Improved Upper and Lower Bound Heuristics for Degree Anonymization in Social Networks
出于对匿名化社交网络数据的强烈兴趣，我们研究了NP-难度匿名化问题：给定一个无向图，任务是添加最少数量的边，使图成为k-匿名的。也就是说，对于每个顶点，必须至少有k-1个完全相同度数的其他顶点。Liu和Terzi [ACM SIGMOD'08]介绍了程度匿名化模型，他们还提出并评估了两阶段启发式。我们提出了一种增强这种启发式，包括新的算法，为每个阶段显着提高以前已知的理论和实际运行时间。此外，我们的算法是针对大规模社交网络优化的，并提供了最优解的上界和下界。值得注意的是，在大约26%的真实数据上，我们提供了（可证明的）最优解决方案;而在其他情况下，我们的上限显着提高了已知的启发式解决方案。
2014-02-25 cs.DS cs.SI
Heuristics for Link Prediction in Multiplex Networks
JPMorgan AI Research（摩根大通人工智能研究院）
链接预测，或对实体之间未来或缺失的连接的推断，是网络分析中的一个被充分研究的问题。在具有单一类型连接的普通网络中，存在用于链接预测的多种算法。然而，多路复用网络或具有多种类型连接的网络中的链接预测不是一个很好理解的问题。我们提出了一个新的一般框架和三个家庭的多路复用网络链接预测，是简单的，可解释的，并利用丰富的连接类型的相关结构，存在于许多现实世界的网络。我们进一步推导出一个理论阈值，用于确定何时使用不同的连接类型的基础上的链接，重叠与Erdos-Renyi随机图的数量。通过模拟和现实世界的科学合作，运输和全球贸易网络的实验，我们证明，所提出的算法显示出更高的性能与丰富的连接类型的相关性结构，并显着优于其基线算法的普通网络与一个单一的连接类型。
2020-04-09 cs.LG cs.SI stat.ML
Threshold-Based Heuristics for Trust Inference in a Social Network
社交网络用户之间的信任在项目推荐中起着关键作用，特别是对于冷启动用户。由于这些网络的稀疏性，任何两个用户之间的信任信息可能并不总是可用的。为了推断缺失的信任值，一种众所周知的方法是基于路径的信任估计，其建议用户相信网络中的所有邻居。在此背景下，我们提出了两个基于阈值的算法，以克服基于路径的信任推理的计算限制。该算法利用信任传播现象，通过设定一个阈值来选择一个用户子集进行信任传播。虽然第一个启发式算法只考虑用户的子集来创建推断网络，但第二个启发式算法能够保留来自所有用户选择的推断网络的密度。我们使用两个真实世界的数据集实现了推理并分析了推断的网络。我们观察到，建议的阈值为基础的启发式可以恢复高达70%的路径，少得多的时间相比，其确定性的对应。我们还表明，基于启发式推断的信任是能够保持推荐的准确性。
2018-09-11 cs.SI
Measuring Social Media Polarization Using Large Language Models and Heuristic Rules
Department of Computer Science, University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校计算机科学系）
本文提出利用大语言模型和启发规则分析社交媒体讨论中的情感极化现象，揭示事件驱动的极化模式并提供可扩展的量化方法。
2026-01-02 cs.AI cs.CL cs.SI
Social Science Guided Feature Engineering: A Novel Approach to Signed Link Analysis
Arizona State University（亚利桑那州立大学）；Michigan State Universtiy（密歇根州立大学）
许多现实世界的关系可以由具有正链接的签名网络来表示（例如，友谊和信任）和负面链接（例如，不信任和不信任）。链接预测有助于推进社会网络分析中的任务，例如推荐系统。大多数现有的链接分析工作集中在未签名的社交网络。负链接的存在激起了研究兴趣，研究签名网络的属性和原理是否与未签名网络不同，并要求对签名社交网络进行专门的链接分析。最近的研究结果表明，有符号网络的属性与无符号网络的属性有很大的不同，负链接可以以互补的方式对有符号链接分析有很大的帮助。在这篇文章中，我们集中讨论了一个具有挑战性的问题，签署链接分析。有符号链接分析面临数据稀疏的问题，即只有一小部分有符号链接被给出。当负面链接比正面链接稀疏得多时，这个问题甚至会变得更糟，因为用户更倾向于积极的倾向而不是消极的倾向。我们研究如何利用其他信息源进行签名链接分析。本研究主要以情绪信息、创新扩散和个体人格三大社会科学理论为指导。在此基础上，我们提取了三类相关特征，并利用它们进行签名链接分析。实验表明，从社会理论中收集的特征对有符号链接预测和解决数据稀疏性挑战具有重要意义。
2020-01-04 cs.LG cs.SI
Systematic Biases in Link Prediction: comparing heuristic and graph embedding based methods
链接预测是网络分析中的一个热门研究课题。在过去的几年中，基于图嵌入的新技术已经成为一种强大的替代算法。在这篇文章中，我们研究了预测中的系统偏差问题，并表明，一些基于图嵌入的方法提供的偏差小于基于统计学的方法，尽管根据通常的质量分数达到较低的分数。我们讨论的背景下，过滤器泡沫问题和算法公平性的推荐系统这一发现的相关性。
2018-10-11 cs.SI stat.ML
Predicting Social Links for New Users across Aligned Heterogeneous Social Networks
University of Illinois at Chicago（伊利诺伊大学芝加哥分校）
