The effects of network structure, competition and memory time on social spreading phenomena
在线社交媒体极大地影响了我们彼此沟通的方式。然而,很少有人知道什么是驱动动态信息流的在线社会系统的基本机制。在这里,我们介绍了一个生成模型的在线分享行为,分析上易于处理,它可以重现经验微博数据的几个特点,标签的使用,如(时间依赖)重尾分布模因流行。所提出的框架构成了一个空模型的社会传播现象,在纯实证研究或模拟为基础的模型相比,清楚地区分了两个不同的因素影响模因的流行:用户的记忆时间和社会网络的连接结构的作用。
2016-03-30 cs.SI nlin.AO physics.soc-ph
Multi-perspective Memory Enhanced Network for Identifying Key Nodes in Social Networks
University of Science and Technology of China(中国科学技术大学);CETC Academy of Electronics and Information Technology Group Co(中国电子科技集团公司电子科学研究院)
针对现有方法视角单一且泛化能力不足的问题,提出多视角记忆增强网络(MMEN),结合用户属性与传播结构双视角及记忆网络识别关键节点,显著提升了未知场景下的泛化性能与识别效果。
2024-03-22 cs.AI cs.SI
Glassy states of aging social networks
个人往往不愿意改变他们的社会关系,被称为“第二家园”,即使他们与环境的互动随着时间的推移而变化。一些记忆效应松散地存在,迫使改变。换句话说,在记忆存在的情况下,关系不容易改变。为了研究社交网络的历史或记忆效应,我们在Heider传统平衡理论中引入了时间核函数,允许过去关系的“质量”对系统的演化做出贡献。这种记忆效应被证明会导致老化网络的出现,从而完美地描述和测量链接(“社会关系”)的老化过程。结果表明,这样的记忆不改变系统的动力学吸引子,但延长了必要的时间,以达到“平衡状态”。总的趋势是走向全球(“天堂”或“两极”)或局部(“堵塞”)平衡状态,但受到老龄化关系的深刻影响。旧链接对变化的阻力减缓了系统的演化,并将其困在所谓的玻璃态。与平衡相反
2017-09-09 cs.SI physics.soc-ph
Who Will Share My Image? Predicting the Content Diffusion Path in Online Social Networks
University of California, Davis(加州大学戴维斯分校);Hanyang University(汉阳大学)
内容流行度预测已经被广泛研究,因为它对Facebook,Instagram,Twitter和Pinterest等社交媒体网站的用户和主机的重要性和兴趣。然而,现有的工作主要集中在使用单个度量(例如喜欢或分享的总数)对流行度进行建模。在这项工作中,我们提出了Diffusion-LSTM,这是一种基于记忆的深度递归网络,可以学习递归地预测图像通过社交网络的整个扩散路径。通过结合用户的社会特征和图像特征,并编码的扩散路径,迄今为止所采取的一个显式的存储单元,我们的模型预测的扩散路径的图像更准确地相比,替代基线,要么只编码图像或社会特征,或缺乏记忆。通过将单个用户映射到用户原型,我们的模型可以推广到训练过程中没有看到的新用户。最后,我们证明了我们的模型的能力,生成的扩散树,并显示生成的树非常类似地面实况树。
2017-11-29 cs.CV cs.SI
Structuring Communities for Sharing Human Digital Memories in a Social P2P Network
社区是P2P网络内部的子网络,它将网络划分为相似的节点组,通过减少网络流量和提高搜索查询成功率来提高性能。大型社区在在线社交网络中比传统的文件共享P2P网络更常见,因为许多人在生活中捕获了大量数据。这增加了网络中承载类似数据的主机数量,从而增加了社区的规模。本文提出了一个基于内存线程的社区,我们的基于实体的社交P2P网络,网络划分成组的对等体共享数据属于一个实体-人,地方,对象或兴趣,有自己的数字存储器或成为另一个内存的一部分。通过使用线性排序来组织网络,这些连接的对等体具有进一步的相似性。存储器线程是数字存储器的集合,具有共同的参考键,并根据某种形式的相关性进行组织。仿真结果表明,该方案的网络性能的增加,随着网络开销的减少和更高的查询成功率相比,其他类似的计划。即使网络流量和规模增加,网络也能保持其性能。
