Fairness and Consensus in an Asynchronous Opinion Model for Social Networks (Technical Report)
本文提出基于 DeGroot 的异步观点转移系统模型，分析强连通社交网络中的共识收敛条件，证明标准强公平性不足以保证共识，引入更弱的 m-有界公平性概念并证明其可保证共识，同时将该结果推广到动态影响场景。
2024-09-06 cs.SI
Fairness in Online Social Network Timelines: Measurements, Models and Mechanism Design
Facebook News Feed个性化算法每天都对数百万互联网用户的生活方式，情绪和意见产生重大影响。尽管如此，这种算法的行为缺乏透明度，缺乏激励测量，建模和分析，以了解和改进其属性。在本文中，我们提出了一种可重复的方法，包括测量，分析模型和基于公平的新闻提要设计。该模型利用了生存时间（TTL）计数器的多功能性和分析易处理性，以捕获新闻提要上发布者的可见性和占用率。测量用于参数化和验证所提出的模型的表达能力。然后，我们进行假设分析，以评估用户对模型得出的基线的可见性和占用偏差。我们的研究结果表明，一个显着的偏见存在，它是更突出的新闻提要的顶部位置。此外，我们发现，偏见是不可忽略的，即使是故意设置为中立的用户，他们的政治观点，激励一个新颖的和更透明的公平为基础的新闻提要设计的建议。
2018-10-30 cs.SI
Community Detection Across Multiple Social Networks based on Overlapping Users
随着互联网技术的飞速发展，在线社交网络（OSNs）得到了快速发展，并日益流行。同时，跨多个社交网络的研究也越来越受到研究者的关注，而社区发现是跨OSN的网络安全问题的重要研究内容，主要用于分析用户行为和发现异常社区。提出了一种基于用户重叠的多社交网络社区发现方法。首先定义了重叠用户的概念，然后设计了一种基于社会相关性的重叠用户存根社区发现算法CMN NMF。在此基础上，通过添加具有较强相似性的用户，扩展不同社交网络中的存根社区，最终挖掘出不同的社区。在真实数据集上的实验结果表明了该方法的有效性。
2019-10-08 cs.SI
FairGE: Fairness-Aware Graph Encoding in Incomplete Social Networks
Jilin University Changchun China；Adelaide University Adelaide Australia；Zhejiang University of Technology Hangzhou China；RMIT Univeristy Melbourne Australia；RMIT University Melbourne Australia；Jinan University \& TAL Education Group Guangzhou China；Jilin University；Adelaide University；Zhejiang University of Technology；RMIT Univeristy；RMIT University；Jinan University \& TAL Education Group
FairGE通过谱图理论在不完整社交网络中直接编码公平性，无需生成缺失的敏感属性，提升了统计平衡和机会平等的性能。
2026-01-18 cs.AI cs.SI
Combinations of Affinity Functions for Different Community Detection Algorithms in Social Networks
社会网络分析是社会科学和行为科学中的一门流行学科，其中不同社会实体之间的关系被建模为网络。在社会网络分析中，最常见的问题之一是在网络结构中发现社区。通常，社交网络中的社区是图的功能子分区。然而，由于社区的定义有些不精确，已经提出了许多算法来解决这个任务，每一个都专注于不同的社会特征的演员和社区。在这项工作中，我们建议使用新的亲和度函数的组合，旨在捕捉网络交互中不同的社会机制。我们使用它们来扩展已经存在的社区发现算法，以结合亲和力函数的能力来模拟不同的社会互动比那些利用原始算法。
2022-08-26 cs.SI
Social Centrality using Network Hierarchy and Community Structure
已经制定了几个中心性措施，以量化社交网络中的行为者的“重要性”的概念。目前的措施审查本地或全球的节点连接，并已被发现是不够的社交网络。忽视等级制度和社区结构，这是所有人类社交网络固有的，是这种不足的主要原因。一个行动者在社区中的地位等级和嵌入性是他重要性的直观决定因素。社会资本理论认为，一个行动者的重要性来自于他在网络等级中的地位，以及通过社区内（结合）和社区间（桥接）联系调动资源的潜力。受此启发，我们提出了一个新的中心性措施SC（社会中心性）的演员在社交网络。我们的措施占- i）一个人的社会化倾向，和ii）他在社区内外的联系。这两个因素被适当地聚合以产生社会中心性分数。SC措施与经典和最近的中心性措施，使用大型公共网络的比较分析表明，它始终产生一个更现实的节点排名。推理基于每个测试网络的可用地面实况。广泛的分析排名提供的SC措施和映射与已知的事实在研究网络证明其有效性在不同的社交网络。SC措施的可扩展性评估证明其有效性，为现实世界的大型网络。
2018-06-23 cs.SI
Recommendation Fairness in Social Networks Over Time
