Information cascade on networks
在本文中，我们通过考虑三种不同类型的网络来讨论投票模型：随机图，Barabási-Albert（BA）模型和适应度模型。投票模式代表了公众的看法传达给选民的方式。我们的投票模型是通过使用两种类型的选民-牧民和独立-和两个候选人。独立者根据其基本价值观进行投票;另一方面，牧民根据以前的投票次数进行投票。因此，牧民投票给多数派候选人，并从他们的网络获得与以前投票有关的信息。我们讨论了网络所依赖的相位之间的差异。发现了两种相变，即信息级联相变和超常相变。第一个是在大多数选民做出正确选择的国家和大多数选民做出错误选择的国家之间的过渡。二是收敛速度的转变。当herder效应强于超常跃迁时，信息级联跃迁占优势。在BA和适应度模型中，信息级联转移的临界点与随机网络模型相同。然而，当使用这两个模型时，超常规转变的临界点消失。总之，网络的影响只影响收敛速度，而不是信息级联过渡。因此，我们可以得出结论，枢纽对选民看法的影响是有限的。
2015-12-15 cs.SI physics.soc-ph
The Role of Second Trials in Cascades of Information over Networks
我们研究信息在社交网络中的传播。为此，我们专注于级联模型，其中节点在第一次接触信息后以{概率$p_1$感染，并且在所有后续接触中以概率$p_2$感染。}扩散从一个随机节点开始，并导致级联感染。它示出，第一次和{后续}审判中发挥不同的作用，在传播和级联的大小取决于在一个非平凡的方式对$p_1$，$p_2$和网络结构。第二次试验被证明是在网络的密集部分放大传播，而第一次试验是网络的新部分的探索和发射新的感染种子。
2009-01-11 physics.soc-ph
Phantom cascades: The effect of hidden nodes on information diffusion
对信息扩散的研究通常假设对底层网络的完全了解。然而，在诸如隐私意识的提高、应用程序编程接口（API）和采样策略的限制等因素的存在下，这种假设在现实世界中很少成立，这反过来又导致低估了信息级联的大小。在这项工作中，我们研究了隐藏的网络结构对信息扩散过程的影响。我们通过激活路径遍历网络的可见和隐藏部分来传递信息。我们量化扩散估计误差，而不同的隐藏结构的数量在五个经验和合成的网络数据集，并展示了拓扑属性对这个错误的影响。最后，我们提出了实用的建议，为从业者，并提出了一个模型来预测级联的大小与底层网络的最小信息。
2015-05-21 cs.SI physics.soc-ph
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
Learning user-specific latent influence and susceptibility from information cascades
预测级联动态对于理解信息传播和启动病毒式营销具有重要意义。以前的工作主要采用成对的方式，对n个用户使用n^2个独立的参数来建模用户对之间的传播概率。因此，这些模型存在严重的过拟合问题，特别是对于没有直接交互的用户对，限制了它们的预测精度。在这里，我们建议通过从观察到的级联中学习两个低维用户特定的向量，分别捕获它们的影响力和易感性来模拟级联动态。该模型需要的参数少得多，因此可以对抗过拟合问题。此外，该模型可以很自然地模拟信息传播中的累积效应等依赖于上下文的因素。在人工数据集和大规模微博数据集上的大量实验表明，该模型在预测级联动态、级联规模和“谁会被转发”方面优于现有的成对模型。
2015-01-22 cs.SI physics.soc-ph
Infectivity Enhances Prediction of Viral Cascades in Twitter
传染动力学模型最初是为传染病而开发的，现已被证明与在线社会系统中的信息、新闻和政治观点的研究相关。病毒传播过程的建模和预测是网络科学研究的重要课题。然而，许多关于信息级联的研究忽略了不同信息之间的感染性差异。在这里，我们采用在线级联的早期观察来估计不同信息的传染性。使用模拟和数据从现实世界的Twitter转发，我们证明，这些估计的传染性可以用来提高预测的病毒式的信息级联。开发我们的模拟来模仿现实世界的数据，我们考虑有限的有效时间的级联传输的效果，并证明了一个简单的模型，缓慢但不可忽略的衰减的传染性捕获的基本属性的转发分布。这些结果表明，推文的内在感染力与其扩散的复杂网络环境之间存在相互作用，强烈影响成为病毒级联的可能性。
2018-09-11 cs.SI physics.soc-ph
Crossing the Functional Desert: Cascade-Driven Assembly and Feasibility Transitions in Early Life
该研究通过级联驱动的动态机制，揭示了在连接网络中如何通过非线性阈值和相干时间实现功能组织的形成与维持。
