Interplay between social contact and media exposure in the overestimation of racial diversity in the U.S
Central European University(中欧大学);Complexity Science Hub(复杂性科学中心)
研究探讨了社会接触和媒体暴露如何影响美国人口对少数族裔群体规模的高估,发现高估随地理尺度和种族群体变化,且媒体消费与社交互动影响不同。
2026-03-27 cs.CY cs.SI physics.soc-ph
Attributed Social Network Embedding
将网络数据嵌入到低维向量空间中对于许多现实世界的应用,如节点分类和实体检索,表现出良好的性能。然而,大多数现有的方法只集中在利用网络结构。对于社交网络,除了网络结构之外,还存在关于社会行为者的丰富信息,例如友谊网络的用户简档和引文网络的文本内容。社会行动者丰富的属性信息揭示了同质性效应,对社交网络的形成产生了巨大的影响。本文探讨了社交网络中丰富的属性证据源,以提高网络嵌入能力。我们提出了一个通用的社会网络嵌入框架(SNE),它学习社会参与者的表示(即,节点)通过保持结构接近度和属性接近度两者。虽然结构接近捕捉全球网络结构,属性接近占同质性效应。为了证明我们的建议,我们在四个现实世界的社交网络上进行了广泛的实验。与最先进的网络嵌入方法相比,SNE可以学习更多的信息表示,在链接预测和节点分类的任务上实现了实质性的收益。具体来说,SNE显著优于node2vec,在链接预测任务上有8.2%的相对改进,在节点分类任务上有12.7%的增益。
2017-05-14 cs.SI
Social Media-based User Embedding: A Literature Review
自动化表示学习是机器学习中许多最近成功案例的背后。它通常用于传输从大型数据集(例如,原始文本)到只有少量训练样本可用的任务。在本文中,我们回顾了最近的进展,学习表示社会媒体用户在低维嵌入。该技术对于创建高性能的基于社交媒体的人类特征和行为模型至关重要,因为用于评估潜在人类特征和行为的基础事实通常是大规模获取的昂贵。在本调查中,我们回顾了从异构用户数据(例如,将社交媒体文本与图像相结合以学习统一的用户表示)。最后,我们指出了一些当前的问题和未来的发展方向。
2019-06-26 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
Graph Embedding Based Hybrid Social Recommendation System
项目推荐任务是一个广泛研究的课题。深度学习和谱方法的最新发展为高效的图嵌入技术铺平了道路。但是很少有研究将这些图嵌入应用于社交图的推荐任务。本文重点研究了各种嵌入方法应用于社会图的项目推荐任务的性能。此外,提出了一种混合模型,其中所选择的嵌入模型组合在一起,给出一个集体输出。我们提出了这样一个混合模型的假设,将执行更好的推荐任务比个人嵌入。以个体嵌入为基准,对混合模型在同一任务下的推荐性能进行了评估和比较。标准度量用于定性比较。结果发现,所提出的混合模型优于基线。
2019-08-26 cs.IR cs.SI
D-Sempre: Learning Deep Semantic-Preserving Embeddings for User interests-Social Contents Modeling
社交媒体消费的指数增长需要有效的用户兴趣-社交内容建模,以实现更个性化的推荐和社交媒体摘要。然而,由于社会内容的异质性,传统的方法缺乏捕捉这些多模态数据之间隐藏的语义相关性的能力,这导致社会内容理解和用户兴趣之间的语义鸿沟。为了有效地弥合语义鸿沟,我们提出了一种新的深度学习框架,用于用户兴趣-社交内容建模。我们首先挖掘和解析数据,即文本内容,视觉内容,社会背景和社会关系,从异构的社交媒体源。然后,我们设计了一个双分支网络,将社会内容和用户映射到同一个潜在空间。特别地,该网络由大余量目标训练,该目标以端到端的方式将跨实例距离约束与实例内语义保持约束相结合。最后,学习深度语义保持嵌入(D-Sempre),并通过计算社交内容和用户之间的距离来给出排名结果。为了验证D-Sempre在用户兴趣-社交内容建模中的有效性,我们构建了一个Twitter数据集并进行了大量的实验,结果表明,D-Sempre有效地整合了来自异构社交媒体源的多模态数据,并捕捉了用户兴趣与社交内容之间隐藏的语义关联。
2018-02-18 cs.SI