Nanjing University（南京大学）；TU Graz（格拉茨工业大学）；Know-Center GmbH（Know-Center有限公司）；L3S Research Center（L3S研究中心）；Modul University Vienna（维也纳模组大学）；University of Mannheim（曼海姆大学）；GESIS - Leibniz Institute for the Social Sciences（GESIS-莱布尼茨社会科学研究所）
本文研究了社交网络中随时间变化的推荐公平性，发现公平性随时间提高，且少数族裔比例和同质化比例与公平性存在稳定关联。
2024-05-07 cs.CY cs.IR cs.SI
Hybrid Social Networking Application for a University Community
提出了一种用于构建大学社区社会社区的混合社会网络。该系统采用了离线/在线社交网站（SNS）的语义本体。它捕捉了SNS的核心功能，包括个人资料创建，朋友邀请/搜索，群组形成，聊天/消息传递，博客和投票。在实施阶段考虑了三个核心框架-peer 2 me框架，SMSN语义移动社交网络和PeoplePods框架。结果表明，具有相似兴趣的产消者具有显着的匹配性能，相关性接近统一。社交网络能够捕捉到大学生的需求，作为一个方便的方向，以热门地点在校园内。
2015-03-19 cs.SI
Comparing Community-aware Centrality Measures in Online Social Networks
识别关键节点对于加速或阻止网络中的动态传播至关重要。社区感知的中心性措施通过利用网络的社区结构来解决这个问题。虽然设计新的社区意识中心措施的趋势日益明显，但对拟议措施的有效性没有进行系统的调查。本研究进行了广泛的比较评估突出的社区意识的中心性措施，使用易感-感染-传播（SIR）模型在现实世界的在线社交网络。总体而言，结果表明，K壳与社区和社区为基础的中心性措施是最准确的识别有影响力的节点下，一个单一的传播问题。此外，流行病传播率对社区感知中心性指标的行为没有显著影响。
2022-01-30 cs.SI
Social Network Community Detection Based on Textual Content Similarity and Sentimental Tendency
共享出行逐渐成为微博等社交平台上讨论的热点话题之一。及时对社交网络中共享出行的评价内容进行更深层次的网络社区发现，可以有效地对共享出行相关的舆论导向进行研究分析，具有很大的应用前景。现有的社区发现算法一般从空间距离的角度来度量网络中节点的相似性。提出了一种基于文本内容相似度和情感倾向的社区发现算法（CTST），同时考虑了网络结构和节点属性。将网络社区用户的内容相似度和情感倾向作为节点属性，在此基础上构建无向加权网络进行社区发现。本文用实际数据进行了实验，并对实验结果进行了分析。实验结果表明，社区发现结果模块化程度高，效果较好。
2022-06-22 cs.SI
Keyword-based Community Search in Bipartite Spatial-Social Networks (Technical Report)
Kent State University（肯特州立大学）；University of Zakho（扎赫奥大学）
本文提出了一种新的双分空间-社交网络社区搜索方法，通过引入(ω, π)-关键词核心，有效过滤无关用户和兴趣点，提升查询效率。
2026-04-08 cs.SI
Maximizing Fair Content Spread via Edge Suggestion in Social Networks
内容传播不公平是在线社交网络中潜在的不公平问题，严重影响少数群体。在本文中，我们认为友谊的建议，在社交网络平台的一个共同特点，作为一个机会，以实现公平的传播内容。特别是，我们建议建议一个子集的潜在优势（目前不存在于网络中，但可能会被接受），最大限度地提高内容传播，同时实现公平。我们的建议不是重新设计现有的系统，而是在现有的友谊建议组件之上构建一个公平包装。我们证明了该问题是NP-困难的，且在多项式时间内不可逼近，除非P = NP。因此，允许放宽的公平性约束，我们提出了一种算法的基础上LP松弛和随机舍入与固定的近似比的公平性和内容传播。我们提供了多种优化，进一步提高我们的算法在实践中的性能。此外，我们提出了一个可扩展的算法，动态地添加节点的子集，通过迭代采样选择，并解决相应于这些节点的较小的问题。在理论分析的基础上，我们对真实数据集和合成数据集进行了综合实验。在不同的设置中，我们的算法找到了接近零不公平的解决方案，同时显着增加了内容传播。我们的可扩展算法可以在一台机器上处理50万个节点的图，将不公平性降低到0.0004左右，同时将内容传播提高了43%。
2022-12-20 cs.SI
Continuous Influence-based Community Partition for Social Networks
随着网络规模、数据量和应用的快速增长，社区划分在社交网络中显得尤为重要。研究了社交网络中LT模型下的社区划分问题，这是一个将社会网络划分为互不相交的$m$社区的组合优化问题.我们的目标是通过在每个社区内最大化影响力传播的总和。由于LT模型下社区划分问题的影响力传播函数是超模的，我们使用Lov{ $\acute{a}$ }sz扩展的方法对目标影响力函数进行松弛，并将目标转移到拟阵多胞形上最大化松弛后的函数.接下来，我们提出了一个连续的贪心算法，利用松弛函数的性质来解决我们的问题，这需要在具体实现离散化。然后，利用随机舍入技术将分数阶解转化为整数阶解。我们提出了一个理论分析与$1-1/e$逼近比所提出的算法。在真实的在线社交网络数据集上进行了大量的实验，结果表明连续贪心算法能够有效地提高社区划分的影响力和准确性.
