A Community-Based Sampling Method Using DPL for Online Social Network
在本文中，我们提出了一种新的在线社交网络，实现以下图采样方法。首先，样本图应该反映原始图的节点数和边数之间的比率。第二，样本图应该反映原始图的拓扑结构。第三，当从同一原始图中采样时，样本图应该彼此一致。所提出的方法采用两种技术：分层社区提取和致密化幂律。该方法将原始图划分为一组社区，以保持原始图的拓扑结构。它还使用了致密化幂律，该幂律捕获了在线社交网络中节点数量与边缘数量之间的比率。在实验中，我们使用几个现实世界中的在线社交网络，使用现有的方法和我们的创建样本图，并分析样本图之间的差异，通过每种采样方法和原始图。
2011-09-06 cs.SI physics.soc-ph
Social Graph Restoration via Random Walk Sampling
在数据访问受限的情况下分析社交图谱对第三方研究人员来说是一个挑战。为了解决这一挑战，已经开发了许多通过随机游走估计结构特性的算法。然而，大多数现有的算法仅限于局部结构特性的估计。在这里，我们提出了一种方法来恢复原始的社会图从随机游走获得的小样本。所提出的方法生成一个图，保持估计的局部结构特性和结构的子图采样的随机行走。我们比较所提出的方法与子图采样使用爬行方法和现有的方法生成一个图形，结构上类似于原始图形通过随机游走。我们的实验结果表明，所提出的方法更准确地再现局部和全局的结构属性的平均和原始图的视觉表示比比较方法。我们希望我们的方法将导致对有限数据访问的社交图的详尽分析。
2022-01-19 cs.SI physics.soc-ph
De-anonymizing scale-free social networks by percolation graph matching
我们解决的问题时，人与人之间的关系描述的无标度图的社交网络去匿名化。特别是，我们提出了一个严格的，渐近的数学分析网络去匿名化问题，同时捕捉幂律节点度分布的影响，这是一个基本的和相当普遍的特点，许多复杂的系统，如社交网络。通过应用自举渗透和一种新的图切片技术，我们证明了大的不均匀性的节点度导致显着减少的初始节点集，必须是已知的先验（种子），以成功地识别所有其他用户。我们的特点是使用不同的标准选择种子时，这一套的大小，我们表明，他们的数量可以小到$n^ε$，任何小${ε>0}$。我们的研究结果是通过一个真实的社会网络图上的模拟实验进行验证。
2014-11-26 cs.SI physics.soc-ph
Subgraph Frequencies: Mapping the Empirical and Extremal Geography of Large Graph Collections
越来越多的在线应用程序正在生成数据，这些数据可以被视为小型密集社交图的非常大的集合-这些集合的范围从社交组、事件或协作项目的集合到大型社交网络中的大量图形邻域的集合。一个自然的问题是如何有效地为这样的图集合定义一个域独立的坐标系，以便可以在公共空间内完整地表示和理解可能的结构集。在这项工作中，我们利用图同态的理论来制定和分析这样的表示，基于计算每个图中的小诱导子图的频率。我们发现，子图频率的空间是由它的组合属性，基于极值的结果，约束所有的图，以及由它的经验性质，表现在真实的社会图似乎躺在一个简单的一维曲线附近通过这个空间。我们开发灵活的框架来研究这些方面。为了捕捉经验性质，我们描述了一个简单的随机生成模型，一个单参数扩展的Erdos-Renyi随机图，其平稳分布在子图密切跟踪的浓度的真正的社会图家庭。对于极值性质，我们开发了一个易于处理的线性规划，利用已知的极值图论工具包来界定子图频率的可行空间。总之，这两个互补的框架揭示了一个基本的问题，有关社会图：什么属性的社会图是“社会”的属性，什么属性是“图”的属性？最后，我们简要演示了我们所研究的坐标系统如何也可以用于执行分类任务，区分不同起源的社交图。
2013-05-14 cs.SI physics.soc-ph
The Anatomy of the Facebook Social Graph
我们研究了Facebook活跃用户的社交图谱结构，这是有史以来分析过的最大的社交网络。我们计算图的许多特征，包括用户和友谊的数量，度分布，路径长度，聚类和混合模式。我们的研究结果围绕着三个主要的观察结果。首先，我们描述了图的全局结构，确定社交网络几乎是完全连接的，99.91%的个体属于一个大的连接组件，我们确认了全球范围内的“六度分离”现象。其次，通过研究图邻域的平均局部聚类系数和退化，我们表明，虽然Facebook图作为一个整体显然是稀疏的，但用户的图邻域包含令人惊讶的密集结构。第三，我们通过研究用户的基本人口统计和网络属性来描述图中存在的不确定性模式。我们观察到明确的程度不确定性和特点的程度“你的朋友有更多的朋友比你”。此外，我们观察到年龄对友谊偏好的强烈影响，以及由国籍驱动的全球模块化社区结构，但我们没有发现任何强烈的性别同质性。我们将我们的结果与较小的社交网络的结果进行比较，发现大部分（但不完全）在共同的结构网络特征上一致。
2011-11-18 cs.SI physics.soc-ph
Modeling Social Networks with Overlapping Communities Using Hypergraphs and Their Line Graphs