2026-01-24 nlin.AO physics.bio-ph physics.soc-ph
Inferring the Underlying Structure of Information Cascades
University of California at Santa Barbara（加州大学圣巴巴拉分校）
在社交网络中，信息和影响力在用户之间以级联的方式传播。虽然研究叶栅的重要性已在各种应用中得到承认，但在实践中很难观察叶栅的完整结构。此外，关于如何根据部分观测推断级联，人们所知甚少。本文研究了独立级联模型下的级联推理问题，从复杂度到算法都进行了全面的论述：（a）提出了一致树作为级联推理结构的思想，这些树将源节点和观测节点连接起来，路径满足观测时间信息的约束。(b)我们引入指标来衡量的可能性一致的树推断级联，以及几个优化问题，找到他们。(c)我们表明，一致树的决策问题一般是NP-完全的，优化问题是很难近似的。(d)我们提供的近似算法的推断级联的质量，以及questionistics的性能保证。我们实验验证了我们的推理算法的效率和有效性，使用真实和合成数据。
2012-10-12 cs.AI 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
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
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
Understanding and forecasting lifecycle events in information cascades
大多数社交网站允许用户重新分享用户发布的信息。随着时间的推移，重新共享的级联增长，最终在一定时间段后饱和。虽然以前的研究主要集中在级联现象的一个方面，特别是预测级联何时会病毒式传播，但在本文中，我们通过分析级联生命周期中两个事件的发生采取了一种更全面的方法-最大增长期在重新共享方面的激增和级联开始下降的时期。我们解决的挑战，在确定这些时期，然后进行比较分析，这些时期的网络拓扑结构的角度。我们研究了几个节点为中心的结构措施的影响，使用格兰杰因果关系，这有助于我们量化的网络措施的意义，并了解在何种程度上网络拓扑结构的增长动力学的影响。该评估是在从微博社交网络中提取的7407个级联的数据集上进行的。使用我们的因果关系框架，我们发现，基于节点度的熵测度因果地影响了93.95%的级联中这些事件的发生。令人惊讶的是，这优于聚类系数和PageRank，我们假设这将更能反映基于早期研究的增长动态。我们还扩展了格兰杰因果向量自回归（VAR）模型预测事件发生在级联生命周期的时间。
2020-03-23 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
Information Cascades in Feed-based Networks of Users with Limited Attention
我们建立了一个模型的信息级联反馈为基础的网络，考虑到有限的注意广度的用户，消息生成率和消息转发率。使用这个模型，我们通过模拟研究，用户注意力的程度上的级联成为病毒的概率的影响。在类比与分支过程中，我们估计的分支因子与级联过程中不同的注意广度和不同的转发概率，并证明，超过一定的注意广度，关键的转发概率存在，构成一个阈值后，级联可以成为病毒。关键转发概率与注意广度成反比关系。接下来，我们为我们的模型开发了一种半分析方法，该方法允许我们确定给定消息生成率，消息转发率和注意广度值的分支因子。使用这种分析方法得到的分支因子显示出良好的协议，通过模拟得到的。最后，我们分析了从Twitter获得的事件特定数据集，并表明估计的分支因子与不同标签相关的级联大小分布相关。
2015-08-27 cs.SI physics.soc-ph
Exploring the Independent Cascade Model and Its Evolution in Social Network Information Diffusion
School of Computer and Information, Hefei University of Technology（合肥工业大学计算机与信息学院）
本研究聚焦社交网络中的信息传播问题，分析信息传播模型的核心作用，为探索传播层级结构及表现奠定基础，推动该领域后续研究。
2024-03-16 cs.AI physics.soc-ph
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
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
Conspiracy vs science: A large-scale analysis of online discussion cascades