2021-02-05 cs.SI
Community-based fact-checking reduces the spread of misleading posts on social media
该研究通过双重差分法分析X平台社区笔记的大规模数据，发现社区笔记能有效减少误导帖传播并提升删帖率，但存在干预滞后的问题，为优化社区事实核查提供参考。
2024-09-13 cs.SI
Investigating Centrality Measures in Social Networks with Community Structure
中心性度量对于量化社交网络成员的影响力至关重要。虽然已经有大量的工作来处理这个问题，绝大多数经典的中心性措施是不可知的社区结构的特点，许多社交网络。最近的作品开发了社区意识的中心性措施，利用社区结构的信息在大多数现实世界中遇到的复杂网络的功能。在本文中，我们使用8个真实世界的在线网络调查5流行的经典中心性措施和5社区意识的中心性措施之间的相互作用。计算两种类型的中心性度量之间的相关性和相似性度量。结果表明，社区意识的中心性措施可以分为两组。第一组，其中包括桥接中心性，社区枢纽桥和参与系数，提供了独特的节点信息相比，经典的中心性。这种行为在整个网络中是一致的。第二组包括基于社区的调解人和邻近社区的数量，其特点是在不同网络之间有不同的结果。
2022-01-30 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
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
Towards a new social laboratory: An experimental study of search through community participation at Burning Man
斯坦利·米尔格拉姆（Stanley Milgram）提出的“小世界现象”（small world phenomenon）表明，社交网络中的个人通过一条短路径相互联系，可以利用他们的本地社交信息有效地遍历该网络。现有的社会搜索实验受到高损耗率的困扰，这阻碍了对社会搜索的全面研究。我们通过在美国内华达州黑岩沙漠的“火人节”上进行一个小世界实验来调查这一点，该活动以其独特的社会制度和社区参与而闻名。我们设计了位置跟踪船，我们通过燃烧的人走向目标，找到一个特定的人。一路上，这些船只记录了个人信息和GPS数据。十五艘船只中有两艘到达了指定的人，但在燃烧人一个月后。我们的研究结果表明，通过社区参与和强调文化习俗以帮助社会实验的设计方法，可能会有所改进，以限制自然减员率。
2019-03-11 cs.SI
Uncovering the Structural Fairness in Graph Contrastive Learning
Beijing University of Posts and Telecommunications（北京邮电大学）；BioMap（百图生科）；MBZUAI（穆罕默德·本·扎耶德人工智能大学）
最近的研究表明，图卷积网络（GCN）往往表现出更差的低度节点，表现出所谓的结构不公平的图与长尾度分布在现实世界中普遍存在。图对比学习（GCL）结合了GCN和对比学习的能力，已经成为一种有前途的学习节点表示的自监督方法。协鑫在结构公平方面表现如何？令人惊讶的是，我们发现GCL方法获得的表示已经比GCN学习的表示更公平。我们从理论上证明了这种公平性源于GCL的社区内集中和社区间分散特性，从而产生了一个非常清晰的社区结构，以驱动低度节点远离社区边界。基于我们的理论分析，我们进一步设计了一种新的图增强方法，称为GRAph的度偏差（GRADE），它适用于不同的策略，低，高程度的节点的对比学习。在各种基准测试和评估协议上的实验验证了该方法的有效性。
2022-10-06 cs.LG cs.SI
The Effect of Social Feedback in a Reddit Weight Loss Community
人们普遍认为，接受社会反馈有助于（i）保持个人与社区的互动，以及（ii）促进个人积极的行为改变。然而，关于社会反馈对持续参与在线健康社区的影响的定量数据很少。在这项工作中，我们应用Mahalanobis距离匹配（MDM）来证明在Reddit上的“loseit”减肥社区中接收反馈的重要性。具体地说，我们表明，（i）即使在纠正单词选择的差异时，用户在最初的帖子中获得更多积极反馈的可能性更大，并且（ii）有收益递减，后期帖子的社会反馈不如第一个帖子重要。我们还描述了更有可能吸引这种有价值的社会反馈的初始帖子的类型。虽然我们还不能争论最终减肥成功或失败，但我们相信，了解在线健康社区背后的社会动态是设计更有效干预措施的重要一步。
2016-02-25 cs.SI
An Empirical Study of Community Detection Algorithms on Social and Road Networks
社交网络中的社区发现是一个非常有趣的问题，因为社区发现揭示了网络中隐藏的信息。已有许多算法来检测固有的社区结构，但最近很少有人在社交网络上进行研究。然而，这是不平凡的，以决定最好的方法，在存在不同的性质的图，在密度和稀疏性，以及不充分的分析结果。因此，在这项研究中，我们分析和比较各种算法来检测社区在两个网络，即社会和道路网络，具有不同的结构特性。正在考虑的算法进行评估，内部和外部连接的社区，包括内部密度，平均度，切割比，电导，归一化切割，平均Jaccard指数的独特指标。评估结果揭示了关于所选算法和底层社区结构的关键见解。