我们提出超图可以用来建模具有重叠社区的社交网络。超图的节点表示社区。超图的超链接表示可以参与多个社区的个人。超图不容易分析，而超图的线图是简单图或赋权图，因此可以应用网络理论。我们定义的重叠深度$k$的个人的社区，在该个人重叠的数量，我们证明了相应的线图的最小邻接特征值不小于$-k_{max}$，这是整个网络的最大重叠深度。基于具有优先连接的超图，建立了一个包含重叠社区的网络模型，其中重叠参数$k$和$w$可调.通过与Hyves社会网络的比较，我们发现，我们的社会网络模型具有高度的聚类性，混合性，幂律度分布和短的平均路径长度。
2010-12-13 cs.SI physics.soc-ph
Design of Efficient Sampling Methods on Hybrid Social-Affiliation Networks
通过爬行的图采样在测量大规模复杂网络的各种特性的研究中变得越来越流行和重要。虽然功能强大，但当图是松散连接或断开连接时，它具有挑战性，这会减慢随机游走的收敛速度，并可能导致估计精度差。在这项工作中，我们观察到，所研究的图，或称为目标图，通常并不孤立存在。在许多情况下，目标图与辅助图和联系图相关，当我们从这三个图的角度来看目标图时，目标图变得很好地连通，本文称之为混合社会联系图。当直接对目标图进行采样困难或效率低下时，我们可以在其他两个图的辅助下间接地对其进行有效采样。我们设计了三种抽样方法在这样一个混合的社会关系网络。在合成数据集和真实数据集上进行的实验证明了我们所提出的方法的有效性。
2014-05-20 cs.SI physics.soc-ph
Dynamic Clustering in Social Networks using Louvain and Infomap Method
在社交网络中发现社区或聚类是社会网络分析中的一个著名课题。大多数算法仅限于静态快照，因此无法处理底层图中的动态。在本文中，我们提出了一个修改的Louvain社区检测方法来处理图中的变化，而无需重新运行完整的算法。此外，我们采用了Louvain贪婪的方法来优化信息地图的措施。主要的想法是，重新计算只有一个小区域周围的变化。根据图的大小和更改量，这会导致运行时间大幅减少。作为验证数据，我们提供了一个图形生成器，它在给定的时间产生特定的社区结构，以及将图形从一个特定图形转换到另一个特定图形的中间步骤。实验表明，运行时间的减少是可能的，而不会有太大的质量损失。这些值取决于图形中的再处理区域。
2016-03-08 cs.SI physics.soc-ph
Modeling Social Networks with Node Attributes using the Multiplicative Attribute Graph Model
从社会，技术和自然领域产生的网络表现出丰富的连接模式，在这样的网络中的节点往往与属性或功能的标签。我们解决的问题，建模的网络结构中的节点属性信息。我们提出了一个乘法属性图（MAG）模型，认为节点的分类属性和模型的概率边缘的产品的个人属性链接形成的亲和力。提出了一种可扩展的变分期望最大化参数估计方法。实验表明，MAG模型可靠地捕捉网络连接，以及提供洞察不同的属性如何塑造网络结构。
2011-06-24 cs.SI physics.soc-ph
Botnet Detection using Social Graph Analysis
基于签名的僵尸网络检测方法通过识别命令和控制（C\&C）流量来识别僵尸网络，并且对于使用新的和可扩展的机制进行此类通信的僵尸网络可能无效。为了解决这些局限性，我们提出了一种新的僵尸网络检测方法，分析节点之间的社会关系。该方法由两个阶段组成：（i）在节点之间的“交互”图中使用度分布上的大偏差结果进行异常检测，以及（ii）在社交“相关”图中进行社区发现，该社交“相关”图的边缘连接具有高度相关通信的节点。后一阶段使用了一个精致的模块化措施，并制定了一个非凸优化问题，为适当的松弛策略的问题。我们将我们的方法应用于现实世界的僵尸网络流量，并将其性能与其他社区发现方法进行比较。实验结果表明，该方法是有效的，改进的模块性度量提高了检测精度。
2015-03-08 cs.SI physics.soc-ph
Comparing the sensitivity of social networks, web graphs, and random graphs with respect to vertex removal
在过去的15年里，网络对顶点移除的敏感性已经得到了广泛的研究。测量这种敏感性的常用方法是（i）通过遵循特定的删除策略连续删除顶点，以及（ii）使用特定的比较方法比较原始网络和修改后的网络。在本文中，我们应用了广泛的删除策略和比较方法，以研究从现实世界和随机生成的网络的中型网络的敏感性。在我们研究的第一部分中，我们观察到社交网络和网络图的敏感性不同。当删除顶点时，社交网络是健壮的，而网络图则不是。Boldi等人分析了非常大的网络，得出了结论性的结论。对于类似生成的随机图，我们发现，灵敏度高度依赖于比较方法。移除策略的选择有令人惊讶的边际影响的敏感性，只要我们考虑共同的中心性措施所暗示的移除策略。但是，当以随机顺序删除顶点时，它具有很强的效果。
2014-12-22 cs.SI physics.soc-ph
Fast and Scalable Analysis of Massive Social Graphs
