来源以及影响意见和行动的方式。例如,一般的广告不如我们联系人的建议强大。然而,这个过程在很大程度上取决于传播这些建议的人的影响力。因此,现代营销通常涉及为广告产品或想法向一些目标用户或影响者付费。因此,在社交网络中找到导致最高信息传播的节点集-所谓的影响力最大化(IM)问题-是一个紧迫的问题,因此它最近吸引了很大的研究兴趣。特别是,已经提出了几种基于进化算法(EAs)的方法,虽然它们被称为与图形大小的规模差。在本文中,我们从两个方面来解决这个问题。首先,我们使用近似的适应度函数,以加快EA。其次,我们包括到EA的各种图形感知机制,如智能初始化,自定义突变和节点过滤,以促进EA收敛。我们的实验表明,所提出的修改允许获得相关的运行时增益,并在某些情况下,也提高了传播的结果。
2021-04-30 cs.NE cs.SI
Social Influences in Opinion Dynamics: the Role of Conformity
我们研究社会影响在观点动力学中的作用。特别是,我们定义了一个简单的模型,基于多数表决规则,以考虑一致性的作用。从众心理是社会心理学的一个核心问题,因为它代表了人们在互动中出现的行为之一。该模型代表代理,安排在一个网络中,并提供了一个个人的行为,改变他们的邻居的功能的意见。特别是,代理人可以表现为顺从者或不顺从者。在前一种情况下,代理人根据他们社交圈的大多数人改变意见(即,他们的邻居);在后一种情况下,他们做相反的,即,他们只接受少数人的意见此外,我们从全局和局部的角度研究了不一致性,即,分别与整个人口和每个不墨守成规的代理人的社交圈有关。我们进行了计算研究所提出的模型,目的是观察是否以及如何符合影响相关的结果。此外,我们还想研究在系统的演化过程中,是否有可能达到某种均衡或秩序。结果强调,人口中的不顺从代理的数量在这些动态中起着核心作用。特别是,一致性代理在全连接网络中扮演稳定器的角色,而在复杂网络中则相反。此外,通过分析复杂的拓扑结构的代理网络,我们发现,在存在激进的不顺从的代理系统的拓扑结构具有突出的作用,否则它并不重要,因为我们观察到,一个顺从的行为几乎总是更方便。最后,我们分析了模型的结果,考虑到代理也可以改变他们的行为随着时间的推移。
2014-08-15 cs.SI nlin.AO physics.soc-ph
A Pressure-Based Diffusion Model for Influence Maximization on Social Networks
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Narmi Inc.(Narmi公司)
本文提出压力阈值模型(PT)用于动态模拟社交网络中的影响传播,扩展了线性阈值模型(LT),并通过实验表明在密集网络中压力效应更显著,影响最大化结果与LT模型不同。
2026-04-02 cs.AI cs.SI
Modeling peer and external influence in online social networks
通过社交网络介导的民意调查可以给我们,除了通常的人口统计数据,如年龄,性别和地理位置,选民之间的友谊结构和他们在投票过程中的活动的时间动态。使用Facebook应用程序,我们收集了友谊关系,人口统计数据以及2013年12月1日在克罗地亚举行的婚姻定义公投中超过一万名用户的投票。我们还收集了提及我们应用程序的在线新闻文章的数据。这些文章的发表与投票活动的高峰密切相关,表明这些外部事件对选民的参与有着至关重要的影响。此外,大多数用户在短时间内投票的强连接的友谊社区的存在,以及大多数用户通常倾向于将投票相同的用户加为好友的事实表明,同伴影响力在吸引选民方面也有其作用。由于我们无法随时跟踪用户的活动,也不知道他们通过我们的应用程序表达投票的动机,问题是我们是否可以通过用户的友谊网络和投票时间来推断同行和外部影响。本文提出了一种新的估计友谊网络中节点和外部影响力大小的方法,并在模拟和实际数据上证明了该方法的有效性。
2016-10-26 cs.SI physics.soc-ph
The Effect of Exogenous Inputs and Defiant Agents on Opinion Dynamics with Local and Global Interactions
