A BERT Based Hybrid Recommendation System For Academic Collaboration
Vellore Institute of Technology, Chennai, India（维洛雷理工学院，钦奈，印度）
针对大学规模扩大后传统学术社交方式低效的问题，本研究提出基于BERT的学术合作混合推荐系统，结合TF-IDF与BERT优势，经无标注聚类重标注验证性能更优，已落地为移动应用以提升学术机构内的社交合作效率。
2025-02-21 cs.CL cs.IR cs.SI
Paper Skygest: Personalized Academic Recommendations on Bluesky
Cornell Tech（康奈尔科技）
Paper Skygest是首个在Bluesky上为学术内容提供个性化推荐的持续部署系统，通过定制feeds提升用户互动并支持推荐系统实验。
2026-01-06 cs.CY cs.IR cs.SI
Exploration of the possibility of infusing Social Media Trends into generating NFT Recommendations
University of Westminster（威斯敏斯特大学）；Informatics Institute of Technology（信息技术学院）
推荐系统已被确定为推动电子商务网站销售的组成部分之一。从趋势中提取的意见挖掘数据的利用已被试图改善的建议，可以提供的基线方法在这项研究中，用户点击数据是缺乏或难以收集，由于隐私问题。利用社会趋势来影响为一组独特的项目生成的建议已被探索与建议的评分机制的使用。在未来几十年里，去中心化网络的概念有望改变用户通过互联网进行交互的方式，建议的推荐系统试图利用多个信息源，应用连贯的信息检索技术来提取可能的趋势项。研究中提出的建议架构提出了一种将社会趋势与建议相结合的方法，以产生有希望的产出。
2022-05-03 cs.AI cs.IR cs.LG
Is social media hindering or helping Academic Performance? A case study of Walter Sisulu University Buffalo City Campus
该研究通过对 WSU Buffalo City 校区 71 名学生的随机问卷调查，发现社交媒体虽有助学作用，但过度使用主要造成分心并损害学业表现。
2025-01-07 cs.CY cs.SI
Auditing health-related recommendations in social media: A Case Study of Abortion on YouTube
本研究针对社交媒体推荐算法在健康领域的潜在偏见与错误信息问题，以YouTube堕胎内容为案例，提出简单有效的傀儡账号审计方法，可高效审计不同复杂度的推荐系统。
2024-04-11 cs.IR cs.SI
Generalizable prediction of academic performance from short texts on social media
Institute of Education（教育学院）；National Research University Higher School of Economics（国家研究型大学高等经济学院）
本文利用俄罗斯学生在VK上的短文本构建学业表现预测模型，并证明该模型可跨平台泛化至推文，还能再现学校排名，其泛化性源于大规模语料训练的连续词表示。
2019-12-01 cs.CL cs.SI
Social Media and Academia: How Gender Influences Online Scholarly Discourse
本研究基于美国顶尖高校计算机科学学者的Twitter数据，揭示性别对在线学术交流的影响，发现男女话题相似但表达风格、情绪及遭受骚扰程度存在差异，呼吁营造更包容的学术环境。
2025-04-29 cs.SI
Anatomy of Scholarly Information Behavior Patterns in the Wake of Academic Social Media Platforms
随着越来越多的学术内容被数字化或转换为数字格式，数字图书馆对寻求利用学术大数据进行科学发现的研究人员来说变得越来越重要。虽然学术产品是丰富的，特别是在社会网络服务的出现所创造的环境中，很少有人知道国际学术信息需求，信息寻求行为，或信息使用。本文的目的是解决这些差距，通过深入分析的信息需求和信息寻求行为的研究人员，学生和教师，在两所大学，一个在美国，另一个在卡塔尔。在此基础上，本研究确定并描述了研究人员在信息寻求过程中的新行为模式。分析结果表明，学术社交网络的使用对各种学术活动有显著的影响。此外，本研究确定了学生和教师之间的差异，就他们使用的学术社交网络，它确定了研究人员之间的差异，根据学科。虽然参与本研究的研究人员代表了一系列学科和文化背景，但研究报告了研究人员学术活动的一些相似之处。
2018-08-07 cs.DL cs.HC cs.SI