图分析是在线社交网络、生物网络中的蛋白质相互作用和互联网流量分析等应用的关键组成部分。具有数亿个节点的大规模图（例如社交图）的到来对图分析应用提出了独特的挑战。这些应用程序中的大多数依赖于计算节点对之间的距离，对于大型图，使用传统算法（如广度优先搜索（BFS））可能需要几分钟才能计算出来。在本文中，我们研究了如何在当今的海量图形上实现可扩展的图形处理。我们探索了图坐标系的设计空间，这是一种通过将图嵌入坐标空间来在恒定时间内精确近似节点距离的新方法。我们表明，双曲线嵌入产生相对较低的失真误差，并提出参宿七，双曲线图坐标系，适合于高效的并行化跨计算集群。Rigel产生的结果比以前的系统要精确得多，并且在计算集群之间自然地可并行化，使其能够为多达4300万个节点的图形提供准确的结果。最后，我们表明，参宿七的功能可以很容易地扩展到定位（近）节点对之间的最短路径。在一次性预处理成本之后，Rigel在10微秒内回答节点距离查询，并且还产生最短路径结果，其速度比具有类似准确度的先前最短路径系统快18倍。
2011-07-30 cs.SI physics.soc-ph
Diversity, Topology, and the Risk of Node Re-identification in Labeled Social Graphs
真实网络数据集为理解诸如信息扩散或网络演化等现象提供了显著的益处。然而，共享真实的图形数据集所带来的隐私风险，即使在剥离用户身份信息的情况下，也是巨大的。当节点具有关联属性时，隐私风险增加。在本文中，我们定量研究的二进制节点属性对节点隐私的影响，采用基于机器学习的重新识别攻击，并探讨图拓扑结构和属性放置之间的相互作用。我们的实验表明，人口的多样性的二元属性一致降低匿名性。
2018-08-31 cs.SI physics.soc-ph
Force-Directed Graph Drawing Using Social Gravity and Scaling
力导向布局算法通过解析模拟物理力的系统来产生图形。我们提出的技术，使用社会引力作为一个额外的力量，在力导向的布局，连同缩放技术，产生图纸的树木和森林，以及更复杂的社交网络。社会引力将质量分配给与网络中心性成比例的顶点，这使得在图形理论上更中心的顶点可以在物理中心位置可视化。缩放会在整个模拟过程中改变重力，并减少相对于未缩放重力的交叉。除了提供这种算法框架，我们将我们的算法应用到由Mark Lombardi制作的社交网络中，我们展示了如何将社会引力融入到力量导向的伦巴第风格的绘画中。
2012-09-04 cs.CG cs.SI physics.soc-ph
Line graphs as social networks
线图是群集的和独立的。它们与某些社交网络共享这些拓扑特征。我们认为，这种相似性揭示了社交网络的小团体性质。在这里提出的模型中，社会网络是由家庭、社区、利益集团、学校班级和小公司组成的初始网络的线图。这些群体扮演节点的角色，个体由这些节点之间的链接表示。这张图片得到了LiveJournal网络上大约8 x 10^6人的数据的支持。特别地，聚类系数C（k）的度依赖性的观测数据的尖锐最大值与社交网络中的集团相关联。
2010-10-12 cs.SI physics.data-an physics.soc-ph
Social and place-focused communities in location-based online social networks
由于互联网接入的普及和智能手机的普及，全世界数百万人现在使用基于位置的在线社交网络服务。了解这些系统的结构特性及其对用户习惯和移动性的依赖性具有许多潜在的应用，包括资源推荐和链接预测。在这里，我们通过使用关于声明的社会关系和关于从流行的在线基于位置的社会服务收集的用户对物理场所的访问的纵向信息来构建和分析社会和以地点为中心的图。我们发现，虽然社会和地方为重点的图是从相同的数据集构建的，他们有相当不同的结构特性。我们发现，社会和位置为重点的图形有不同的全球和中观尺度的结构，特别是社会和地方为重点的社区有可以忽略不计的重叠。因此，基于单独在社交图上执行的社区检测的群体推断无法隔离以位置为中心的群体，即使这些群体确实存在于网络中。通过研究社区内的领带结构的演变，我们表明，在这段时间内，位置数据被聚合的地方为重点的社区的稳定性有很大的影响，并以地方为基础的群体的信息可能是更有用的以用户为中心的应用程序比单独从社会社区的分析。
2013-07-01 cs.SI physics.soc-ph
A Probabilistic Graph Model for Trust Opinion Estimation in Online Social Networks
信任评估在许多在线应用中起着关键作用，例如在线借贷，产品审查和主动交友。信任模型通常使用一组参数来表示信任者-受信者对之间的信任关系。这些参数来源于委托人对受托人的偏见和看法。自然地，这些参数可以被视为矢量。为了解决这个问题，我们提出了一个框架，以准确地将单个值转换为3VSL所需的参数。该框架首先采用概率图模型（PGM）来推导出委托人的意见和偏见，他对受托人的评级。
2019-09-22 cs.SI physics.soc-ph
Publishing Community-Preserving Attributed Social Graphs with a Differential Privacy Guarantee
我们提出了一种新的方法发布差异私人合成属性图。与以前的方法不同，我们的方法能够保留原始图的社区结构，而不牺牲捕获全局结构属性的能力。我们的建议依赖于C-AGM，一个新的社区保持属性图的生成模型。我们配备C-AGM与有效的方法，属性图采样和参数估计。对于后者，我们引入差分私有计算方法，这使我们能够发布具有强大的正式隐私保证的社区保护合成属性社交图。通过全面的实验，我们表明，我们的新模型优于其最相关的同行在合成差异私人属性的社会图，保留社区结构的原始图，以及度序列和聚类系数。
2019-08-31 cs.CR cs.SI physics.soc-ph