大多数传统的观点动力学模型主要考虑了完全局部的影响,即近视的代理人在与邻近的其他代理人交互后决定他们的行为。例如,在社交互动的情况下,这包括家庭,朋友和其他强大的社会关系。本文中提出的模型也体现了全球影响力,其中,全球意味着每个节点也观察到整个人群的平均行为样本(在社会示例中,人们观察街道上的其他人,地铁和其他社交场所)。我们考虑节点具有二分状态的情况(示例包括两个主要政党的选举,是否采用新技术或产品,以及任何是/否意见,例如在全民公决中投票)。研究了具有任意度分布网络的状态动力学。对于给定的初始条件,我们找到了在每个状态上达成共识的概率和达到共识的期望时间。研究了系统的平均取向上的外生偏差的影响,以模拟大众媒体。为此,我们向模型中添加一个外部场,使其中一个状态优于另一个状态。该字段干扰每个节点的常规决策过程,并创建倾向于其中一个状态的恒定概率。对于给定的初始条件,我们求解系统的平均状态作为时间的函数。然后,反顺从者(从不修改其状态的顽固节点)被添加到网络中,以规避外部偏见。我们找到了必要的条件,这些违抗节点的数量需要取消外部偏见的影响。我们的分析是基于平均场近似的代理人的意见。
2012-11-30 cs.SI nlin.AO physics.soc-ph
Influence maximization in unknown social networks: Learning Policies for Effective Graph Sampling
Indian Institute of Technology Madras(印度理工学院马德拉斯分校);McGill University(麦吉尔大学);Mila(米拉魁北克人工智能研究所);Harvard University(哈佛大学)
在现实世界的社交网络中寻找有影响力的参与者时,一个严重的挑战是缺乏对底层网络结构的了解。目前最先进的方法依赖于手工制作的采样算法;这些方法以精心构建的顺序对节点及其邻居进行采样,并从这个发现的网络中选择意见领袖,以最大限度地扩大(未知)完整网络中的影响力。在这项工作中,我们提出了一个强化学习框架的网络发现,自动学习有用的节点和图形表示编码的重要结构特性的网络。在训练时,该方法识别网络的部分,使得从该采样子图中选择的节点可以有效地影响完整网络中的节点。这种基于可转移网络结构的自适应策略的实现归因于对由适当的奖励方案驱动的相关节点和图签名进行编码的框架的精心设计。我们对来自四个不同领域的真实社交网络进行了实验,结果表明,与当前最先进的方法相比,我们的RL代理学习到的策略提高了10-36%。
2020-02-20 cs.LG cs.SI
Using Social Network Information in Bayesian Truth Discovery
Nanyang Technological University(南洋理工大学)
我们调查的问题,真理发现的基础上,从多个代理人谁可能是不可靠的或有偏见的意见。我们考虑的情况下,代理人的可靠性或偏见是相关的,如果他们属于同一个社区,这定义了一组代理人有类似的意见,关于一个特定的事件。对于不同的事件,智能体可以属于不同的社区,而这些社区是先验未知的。我们将知识的代理人的社会网络在我们的真理发现框架和开发拉普拉斯变分推理方法来估计代理人的可靠性,社区和事件状态。我们还开发了一个随机变分推理方法,将我们的模型扩展到大型社交网络。对真实数据的仿真和实验表明,当观测稀疏时,我们提出的方法比其他几种推理方法,包括多数投票,Truthfall,AccuSim,置信度感知的真相发现方法,贝叶斯分类器组合(BCC)方法和社区BCC方法表现得更好。
2019-04-29 cs.LG cs.MA cs.SI
On the emergence of an "intention field" for socially cohesive agents