2020-04-17 cs.DC cs.SI
Social Networks through the Prism of Cognition
人际关系是由社会事件驱动的人们互动,交换信息,分享知识和情感,并从大众媒体收集新闻。这些事件在人类记忆中留下痕迹,其强度取决于认知因素,如情绪或注意力。每一个痕迹不断减弱,随着时间的推移,除非另一个相关的事件活动加强它。在这里,我们介绍了一种新的认知驱动的社会网络(CogSNet)模型,占社会感知的认知方面。该模型明确地将每个社会互动表示为人类记忆中的痕迹及其相应的动态。痕迹的强度是衡量互动对一个人的影响的唯一标准。为了验证,我们将我们的模型应用于大学生社交互动的NetSense数据。结果表明,CogSNet显着提高了社交网络中的人类交互建模的质量。
2021-01-22 cs.SI physics.soc-ph
Probing models of information spreading in social networks
将信号处理分析应用于无标度网络中的信息传播。为了再现万维网中的信息传播分析得到的典型行为,我们使用了一个修改后的SIS模型,其中考虑到协同效应和有影响力的节点。该模型依赖于一个单一的自由参数,其特征在于扩展过程的记忆时间。我们表明,通过分形分析,它是可能的-从聚合容易访问的数据-获得信息的记忆时间的基本机制驱动的信息传播过程。
2014-08-28 cs.SI physics.soc-ph
Analysis of communities in a mythological social network
古典荷马叙事的迷人本质一直吸引着西方文化,对哲学、历史、神话和文学都有贡献。然而,荷马的叙述有什么有趣之处呢?“乍一看,我们会发现荷马在《奥德赛》中的圣歌和《伊利亚特》中的狂想曲的每一页上都有文字上的吸引力和审美上的愉悦。其次,我们可以看到它的故事内容的一个偏颇的方面,从真实的历史到虚构的神话。为了涵盖这个一瞥,有一些新的考古发现,支持《伊利亚特》中描述的一些事件的历史性,因此也支持《奥德赛》。考虑到这些观察结果,并使用复杂网络理论的概念,我们设法建立和分析了一个跨越古典史诗《荷马的奥德赛》的社会网络。为了进一步了解,收集了拓扑量,以便将其社会网络定性地分为真实的或虚构的。结果表明,除了可拓性和巨连通域的大小外,所发现的大部分性质都属于真实的社交网络。为了测试网络真实的可能性,我们删除了一些神话成员,这些成员可能会在网络上留下虚构的印记。进行这种操作,修改后的社会网络导致了巨分量的连续混合和减少,正如对真实社交网络所预期的那样。总的来说,我们观察到《奥德赛》可能是一个虚构的元素加上真实的人际关系的混合体,这证实了其他作者对《伊利亚特》和考古证据的发现。
2013-06-19 cs.SI nlin.AO physics.soc-ph
Towards Efficient Path Query on Social Network with Hybrid RDF Management
资源描述框架(RDF)模型的可扩展性和灵活性使其非常适合表示在线社交网络(OSN)。OSN中的一个基本操作是查找关系链,例如k-Hop朋友。SPARQL中的属性路径查询可以表示这种类型的操作,但它的实现受到性能问题考虑到不断增长的数据规模和复杂性的OSN.本文提出了一种基于主存/磁盘的混合RDF数据管理框架,有效的属性路径查询.在这个混合框架中,我们实现了一个高效的内存中代数运算符的属性路径查询使用图遍历,并估计成本的操作,以配合现有的成本为基础的优化。在基准数据集和真实数据集上的实验表明,该方法能够在数据负载开销和在线查询性能之间取得较好的折衷。
2014-06-10 cs.DB cs.SI
Biographical Social Networks on Wikipedia - A cross-cultural study of links that made history
历史是由伟大的男人和女人创造的,还是由伟大的男人和女人创造的,这是可以理解的,但是社会关系塑造了历史,这是可以理解的。分析维基百科,一个全球性的集体记忆的地方,我们的目标是了解社会联系是如何记录跨文化。从英文维基百科中的传记集开始,我们专注于15个最大语言维基百科上这些传记文章之间的链接网络。我们检测这些网络中最核心的字符,并指出文化相关的特点。此外,我们揭示了语言维基百科的不同群体之间的显着相似之处,并强调跨文化的人之间的连接共享的知识。
2012-07-04 cs.CY cs.SI physics.soc-ph
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