在线社交网络近年来取得了巨大的成功，其中许多涉及多种节点和复杂的关系。在这些关系中，用户之间的社会联系非常重要。许多现有的链接预测方法集中于基于社交网络的快照来预测将来将在所有用户之间出现的社交链接。在现实世界的社交网络中，每天都有许多新用户加入该服务。预测新用户的链接更重要。与传统的链接预测问题不同，由于以下原因，针对新用户的链接预测更具挑战性：（1）新用户和现有活动用户之间的信息分布差异（即，老用户）;（2）缺乏来自网络中的新用户的信息。提出了一种链接预测方法SCAN-PS（Supervised Cross Aligned Networks链接预测with Personalized Sampling），用于解决新用户的链接预测问题。为了在网络内知识转移之前适应信息分布的差异，提出了一种目标网络内个性化抽样方法，对已有的活跃用户信息进行处理。SCAN-PS还可以利用其他源网络中的信息，其中用户帐户与目标网络一致。这样，SCAN-PS就可以解决目标网络中完全没有这些新用户信息时的冷启动问题。
2013-10-13 cs.LG cs.SI physics.soc-ph
Privacy Policy Negotiation in Social Media
社交媒体涉及许多共享项目，例如照片，可能涉及多个用户。我们在本文中解决的第一个挑战是开发一种方法，让这些项目的用户决定向谁分享这些项目。这不是一个容易的问题，因为用户对同一项的隐私偏好可能冲突，因此仅以某种方式合并用户的隐私偏好的方法可能提供不令人满意的结果。我们提出了一个协商机制，让用户同意妥协的冲突found.The第二个挑战，我们在本文中解决涉及到这样的协商机制的指数复杂性，这可能会使它太慢，在实践中使用的社会媒体基础设施。为了解决这一问题，我们提出了减少谈判机制的复杂性，并通过广泛的实验评估，比较了谈判机制的性能，没有这些谈判机制，并显示如何从使用这些谈判机制可以得到实质性的好处。此外，我们表明，这样一个启发式的协商机制产生的结果足够快，可以在实际的社交媒体基础设施与接近最佳的结果。
2014-12-17 cs.SI
LinkMirage: How to Anonymize Links in Dynamic Social Systems
基于社交网络的信任关系为设计可信系统提供了重要基础，如Sybil防御，安全路由和匿名/审查客户端通信。在设计这样的系统中的一个关键问题，是用户的信任的社会联系人的启示，在当今社会中被认为是敏感的敌对信息。在这项工作中，我们专注于保护用户的社交联系人的隐私的挑战，同时仍然使社会信任为基础的应用程序的设计。首先，我们提出了LinkMirage，一个基于社区发现的算法，用于在社交网络拓扑中匿名化链接; LinkMirage保留了社区拓扑中的社区结构，同时匿名化社区内的链接。LinkMirage考虑了社会网络拓扑结构的演变，并最大限度地减少由于系统的时间动态的隐私泄漏。其次，我们定义了量化的隐私和实用性的时间序列的社会拓扑与匿名链接的指标。我们从理论上分析了LinkMirage提供的隐私和实用性，以及使用现实世界的社交网络拓扑结构：Facebook数据集与870 K链接和大规模的Google+数据集与940 M链接。我们发现，我们的方法显着优于现有的最先进的。最后，我们证明了LinkMirage在现实世界中的应用，如Sybil防御，信誉系统，匿名系统和顶点匿名的适用性。我们还原型LinkMirage作为一个Facebook的应用程序，使现实世界的系统可以引导隐私保护的信任关系，而无需OSN运营商的合作。
2016-10-12 cs.SI
Humans make best use of social heuristics when confronting hard problems in large groups
我们报告了一个博弈论实验的结果，人类玩家通过在规模不断增加的群体中合作来解决日益复杂的问题。我们的实验环境的设置，使它复杂的球员使用理性的计算作出合作的决定。这种环境被直接转化为计算机模拟，从中我们提取的合作策略，导致最大可达到的分数。在此基础上，我们测量了玩家在估计合作的好处时所犯的错误，并发现人类在面对简单的问题或单独或小团体工作时大大低估了这些好处。相比之下，当遇到困难的问题或在大群体中合作时，人类可以准确地判断最佳合作水平，并轻松获得最高分数。我们的研究结果是独立的群体的组成和球员的个人特质。我们将其解释为社会心理学的不同程度的有用性，这似乎取决于所涉及的群体的规模和情况的复杂性。
2019-03-08 cs.SI physics.soc-ph
Can GNNs Learn Link Heuristics? A Concise Review and Evaluation of Link Prediction Methods
Faculty of Engineering and Information Technology, University of Technology Sydney（工程与信息技术学院，悉尼大学）；Faculty of Engineering and Information Sciences, University of Wollongong（工程与信息科学学院，沃林戈大学）；College of Electrical Engineering, Zhejiang University（电气工程学院，浙江大学）
本文研究了图神经网络在链接预测中的能力，发现可训练节点嵌入能提升性能，且图密度越高提升越显著，为未来算法发展提供指导。
2025-12-07 cs.LG cs.SI
Deep Hashing for Signed Social Network Embedding
Beijing Institute of Technology（北京理工大学）；Huazhong University of Science and Technology（华中科技大学）
网络嵌入是一种很有前途的网络表示方法，可以方便地处理和分析许多签名社交网络，如链接预测和节点分类。近年来，已有的几种嵌入算法都采用了特征散列算法来提高嵌入效率，并取得了很大的成功。然而，现有的基于特征散列的嵌入算法仅考虑签名社交网络中的正链接。直观地说，负面链接也有助于提高性能。因此，在本文中，我们提出了一种新的深度哈希方法，通过同时考虑正负链接，用于签名社交网络嵌入。大量的实验表明，该方法优于几个国家的最先进的基线，通过链接预测任务在两个现实世界中签署的社交网络。
2019-08-16 cs.LG cs.SI
User Identity Linkage in Social Media Using Linguistic and Social Interaction Features
Information Technologies Institute, Centre for Research and Technology Hellas（希腊研究与技术中心信息技术研究所）；Pompeu Fabra University（庞培法布拉大学）；ICREA（加泰罗尼亚高等研究院）