Fairness and Diversity in the Recommendation and Ranking of Participatory Media Content
使得用户之间能够进行一对多通信的在线参与式媒体平台看到大量的用户生成的内容，并且因此面临能够向其用户推荐该内容的子集的问题。我们解决了推荐和排名这些内容的问题，这样关于一个主题的不同观点就可以以公平和多样化的方式曝光。我们建立我们的模型的背景下，基于语音的参与式媒体平台运行在印度中部农村，为低收入和识字率较低的社区，播放音频信息的排名列表中的用户通过电话，并允许他们贡献自己的消息。在本文中，我们描述了我们的模型，并使用来自平台的呼叫日志对其进行评估，以比较我们的模型与目前遵循的手动编辑过程的公平性和多样性性能。我们的模型是通用的，也可以调整和应用于其他参与式媒体平台。
2019-07-16 cs.IR cs.SI
Recommendation of Scholarly Venues Based on Dynamic User Interests
越来越多的出版学术作品的场所使得研究人员很难确定出版数据和研究的场所最符合他们的学术兴趣。因此，需要找到一种解决办法，使研究人员能够确定信息传播途径，以便获取现有知识并为之作出贡献。在这项研究中，我们提出了一个系统，以推荐学术场所的相关性，以一个给定的研究人员目前的学术追求和兴趣。我们收集了我们的数据，从学术社交网络和研究人员的学术阅读行为建模，以提出一个新的和自适应的隐式评级技术的场地。我们提出了一种方法来推荐相关的，专业的学术场所使用这些隐含的评级，可以提供快速的结果，即使是新的研究人员没有出版历史和新兴的学术场所，还没有一个影响因素。我们进行了一个大规模的实验，真实的数据来评估目前的学术推荐系统，并表明我们提出的系统取得了更好的结果比基线。这些结果提供了重要的最新信号，与基于出版后使用的指标相比，更能反映研究人员的兴趣。
2017-12-26 cs.DL 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
Step Out of Your Comfort Zone: More Inclusive Content Recommendation for Networked Systems
网络化系统广泛应用于诸如社交网络、基础设施网络和生物网络的现实世界场景中。在这些应用中，我们感兴趣的社交网络，由于其复杂性和流行性。社交网络上的一个关键任务是根据图结构的特殊特性推荐新内容。在这个项目中，我们的目标是通过防止推荐倾向于封闭社区的内容来增强推荐系统。为了消除这种偏见，我们将考虑将网络上的信息传播作为评估内容推荐的指标，例如新连接和新闻提要。我们使用学术合作网络和Yelp的用户-项目交互数据集来模拟连接推荐的环境，并验证所提出的算法。
2021-06-19 cs.SI
SocialRec: User Activity Based Post Weighted Dynamic Personalized Post Recommendation System in Social Media
School of Computing（计算机学院）；Southern Illinois University Carbondale（南伊利诺伊大学卡本代尔分校）
本文提出SocialRec推荐系统，通过整合用户历史、参与度和个人画像评估推荐得分，采用混合方法解决新用户冷启动问题，并在NeuMF模型上取得HR 0.80和NDCG 0.6的最高成绩。
2024-07-13 cs.IR cs.LG cs.SI
Hashtag Re-Appropriation for Audience Control on Recommendation-Driven Social Media Xiaohongshu (rednote)
研究探讨了小红书女性创作者如何通过重新挪用标签来屏蔽特定受众，从而在推荐驱动的平台中重新掌握内容分发的能动性，为算法权力结构下的自我治理提供见解。
2025-03-04 cs.CY cs.HC cs.IR
Graph Embedding for Citation Recommendation
随着科学的进步，学术界发表了数百万篇研究论文。研究人员在撰写论文或只是为了跟上当前的研究时，会花费时间和精力搜索相关的手稿。本文研究了图上的引文推荐问题，提出了一种基于任务的邻域构造策略来学习论文的分布式表示。此外，鉴于所学到的表示，我们调查各种计划排名的候选论文引用推荐。实验结果表明，我们提出的邻域构造策略优于广泛使用的随机游走为基础的采样策略的所有排名方案，和基于模型的排名方案优于嵌入的邻域构造策略的排名。我们还证明了图嵌入是一种鲁棒的引用推荐方法，当隐藏率变化时，而经典方法的性能显着下降时，种子论文集变得很小。
2018-12-06 cs.DL cs.IR cs.SI
Pinterest Board Recommendation for Twitter Users