Social World Knowledge: Modeling and Applications
University of Haifa(海法大学)
针对现有知识库缺乏社会层面知识的问题,提出SocialVec框架从Twitter社交语境中学习20万实体嵌入,在新闻政治倾向评估、用户特质预测任务中表现优异,并开放嵌入资源推动相关研究。
2023-06-28 cs.AI cs.SI
User profiles matching for different social networks based on faces embeddings
ITMO University(ITMO大学)
如今,为不同的社会角色使用多个社交网络是常见的做法。尽管如此,这些网络在内容类型、通信和讲话风格上存在差异。如果我们打算将人类行为理解为推荐系统、银行风险评估或社会学研究的关键特征,那么最好使用来自不同社交媒体的数据组合来实现。在本文中,我们提出了一种新的方法,用户简档匹配的社交媒体的基础上嵌入公开可用的用户的面部照片,并进行了实验研究,其效率。我们的方法对于某些社交媒体的内容和风格的变化是稳定的。
2019-05-15 cs.CV cs.SI
Cross-Network Social User Embedding with Hybrid Differential Privacy Guarantees
Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);School of Cyber Security, University of Chinese Academy of Sciences(中国科学院大学网络空间安全学院);School of Cyber Science and Technology, Beihang University(北京航空航天大学网络空间安全学院);Sony AI(索尼人工智能);Salesforce(赛富时);Zhejiang University(浙江大学);Macquarie University(麦考瑞大学);University of Illinois Chicago(伊利诺伊大学芝加哥分校)
集成多个在线社交网络(OSN)对许多下游社交挖掘任务具有重要意义,例如用户偏好建模,推荐和链接预测。然而,不幸的是,它伴随着越来越多的隐私问题泄露敏感的用户信息。如何充分利用来自不同在线社交网络的数据,同时保护用户隐私,在很大程度上仍然没有解决。为此,我们提出了一个跨网络的社会用户嵌入框架,即DP-CroSUE,学习全面的表示用户的隐私保护的方式。我们共同考虑来自具有差分隐私保证的部分对齐的社交网络的信息。特别是,对于每个异构的社会网络,我们首先引入了一个混合差分隐私的概念,以捕捉异构数据类型的隐私期望的变化。其次,为了发现用户在社交网络中的联系,我们进行了无监督的基于用户嵌入的对齐,其中用户嵌入是通过异构网络嵌入技术实现的。为了进一步增强用户嵌入,设计了一种新的跨网络GCN嵌入模型,通过这些对齐的用户跨网络传输知识。在三个真实数据集上的大量实验表明,该方法在用户兴趣预测任务和防御用户属性推断攻击方面都有显着改进。
2022-09-04 cs.AI cs.SI
NewsTweet: A Dataset of Social Media Embedding in Online Journalism
近年来,将社交媒体帖子(特别是推文)纳入数字新闻报道中,既作为评论,也越来越多地作为新闻来源,已经变得司空见惯。为了足够深入地研究这一现象,必须从新闻出版商和社交媒体平台收集强大的大规模数据汇集。这项工作描述了这样一个数据管道的建设。从谷歌新闻收集的数据中,发现13%的新闻包含嵌入式推文,其中体育和娱乐新闻包含的推文数量最多。公众人物和名人被发现主导这些故事;然而,相对不知名的用户也被发现具有新闻价值。收集到的数据集、NewsTweet和相关的收购渠道将引发一波来自多个研究社区的对社交内容嵌入的新调查。
2020-08-06 cs.SI
Multi-Modal Bayesian Embeddings for Learning Social Knowledge Graphs
Tsinghua University(清华大学);Carnegie Mellon University(卡内基梅隆大学)
我们研究在线社交网络可以连接到开放的知识库的程度。这个问题被称为学习社会知识图谱。我们提出了一个多模态贝叶斯嵌入模型,GenVector,学习潜在的主题,生成词和网络嵌入。GenVector利用嵌入的大规模未标记数据,并表示两种模态的数据-即,社交网络用户和知识概念--在共享的潜在主题空间中。三个数据集上的实验表明,该方法明显优于国家的最先进的方法。然后,我们将该方法部署在AMiner上,AMiner是一个大型在线学术搜索系统,拥有38,049,189名研究人员的网络,拥有35,415,011个概念的知识库。我们的方法显着降低了出错率在一个在线的A/B测试与现场用户。