GRAPHIA: Harnessing Social Graph Data to Enhance LLM-Based Social Simulation
Gaoling School of Artificial Intelligence, Renmin University of China（中国人民大学高瓴人工智能学院）；Alimama Tech, Taobao & Tmall Group of Alibaba（阿里巴巴淘宝天猫集团阿里妈妈技术）
GRAPHIA通过强化学习利用社交图数据作为LLM训练的监督信号，提升社会模拟的微观和宏观对齐效果，实验显示其在多个真实网络中显著提高预测精度和社会现象复制能力。
2026-04-11 cs.SI
Using social network graph analysis for interest detection
Zato Novo, LLC（Zato Novo有限责任公司）；CUNY（纽约城市大学）
一个人的利益是作为一种内在状态而存在的，很难界定。由于只有外部行为是可观察的，因此必须使用代表某人利益的代理。像协同过滤、行为定位和标签分析这样的技术隐含着对个人兴趣的建模。我认为，这些模型仅限于肤浅的，暂时的利益，这并不能反映人们更深层次的利益或激情。我提出了一个替代模型的利益，利用用户的社交图。基本原则是人们只关注他们感兴趣的东西，因此社交图是人们兴趣的有效和强大的代理。
2014-10-01 cs.CL cs.SI physics.soc-ph
Emotion Diffusion in Real and Simulated Social Graphs: Structural Limits of LLM-Based Social Simulation
本研究比较了现实与模拟社交图中的情感扩散，发现LLM生成的数据在结构和动态上存在显著差异，影响下游任务性能。
2025-12-24 cs.SI
Social Influence Prediction with Train and Test Time Augmentation for Graph Neural Networks
数据增强已广泛用于机器学习中的自然语言处理和计算机视觉任务，以提高模型性能。然而，很少有研究研究了图神经网络的数据增强，特别是在训练和测试时使用增强。受其他领域增强成功的启发，我们设计了一种使用具有训练和测试时间增强的图神经网络进行社会影响力预测的方法，该方法可以通过在两种情况下利用变分图自动编码器有效地为社交网络生成多个增强图。我们已经评估了我们的方法在预测用户对多个社交网络数据集的影响方面的性能。我们的实验结果表明，我们的端到端的方法，联合训练图自动编码器和社会影响力行为分类网络，可以优于国家的最先进的方法，证明了训练和测试时间增加图神经网络的社会影响力预测的有效性。我们观察到，这对较小的图特别有效。
2021-04-23 cs.SI
Graph Sampling Approach for Reducing Computational Complexity of Large-Scale Social Network
在线社交网络服务为人类的社交互动提供了平台。如今，各种在线交互产生了大规模的社交网络数据。网络分析有助于从网络内部参与者之间的关系中挖掘知识和模式。这种方法对于支持许多实际应用中的预测和决策过程非常重要。社会网络分析方法学借用了图论的方法，提供了几个指标，使我们能够测量网络的特定属性。一些度量计算是在没有考虑可扩展性的情况下构建的，因此它在计算上是昂贵的。在本文中，我们提出了一个图采样的方法来减少社会网络的大小，从而减少计算操作。自然图的采样策略，使用边随机采样，节点随机采样，和随机游动的性能比较，每个选定的图形属性。我们发现，图形采样策略的性能取决于测量的图形属性。
2021-02-18 cs.SI
Leveraging Peer Centrality in the Design of Socially-Informed Peer-to-Peer Systems
社交应用程序挖掘用户社交图谱，以提高搜索性能，提供推荐，允许资源共享并提高数据隐私。当这样的应用在对等（P2P）架构上实现时，社交图分布在P2P系统上：社交图的遍历转化为对等层中的社交通知路由。在这项工作中，我们介绍了模型的投影图，这是分散的社交图到对等网络的结果。我们专注于三个社会网络指标：度，节点介数和边缘介数中心性和分析制定的社会图和投影图中的指标之间的关系。通过对真实网络的实验评估，我们证明了当映射用户社区的大小高达50-150个用户在每个对等体上时，社交图的属性与投影图之间的关联性很高，因此（动态）投影图的属性可以从（变化较慢的）社交图的属性中推断出来。此外，我们展示了两个应用场景上的大规模社交网络的可用性的投影图在设计社会化搜索应用程序和非结构化P2P覆盖。
2012-10-22 cs.DC cs.SI
Social Network Analysis Taxonomy Based on Graph Representation
目前社会网络分析的研究主要有三种方法：图表示法、内容挖掘法和语义分析法。图表示已被用于分析社会网络拓扑结构，结构建模，连接强度，社区发现，群体凝聚力可视化和度量计算。本文提出了一种基于图表示的社会网络分析分类法。
2021-02-17 cs.DM cs.SI
Social Event Detection with Interaction Graph Modeling