Pinterest上的Pinboard是一种吸引在线社交媒体用户的新兴媒体，用户可以在其上发布特定主题的在线图像。不管它的重要性，很少有以前的工作，特别是促进信息发现的基础上插接板。本文提出了一种新的pinboard推荐系统的Twitter用户。为了将两个社交媒体平台的内容相关联，我们建议使用MultiLabel分类将Twitter用户followees映射到pinboard主题和视觉多样化，以推荐用户感兴趣的主题。在一个包含2000个用户的数据集上进行的初步实验验证了我们提出的系统。
2015-09-01 cs.MM cs.SI
Dynamic hashtag recommendation in social media with trend shift detection and adaptation
DIMES Department, University of Calabria（卡拉布里亚大学DIMES部门）
针对社交媒体话题标签推荐的动态性问题，提出H-ADAPTS方法，通过趋势感知机制检测并适应趋势转移，利用Apache Storm实现可扩展分析，在真实案例中显著优于现有方案。
2025-04-23 cs.CL cs.DC cs.NE
Algorithmic Extremism: Examining YouTube's Rabbit Hole of Radicalization
YouTube及其幕后推荐算法在鼓励在线激进化方面所扮演的角色已经被记者和学者所提及。这项研究通过研究YouTube的算法在暗示激进内容方面所起的作用，直接量化了这些说法。在对近800个政治频道进行分类后，我们能够区分政治模式，以分析算法流量和各组之间的流量。在对每种渠道类型收到的建议进行详细分析后，我们驳斥了流行的激进化主张。相反，这些数据表明，YouTube的推荐算法积极阻止观众访问激进或极端主义内容。相反，该算法被证明更倾向于主流媒体和有线电视新闻内容，而不是倾向于左倾或政治中立频道的独立YouTube频道。因此，我们的研究表明，YouTube的推荐算法未能促进煽动性或激进的内容，正如之前几家媒体所声称的那样。
2019-12-24 cs.IR cs.SI
Towards Decentralization of Social Media
Pune Institute of Computer Technology（浦那计算机技术学院）
Facebook使用人工智能根据用户参与的事件（如分享、点赞、发表评论、朋友发帖、创建群组等）向用户投放广告。每个用户都以不同的方式与这些事件进行交互，从而收到Facebook智能系统策划的不同推荐。Facebook将其用户隔离在不同的房间里，将他们分割成不同的社区。这项技术彻底改变了营销领域。然而，它陷入了一场争夺我们有限注意力的竞赛，动机是赚越来越多的钱。Facebook不是一个中立的产品。它被编程为让用户沉迷于它，目的是获得有关用户的附加信息，并根据用户的偏好优化提供给用户的推荐。本文描述了Facebook的推荐系统是如何工作的，并提出了三种方法来保护Facebook和其他公司利用的人类漏洞。
2018-11-28 cs.AI cs.SI
On the Impact of Social Media Recommendations on Opinion Consensus
我们认为一个离散的意见形成问题，在设置代理人的影响，由他们的社会关系和直接从社会媒体经理收到的建议扩散的信息。我们研究了社交媒体的影响力和同质性比率的“强度”如何影响达成共识的代理人的概率，以及这些因素如何决定达成共识的类型。在一个简单的2-对称块模型中，我们证明了代理收敛到一个共识或持续的分歧。特别是，我们表明，当同性恋比例是大的，社会媒体有一个非常低的能力，确定的结果的意见动态。另一方面，当同性恋比例较低时，社交媒体的影响力可以对动态发挥重要作用，要么使达成共识变得更加困难，要么诱导极端意见。最后，为了将我们的分析扩展到更一般和现实的环境中，我们给出了一些实验证据，证明我们的结果在一般网络上仍然成立。
2022-04-27 cs.GT cs.MA cs.SI
TikTok and the Art of Personalization: Investigating Exploration and Exploitation on Social Media Feeds
针对社交媒体信息流推荐黑箱问题，提出时间线框架区分探索与利用，用真实TikTok数据及双基线验证，揭示观看时长、点赞、关注对个性化的驱动作用。
2024-03-19 cs.SI
Evolution of Ego-networks in Social Media with Link Recommendations
自我网络是社会图中的基本结构，但它们的演化过程仍然没有得到广泛的探索。在在线环境中，一个关键问题是链接推荐系统如何扭曲这些网络的增长，可能限制多样性。为了阐明这一点，我们分析了从Flickr和Tumblr中提取的1.7亿个自我网络的完整时间演化，比较了自发创建的链接与算法推荐的链接。我们发现，自我网络的演化是突发性的，社区驱动的，其特征在于随后的阶段的爆炸性直径增加，轻微收缩，稳定。建议倾向于流行和连接良好的节点，限制直径扩张。通过一个旨在从观测数据中检测因果关系的匹配实验，我们发现，由建议引入的偏见在邻居选择过程中促进了全局多样性。最后，通过两个链接预测实验，我们展示了如何从我们的分析见解可以用来提高社会推荐系统的有效性。