我们认为,当一个社会融合机制存在,并足够强大,人们应该期待出现一个定义明确的“场”,即一个缓慢演变的,局部的量,围绕其个人属性波动在一个有限的范围。这种冷凝现象很好地说明了Deffuant-Weisbuch意见模型,我们提供了一个自然的扩展,允许空间异质性。我们分析和数值计算表明,由此产生的动态的紧急领域是一个嘈杂的扩散方程,有一个缓慢的动态。这个随机扩散方程再现了[1,2]中经验发现的空间投票模式相关性的长期对数下降。有趣的是,我们发现,当社会凝聚力机制变得太弱时,文化凝聚力就会完全崩溃,在这个意义上,意图/意见的分布变得无限广泛。在这种情况下不存在新兴领域。所有这些分析结果证实了基于代理的模型的数值模拟。
2014-01-19 cond-mat.stat-mech cs.SI physics.soc-ph
Influence Blocking Maximization in Social Networks under the Competitive Linear Threshold Model Technical Report
在许多现实世界中,不同的,往往是相反的意见,创新,或产品是相互竞争的社会影响力在网络社会。本文研究了竞争线性阈值(CLT)模型下社交网络中的竞争影响力传播。在CLT模型下,我们关注的问题是,一个实体试图阻止其竞争实体的影响力传播尽可能多的战略选择了一些种子节点,可以启动自己的影响力传播。我们把这个问题称为影响阻塞最大化(IBM)问题。我们证明了CLT模型中IBM的目标函数是次模的,因此贪心算法可以达到1 - 1/e的近似比。然而,贪心算法需要对竞争影响传播进行蒙特卡罗模拟,这使得该算法效率不高。我们设计了一个有效的算法CLDAG,它利用CLT模型的属性,来解决这个问题。我们对CLDAG、贪心算法和其他基线算法在真实世界和合成数据集上进行了广泛的模拟。我们的研究结果表明,CLDAG是能够提供最好的精度与贪心算法,往往优于其他算法,而它是两个数量级的速度比贪心算法。
2011-10-21 cs.SI physics.soc-ph
LA-LDA: A Limited Attention Topic Model for Social Recommendation
USC Information Sciences Institute(南加州大学信息科学研究所);University of Maryland(马里兰大学)
社交媒体用户的注意力有限,这限制了他们可以处理的来自朋友的传入消息的数量。此外,他们比其他人更关注某些朋友的意见和建议。在本文中,我们提出了LA-LDA,一个潜在的主题模型,其中包括有限的,非均匀分布的注意力在扩散过程中的意见和信息在社会网络上传播。我们表明,我们提出的模型是能够学习更准确的用户模型,从用户的社交网络和项目采用行为比模型,不考虑有限的注意力。我们分析了社会新闻聚合器Digg上的新闻项目投票,并表明我们提出的模型能够更好地预测投票。我们的研究表明,心理社会动机的模型比只考虑主题的模型有更好的描述和预测观察到的行为的能力。
2013-01-26 cs.IR cs.LG cs.SI
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
Nowcasting the Stance of Social Media Users in a Sudden Vote: The Case of the Greek Referendum
University of Warwick(华威大学);The Alan Turing Institute(艾伦·图灵研究所);University of Sheffield(谢菲尔德大学);Durham University(杜伦大学)
在社交媒体中建模用户投票意图是一个重要的研究领域,在分析选民行为,在线政治竞选和广告中具有应用。以前的方法主要侧重于预测定期举行的全国大选,并且可以获得过去的结果和民意调查数据。然而,没有证据表明,在时间有限的情况下,这种模型在突然投票期间会如何表现。与传统选举相比,这是一项更具挑战性的任务,因为它是自发性的。在本文中,我们关注2015年希腊救助公投,旨在每天对2,197名Twitter用户的投票意向进行即时预测。我们提出了一种半监督多卷积核学习方法,利用时间敏感的文本和网络信息。我们在实时模拟框架下的评估表明了我们的方法对竞争基线的有效性和鲁棒性,与仅基于文本的模型相比,F分数显著增加了20%。
2018-08-26 cs.CL cs.CY cs.SI