针对社交媒体用户多账号规避平台治理的问题，本研究提出融合用户语言、社交互动等多维度活动特征的机器学习检测模型，可识别属于同一自然人的多个虚拟身份，在两类不良Twitter内容场景中验证了有效性，助力防范非法不良活动传播。
2023-08-22 cs.AI cs.SI
Link Prediction in Social Networks: the State-of-the-Art
在社交网络中，链接预测能够预测当前网络中的缺失链接以及未来网络中新的或消失的链接，对于挖掘和分析社交网络的演化具有重要意义。在过去的十年中，人们对社交网络中的链接预测做了大量的研究。本文的目的是对社交网络中链接预测的研究现状进行全面的回顾、分析和讨论。对链接预测技术和问题进行了系统分类。然后对链接预测技术和存在的问题进行了分析和讨论。链接预测的典型应用也解决了。介绍了一些活跃的研究小组的成果和路线图。最后，讨论了社交网络中链接预测的未来挑战。
2014-12-08 cs.SI physics.soc-ph
Signed Link Analysis in Social Media Networks
许多现实世界的关系可以由具有正链接的签名网络表示（例如，信任）和负链接（例如，不信任）。链接分析在理解链接形成中起着至关重要的作用，并且可以推进社会网络分析中的各种任务，例如链接预测。大多数现有的链接分析工作都集中在未签名的社交网络。负链接的存在决定了有符号网络的性质和原理与无符号网络有本质的区别，因此需要对有符号社交网络的链接分析进行专门的研究。本文在继承已有的无符号网络链接分析的社会学理论的基础上，采用情感信息、创新扩散和个体个性三种社会科学理论指导有符号网络的链接分析。
2016-03-22 cs.SI physics.soc-ph
Graph Neural Networks for User Identity Linkage
Arizona State University（亚利桑那州立大学）
社交媒体网站的日益普及和多样性鼓励了越来越多的人参与多个在线社交网络以享受其服务。每个用户可以创建一个用户身份来表示他或她在每个社交网络中的唯一公众人物。跨在线社交网络的用户身份链接是一个新兴的任务，并已引起越来越多的关注，这可能会影响各种领域，如推荐和链接预测。现有的大部分工作集中在挖掘网络邻近度或用户简档数据以发现用户身份链接。随着图神经网络（GNNs）的发展，由于用户在社交图中是相互联系的，学习用户和项目的潜在因素是提高用户身份关联的关键。然而，基于GNN预测用户身份链接面临挑战。例如，用户社交图谱对诸如用户的邻域信号的\textit{local}结构和具有社区属性的\textit{global}结构进行编码。为了同时解决这些挑战，在本文中，我们提出了一种新的图神经网络框架（{ \m }）的用户身份链接。特别是，我们提供了一个原则性的方法来共同捕捉本地和全球的信息，在用户-用户社交图，并提出了框架{ \m }，共同学习用户表示用户身份链接。在真实数据集上的大量实验证明了该框架的有效性。
2019-03-06 cs.LG cs.SI
Influence Maximization in Social Networks using Discretized Harris Hawks Optimization Algorithm and Neighbour Scout Strategy
影响力最大化（IM）是使用传播模型确定社交网络中的k个最佳影响力节点以最大化影响力传播的任务。IM是病毒式营销的一个突出问题，并在社交媒体广告中有很大帮助。然而，为现实世界的社交网络开发具有最小时间复杂度的有效算法仍然是一个挑战。虽然传统的启发式方法已被应用于IM，他们往往会导致最小的性能增益计算昂贵的贪婪为基础的方法和反向影响采样为基础的。在本文中，我们提出了离散化的自然启发式哈里斯霍克斯优化元启发式算法，使用社区结构的种子节点的最佳选择的影响力传播。除了哈里斯老鹰的情报之外，我们还采用了邻居侦察策略算法来避免盲目性并增强老鹰的搜索能力。此外，我们使用基于候选节点的随机种群初始化方法，这些候选节点有助于加速整个种群的收敛过程。我们评估了我们提出的DHHO方法的有效性六个社交网络使用独立级联模型的信息扩散。我们观察到，DHHO是可比的或优于竞争的元启发式方法的影响力最大化在五个指标，并执行明显优于竞争的启发式方法。
2022-11-17 cs.SI physics.soc-ph
Can LLMs Predict Academic Collaboration? Topology Heuristics vs. LLM-Based Link Prediction on Real Co-authorship Networks
本文研究了大语言模型能否通过作者资料预测未来学术合作，发现LLM与拓扑启发式方法捕捉不同信号，在互补场景中表现最佳，且在不平衡数据中表现优异。
2026-04-01 cs.AI cs.SI
The Social Sphere Model: Heuristic Influence Prediction in Evolving Networks
Harvard University（哈佛大学）；University of Illinois at Chicago（伊利诺伊大学芝加哥分校）；MIT（麻省理工学院）
本文提出社会球体模型，结合期望值、基于路径的链路预测指标和启发式影响力最大化策略，以较低计算成本有效识别加权网络中的未来关键节点。
2025-07-03 cs.SI physics.soc-ph
A Probabilistic Ant-based Heuristic for the Longest Simple Cycle Problem in Complex Networks
我们提出了一个新的概率蚂蚁启发式算法（ANTH-LS）的最长简单循环问题。这个NP难问题在复杂网络中有许多实际应用，包括有效构建图形布局，分析社交网络或生物信息学。我们的算法是基于加强的概率遍历的边缘，这还没有出现在迄今为止发现的长周期。给出了一组社交网络、蛋白质-蛋白质交互网络、网络科学图和DIMACS图的实验结果。在我们的22个真实网络测试实例中，ANTH-LS有6个在有史以来最长的周期上有所改进。
2018-01-28 cs.SI
Heuristic-Informed Mixture of Experts for Link Prediction in Multilayer Networks
University of Calabria（卡拉布里亚大学）