2016-04-20 cs.CL cs.SI
Classifying Relevant Social Media Posts During Disasters Using Ensemble of Domain-agnostic and Domain-specific Word Embeddings
近年来,社交媒体作为一种沟通手段的使用显著增加。在不同的讨论主题上有过多的信息流,这在不同的领域中很普遍。信息共享的便利性增加了与相关数据流一起引起的噪声数据。找到这样的相关数据很重要,特别是当我们处理像灾难这样的时间紧迫的领域时。更重要的是,在实时环境中过滤相关数据,以及时处理和利用信息进行决策支持。然而,社交媒体数据的短文本和有时不符合语法的性质对上下文信息线索的提取提出了挑战,上下文信息线索可以帮助区分相关信息和非相关信息。本文提出了一种新的方法来分类相关的社交媒体帖子在灾难事件中,通过集成的特征,特定于域的词嵌入,以及更通用的域不可知的词嵌入。因此,我们开发和评估一个混合特征工程框架,用于集成不同的语义表示,使用组合的词嵌入有效地分类相关的社交媒体帖子。鉴于近年来社交媒体帖子的使用量不断增加,应用拟议的分类框架可能有助于大规模过滤公共帖子。
2019-11-12 cs.SI
Domain-based user embedding for competing events on social media
University of Science and Technology of China(中国科学技术大学);Institute of Science Tokyo(东京科学大学)
本文提出基于 URL 域名共现网络的用户嵌入方法,并在 COVID-19 信息疫情相关 Twitter 数据的二分类任务中证明其优于转发网络和语言嵌入且计算更快。
2025-10-20 cs.CY cs.SI
Learning Emoji Embeddings using Emoji Co-occurrence Network Graph
在社交媒体平台上,emoji的使用在过去几年中迅速增加。大多数社交媒体帖子都充满了表情符号,用户经常在单个社交媒体帖子中使用多个表情符号来表达他们的情绪并强调消息中的某些单词。利用表情符号同现可以有助于理解表情符号如何在社交媒体帖子中使用以及它们在社交媒体帖子的上下文中的含义。在本文中,我们研究是否可以使用表情符号同现作为一个特征来学习表情符号嵌入,可以用于许多下游应用,如社交媒体文本中的情感分析和情感识别。我们利用了1.47亿条包含表情符号的推文,并建立了一个表情符号共现网络。然后,我们训练一个网络嵌入模型,将表情符号嵌入到低维向量空间中。我们使用情感分析和表情符号相似性实验来评估我们的嵌入,实验结果表明,我们的嵌入优于当前最先进的情感分析任务的结果。
2018-06-20 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
Enhancing Social Media Personalization: Dynamic User Profile Embeddings and Multimodal Contextual Analysis Using Transformer Models
Indian Institute of Management, Indore(印度管理学院印多尔分校)
本研究针对社交媒体个性化需求,提出基于Transformer的动态用户画像嵌入方法,在超2000万数据点的数据集上验证其能更精准追踪用户偏好、提升推荐效果与用户参与度,为社交平台优化体验提供支撑。
2024-07-09 cs.AI cs.IR cs.SI
Influence Maximization in Multi-layer Social Networks Based on Differentiated Graph Embeddings
本文提出Inf-MDE,一种基于差异化图嵌入的多层社交网络影响力最大化方法,通过自适应局部影响力聚合机制,有效捕获层间异质性与层内扩散动态,在多个数据集上显著优于现有方法。
2025-08-14 cs.SI
Using Social Networks to Improve Group Transition Prediction in Professional Sports