2019-09-16 cs.SI
Fairness and/or Privacy on Social Graphs
CISPA Helmholtz Center for Information Security（CISPA亥姆霍兹信息安全中心）
本文全面研究了图神经网络（GNNs）中的公平性与隐私问题，通过跨数据集实验评估了多种公平性干预措施，揭示了公平性、隐私与准确性之间的权衡关系，为构建更稳健且符合伦理的图学习模型提供了重要见解。
2025-03-03 cs.CY cs.LG cs.SI
Fairness in Social Influence Maximization via Optimal Transport
针对社会影响力最大化中现有公平性指标忽略扩散随机性的问题，本文提出基于最优传输理论的互公平性指标及种子选择算法，在提升公平性的同时保持较高效率。
2025-01-30 cs.CY cs.SI math.CO
On the Fairness of Time-Critical Influence Maximization in Social Networks
影响力最大化已经在广泛的现实世界问题中得到应用，例如，在线社交网络中的产品的病毒式营销，以及诸如职位空缺广告和健康相关信息的有价值信息的信息传播。虽然现有的算法技术通常旨在最大化受影响的总人数，但人口通常包括几个社会显著群体，例如，基于性别或种族。因此，这些技术可能导致不同群体在接收重要信息方面的差异。此外，在许多此类应用中，影响力的传播对时间至关重要，即，只有在最后期限之前受到影响才是有益的。正如我们在本文中所展示的那样，信息的时间关键性可能会进一步加剧不同群体之间的影响力差距。这种差异是由旨在最大化总体影响力的算法引入的，可能会产生深远的影响，影响人们的繁荣，并使少数群体处于非常不利的地位。在这项工作中，我们提出了一个概念，在时间关键的影响力最大化组公平。我们引入代理目标函数来解决公平性下的影响力最大化问题。通过利用我们的目标的子模块化结构，我们提供了计算效率高的算法，保证在传播过程中有效地执行公平。我们通过合成和真实世界的实验证明了我们的方法的有效性。
2021-11-03 cs.CY cs.SI
Personalized Pricing in Social Networks with Individual and Group Fairness Considerations
University of Delaware（特拉华大学）；Emory University（埃默里大学）
本文提出FairPricing框架，结合社会网络中的个体和群体公平性，通过图神经网络学习个性化定价策略，以提高利润并减少不公平现象。
2025-12-12 cs.CY cs.SI
Group fairness without demographics using social networks
提出基于社交网络同质性的无群体公平性度量方法，避免依赖敏感属性，并开发公平算法，在无标签情况下有效减少受保护类别间的不平等。
2023-05-19 cs.CY cs.SI
Exploring Algorithmic Fairness in Robust Graph Covering Problems
在算法进步的推动下，人工智能算法越来越多地被部署在具有复杂社会影响的不可预见挑战的环境中。受人工智能驱动的、基于社交网络的自杀预防和滑坡风险管理干预措施的现实部署的启发，本文重点研究了受群体公平约束的鲁棒图覆盖问题。我们发现，在没有公平性约束的情况下，最先进的算法的强大的图覆盖问题的结果有偏见的节点覆盖：他们倾向于歧视个人（节点）的基础上，在传统上边缘化的群体成员。为了解决这个问题，我们提出了一种具有组公平约束的鲁棒图覆盖问题的新公式和适用于现实世界实例的易于处理的逼近方案。我们提供了一个正式的分析组公平性（PoF）的价格为这个问题，我们表明，不确定性可以导致更大的PoF。我们证明了我们的方法在几个现实世界的社交网络的有效性。我们的方法产生竞争力的节点覆盖率，同时显着提高组公平性相对于国家的最先进的方法。
2020-06-11 cs.SI math.OC
Stable Community Structures and Social Exclusion
本文运用博弈论的方法研究了社会（信息）网络中的社会排斥现象，并研究了作为纳什均衡的一类社区结构的稳定性。我们的分析的主要结果表明，所有稳定的社区结构（纳什均衡）在这个类的社区结构下，一些代理人被社会排斥，不属于任何社区。这一结果相当惊人，因为它表明，社会排斥可能是社交网络中的“规范”（预期结果），而不是异常现象。
2020-07-28 cs.SI math.OC
Cyberbullying Detection with Fairness Constraints
Tampere University（坦佩雷大学）
网络欺凌是当今数字社会在线社交互动中普遍存在的不良现象。虽然许多计算研究都集中在提高机器学习算法的网络欺凌检测性能上，但提出的模型往往会携带和加强意想不到的社会偏见。在本研究中，我们试图回答的研究问题，“我们可以减轻网络欺凌检测模型的无意偏见，通过指导模型训练与公平性约束？".为此，我们提出了一个模型训练方案，可以采用公平性约束，并验证我们的方法与不同的数据集。我们证明，各种类型的意外偏差可以成功地减轻，而不损害模型的质量。我们相信我们的工作有助于为网络社会健康寻求公正、透明和道德的机器学习解决方案。