本文提出首个专为多层链路预测设计的混合专家框架MoE-ML-LP，基于多层启发式综合多专家决策，在多项指标上显著超越基线方法，并支持新专家的无缝集成。
2025-01-29 cs.LG cs.SI physics.soc-ph
Tree decompositions and social graphs
最近的工作已经确定，大型信息图，如社会和信息网络具有非平凡的树状结构时，在中等规模的规模。在这里，我们提出的结果，从第一次详细的经验评估使用树分解（TD）的结构识别和提取的社会图的算法。虽然TD历来被用于结构图理论和科学计算，我们表明，-即使与现有的TD开发这些非常不同的领域-TD方法可以识别有趣的结构，在广泛的现实信息图。我们的主要贡献如下：我们表明，TD方法可以识别与现实网络的核心-外围结构密切相关的结构，即使使用简单的贪婪算法;我们表明，这些TD的外围袋与低电导社区相关（当它们存在时）使用局部谱计算发现;我们表明，几种类型的大规模的“地面实况”社区，定义的人口统计元数据的节点上的网络，以及本地化的大规模和/或外围结构的TD。我们的其他主要贡献如下：我们为玩具和合成网络上的TD算法提供了详细的经验结果，以建立一个基线，从而更好地理解更复杂的现实世界网络上的TD算法的行为;我们证明了一个定理，该定理为低失真双曲嵌入的唯一两个障碍是高树宽和长测地圈的直觉提供了正式的理由。我们的研究结果表明，未来的发展方向，更适合现实的社交图改进TD的算法。
2016-05-03 cs.DS cs.SI physics.soc-ph
Graph structure based Heuristics for Optimal Targeting in Social Networks
我们考虑了一个社会网络中的竞争动态模型，其中两个战略代理人有固定的信念和非战略/定期代理人调整他们的状态根据一个分布式共识协议。我们假设一个战略代理人必须在网络中识别出k+个目标代理人，以便最大限度地传播自己的意见，并改变最终出现的平均意见。在文献中，这个问题被铸造成一个集函数的最大化，并利用子模块的属性，解决了贪婪的方式，通过解决k+单独的单目标问题。我们的主要贡献是利用底层图结构来构建更精细的算法。作为第一个例子，我们提供了完全图上的最优目标问题的解析解。这个结果提供了一个规则，以了解是否方便或不阻止对手的影响，通过瞄准相同的节点。然后，该参数扩展到通用图，导致更准确的解决方案相比，一个简单的贪婪的方法。作为第二个例子，通过电类比，我们提供了线图的单目标问题的解析解，并推导出树的目标函数的一些有用的性质。受这些研究结果的启发，我们定义了一种新的算法，该算法以更快的方式选择树上的最佳解决方案，并且在树状/稀疏图上也能很好地工作。在不同的随机生成图和真实的社交网络上，将所提出的算法与零成本算法进行了比较。总之，我们的研究结果提出了一个方案，告诉哪种算法更适合的准确性和计算复杂性，基于图的密度和度分布。
2021-05-05 cs.SI cs.SY eess.SY
Utility-based Link Recommendation for Online Social Networks
链接推荐是主要在线社交网络提供的一项关键功能，它建议链接以连接当前未链接的用户。链接推荐的突出例子包括Facebook和LinkedIn上的“你可能认识的人”以及Google+上的“你可能认识的人”。在线社交网络的主要利益相关者包括用户（例如，Facebook用户），其使用网络与其他用户和运营商（例如，Facebook Inc.）其为了自身的利益而建立和操作网络（例如，收入）。现有的链接推荐方法推荐的链接很可能是由用户建立的，但忽略了所推荐的链接可以给运营商带来的好处。为了解决这个问题，我们定义了效用的链接推荐和制定一个新的研究问题-基于效用的链接推荐问题。然后，我们提出了一种新的基于效用的链接推荐方法，建议链接的基础上的价值，成本和链接的可能性，与现有的链接推荐方法，只专注于链接的可能性。具体来说，我们的方法模型之间的依赖关系的价值，成本，链接的可能性和效用为基础的链接推荐决策使用贝叶斯网络，预测的概率与贝叶斯网络推荐的链接，并建议链接的概率最高。使用从一个主要的美国在线社交网络获得的数据，我们证明了显着的性能改善，我们的方法相比，从代表性的先前研究的流行链接推荐方法。
2016-03-19 cs.SI
High Quality Degree Based Heuristics for the Influence Maximization Problem
影响力最大化的问题是选择社会网络中最有影响力的个体。随着社交网站的普及，以及病毒式营销的发展，这一问题的重要性也日益增加。影响力最大化问题是NP难的，因此，除非P=NP，否则不存在多项式时间算法来解决该问题。提出了许多算法，以在较短的时间内找到一个近乎好的解决方案。在本文中，我们提出了两个启发式算法，找到好的解决方案。该算法基于两个思想：（1）度高的顶点在网络中有更大的影响力，（2）附近的顶点对几乎相似的顶点集的影响力。我们评估我们的算法在几个著名的数据集，并表明，我们的算法实现了更好的结果（高达$15\%$的影响蔓延），这个问题在较短的时间（高达$85\%$改善的运行时间）。
2019-04-27 cs.SI
A Survey of Link Recommendation for Social Networks: Methods, Theoretical Foundations, and Future Research Directions
链接推荐已经引起了业界和学术界的广泛关注。在工业中，链接推荐已经成为在线社交网络中的标准和最重要的特征，其突出的示例包括LinkedIn上的“你可能认识的人”和Google+上的“你可能认识的人”。在学术界，链接推荐一直是一个非常活跃的研究领域。本文综述了最新的链接推荐方法，这些方法可以大致分为基于学习的方法和基于邻近度的方法。我们进一步确定社会和经济理论，如社会互动理论，这些方法的基础，并从理论角度解释为什么链接推荐方法的工作原理。最后，我们建议在几个方向扩展链接推荐研究，包括基于效用的链接推荐，链接推荐的多样性，不完全数据的链接推荐，以及链接推荐的实验研究。
2015-11-05 cs.SI physics.soc-ph
Link Classification and Tie Strength Ranking in Online Social Networks with Exogenous Interaction Networks