我们研究了社交数据是否可以用来预测美国职业棒球大联盟(MLB)和国家篮球协会(NBA)的成员在职业生涯中如何在球队之间过渡。我们发现,将社交数据整合到各种机器学习算法中,可以大大提高算法正确确定这些转换的能力。特别是,我们衡量球员的表现,团队健身和社会数据如何单独和共同有助于预测这些转变。提高个人表现和团队适应度都提高了我们算法的预测准确性。然而,当我们包括社会数据时,这种改善就相形见绌了,这些数据表明,社会关系对MLB和NBA的球员过渡都有比较大的影响。
2020-09-01 cs.SI
Word Embeddings Track Social Group Changes Across 70 Years in China
Institute for Artificial Intelligence, Peking University(人工智能研究院,北京大学);Yuanpei College, Peking University(元培学院,北京大学)
该研究通过分析中国媒体70年的词嵌入数据,揭示了社会群体在官方语言中的演变,强调了非西方视角在计算社会科学中的重要性。
2025-04-12 cs.CL cs.SI
LATTE: Application Oriented Social Network Embedding
近年来,许多研究工作提出将网络结构化数据嵌入到低维特征空间中,其中每个节点表示为特征向量。然而,由于嵌入过程与外部任务的分离,大多数现有嵌入模型的学习嵌入结果对于具有特定目标的应用任务可能是无效的,例如,社区发现或信息扩散。本文提出研究面向应用的异构社会网络嵌入问题。与已有的工程显著不同的是,该问题除了保持网络结构外,还应在目标函数中加入外部应用的目标。针对这一问题,本文提出了一种新的网络嵌入框架,即“面向应用的网络嵌入“(Latte)模型。在Latte中,异构网络结构可以应用于计算节点的“扩散邻近度”分数,该分数捕获本地和全局网络结构。基于这些计算出的分数,Latte通过将自动编码器模型模型扩展到异构网络场景来学习网络表示特征向量,这也可以有效地将网络嵌入和外部应用任务的目标结合起来。在真实世界的异构社交网络数据集上进行了大量的实验,实验结果证明了Latte在学习特定应用任务的表示向量方面的出色性能。
2019-11-08 cs.DB cs.SI
NextBestOnce: Achieving Polylog Routing despite Non-greedy Embeddings
由于路由策略不足,社交覆盖遭受高消息传递延迟。限制连接到由在现实生活中具有相互信任关系的个人拥有的设备对,它们形成限制到其用户的社交网络的子图的拓扑。虽然中心化的、非常成功的社交网络服务会导致用户的隐私完全丧失,但性能更高的社交覆盖层代表了用于相同目的的理想的私密和抗审查通信基底。通过将社交图嵌入到度量空间中来促进在这种受限拓扑中的路由。到目前为止,分散式路由算法主要是在理想格结构的假设下进行分析的。然而,目前部署的隐私保护社交覆盖的嵌入算法不能实现足够准确的嵌入,因此传统的路由算法失败。因此,开发具有可接受性能的社交覆盖需要更好的模型和增强的算法,这保证了在到目标的距离方面存在局部最优的情况下的收敛。我们提出了一个社会覆盖模型,包括不准确的嵌入和任意的度分布。我们进一步提出NextBestOnce,路由算法,可以实现polylog路由长度,尽管局部最优。我们提供的NextBestOnce假设无标度分布的性能上的分析界限,并进一步表明,它的性能可以提高一个以上的常数因子时,包括邻居的邻居信息的路由决策。
2014-01-09 cs.DS cs.SI
GEMSEC: Graph Embedding with Self Clustering
现代图嵌入程序可以有效地处理具有数百万个节点的图。在本文中,我们提出了GEMSEC -一个图形嵌入算法,学习聚类的节点,同时计算其嵌入。GEMSEC是基于序列的图嵌入领域早期工作的一般扩展。GEMSEC将节点放置在抽象特征空间中,其中顶点特征最小化保留采样顶点邻域的负对数似然,并且通过机器学习正则化结合已知的社交网络属性。我们提出了两个新的社会网络数据集,并表明,通过同时考虑嵌入和聚类问题的社会属性,GEMSEC提取高质量的集群竞争或优于其他社区发现算法。在实验中,该方法被发现是计算效率和强大的超参数的选择。
2019-07-25 cs.SI
Domain-Informed Negative Sampling Strategies for Dynamic Graph Embedding in Meme Stock-Related Social Networks