2020-09-29 cs.CL cs.LG cs.SI
Fair treatment allocations in social networks
Google Research（谷歌研究院）
传染病传播的模拟长期以来一直被用来了解流行病如何演变以及如何有效治疗。然而，相对较少的注意已经支付给理解不同的治疗策略的公平性的影响-也就是说，如何可能这样的策略分配预期的疾病负担在不同的亚组或社区的人口？在这项工作中，我们定义了精确的疾病控制问题--以逐步的方式在社交网络中最优分配疫苗的问题--我们使用ML Fairness Gym来模拟流行病控制，并从效率和公平的角度对其进行研究。然后，我们提出了一个探索性的分析，几个不同的环境，并讨论不同的治疗策略的公平性的影响。
2019-11-01 cs.LG cs.SI stat.ML
Community-Aware Social Community Recommendation
本文提出 CASO 模型用于社会社区推荐，通过三个编码器提取社区全局与局部结构及用户偏好，引入互斥机制消除特征冗余，并加入社区检测损失，在六个真实网络上显著优于九个基线。
2025-08-08 cs.IR cs.SI
Promoting Fairness in Information Access within Social Networks
College of Computer Science and Artificial Intelligence（计算机科学与人工智能学院）；Fudan University（复旦大学）；Australian National University（澳大利亚国立大学）
本文提出了一种线性时间算法，用于在社交网络中通过添加连接来提升不同群体间信息访问的公平性。
2025-12-08 cs.AI cs.SI
Matching Community Structure Across Online Social Networks
网络中社团结构的发现是近年来引起人们极大兴趣的一个问题。在在线社交网络中，用户经常同时参与多个社交媒体站点，其中一些共享共同的社交关系。在这些网络中发现一个共享的社区结构是非常有趣的。然而，在现实中，用户通常在社交媒体网站上使用不同的用户名来标识自己。这就给探测群落结构带来了很大的困难。在本文中，我们探讨了几种方法，社区发现在线社交网络与有限的知识，跨网络的用户名对齐。我们将已知的用户名对齐称为种子。我们研究了种子选择策略及其对具有不同重叠顶点比例的网络的影响。我们的目标是研究网络拓扑结构和种子选择策略之间的相互作用，并了解它如何影响检测到的社区结构。我们还提出了几种措施来评估社区发现的性能，并使用它们来衡量Twitter-Twitter网络和Twitter-Instagram网络中检测到的社区的质量。
2016-08-03 cs.SI physics.soc-ph
A method for assessing the success and failure of community-level interventions in the presence of network diffusion, social reinforcement, and related social effects
在社区环境中进行的预防和干预工作往往面临严格评价的独特分析挑战。由于社区预防工作（通常在地理上是孤立的）不能像其他预防方案那样得到控制，而且这些社区的人际互动水平有所提高，因此需要进行严格的评估。即使在社区干预工作中实施“黄金标准”随机对照试验，鉴于信息在封闭网络环境中的非正式社会传播，对内部有效性的威胁也可能受到质疑。本文提出了一种新的防治效果评价方法，将影响防治效果的社会因素从社区内部分离出来。我们正式介绍的方法和它的实用程序在几个阿拉斯加土著村庄实施的自杀预防计划。研究结果表明，有希望探索八个社会学措施的干预效果，面对社会扩散，社会强化和直接治疗。政策和研究意义进行了讨论。
2018-01-25 cs.SI physics.soc-ph
Social significance of community structure: Statistical view
社区结构分析是研究社交网络的有力工具，它可以大大简化网络的拓扑和功能分析。然而，由于社团发现方法具有随机性，而从复杂系统中得到的真实社交网络往往含有错误边，因此评价社团结构划分的意义是一个迫切而重要的问题。本文结合现实社会的具体特点，提出了一个专门分析社会共同体意义的新框架。社会互动的动力学建模识别社会领袖和相应的层次结构。我们不是直接与随机模型的平均结果进行比较，而是通过公共邻居的数量来计算给定节点与领导者的相似性。为了确定社区成员向量，提出了一种基于节点位置及其领导者的社区发现算法。然后，使用对数似然得分，社区的紧密度可以得到。基于群落紧密度的分布，建立了$p$ -值理论与网络分析的新联系，并得到了一种新的统计形式的显著性测度。最后，该框架被应用到基准网络和真实的社交网络。实验结果表明，本文的工作可用于确定最优社区数目、分析给定社区的社会意义、比较各种算法的性能等领域。
2015-05-08 cs.SI physics.soc-ph