在线社交网络（OSN）已经成为连接人们、共享知识和信息以及进行通信的主要媒介。使用这些OSN的人之间的社交联系形成为虚拟链接（例如，友谊和后续连接）连接人。这些链接是当今OSN的核心，因为它们促进了社交网络成员可以进行的所有活动。然而，这些网络中的许多遭受噪声链路，即，不反映真实关系的链接或强度较低的链接，这些链接改变了网络的结构，并妨碍了对这些网络的准确分析。因此，为了维持一个健康和真实的网络，对社交网络中的链接进行评估和排名的过程至关重要。在这里，我们将链路评估定义为识别网络中有噪声和无噪声链路的过程。在本文中，我们解决的问题，链接评估和链接排名的社交网络使用外部交互网络。除了友谊社交网络之外，还利用额外的外源交互网络来使评估过程更有意义。我们采用了机器学习分类器，使用来自外生交互网络的数据对感兴趣的社交网络中的链接进行评估和排名。该方法用两个不同的数据集进行了测试，每个数据集都包含感兴趣的社交网络，具有地面真实性，以及外源交互网络。结果表明，仅利用外生交互网络中单个网络的结构，以及利用外生交互网络的整体结构，都可以有效地评估社会网络的链接。实验表明，一些分类器做得比别人更好，无论是链接分类和链接排名。
2017-08-14 cs.SI physics.soc-ph
Linky: Visualizing User Identity Linkage Results For Multiple Online Social Networks
跨在线社交网络的用户身份链接是近年来引起关注的新兴研究课题。迄今为止，已经提出了许多用户身份关联方法，其中大多数利用用户简档、内容和网络信息来确定两个社交媒体账户是否属于同一个人。在大多数情况下，通过执行一些预测任务来评估用户身份链接方法，其中使用一些总体准确性度量来呈现结果。然而，这些方法很少在个体用户级别上进行比较，在个体用户级别上，可以在用户简档（例如，用户名）、内容和网络信息方面对来自不同在线社交网络的用户身份的预测匹配（或链接）对进行视觉比较。这种比较对于确定每种方法的相对优缺点至关重要。在这项工作中，我们提出了Linky，一个可视化的分析工具，它提取的结果从不同的用户身份链接方法上执行多个在线社交网络和可视化的用户简档，内容和自我网络的链接用户身份。Linky旨在帮助研究人员（a）在个人用户层面检查链接的用户身份，（b）比较不同用户链接方法返回的结果，以及（c）提供关于用户身份的哪些方面（例如配置文件，内容或网络）的初步经验理解，有助于用户身份链接结果。
2019-02-23 cs.SI
Two-Stage Stance Labeling: User-Hashtag Heuristics with Graph Neural Networks
UNC-Charlotte（北卡罗来纳大学夏洛特分校）
针对社交媒体内容体量庞大、演变迅速导致的用户立场研究难题，提出结合用户-话题标签二分图启发式标注与用户交互图半监督GNN的两阶段方法，在气候变化、枪支管制推文数据集上性能优于文本分类器与GPT4零样本分类。
2024-05-17 cs.CL cs.LG cs.SI
Negative Link Prediction in Social Media
近年来，符号网络分析引起了越来越多的关注。这部分是因为对有符号网络分析的研究表明，负面链接在分析过程中具有附加值。有效使用这些工具的一个主要障碍是，大多数社交媒体网站无法让用户明确指定这些工具。换句话说，在负关联的重要性与其在真实数据集中的可用性之间存在差距。因此，探索是否可以从通常可用的社交网络数据中自动预测负面链接是很自然的。在本文中，我们研究了新的问题，只有积极的联系和内容为中心的互动在社会媒体的负链接预测。我们提出了一些重要的观察负链接，并提出了一个原则性的框架NeLP，它可以利用积极的链接和内容为中心的互动来预测负链接。我们在真实世界的社交网络上的实验结果表明，所提出的NeLP框架可以准确地预测负链接与正链接和以内容为中心的互动。我们详细的实验还说明了各种因素的相对重要性，所提出的框架的有效性。
2014-12-08 cs.SI physics.soc-ph
Modeling the role of relationship fading and breakup in social network formation
在人类个体的社交网络中，社交关系不一定永远持续，因为它们可以随着时间逐渐消失，导致链接老化，或者突然终止，导致链接删除，甚至旧的友谊也可能终止。在本文中，我们研究了一个社会网络的形成模型，我们介绍了几种方式，其中的链接终止发生。如果我们采用链接老化，我们得到一个更模块化的结构，更均匀地分布在社区内的链接权重比当使用链接删除。通过研究网络中各种特征的分布和关系，我们发现链接删除模型更好地再现了实证结果。这表明，链接删除在组织社交网络方面比链接老化起着更突出的作用。
2015-06-22 cs.SI physics.soc-ph
Measuring Contextual Relationships in Temporal Social Networks by Circle Link
网络科学在基于静态拓扑信息的社会网络分析中发挥了其独特的作用。在现实中，社会交往是动态的，并在时间上同时演变。如今，它们可以被无处不在的信息技术记录下来，并生成为时间社交网络，为社会现实挖掘提供了新的视角。本文通过定义\emph{circle link}来度量三个经验性社会时间网络中的语境关系，发现与共同好友有频繁持续互动的朋友倾向于亲近，这可以被认为是时间社交网络中Grananetter假设的扩展。最后，我们提出了一个启发式的方法，基于圆链接预测关系，并获得了可接受的结果。
2017-06-06 cs.SI physics.soc-ph
OVNS: Opportunistic Variable Neighborhood Search for Heaviest Subgraph Problem in Social Networks
本文提出机会式变邻域搜索算法OVNS，通过结合社交网络结构经验改进变邻域搜索，用于高效求解最重k-子图问题，并在真实与合成网络基准测试中超越现有方法。
2023-05-31 cs.SI
The latent cognitive structures of social networks
本文提出一种基于低秩非负Tucker分解的方法，通过将认知社交结构建模为三维张量来识别跨网络感知的潜在认知结构，并分析社交与认知结构的一致性。
2024-03-22 cs.SI
A Multilayer Approach to Multiplexity and Link Prediction in Online Geo-Social Networks