SALM: A Multi-Agent Framework for Language Model-Driven Social Network Simulation
Boston University(波士顿大学)
本文提出 SALM 多智能体框架,将语言模型引入社会网络模拟,并通过分层提示、注意力记忆和人格稳定性界实现长期稳定、低成本且高保真的社会行为建模。
2025-09-28 cs.AI cs.MA cs.SI
PsyMemBehav: Psychology-Informed and Memory-Grounded Two-Level Identity-to-Action Reasoning for Social-Media Behavior Simulation
Communication University of China(中国传媒大学)
本研究提出PsyMemBehav模型,构建了含5862名用户557万条行为的PsyMemBehav-bench数据集,该模型在12项个体指标中排第1,提升了回复质量并降低了群体层面误差,可用于社交媒体行为模拟。
2026-10-14 cs.AI cs.SI
Shortest Paths in Less Than a Millisecond
我们考虑在大规模社交网络上回答点到点最短路径查询的问题。目标是在几十毫秒内回答查询,同时最大限度地减少内存需求。我们提出了一种技术,通过利用社交网络的结构,实现这一目标的一个非常大的部分路径查询。使用对真实世界数据集的评估,我们认为我们的技术在延迟,内存和准确性之间提供了一个独特的权衡。例如,对于LiveJournal社交网络(大约500万个节点和6900万条边),我们的技术可以在不到一毫秒的时间内回答99.9%的查询。与存储所有对最短路径相比,我们的技术需要至少少550倍的内存;平均查询时间大约为365微秒-比最先进的最短路径算法快430倍。此外,我们的技术的相对性能随着网络的大小(和密度)而提高。例如,对于Orkut社交网络(300万个节点和2.2亿条边),我们的技术比计算最短路径的最先进算法快约2588倍。
2012-06-06 cs.DB cs.SI physics.soc-ph
The domination number of on-line social networks and random geometric graphs
我们考虑在线社交网络的控制数,无论是在随机网络模型,并为现实世界,网络数据。严格推导了无记忆几何多变随机图模型生成的图的控制数的渐近次线性界。我们建立了Facebook 100数据集中图的控制数的次线性界,并且这些界与随机模型预测的那些有很好的相关性。此外,我们还得到了经典随机几何图控制数的渐近值。
2014-12-03 cs.DM cs.SI
Caching Structures for Distributed Data Management in P2P-based Social Networks
分布式应用程序需要新的解决方案来解决由于带宽、内存和处理能力等资源稀缺而出现的问题。分布式数据管理就是这些挑战之一。挑战是两个部分的问题,确保内容在访问时是有效的,并在更改时立即更新。当考虑到基于p2p的分布式在线社交网络时,这一点尤其困难,这种网络的目标是在通常不可靠和不安全的设备上构建可靠、安全的社交网络平台。在本文中,我们提出了三种选择策略,随机,趋势和社会评分,社会缓存机制。他们考虑了社会网络中的社会互动模式。我们实现和评估他们在一个基于DHT的分布式在线社交网络LibreSocial,并表明社会分数是最好的策略。此外,我们实现了社会缓存解决方案,并表明,当与现有的缓存解决方案结合使用时,几乎所有的请求都可以通过缓存服务,同时保持更新过程中数据的一致性。
2020-04-15 cs.DC cs.SI
Space-Efficient Sampling from Social Activity Streams
为了有效地研究网络域的特性并支持网络系统的开发(例如,在网络上操作的算法、协议),通常需要从大型复杂网络中采样代表性子图。虽然最近的子图采样方法已被证明工作良好,但它们专注于从内存驻留图中采样,并假设采样算法可以访问整个图,以便决定选择哪些节点/边。然而,许多大规模网络数据集太大和/或动态而不能使用主存储器(例如,电子邮件、推特、墙贴)。在这项工作中,我们制定了从大型图形流采样的问题。我们提出了一个流图采样算法,动态地保持一个代表性的样本在水库为基础的设置。我们评估我们提出的方法的有效性经验使用几个真实世界的数据集。在所有数据集中,我们发现我们的方法产生的样本更好地保留了原始图分布。
2012-06-20 cs.DB cs.SI physics.soc-ph