Structural Bias Beyond Homophily: A Study of Fairness in Link Prediction
LTCI, Télécom Paris, Institut Polytechnique de Paris, Palaiseau, France（LTCI， Télécom 巴黎， 巴黎理工学院， 帕莱萨乌， 法国）
本研究通过形式化拓扑偏差度量并引入可控结构属性的合成图生成方法，实证了图拓扑与链接预测公平性之间的强相关性，并揭示了现有公平感知方法对同质性之外的结构偏差仍然敏感。
2026-05-29 cs.LG cs.SI
An Introduction to Community Detection in Multi-layered Social Network
社会社区的提取及其动态变化是当今社会网络分析的重要问题之一。近年来，许多研究者提出了自己的社交网络群体发现方法。但是，几乎没有人注意到，现代社交网络比几年前复杂得多。由于IT系统中存在大量关于各种用户活动的不同数据，因此可以区分称为多层社交网络的新类别的社交网络。为此，本文提出了一种利用多层边聚类系数的多层社会网络社区发现新方法。
2012-09-26 cs.SI physics.soc-ph
Post-hoc Study of Climate Microtargeting on Social Media Ads with LLMs: Thematic Insights and Fairness Evaluation
本研究利用大语言模型对Meta气候广告进行事后分析，揭示不同人口群体的定向主题策略，并通过公平性指标发现模型在男性受众分类上存在偏差，为提升气候传播的包容性提供框架。
2025-09-23 cs.AI cs.CL cs.CY
How Cohesive Are Community Search Results on Online Social Networks?: An Experimental Evaluation
本文在在线社交网络背景下，基于社会心理学群体内聚概念引入五种心理学内聚性度量，并提出CHASE框架评估八种社区搜索算法，发现结构内聚与心理内聚无显著相关性，为未来社区搜索方法提供新见解。
2025-05-01 cs.IR cs.SI
Governing Together: Toward Infrastructure for Community-Run Social Media
Princeton University（普林斯顿大学）；Northwestern University（西北大学）；Georgia Tech（佐治亚理工学院）
本文提出跨社区治理的设计挑战，通过工作坊提出六个挑战，强调模块化、可分叉性和多中心性三大原则，旨在推动社区自主治理的基础设施发展。
2026-01-15 cs.HC cs.SI
Noise in Naming Games, partial synchronization and community detection in social networks
网络博弈（NG）是一种基于代理的模型，用于研究社交网络中的协议动态、节点压力和羊群行为以及自治自组织传感器网络中的协议选择。通过在NG中引入一个小的噪声项，得到的马尔可夫链模型称为噪声博弈（NNG）是遍历的，其中所有部分一致状态都是递归的。通过使用吉布斯-马尔可夫等价，我们展示了如何得到NNG的平稳分布的相关马尔可夫随机场（MRF）的局部规格。通过根据其吉布斯能量对部分同步状态进行排序，在这里被认为是社会紧张度的一个很好的度量，该方法为社会交互数据中的社区检测提供了一种增强的方法。我们展示了如何最低吉布斯能量多名国家分离和显示隐藏的社会网络内的社区结构。
2010-08-24 cs.MA cs.SI
Mutual Community Detection across Multiple Partially Aligned Social Networks
在线社交网络中的社区发现是近年来的研究热点。同时，为了享受更多的社交网络服务，现在的用户通常同时参与多个在线社交网络，其中一些可以共享共同的信息和结构。涉及一些共同用户的网络被称为多个“部分对齐网络”。在本文中，我们希望同时检测多个部分对齐网络的社区，这被正式定义为“相互聚类”问题。互聚类问题是一个非常具有挑战性的问题，因为它有两个重要的问题要解决：（1）如何保持网络的特点，在相互社区发现？以及（2）如何利用其他联盟网络中的信息来细化和消除共享用户的社区结构？针对这两个问题，提出了一种新的社区发现方法MCD（Mutual Community Detector）。MCD可以同时检测多个部分对齐网络中用户的社会社区结构，充分考虑（1）每个网络的特性，（2）对齐网络中共享用户的信息。在两个真实的部分对齐的异构社交网络上进行的大量实验表明，MCD可以很好地解决“互聚类”问题。
2015-06-18 cs.SI physics.soc-ph
Joint Inference of User Community and Interest Patterns in Social Interaction Networks