在线社交系统本质上是多元的，因为在不同社交网络上的相同两个用户之间可能存在多个链接。在这项工作中，我们介绍了一个框架，研究用户之间的联系和互动超越个人的社会网络。探索两个流行的在线平台的横截面-Twitter和基于位置的社交网络Foursquare-我们将两者一起表示为复合多层在线社交网络。通过这种模式，我们研究的用户对区分那些在一个或两个网络上的链接之间的相互作用。我们发现，与仅在其中一个社交网络上连接的配对相比，在两个网络上连接的具有多重链接的用户交互更多，并且在两个平台上具有更大的邻域重叠。特别是，用户最频繁的位置相当接近，并且多路复用链路之间的相似性相当大。我们提出了一些结构和相互作用的功能，如多层的Adamic/Adar系数，这是基于扩展的概念，超越了单一的网络的节点邻域。我们的评估，其目的是阐明的多重链接生成过程的影响，表明多层功能，构建跨社交网络的属性，比他们的单网络同行在预测跨网络的链接。我们建议，从多个网络中的多层配置的信息相结合，可以提供新的见解，在线社交网络上的用户交互，并可以显着提高链接预测整体与社会引导和朋友推荐有价值的应用。
2015-08-31 cs.SI physics.soc-ph
Influencing Busy People in a Social Network
我们确定有影响力的早期采用者在社会网络中，个人资源有限，以最大限度地传播多种，昂贵的行为。这个问题的解决方案对于病毒式营销尤为重要。在社交网络中最大化影响力的问题具有挑战性，因为它在计算上是棘手的。我们做了三个贡献。首先，提出一种新的集体行为模型，它结合了个人意图、邻居行为知识和资源约束。其次，我们证明了多行为影响力最大化是NP难的。此外，我们表明，该问题是次模块化的，这意味着存在一个贪婪的解决方案，近似的最优解在一个常数。然而，由于贪心算法是昂贵的大型网络，我们提出了有效的算法来识别有影响力的个人，包括算法分配行为的不同的早期采用者。我们测试我们的方法在合成和现实世界的拓扑结构与优秀的结果。我们评估的有效性下三个指标：唯一的参与者数量，总的活跃行为和网络资源利用率。我们的算法比单纯的方法在预期资源利用率上提高了15-51%。
2016-03-15 cs.SI physics.soc-ph
Revisiting Information Diffusion Beyond Explicit Social Ties: A Study of Implicit-Link Diffusion on Twitter
University of Tsukuba（筑波大学）；Saitama University（埼玉大学）
研究探讨了Twitter上隐式链接对信息扩散的影响，发现远离信息源的用户更倾向于通过隐式链接扩散信息，尽管隐式链接贡献较小，但对跨不同社区的传播有重要作用。
2026-01-08 cs.SI
Personalized multi-faceted trust modeling to determine trust links in social media and its potential for misinformation management
University of Waterloo（滑铁卢大学）
在本文中，我们提出了一种方法，用于预测在社交媒体中的同行之间的信任链接，一个是接地在人工智能领域的多智能体信任建模。特别是，我们提出了一个数据驱动的多方面的信任建模，它结合了许多不同的功能，进行全面的分析。我们专注于展示相似用户的聚类如何实现一个关键的新功能：支持更个性化，从而为用户提供更准确的预测。在一个信任感知项目推荐任务中，我们在一个大型Yelp数据集的背景下评估了所提出的框架。然后，我们将讨论如何提高在社交媒体中的信任关系的检测可以帮助支持在线用户在他们的战斗中对传播的错误信息和谣言，在社交网络环境中，最近爆炸的流行。最后，我们反思了一个特别脆弱的用户群，老年人，以说明推理的用户群体的价值，寻找一些未来的方向，整合已知的偏好与通过数据分析获得的见解。
2021-11-11 cs.AI cs.SI
A Novel Location Free Link Prediction in Multiplex Social Networks
近几十年来，社交网络的出现使得互联网服务提供商（例如，Facebook、Twitter和Uber）取得巨大的商业成功。链接预测被认为是构建社交网络拓扑结构并保持其不断发展的常见做法。传统上，链接预测方法依赖于用户的位置信息，其不时地遭受信息泄漏。为了解决这个问题，智能设备公司（例如，苹果公司）不断收紧其隐私政策，阻止互联网服务提供商获取位置信息。因此，在保证预测精度的前提下，设计与位置无关的链接预测方法具有重要意义。针对复杂社交网络，提出了一种新的无位置链接预测方法。在真实数据集上的实验表明，我们的位置无关的链接预测方法的精度提高了10%。
2022-12-13 cs.PF cs.SI
Predicting Anchor Links between Heterogeneous Social Networks
人们通常参与多个社交网络以享受新的服务或满足他们的需求。许多新的社交网络试图吸引其他现有网络的用户以增加其用户数量。一旦社交网络（称为源网络）的用户（称为源用户）加入新的社交网络（称为目标网络），则在源网络和目标网络之间形成新的网络间链接（称为锚链接）。在本文中，我们集中在预测异质社交网络之间的锚链接的形成。与预测单个网络内两个现有用户之间的链路的形成的传统链接预测问题不同，在锚链接预测中，目标用户缺失，并且一旦创建锚链路，则目标用户将被添加到目标网络。为了解决这个问题，我们使用元路径作为一个强大的工具，利用源和目标网络中的异构信息。为此，我们提出了一个有效的通用元路径为基础的方法称为连接器和递归元路径（CRMP）。通过使用这两种不同类别的元路径，我们对可能影响源用户加入目标网络的社会因素的不同方面进行建模，从而形成新的锚链接。在现实世界的异构社交网络上进行的大量实验证明了该方法的有效性。
2016-08-01 cs.SI physics.soc-ph
Analyzing resilience of interest-based social networks against node and link failures