2017-02-05 cs.SI physics.soc-ph
Transformative Influence of LLM and AI Tools in Student Social Media Engagement: Analyzing Personalization, Communication Efficiency, and Collaborative Learning
University of Virginia（弗吉尼亚大学）
本文基于UniversityCube数据，通过案例与统计分析，探究LLM和AI工具对学生社交媒体使用的变革作用，阐明其在提升学业表现、优化沟通协作、打造优质教育环境等方面的教育与社交价值。
2024-12-11 cs.CL cs.CY cs.LG
Uncovering the Interaction Equation: Quantifying the Effect of User Interactions on Social Media Homepage Recommendations
该研究针对YouTube、Reddit和X三大平台，通过设计实验量化用户交互对首页推荐内容的影响，揭示平台内容算法的响应规律及特定主题被降权的现象。
2024-07-09 cs.CY cs.SI
Recommendation Algorithms on Social Media: Unseen Drivers of Political Opinion
本研究基于 3,300 余名参与者的数据，分析 Facebook 和 X 等平台及其推荐算法对用户政治兴趣的差异化影响，并揭示人口统计学差异，为理解数字政治动员提供实证依据。
2025-06-25 cs.SI
Individual Fairness for Social Media Influencers
如今，许多社交媒体平台都以内容创作者（CC）为中心。在这些平台上，平局形成过程取决于两个因素：（a）用户对CC的暴露（例如，推荐系统），以及（b）用户的后续决策过程。最近的研究强调了内容质量的重要性，表明在探索性推荐策略下，网络最终会收敛到一种状态，即CC的质量越高，其预期的追随者数量就越高。在本文中，我们扩展了以前的工作（一）超越平均值，以评估过程的公平性和（b）调查的重要性，探索性的建议，以实现公平的结果。使用分析方法，我们表明，非探索性的建议收敛快，但通常会导致不公平的结果。此外，即使是探索，我们也只能保证最高（和最低）质量CC的公平结果。
2023-01-19 cs.MA cs.SI
Network-based information filtering algorithms: ranking and recommendation
在互联网和万维网变得流行和广泛可用之后，个人的电子存储在线交互迅速成为研究人员的挑战，并且可能甚至更快地成为企业家的有价值信息的来源。我们现在有详细的记录，包括社交网络中的非正式友谊关系、电子商务网站上的购买、用户之间发送的各种信息、网络书签的在线收集，以及许多其他数据集，这些数据集使我们能够提出从学术和商业角度都感兴趣的问题。例如，您可能希望与社交网络的哪些其他用户成为朋友？您可能有兴趣购买哪些其他产品？谁是网络中最有影响力的用户？您接下来可能要访问哪个网页？所有这些问题不仅本身有趣，而且它们的答案可能有助于企业家为客户提供更好的服务，并最终增加他们的利润。
2012-08-22 cs.IR cs.SI physics.data-an
Affective Signals in a Social Media Recommender System
人们使用社交媒体是为了满足各种需求，例如获得信息、娱乐和灵感，或者与朋友和社区建立联系。因此，为了设计给出有用且个性化的帖子推荐的排名函数，能够预测用户可能对帖子的情感响应（例如，娱乐，知情，愤怒）。本文介绍了我们开发的挑战和解决方案，将情感计算应用于社交媒体推荐系统。我们应对几类挑战。首先，我们设计了一个影响的分类法，它很小（出于实用目的），但涵盖了应用程序所需的重要细微差别。其次，为了为我们的模型收集训练数据，我们在已经可用的信号（即不同类型的用户参与度）和我们通过精心制作的人工注释工作收集的80万个帖子之间进行平衡。我们证明，从这个数据集学习的情感反应信息提高了推荐系统中的模块超过8%。在线实验还表明，在统计上，违规内容的出现显著减少，而用户认为有价值的内容的出现增加。
2022-06-24 cs.SI
Effect of Social Media on Website Popularity: Differences between Public and Private Universities in Indonesia