本文的重点是从社交媒体网站上发布的照片中检测社交，物理世界事件。问题很重要：廉价的媒体捕获设备显著增加了这些网站上共享的照片数量。本文的主要贡献是将在线社交互动功能的物理事件的检测。我们认为，在线社交互动反映了参与者之间关于两张照片的“社交亲和力”的重要信号，从而有助于事件检测。我们通过在社交互动图上随机游走来计算社交亲和力，以确定图上两张照片之间的相似性。我们训练一个支持向量机分类器，结合照片和照片为中心的元数据，包括时间，位置，标签和描述之间的社会亲和力。然后使用增量聚类将照片分组到事件聚类。我们在两个大规模的真实世界数据集上获得了非常好的结果：Upcoming和MediaEval。在这些数据集上，我们在F1中显示了0.06-0.10之间的改进。
2012-08-13 cs.IR cs.MM cs.SI
CACL: Community-Aware Heterogeneous Graph Contrastive Learning for Social Media Bot Detection
提出社区感知异构图对比学习框架CACL，通过动态挖掘难样本与自适应图增强进行有监督对比学习，克服了GNN泛化差与过平滑问题，在三个基准上表现优于基线。
2024-06-03 cs.SI
Real Time Enhanced Random Sampling of Online Social Networks
社交图可以很容易地从在线社交网络中提取。然而，这些网络每天都在扩大。用于评估图信息的采样方法不能准确地提取图属性。此外，社交网络限制了对其数据的访问，使得抓取过程更加困难。提出了一种新的随机抽样方法，考虑到有限性和资源。我们在5个不同的测试图上使用4个不同的设置来评估这个建议，这些测试图直接从Twitter上抓取。通过对结果的比较，观察其方法的优劣以及各自的资源分配。最后，我们介绍了它们的最佳应用领域。
2013-01-16 cs.IR cs.SI physics.soc-ph
Layered Label Propagation: A MultiResolution Coordinate-Free Ordering for Compressing Social Networks
我们继续从WebGraph开始的关于图压缩的研究路线，但是我们将重点转移到社交网络的压缩（例如，LiveJournal）：已经使用了很长时间来压缩web图的方法依赖于节点的特定排序（字典法URL排序），其扩展到一般社交网络并非微不足道。在本文中，我们提出了一个解决方案，混合聚类和订单，并设计了一个新的算法，称为分层标签传播，建立在以前的工作可扩展的聚类，可用于重新排序非常大的图（数十亿个节点）。我们的实现使用过度分解来积极地在多核架构上执行，使得在几个小时内重新排序超过6亿个节点的图形成为可能。在各种各样的网络图和社交网络上进行的实验表明，将所提出的算法产生的顺序与WebGraph压缩框架相结合，相对于所有当前已知的技术，在网络图和社交网络上都提供了压缩的重大增加。这些改进使得在主存储器中分析更大的图形成为可能。
2011-10-14 cs.DS cs.SI physics.soc-ph
Active Re-identification Attacks on Periodically Released Dynamic Social Graphs
主动重新识别攻击对隐私保护社交图发布构成了严重威胁。主动攻击者创建虚假帐户，以在社交图中构建结构模式，即使没有额外的背景知识，也可用于在已发布的匿名图上重新识别合法用户。到目前为止，这种类型的攻击只在固有的动态社交图发布一次的情况下进行了研究。在本文中，我们提出了第一个主动重新识别攻击在更现实的情况下，一个动态的社交图定期发布。新的攻击利用时间结构模式来加强对手。通过对真实生活和合成动态社交图的一系列实验，我们表明，我们的新攻击大大优于文献中最有效的静态主动攻击，将重新识别的成功概率提高了两倍以上，效率提高了近10倍。此外，与静态攻击不同，我们的新攻击能够随着发布过程的推进而保持相同的有效性和效率。我们对可能阻止我们的新攻击的因素进行了研究，这可以帮助设计图匿名方法，在隐私和实用性之间实现更好的平衡。
2019-11-21 cs.SI
Anonymizing Social Graphs via Uncertainty Semantics
最近的方法利用不确定图的语义来实现参与实体及其关系的隐私保护，而不是通过将其推广到超级节点/边或添加/删除节点和边来满足给定的隐私参数来匿名化社交图。这些技术通过将确定性图转换为不确定形式来匿名化确定性图。在本文中，我们提出了一个广义的混淆模型的基础上不确定的邻接矩阵，保持预期的节点度等于那些在匿名图。我们分析了两个最近提出的计划，并显示其拟合模型。我们还指出了每种方法的缺点，并提出了几种优雅的技术来填补它们之间的差距。最后，为了支持公平的比较，我们开发了一个新的权衡量化框架，利用位置隐私研究中的不正确的概念。大型社会图上的实验证明了我们的计划的有效性。
2014-08-06 cs.SI
DECOR: Degree-Corrected Social Graph Refinement for Fake News Detection
针对假新闻检测中图结构存在边噪声且现有图结构学习方法计算开销大的问题，本文提出DECOR方法。该方法利用新闻节点度数模式指示真实性的特点，通过轻量级度修正掩码迭代更新边权重，实现与GNN检测器的联合优化，有效提升了检测性能与效率。
2023-06-30 cs.SI
Beyond Individual Mimicry: Constructing Human-Like Social network with Graph-Augmented LLM Agents