针对模因股票相关社交网络中的动态图嵌入,本文提出基于真实网络分析和金融知识的领域知情负采样策略,以更准确地捕捉交互动态并提升模型训练与评估效果。
2025-02-06 cs.SI
soc2seq: Social Embedding meets Conversation Model
Amazon Inc.(亚马逊公司);Square Inc.(Square公司)
虽然在移动应用程序上喜欢或提升帖子很容易做到,但用书面注释回复要困难得多,这是由于提出有意义的回复的认知负荷以及输入文本的机制。在这里,我们提出了一种新的文本回复生成模型,它超越了当前的自动回复和预测文本输入模型,考虑到用户的内容偏好,他们的会话风格的特质,甚至他们的社交图的结构。具体来说,我们已经开发了两种类型的个性化用户交互模型:基于内容的会话模型,它利用位置与用户信息,和基于社交图的会话模型,它结合了基于内容的会话模型与社交图。
2017-11-27 cs.CL cs.SI
Learning Stance Embeddings from Signed Social Graphs
University of Oxford(牛津大学);Meta;Twitter Cortex(推特Cortex部门)
社会网络分析中的一个关键挑战是理解图中人们对大量主题的立场或立场。尽管过去的工作已经使用签名图对社交网络中的(不)一致进行了建模,但是这些方法没有对跨一系列相关主题的一致模式进行建模。例如,在一个主题上的分歧可能会使相关主题的分歧(或协议)更有可能。我们提出了立场嵌入模型(SEM),它联合学习嵌入为每个用户和主题在签名的社交图与不同的边缘类型为每个主题。通过联合学习用户和主题嵌入,SEM能够执行冷启动主题立场检测,预测用户对我们尚未观察到他们参与的主题的立场。我们使用我们开源的两个大规模Twitter签名图数据集来证明SEM的有效性。一个数据集,TwitterSG,标签(不)协议使用用户之间的参与通过推文来获得主题信息,签名的边缘。另一个是BirdwatchSG,利用社区对错误信息和误导性内容的报告。在TwitterSG和BirdwatchSG上,SEM显示相对于强基线分别减少了39%和26%的错误。
2022-12-15 cs.AI cs.SI
Psychometric Analysis and Coupling of Emotions Between State Bulletins and Twitter in India during COVID-19 Infodemic
Indraprastha Institute Information Technology, Delhi(德里英德拉普拉斯塔信息技术学院);Guru Nanak Dev University, Amritsar(阿姆利则古鲁那纳克德夫大学)
2019冠状病毒病的信息传播速度超过了疫情本身。信息流行浪潮中的错误信息对人民的健康和治理系统构成了重大威胁。由于社交媒体是最大的信息来源,因此管理信息流行病不仅需要减少错误信息,还需要及早了解由此产生的心理模式。在COVID-19危机期间,自2020年3月6日以来,仅Twitter一家公司的策划活动页面的使用量就急剧增加了45%,其直接消息的使用量也增加了30%。在这项研究中,我们分析了印度国家和邦一级COVID-19信息流行病与COVID-19相关官方公报的心理测量影响和耦合。我们用心理语言学的视角来看待这两个来源,并量化了两者之间的程度和耦合。我们修改了path,这是一个基于深度skip-gram的开源词典构建器,可以有效地捕捉与健康相关的情绪。然后,我们能够在社交媒体和官方公告中捕捉与健康相关的情绪的时间演变。使用格兰杰因果关系对从官方公告和社交媒体中提取的情绪时间序列之间的领先滞后关系进行分析表明,国家公告在医疗紧急情况等某些情绪方面领先于社交媒体。进一步的见解,是潜在的相关的政策制定者和积极从事减轻错误信息的传播者也进行了讨论。我们的论文还介绍了CoronaIndiaDataset 2,这是印度第一个基于社交媒体的国家和州级COVID-19数据集,拥有超过560万条国家和260万条州级推文。最后,我们将我们的研究结果作为COVibes,这是一个交互式网络应用程序,可以在…
2020-05-13 cs.CL cs.CY cs.SI
Transformation of Node to Knowledge Graph Embeddings for Faster Link Prediction in Social Networks
University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校);Siemens Corporate Technology(西门子企业技术)