社交媒体已经成为通过网站加强社交网络和信息共享的重要因素。社交媒体不仅改变了社交网络，还为社会组织、行动主义、政治、医疗甚至大学的学术关系提供了宝贵的工具。研究人员进行本研究的目的是a）。研究大学对社交媒体的学术使用，b）。衡量大学拥有的社交媒体的受欢迎程度和知名度。这项研究只限于印度尼西亚的大学。研究对象包括公立和私立大学。样本量包括264所大学，他们的排名都包括在2012年7月版的Webometrics和4ICU中。研究的社交媒体包括Facebook、Twitter、Flicker、LinkedIn、Youtube、Wikipeda、博客、大学拥有的社交网络社区和开放式课程软件。本研究使用了一种数据汇集和测量的方法：使用Alexa和Majestic SEO。使用Pearson卡方检验分析社交媒体所有权，使用数据序和独立t检验社交媒体对网站流行度的影响。研究显示，大多数社交媒体用户使用Facebook，其次是Twitter。无论是否使用社交媒体，Alexa排名的受欢迎程度和Majestic SEO在大学中的可见性也存在最显着的差异。
2014-03-08 cs.CY cs.SI
A Personalized MOOC Learning Group and Course Recommendation Method Based on Graph Neural Network and Social Network Analysis
本研究基于社交网络分析构建多层次网络模型，利用近4万用户和数万课程数据开发AI助手，通过图神经网络等技术探究选课偏好与学术兴趣关系，为学生推荐个性化课程与学习群组，以提升MOOC学习参与度和效果。
2024-10-14 cs.CY cs.SI
Challenging Social Media Threats using Collective Well-being Aware Recommendation Algorithms and an Educational Virtual Companion
社交媒体已经成为我们生活中不可或缺的一部分，将我们的互联能力扩展到新的水平。关于其积极影响有很多话要说。然而，另一方面，近年来社交媒体的一些严重负面影响一再被强调，指出了对社会及其更弱势成员，如青少年的各种威胁。因此，我们提出了一个理论框架的基础上自适应的“社交媒体虚拟伴侣”的教育和支持整个社区，青少年学生，在社交媒体环境中进行互动，以实现理想的条件，定义在一个社区的具体和参与性的集体福祉（CWB）的设计措施。本指南将自动处理与专家干预和指导相结合。虚拟伴侣将由推荐系统（CWB-RS）提供支持，该系统将优化CWB指标，而不是参与度或平台利润，目前这在很大程度上驱动推荐系统，从而忽略任何社会附带影响。我们重点关注教育管理的专家和教育工作者伴侣的社交媒体社区。它们发挥着五个关键作用：（a）在以课堂为基础的教育活动中使用该指南;（b）指导CWB的定义;（c）提供学习策略、目标和活动的层次结构，以支持和包含基于层次强化学习的CWB-RS的自适应排序算法;（d）充当社区成员之间直接冲突的调解人;最后，（e）监测和解决超出智能代理的能力和控制的道德和教育问题。的同伴的组件和研究的教育和心理学的基本原则的性能的初步结果。
2022-10-17 cs.CY cs.SI
Who Makes Trends? Understanding Demographic Biases in Crowdsourced Recommendations
像Facebook和Twitter这样的社交媒体网站的用户依赖于众包内容推荐系统（例如，趋势主题）检索重要和有用的信息。选择推荐的内容间接地给那些推广（通过点赞或发帖）内容的初始用户一个机会，将他们的信息传播给更广泛的受众。因此，重要的是要了解那些使内容值得推荐的人的人口统计数据，并探索他们是否代表媒体网站的总人口。在这项工作中，使用从Twitter收集的大量数据，我们首次尝试量化和探索众包推荐中的人口统计学偏见。我们的分析集中在趋势主题的选择上，发现很大一部分趋势是由人群推动的，这些人群的人口统计数据与Twitter的总体人口统计数据显著不同。更令人担忧的是，我们发现某些人口群体在热门话题的推动者中系统性地代表不足。为了使Twitter趋势中的人口统计偏见更加透明，我们在twitter-app.mpi-sws.org/who-makes-trends上开发并部署了一项基于Web的服务“Who-Makes-Trends”。
2017-04-01 cs.SI physics.soc-ph
Open access institutional and news media tweet dataset for COVID-19 social science research
随着COVID-19迅速成为最受关注的全球危机之一，学术研究对数据的需求也在增加。目前，有几个开放获取的Twitter数据集，但没有一个是专门针对机构和新闻媒体的Twitter数据汇集，为了填补这一空白，我们检索了69个机构/新闻媒体Twitter账户的数据，其中17个与政府和国际组织有关，其中52个是北美，欧洲和亚洲的新闻媒体。我们相信我们的开放获取数据可以为研究人员提供更多的可用性来进行社会科学研究。
2020-04-03 cs.CY cs.DL cs.SI
Reducing Exposure to Harmful Content via Graph Rewiring
针对算法推荐导致的有害内容曝光问题，将推荐系统建模为有向图，提出快速贪心算法Gamine，通过边重连在保证推荐相关性损失可控的前提下高效降低有害内容曝光，经实验验证其有效性、鲁棒性与效率。
2023-06-05 cs.CY cs.DS cs.SI