在线社交媒体已经成为我们社交生活中不可或缺的一部分。分析社交媒体平台中的对话可以产生复杂的概率模型来理解社交互动网络。在本文中，我们提出了一种建模方法，通过共同推断用户社区和兴趣的基础上，社会媒体的互动网络特征。我们提出了几种模式推理模型：i）兴趣模式模型（IPM）捕捉人口水平的交互主题，ii）用户兴趣模式模型（UIPM）捕捉用户特定的交互主题，iii）社区兴趣模式模型（CIPM）捕捉社区结构和用户兴趣。我们在从普渡大学社区收集的Twitter数据上测试我们的方法。从我们的模型结果中，我们观察到与普渡大学社区内的两个大事件相关的互动主题和社区，即普渡大学捐赠日和参议员伯尼·桑德斯访问普渡大学作为2016年印第安纳州初选的一部分。基于用户交互构建社会交互网络说明了用户在各种感兴趣的主题上的交互的相似性，并指示了他们的社区归属感。我们观察到，这种网络的度分布遵循幂律，这表明网络中存在较少的节点，具有较高的交互水平，以及许多其他节点具有较少的交互。我们还讨论了这种网络作为一种有用的工具，有效地传播特定的信息，以目标受众对规划任何大型活动的应用，并演示了如何挑选出特定的节点在一个给定的社区运行网络算法。
2017-04-06 cs.SI physics.soc-ph
Exploring the social influence of Kaggle virtual community on the M5 competition
The University of Manchester（曼彻斯特大学）；Beihang University（北京航空航天大学）
M5与以往预测竞赛最显著的不同之一是，它是在数据科学家和机器学习从业者的在线平台Kaggle上举行的。Kaggle为对M5竞赛感兴趣的网络用户提供了一个聚会场所或虚拟社区。用户可以通过在线笔记本和论坛分享代码、模型、功能、损失函数等。本文旨在研究虚拟社区对M5竞赛中用户行为的社会影响。本文首先通过主题建模和趋势分析对M5虚拟社区的内容进行研究。此外，我们进行社会媒体分析，以确定潜在的关系网络的虚拟社区。我们研究的角色和一些关键参与者的特点，促进信息在M5虚拟社区内的扩散。总体而言，本研究提供了深入的见解，虚拟社区对参与者的影响机制，并对未来的在线竞争具有潜在的意义。
2021-10-01 cs.LG cs.SI
Community Analysis of Social Virtual Reality Based on Large-Scale Log Data of a Commercial Metaverse Platform
该研究利用商业元宇宙平台的大规模日志数据分析 Social VR 用户社区，发现其呈现数量多、规模小、内部凝聚强而跨社区连接弱的结构，并识别出承担社区间中介作用的 community hoppers。
2025-09-28 cs.HC cs.SI
Detecting Community Structure in Dynamic Social Networks Using the Concept of Leadership
在社交网络中检测社区结构是一个基本问题，使我们能够识别具有相似兴趣的行为者群体。在静态网络中寻找社区已经有了大量的工作，然而，在现实中，由于社交网络的动态性质，它们是不断发展的。忽略社交网络的动态方面，既不能让我们捕捉网络的进化行为，也不能预测个人的未来状态。除了是动态的，现实世界的社交网络的另一个重要特征是领导者的存在，即具有高度中心性的节点具有高吸引力来吸收其他成员，从而形成一个本地社区。在本文中，我们设计了一种有效的方法来增量检测社区在高度动态的社交网络使用的重要性和持久性的社区领导人随着时间的推移直观的想法。我们提出的方法能够根据网络的先前结构找到新的社区，而无需从头开始重新计算它们。这个独特的功能使我们能够随着时间的推移快速有效地检测和跟踪社区。在合成和真实社交网络上的实验结果表明，该方法在动态社交网络中发现社区是有效的。
2017-11-06 cs.SI physics.soc-ph
A Community-Aware Framework for Social Influence Maximization
Purdue University（普渡大学）；University of Maryland, Baltimore County（马里兰大学巴尔的摩县分校）；Iowa State University（爱荷华州立大学）；KAUST（阿卜杜拉国王科技大学）
我们考虑影响力最大化（IM）问题，即在社交网络中选择$k$种子节点的任务，以便最大化受影响的节点的预期数量。我们提出了一个社区意识分而治之的框架，涉及（i）学习社会网络的固有社区结构，（ii）通过解决每个社区的影响力最大化问题生成候选解决方案，以及（iii）选择最终的种子节点使用一种新的渐进式预算方案。我们在现实世界的社交网络上的实验表明，该框架优于标准方法的运行时间和探试法的影响。我们还研究了社区结构对所提出的框架的性能的影响。我们的实验表明，社区结构具有较高的模块化导致所提出的框架，以执行更好的运行时间和影响力。
2023-02-19 cs.AI cs.SI
Group-Fairness in Influence Maximization
影响力最大化是社交网络中广泛使用的信息传播模型。最近的工作在广泛的社会问题中采用了这种干预措施，包括公共卫生、药物滥用和国际发展（仅举几例）。一个关键但研究不足的问题是，这种干预措施的好处是否公平地分配给人口中的不同群体;例如，避免种族或性别等敏感属性方面的歧视。借鉴法律和博弈论的概念，我们介绍了正式的公平定义在影响力最大化。我们提供了一个算法框架，以找到满足公平性约束的解决方案，并在此过程中提高了一般多目标子模块最大化问题的最新技术水平。对无家可归青年的艾滋病预防干预的真实数据的实验结果表明，标准的影响力最大化技术往往忽视较小的群体，这有助于减少整体效用，导致我们提出的算法大大减少了差距。