Cyberspace Security, Beijing University of Posts and Telecommunications（网络安全，北京邮电大学）；Institute of Software, Chinese Academy of Sciences（软件研究所，中国科学院）
本文提出GraphMind，通过让基于LLM的社交机器人学习人类社交网络结构，解决现有社交机器人在全局交互协调上的不足，并构建GraphMind-Botnet评估现有检测算法性能。
2026-03-31 cs.AI cs.SI
Graph Neural Networks for Social Recommendation
City University of Hong Kong（香港城市大学）；Michigan State University（密歇根州立大学）；The Hong Kong Polytechnic University（香港理工大学）
近年来，图神经网络（GNNs），它可以自然地集成节点信息和拓扑结构，已被证明是强大的学习图形数据。GNN的这些优点为推进社会推荐提供了巨大的潜力，因为社会推荐系统中的数据可以表示为用户-用户社交图和用户-项目图;学习用户和项目的潜在因素是关键。然而，构建基于GNN的社会推荐系统面临着挑战。例如，用户-项目图对交互及其相关联的意见进行编码;社会关系具有异质强度;用户涉及两个图（例如，用户-用户社交图和用户-项目图）。为了同时解决上述三个挑战，在本文中，我们提出了一种新的图神经网络框架（GraphRec）的社会建议。特别是，我们提供了一个原则性的方法来共同捕捉用户项图中的交互和意见，并提出了框架GraphRec，它连贯地建模两个图和异构的优势。在两个真实数据集上的大量实验证明了所提出的框架GraphRec的有效性。我们的代码可在\url{https://github.com/wenqifan03/GraphRec-WWW19}上获得
2019-11-23 cs.IR cs.LG cs.SI
Social Network Analysis: From Graph Theory to Applications with Python
社会网络分析是通过使用网络和图论来研究社会结构的过程。它结合了各种技术来分析社交网络的结构，以及旨在解释这些结构中观察到的潜在动态和模式的理论。它是一个内在的跨学科领域，最初出现在社会心理学，统计学和图论领域。本讲座将涵盖社会网络分析的理论，并简要介绍图论和信息传播。然后，我们将使用NetworkX深入研究Python代码，以更好地理解网络组件，然后从真实的Pandas和文本数据集构建和暗示社交网络。最后，我们将讨论实际用例的代码示例，例如matplotlib可视化，社会中心分析和信息传播的影响力最大化。
2021-02-05 cs.LG cs.SI
Multi-layer graph analysis for dynamic social networks
现代社交网络通常包含多种不同类型的连接信息;例如，明确承认的朋友关系可能会补充根据用户的行为或兴趣将用户联系起来的行为措施。表示这些网络的一种方法是作为多层图，其中每个层包含相同底层顶点（用户）上的一组唯一边。不同层中的边通常具有相关但不同的语义;根据应用，多个层可能用于通过平均来减少噪声，执行多方面分析，或两者的组合。然而，如何以灵活的方式将标准图分析技术扩展到多层设置并不明显。在本文中，我们开发的潜变量模型和方法，挖掘多层网络的连接模式的基础上嘈杂的数据。
2014-05-12 cs.SI physics.soc-ph stat.CO
Towards Psychometrics-based Friend Recommendations in Social Networking Services
社交网络服务的两个定义元素是社交简档和社交图，其中社交简档包含关于用户的信息，社交图包含关于用户之间的连接的信息。社交网络服务用于连接到已知的人以及发现新的联系人。当前的朋友推荐机制通常利用社交图。在本文中，我们认为，心理测量学，测量人格特质的领域，可以帮助基于包含收集的智能手机传感器数据的扩展社交配置文件进行有意义的朋友推荐。这将支持高度分布式的社交网络服务的开发，而无需对社交图进行集中了解。
2017-11-17 cs.SI
Understanding the Dynamics of the Stack Overflow Community through Social Network Analysis and Graph Algorithms
该论文以 Stack Overflow 为核心，运用社会网络分析与图算法研究在线社区动态及信息质量，并提出交通流预测、影响力最大化和链接预测三类方法。
2024-06-13 cs.SI
Representing Social Networks as Dynamic Heterogeneous Graphs
Muma College of Business University of South Florida
过去，现实世界社交网络的图形表示缺少两个重要元素：连接的多样性以及表示时间。为此，在本文中，我们提出了一种新的动态异构图表示的社交网络，其中包括时间在每个单一的组成部分，即，节点和边，每一种都是不同的类型，它们捕获了异质性。我们通过提出四个时间相关查询和深度学习问题来说明这种表示的强大功能，这些问题在常用的传统同构图表示中无法轻松处理。作为概念的证明，我们提出了一个新的社交媒体平台（Steemit），我们用它来说明动态查询能力以及预测任务，使用图神经网络（GNNs）的详细表示。实验结果表明了动态异构图表示对社交网络建模的强大功能。鉴于这是一个相对欠研究的领域，我们还说明了未来的工作机会，在查询优化以及新的动态预测任务异构图结构。