在典型的在线社交网络中，用户通过对称的朋友关系链接，并且可以基于共享的兴趣来定义朋友圈。在本文中，我们将研究社交网络，在这些网络中，用户根据友谊和共同兴趣建立链接。我们的目标是了解当节点和链路都允许失败时，这些网络在连接方面的弹性。我们推导出零-一定律以及节点和链路故障下连通性的渐近精确概率结果。结果回答了如何设置网络参数，使可靠的消息传播可以实现的问题。我们正式证明的结果，并通过实验确认的结果。
2019-11-02 cs.SI
On the Troll-Trust Model for Edge Sign Prediction in Social Networks
Inria（法国国家信息与自动化研究所）；Univ. Lille（里尔大学）；CNRS（法国国家科学研究中心）；Università degli Studi di Milano（米兰大学）；University of Insubria（因苏布里亚大学）；Aalto University（阿尔托大学）
在边符号预测问题中，我们被给定一个有向图（表示一个社交网络），我们的任务是预测边的二进制标签（即，社会关系的积极或消极性质）。这个问题的许多成功的算法都是基于巨魔信任特征，在每个节点上估计传出和传入的正/负边缘的比例。我们表明，这些proxistics可以理解，并严格分析，作为一个简单的概率模型的边缘标签的贝叶斯最优分类器的近似。然后，我们表明，该模型的最大似然估计近似对应于在原始社交图的转换版本上运行的标签传播算法的预测。在大量真实数据集上的实验表明，该算法在准确性和可扩展性方面与最先进的分类器具有竞争力。最后，我们表明，巨魔信任功能也可以用来获得在线学习算法，即使在边缘的adversarially标记有理论保证。
2017-02-28 cs.LG cs.SI
Link Polarity Prediction from Sparse and Noisy Labels via Multiscale Social Balance
University of Pisa（比萨大学）；ICAR-CNR（意大利国家研究委员会ICAR研究所）；Sapienza University（罗马大学）；CENTAI；Eurecat（欧洲科技中心）
本文提出一种基于多尺度社会平衡的半监督学习框架，通过与任意符号图神经网络架构无缝集成并动态调整样本权重，有效解决了稀疏且带噪标签下的链接极性预测问题。
2024-07-22 cs.LG cs.SI
Social Bootstrapping: How Pinterest and Last.fm Social Communities Benefit by Borrowing Links from Facebook
如何开发一个新的在线社区，让每个用户都能高度参与，并促进社会互动？许多网站提供交友功能，帮助用户从Facebook或Twitter等已建立的网络复制链接，从而在网站上引导社交网络。本文量化了这种社会引导在何种程度上是有效的，以提高网站的社会体验。首先，我们开发了一个风格化的分析模型，该模型表明复制倾向于产生一个巨大的连接组件（即，连接的社区），并保持诸如互惠性和聚类的属性，直到线性乘法因子。其次，我们使用来自两个网站Pinterest和Last.fm的数据，以经验方式比较从Facebook复制的链接与本地创建的链接的子图。我们发现，复制的子图有一个巨大的组件，更高的互惠性和聚类，并确认复制的连接看到更高的社会互动。然而，随着用户变得更加活跃和有影响力，复制的需求减少了。这些用户倾向于在网站上创建本地链接，链接到与他们比Facebook朋友更相似的用户。我们的研究结果为理解如何从已建立的社交网络引导通过增强社交互动来帮助吸引新用户提供了新的见解。
2014-03-24 cs.CY cs.SI physics.soc-ph
Link Prediction with Social Vector Clocks
最先进的链接预测利用从网络面板数据导出的复杂特征的组合。我们在这里表明，计算成本较低的功能可以实现相同的性能，在常见的情况下，数据是作为一个序列的相互作用。我们的功能是基于社会矢量时钟，适应矢量时钟的概念引入分布式计算社会互动网络。事实上，我们的实验表明，通过考虑交互的顺序和间隔，社会向量时钟利用了链接形成的不同方面，因此它们与以前的方法相结合，产生了迄今为止最准确的预测。
2013-04-15 cs.SI physics.soc-ph stat.ML
Influence of Reciprocal links in Social Networks
在这封信中，我们实证研究互惠联系的影响，以了解它在影响定向社交网络的结构和功能中的作用。在两个具有代表性的数据集新浪微博和豆瓣上的实验结果表明，在传播信息和保持网络鲁棒性方面，互惠链接确实比非互惠链接发挥了更重要的作用。特别地，通过考虑互逆效应，可以显著地增强信息传播过程。此外，互惠链接在很大程度上负责有向网络的连通性和效率。本文的工作对于深入理解和应用有向在线社交网络中的互惠效应具有一定的启发意义。
2013-06-24 cs.SI physics.soc-ph
Jointly Predicting Links and Inferring Attributes using a Social-Attribute Network (SAN)
社会影响和同质性的影响表明，网络结构和节点属性信息都应该通知链接预测和节点属性推理的任务。最近，Yin等人提出了一种属性增强的社会网络，即社会属性网络（SAN），它将网络结构和节点属性相结合，以执行链接预测和属性推理。他们专注于将带重启的随机游走算法推广到SAN框架，并展示了改进的性能。在本文中，我们扩展了SAN框架与几个领先的监督和无监督的链接预测算法，并证明了性能的改善，每个算法的链接预测和属性推理。此外，我们提出了新的观察，即属性推断可以帮助通知链接预测，即，通过首先推断丢失的属性，进一步提高了链接预测的准确性。我们全面评估这些算法，并使用一个新的，大规模的Google+数据集，我们公开提供与其他现有的算法进行比较。
2012-06-22 cs.SI physics.soc-ph
LP-UIT: A Multimodal Framework for Link Prediction in Social Networks