2019-03-25 cs.GT cs.SI
Improving Community Detection by Mining Social Interactions
社会关系可以根据它们发生的规律性和它们之间的相似性分为不同的类别。因此，罕见的，有点类似的关系是随机的，并在社会网络中造成噪音，从而隐藏了网络的实际结构，并防止准确的分析it.In这种情况下，在本文中，我们提出了一个过程来处理社会网络数据，利用时间特征，以提高现有的算法检测社区。通过去除随机交互，我们观察到，社交网络收敛到一个拓扑结构，更纯粹的社会关系和更多的模块化社区。
2018-10-05 cs.SI physics.soc-ph
Terminal-Set-Enhanced Community Detection in Social Networks
社区发现旨在揭示社会网络中的社区结构，是社会网络研究的基本问题之一。本文基于终端集的概念研究了社区发现问题。终端集是一组用户，其中任何两个用户属于不同的社区。虽然社区发现一般来说是困难的，但终端集可以非常有助于设计有效的社区发现算法。我们首先提出了一个2-近似算法运行在多项式时间的原始社区发现问题。在另一个问题中，为了更好地支持实际应用，我们进一步考虑了对可行分区施加额外限制的情况。对于这种定制的社区发现问题，我们提供了两个随机算法，这是能够找到一个高概率的最佳分区。在基准网络上的实验表明，所提出的算法能够产生高质量的社区。
2016-07-01 cs.SI physics.soc-ph
Improving Data Forwarding in Mobile Social Networks with Infrastructure Support: A Space-Crossing Community Approach
在本文中，我们研究了两个紧密耦合的问题：空间交叉社区发现及其对数据转发在移动社交网络（MSNs）的影响，考虑到基础设施支持的混合底层网络。混合底层网络由大量的移动用户和一小部分接入点（AP）组成。由于AP可以促进长距离节点之间的通信，因此物理邻近社区的概念可以扩展为跨地理空间的社区。在这项工作中，我们首先研究了一个跨空间的社区发现方法的MSN。基于检测结果，设计了一种新的数据转发算法SAAS（Social Attraction and AP Spreading），并提出了如何利用空间交叉社区来提高数据转发效率。我们评估我们的SAAS算法的现实生活中的数据从麻省理工学院现实挖掘和UIM。结果表明，空间交叉社区在MSN数据转发的投递率和延迟方面起到了积极的作用。基于这种新型的社区，SAAS实现了更好的性能比现有的基于社会社区的数据转发算法，在实践中，包括泡泡说唱和阮的路由算法。
2013-07-28 cs.SI physics.soc-ph
Reverse Influential Community Search Over Social Networks (Technical Report)
针对现有影响力社区搜索未考虑特定目标群体的不足，提出TopM-RICS问题及其变体TopM-R2ICS，通过设计剪枝策略与索引机制，高效检索满足结构与关键词约束且对目标社区影响力最大的种子社区。
2024-07-30 cs.DB cs.SI
Node Dominance: Revealing Community and Core-Periphery Structure in Social Networks
本研究将节点优势的局部性质与网络的局部和全局性质联系起来。迭代去除支配节点产生用于计算社交网络的核心-外围分解的分布式算法，其中网络核心中的节点在网络流和全局结构方面被认为是必不可少的。此外，外围的连接组件提供了有关网络社区结构的信息，有助于社区发现。一些明确的结果，得出有关的核心和外围网络流，社区结构和全球网络结构，这是由观测结果证实。该方法说明了使用现实世界的网络（DBLP合著网络），与地面真理社区。
2015-09-24 cs.SI physics.soc-ph
Community Specific Temporal Topic Discovery from Social Media
研究社交媒体中话题的时间动态对理解在线用户行为非常有用。关于这一主题的现有工作大多数通常监测全球趋势，而忽略了社区之间的差异。由于来自不同社区的用户往往具有不同的品味和兴趣，因此捕获社区级别的时间变化可以改善对社交内容的理解和管理。此外，它还可以进一步促进社区发现，时间预测和在线营销等应用。然而，由于社区和主题之间复杂的相互作用以及难以处理的计算复杂性，这种抽取变得具有挑战性。本文针对社区级主题动态抽取问题，提出了一种统一的解决方案。提出了一个概率模型CosTot（Community Specific Topics-over-Time），用于发现隐藏的主题和社区，并捕捉社区特定的时间动态。具体而言，CosTot同时考虑文本，时间和网络信息，并很好地发现社区和主题之间的互动随着时间的推移。然后，我们讨论了近似推理实现，使模型参数的可扩展计算，特别是对于大型社会数据。在此基础上，研究了应用层对多尺度时态分析和社区探索的支持。在一个真实的微博数据集上进行了大量的实验研究，验证了该模型在时间戳预测、链接预测和主题混淆等任务上的优越性。
2013-12-03 cs.SI physics.soc-ph