2022-09-12 cs.AI cs.SI
Methodology for Identifying Social Groups within a Transactional Graph
针对传统社区检测等方法难以准确识别交易图中特定用户群体的问题，本文提出一种聚焦上下文与结构细微差别的新颖框架，用于交易图中社交群体识别，助力组织利用用户互动数据。
2025-02-11 cs.SI
Asymptotic Performance Analysis of Majority Sentiment Detection in Online Social Networks
分析了在线社交网络中的多数情感检测问题，并将检测错误概率与网络的底层图联系起来。建模的基础社交网络作为一个伊辛马尔可夫随机场先验的基础上给定的图，我们表明，在空图（独立的情感）和链图的情况下，检测总是不准确的，即使当用户的数量增长到无穷大。在完全图的情况下，如果连接强度低于某个临界值，则检测是不准确的，而如果连接强度高于该临界值，则检测是渐近准确的，这类似于统计物理中的相变现象。
2016-11-15 cs.SI
Graphic-theoretic distributed inference in social networks
我们认为分布式推理在社交网络中的一个现象的兴趣演变在一个给定的社会互动图，称为\emph{social digraph}。对于推理，我们假设代理网络监控社交有向图中的某些节点，并且没有代理可以在其邻域内执行推理;代理必须依赖于智能体通信。本文的主要贡献包括：（一）一种新的构造的分布式估计和分布式观测的第一原则;（二）图论代理分类，建立的重要性和作用，每个代理对推理;（三）表征的必要条件，分类的基础上（二），在代理网络实现分布式观测。我们的结果是基于结构化系统理论，并适用于任何参数的选择，只要社会有向图保持固定的底层系统矩阵。换句话说，任何在结构不变的社会有向图上（线性）演化的社会现象都可以被考虑-我们将这种系统称为线性结构不变（LSI）。因此，上述贡献（i）-（iii）只需要社会有向图（拓扑）的知识，并且独立于社会现象。我们展示了结果对几个真实世界的社交网络的适用性，即僧侣之间的社会影响力，政治博客和书籍的网络，以及合著图。
2014-02-05 cs.MA cs.SI
Robust active attacks on social graphs
为了防止隐私敏感数据的泄露，例如用户之间的姓名和关系，社交网络图在发布之前必须匿名。社交网络图的朴素匿名化通常包括删除用户的所有标识信息，同时保持原始图结构。已经开发了对朴素匿名图的各种类型的攻击。主动攻击形成了一种特殊类型的隐私攻击，在这种攻击中，攻击者将许多假用户（通常称为sybil）包围到社交网络中，允许攻击者创建独特的结构模式，随后用于在匿名化后重新识别sybil节点和其他用户。几项研究表明，向已发布的图添加少量噪声已经足以减轻此类主动攻击。因此，主动攻击被认为是对隐私保护社交图谱发布的微不足道的威胁。在本文中，我们认为，这些研究揭示了具体的攻击的缺点，而不是作为一个一般性的战略主动攻击的固有问题。为了支持这一主张，我们开发了一个强大的主动攻击的概念，这是一个主动攻击，是弹性的社会网络图的小扰动。我们制定了强大的主动攻击的设计作为一个优化问题，我们给出了定义的主动攻击策略的不同阶段的鲁棒性。此外，我们引入了各种算法来实现这些鲁棒性的概念，并通过实验表明，新的鲁棒攻击比原来的攻击更具弹性，同时保持在相同的可行性水平。
2018-11-27 cs.SI
Detecting Automatically Managed Accounts in Online Social Networks: Graph Embedding Approach
在线社交网络的广泛使用和将流行账户商业化的机会吸引了大量的自动化程序，称为人工账户。针对社交网络中的真人账户和虚假账户进行分类，采用多种图神经网络对账户的属性和网络图特征进行有效编码。我们的工作使用网络结构和属性来区分人类和人工帐户，并比较了属性和传统的图嵌入。将复杂的、类似人类的人工账户分离成一个独立的任务，证明了基于配置文件的机器人检测算法的重大局限性，并显示了基于网络结构的方法检测复杂机器人账户的效率。实验表明，我们的方法可以实现有竞争力的性能相比，现有的最先进的机器人检测系统，只有网络驱动的功能。这篇论文的源代码可以在http://github.com/karpovilia/botdetection上找到。
2020-10-15 cs.SI
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
Time-Varying Graphs and Social Network Analysis: Temporal Indicators and Metrics
Carleton University（卡尔顿大学）；University of Siena（锡耶纳大学）；University of Ottawa（渥太华大学）；IRIT-CNRS（法国国家科学研究中心图卢兹计算机研究所）
大多数用于社交网络分析的工具--形式主义、概念和度量--都无法捕捉它们的动态。典型的系统表现出不同尺度的动力学，从相互作用的细粒度动力学（最近导致研究人员考虑距离，连通性和相关指标的时间版本）到网络属性在较长时间内的演变。本文提出了一种通用的方法来研究，分别基于序列的静态图和序列的时变图，覆盖连续的时间窗口的非时间和时间指标的演变。所有的概念和指标，其中一些是新的，表示使用随时间变化的图形形式主义。
2011-02-03 cs.AI cs.DC cs.SI