随着在线社交网络站点（SNS）上信息的迅速爆炸，用户很难以有效的方式寻找新朋友或拓宽他们的社交网络。链接预测可以有效地克服这一问题，因此受到了广泛的关注。现有的链接预测方法未能全面把握导致新链接形成的因素：1）很少有模型考虑用户短期和长期兴趣对链接预测的不同影响。此外，他们没有共同建模的影响，从社会影响力和"薄弱环节"; 2）考虑到不同的因素，应得出不同的信息来源的不同模态，缺乏有效的多模态框架的链接预测。从这个角度来看，我们提出了一种新的多模态链接预测框架（简称为LP-UIT），它融合了一组全面的特征（即，用户信息和拓扑特征）提取自多模态信息（即，文本信息、图形信息和数字信息）。具体来说，我们采用图卷积网络来处理网络信息以捕获拓扑特征，采用自然语言处理技术（即，TF-IDF和word2Vec）来建模用户的短期和长期兴趣，并从数字特征中识别社会影响力和“薄弱环节”。我们进一步使用一个注意力机制来模拟文本和拓扑特征之间的关系。最后，一个多层感知器（MLP）的设计，结合从三个模态的链接预测的表示。在两个真实数据集上的大量实验证明了LP-UIT方法优于现有方法。
2022-01-25 cs.SI
Selective linking from social platforms to university websites: a case study of the Spanish academic system
提及指标经常被用于网络计量学研究，因为它们提供了一个强大的工具来确定网络资源的可见度和影响力。在提及指标中，超文本链接是许多研究的核心部分，直到雅虎在2011年停止了linkdomain命令。选择性链接构成外部链接的一种变体，其中链接的源和目标都可以选择。本文旨在研究社交平台（通过选择性外部链接的数量来衡量）对学术环境的影响，以确定它们构成的百分比以及其中一些是否可以用作外部链接总量的替代品。为此，2010年编制了属于76所西班牙大学的141个URL（在Yahoo！停止了链接服务），并计算了13个选定的社交平台与这些大学的链接数量。结果证实了外部链接总量与来自社交平台的链接之间存在良好的相关性，但某些应用程序（如Digg和Technorati）除外。对于那些拥有更多外部链接的大学，只有Delicious和Wikipedia保持了高相关性，可以在分析的背景下用作外部链接的替代品。尽管如此，来自社交平台的链接在全球所占百分比仅占链接总数的一小部分，尽管已发现积极的趋势，特别是在Twitter、Youtube和Facebook等服务中。
2013-10-22 cs.DL cs.SI physics.soc-ph
Private Link Exchange over Social Graphs
目前，大多数在线社交网络（OSN）以集中的方式保密其数据。研究人员被允许抓取底层的社交图谱（和数据），但速度有限，导致只能看到真实社交图谱的部分视图。为了克服这个限制，我们可以从用户的角度出发，OSN的贡献者。更准确地说，如果用户谨慎地彼此合作，他们可以使用OSN的基础设施与邻居进行多轮的嘈杂朋友列表交换。最后，他们可以构建本地子图，也称为真实社交图的本地视图。在本文中，我们提出了这样的协议的问题，\textit{private link exchange}在社会图。这个问题是独特的，因为通过链接传播的数据就是链接本身。然而，这一模式的可行性存在根本性问题。第一个问题是如何为链接交换过程定义简单有效的隐私概念。第二个问题来自于交换中的大量链接列表，这些列表可能会一轮又一轮地呈指数级增长。虽然存储和计算复杂性对于台式PC来说可能是负担得起的，但通信成本却不小。我们通过一个简单的$(α,β)$交换使用布隆过滤器来解决这两个问题。
2016-09-06 cs.CR cs.SI
Link transmission centrality in large-scale social networks
了解网络中链接在传递信息中的重要性，可以提供一些方法来阻止或推迟正在发生的动态现象，如流行病的传播或信息的扩散。在这项工作中，我们提出了一个新的措施，随机扩散过程的基础上，\textit{transmission centrality}，捕获的重要性，通过估计的平均数量的节点，他们在全球传播扩散过程中传递信息的链接。我们提出了一个简单的算法解决方案来计算传输中心性，并在非常大的网络中以较低的计算成本来近似它。最后，我们在三个大型经验社交网络中识别弱关系时应用了传输中心性，表明该度量在识别驱动社交网络中传播过程的链接方面优于其他中心性度量。
2018-02-14 cs.SI physics.soc-ph
Preserving Link Privacy in Social Network Based Systems
越来越多的研究利用基于社交网络的信任关系来改善系统的功能。然而，这些系统将用户的信任关系暴露给对手，在当今社会，信任关系被认为是敏感信息。在这项工作中，我们做出了以下贡献。首先，我们提出了一种算法，扰乱了社会图的结构，以提供链接隐私，在社会图的效用略有减少的成本。第二，我们定义了一般的指标来表征扰动图的效用和隐私。第三，我们评估我们提出的算法使用现实世界的社交图的效用和隐私。最后，我们证明了我们的扰动算法在广泛的安全系统，包括西比尔防御和安全路由的适用性。
2012-08-30 cs.CR cs.SI
RankMerging: A supervised learning-to-rank framework to predict links in large social network
L2TI, Université Paris-Nord（L2TI，巴黎第十三大学）；naXys, University of Namur（纳克西斯研究所，那慕尔大学）；Mathematical Institute, University of Oxford（牛津大学数学研究所）
本文提出监督学习排序框架RankMerging，融合多种无监督排名信息，在三种社交网络上显著提升链接预测性能，并探讨特征选择与参数估计，适用于大型网络的可调数量链接预测。
2025-03-29 cs.IR cs.LG cs.SI
Empirical Evaluation of Link Deletion Methods for Limiting Information Diffusion on Social Media
Graduate School of Engineering, Information and Systems, University of Tsukuba（筑波大学研究生院工程、信息与系统研究科）；Faculty of Engineering, Information and Systems, University of Tsukuba（筑波大学工学部工程、信息与系统学科）
研究通过实际转发 cascades 日志评估链接删除方法的有效性，发现即使删除50%的链接，信息扩散规模仍仅减少至原规模的50%，表明该方法抑制信息扩散的效果有限。
2026-03-23 cs.CY cs.SI