随着社交媒体平台和社交网站的出现和迅速扩散，近年来我们的日常生活中出现了大量错误信息。我们利用涵盖超过140万条帖子和1800万条评论的大规模数据集，调查了两种不同叙述的传播--（i）阴谋信息，其说法通常未经证实，因此在某种程度上被称为错误信息，以及（ii）科学信息，其来源通常很容易识别和验证--在在线社交媒体平台上。我们发现，阴谋级联往往在多代分支过程中传播，而科学级联更有可能以广度优先的方式增长。具体来说，阴谋信息会引发更大的级联，涉及更多的用户和世代，持续时间更长，比科学信息更具病毒性和突发性。内容分析表明，阴谋级联包含更多的负面词汇和情感词汇，表达愤怒，恐惧，厌恶，惊讶和信任。我们还发现，阴谋级联更关注政治和有争议的话题。在应用机器学习模型后，我们在区分阴谋和科学叙述方面的AUC得分接近90%。我们发现，阴谋级联比科学级联更有可能被更广泛的用户控制，这给错误信息的管理带来了新的挑战。虽然政治亲和力被认为会影响错误信息的消费，但很少有证据表明信息源的政治取向在阴谋信息的传播过程中发挥作用。我们的研究为当前的错误信息研究提供了补充证据，并对阻止传播和减轻网上错误信息的影响具有实际的政策意义。
2021-04-06 cs.SI physics.soc-ph
Abrupt transition due to non-local cascade propagation in multiplex systems
多层系统是一种耦合网络，具有不同的相互作用层，由于其能够描述大量的经验复杂系统，近年来受到了广泛的关注。他们是非常脆弱的渗流和第一邻居故障传播，但很少有人知道他们如何响应非本地中断，因为它发生在故障引起的流量重新分配，例如。认识到许多社会技术和生物系统维持着某些物理量（如能量或信息）在其组成部分之间的流动，因此必须了解流量重新分配何时会导致全球连锁故障，以便设计出强有力的系统，提高其复原力或学习如何有效地拆除它们。在本文中，我们研究的影响，不同的多路复用的拓扑功能时，受到非本地级联传播的系统的鲁棒性。我们首先数值证明，这种动力学有一个临界值，在这个临界值处，一个小的初始扰动有效地使整个网络变小，并且过渡突然出现。然后，我们确定的故障所造成的流量过剩，在一般情况下，更均匀分布的网络中，节点之间的平均距离是small.Using这些信息，我们发现，聚合版本的多路复用网络往往高估的鲁棒性，即使使系统更强大的可以通过增加层数来实现。区域多层系统中模拟的连锁故障证实了我们的预测。
2020-09-18 cond-mat.stat-mech physics.soc-ph
Cascades towards noise-induced transitions on networks revealed using information flows
本文提出发起节点和稳定节点两种角色，通过信息流分析揭示噪声诱导级联转变的机制，并展示如何通过干预控制复杂网络中的系统性临界转变。
2024-09-01 cs.SI physics.soc-ph
Phase transition to two-peaks phase in an information cascade voting experiment
观察学习是一种重要的信息聚合机制。然而，它偶尔会导致整个人口选择次优选项的状态。它何时发生以及是否是一个相变仍然没有答案。为了解决这些问题，我们进行了一个投票实验，在这个实验中，受试者依次回答了一个两个选择的测验，有没有关于先前受试者的选择的信息。能模仿别人的臣民被称为牧民。我们获得了一个关于牧民如何模仿他人的微观规则。在约50名受试者的实验中，改变放牧者的比例导致宏观行为发生质的变化。如果这个比例很小，选择序列会迅速收敛到真正的选择序列。当比率接近100%时，收敛变得极其缓慢，信息聚合几乎终止。一个基于赫尔德微观规则的10^{6}个受试者的随机模型的模拟研究表明，当比率超过某个临界值时，会出现向双峰相的相变，在此收敛完全终止。
2012-11-12 cond-mat.stat-mech cs.SI physics.soc-ph
On Watts' Cascade Model with Random Link Weights
我们研究了Duncan Watts在2002年提出的社交网络中的信息级联模型的一个扩展，该模型中的边权重是随机的，这是一个创新，其动机是最近将级联分析应用于金融网络中的系统性风险。主要结果是一个概率分析，其特征级联在一个无限的网络作为一个向量值映射的不动点，明确的卷积积分，可以有效地评估使用快速傅立叶变换算法的数值。第二个结果给出了近似的概率分析级联的“现实世界的网络”，有限网络的基础上一个固定的确定性图。广泛的交叉测试与蒙特卡罗估计表明，这种近似分析表现令人惊讶的好，并提供了一个灵活的显微镜，可用于调查在现实世界中的网络在广泛的模型参数的信息级联的属性。
2012-11-24 cond-mat.dis-nn cs.SI physics.soc-ph