Heterogeneous Social Event Detection via Hyperbolic Graph Representations
School of Computing, Macquarie University（麦考瑞大学计算学院）；IBM T. J. Watson Research Center（IBM T. J. 沃森研究中心）
针对社交媒体异构性和标签稀缺问题，提出基于双曲图表示的社会事件检测方法HSED及其无监督版本UHSED，通过统一社会消息图和图对比学习捕获结构信息，实验证明其优越性。
2023-02-20 cs.LG cs.SI
Social Sensors in Epidemiological Networks via Graph Eigenvectors
在本文中，我们考虑流行病学网络，用于模拟传染病通过人口的传播。具体来说，我们研究了所谓的社会传感器问题：给定一个流行病网络，我们能否找到一个小的节点集，通过监测这些节点上的疾病传播，我们可以在整个人群中领先于整体流行病？尽管它的社会相关性，有没有太多的统计工作对这个问题，我们的目标是提供一个博览会，希望能激发研究界的兴趣。此外，通过利用谱图理论中的经典结果，我们提出了一种新的方法来寻找社会传感器，该方法在合成和现实世界的流行病学网络中实现了对现有方法的实质性改进。
2021-12-29 cs.SI
Comprehensive Privacy Risk Assessment in Social Networks Using User Attributes Social Graphs and Text Analysis
本文提出综合隐私风险评分框架CPRS，融合用户属性、社交图谱与文本内容量化隐私风险，并在两个真实数据集上验证其有效性，为个性化隐私管理提供可扩展方法。
2025-07-20 cs.SI
Towards Propagation-aware Representation Learning for Supervised Social Media Graph Analytics
本文提出融合双编码器与动力学引导传播模块的通用表示学习框架，通过传播感知编码提升社交媒体图分析在噪声下的鲁棒性和跨任务通用性，并在图分类、节点分类和链接预测上取得最先进性能。
2025-09-01 cs.SI
CDGraph: Dual Conditional Social Graph Synthesizing via Diffusion Model
Institute of Information Science, Academia Sinica（中央研究院资讯科学研究所）；Research Center for Information Technology Innovation, Academia Sinica（中央研究院资讯科技创新研究中心）；Department of Electrical Engineering, National Taiwan University（国立台湾大学电机工程学系）；Department of Computer Science, TU Delft（代尔夫特理工大学计算机科学系）
针对数据稀缺与隐私问题下的条件社会图生成需求，提出首个双条件社会图扩散模型CDGraph，通过协同演化依赖、社会特性及新型分类器损失提升生成效果，实验验证其优于现有基线方法。
2023-11-06 cs.LG cs.SI
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
Learning Graph Influence from Social Interactions
在社会学习中，智能体通过交换局部信息来形成他们对某些假设的观点或信念。这项工作考虑了最近的弱图的范例，其中网络被划分为发送和接收组件，前者有可能对后者施加支配性的影响。这种图形结构在社交平台上很普遍。我们将不关注直接社会学习问题（考察代理人学习什么），而是关注双重或反向学习问题（考察代理人如何学习）。具体来说，通过对某些代理的信念流的观察，我们想研究是否有可能从网络中发送组件到这些接收代理的连接（影响）的强度。
2020-02-12 cs.MA cs.SI
Generating Simple Directed Social Network Graphs for Information Spreading
在线社交网络是日常生活中与朋友保持联系和共享信息的主要媒介。在Twitter中，用户可以通过关注其他用户来与他们联系，而其他用户也可以关注他们。近年来，研究者们研究了社交网络的一些性质，并设计了随机图模型来描述它们。这些方法中的许多方法或者集中于无向图的生成，或者集中于有向图的创建，而不对互反（即，两个节点之间的方向相反的两个有向边）和有向边。我们提出了一种方法来生成有向社会网络图，创建互惠和有向边缘，并考虑各自的度序列之间的相关性。我们的模型依赖于Twitter中的爬行有向图，在该图上信息w.r.t.交换或传播一个主题。虽然这些图表现出高聚类系数和随机节点对之间的小平均距离（这在现实世界的网络中是典型的），但它们的度序列似乎遵循$χ^2$分布而不是幂律。为了实现高的聚类系数，我们应用边缘重新布线程序，保留节点度。我们比较了抓取的图和创建的图，并在其上模拟了信息传播和流行病传播的某些算法。结果表明，所创建的图表现出非常相似的拓扑和算法特性作为现实世界的图，提供证据，他们可以被用作代理在社会网络分析。此外，我们的模型是高度可扩展的，这使我们能够创建具有与相应的现实世界网络几乎相同的属性的任意大小的图。
2022-05-05 cs.SI