神经网络的最新进展已经解决了常见的图形问题,如链接预测,节点分类,节点聚类,节点推荐,通过开发实体和关系到向量空间的嵌入。图嵌入对图中存在的结构信息进行编码。然后,编码的嵌入可以用于预测图中丢失的链接。然而,获得最佳的嵌入图可以是一个具有挑战性的计算任务,特别是在嵌入式系统。我们在这项工作中关注的两个技术是1)基于随机游走的方法的节点嵌入和2)知识图谱嵌入。基于随机游走的嵌入在计算上是廉价的,但是是次优的,而知识图谱嵌入表现更好,但是在计算上是昂贵的。在这项工作中,我们研究了一个转换模型,该模型将从基于随机游走的方法获得的节点嵌入直接从知识图谱方法获得的嵌入,而不会增加计算成本。大量的实验表明,所提出的转换模型可以用于实时解决链接预测。
2021-11-17 cs.LG cs.SI
A Neural Influence Diffusion Model for Social Recommendation
精确的用户和项目嵌入学习是构建成功推荐系统的关键。传统上,协同过滤(CF)提供了一种从用户-项目交互历史中学习用户和项目嵌入的方法。然而,由于用户行为数据的稀疏性,性能受到限制。随着在线社交网络的出现,社会推荐系统已经被提出来利用每个用户的本地邻居的偏好来减轻数据稀疏性以更好地进行用户嵌入建模。我们认为,对于社交平台的每个用户,她的潜在嵌入受到她信任的用户的影响。随着社会影响力在社会网络中的递归传播和扩散,每个用户的兴趣在递归过程中发生变化。然而,目前的社交推荐模型只是利用每个用户的本地邻居建立静态模型,而没有模拟全局社交网络中的递归扩散,导致推荐性能不佳。在本文中,我们提出了一个深度影响传播模型,以刺激用户如何影响社会推荐的递归社会扩散过程。对于每个用户,扩散过程从融合相关特征的初始嵌入和捕获潜在行为偏好的自由用户潜在向量开始。我们提出的模型的核心思想是,我们设计了一个逐层的影响传播结构,以模拟用户的潜在嵌入如何随着社会扩散过程的继续而演变。我们进一步表明,我们提出的模型是通用的,可以应用时,用户~(项目)属性或社会网络结构是不可用的。最后,在两个真实数据集上的大量实验结果清楚地表明了我们提出的模型的有效性,与最佳基线相比,性能提高了13%以上。
2019-04-20 cs.IR cs.SI
#lockdown: network-enhanced emotional profiling at the times of COVID-19
COVID-19疫情迫使世界各国采取前所未有的措施,如全国封城。为了充分理解情感和社会影响,有必要对人们如何看待这些意外事件进行大规模重建,但目前还没有。我们通过引入MERCURIAL(用于情绪分析的多层共现网络)来解决这一差距,MERCURIAL是一个利用单词和标签的语言网络来重建描述现实世界事件的社会话语的框架。我们使用MERCURIAL分析了来自意大利的101,767条推文,意大利是第一个以全国封锁应对COVID-19威胁的国家。这些数据是在3月11日至17日期间收集的,即意大利宣布封锁和世卫组织宣布COVID-19为大流行之后。我们的分析为这场危机的心理负担提供了独特的见解,重点是:(i)意大利官方的自我隔离运动(#iorestoacasa}),(ii)国家封锁(#italylockdown),(iii)社会谴责(#sciacalli)。我们的探索揭示了复杂情绪特征出现的证据,其中愤怒和恐惧(对政治辩论和社会经济影响)与信任,团结和希望(与机构和当地社区有关)共存。我们讨论了我们的研究结果与心理健康问题和应对机制,如煽动暴力,悲伤和团结。我们认为,我们的框架代表了一种创新的情绪状态温度计,一个强大的工具,为政策制定者快速衡量大量观众的感受,并根据认知数据制定适当的反应。
2020-05-09 cs.SI physics.soc-ph
Towards Improving Embedding Based Models of Social Network Alignment via Pseudo Anchors
Chongqing University of Posts and Telecommunications(重庆邮电大学);Beijing Institute of Technology(北京理工大学);Hong Kong Baptist University(香港浸会大学)
社会网络对齐旨在对齐社交网络中的个人身份。基于嵌入的模型已被证明是有效的对齐,其中结构接近保持目标通常被采用的模型训练。观察到“过度接近”的用户嵌入是不可避免的,这样的模型导致对齐不准确,我们提出了一种新的学习框架,试图通过引入精心植入的伪锚,强制执行所产生的嵌入更广泛地分开用户之间。我们进一步提出了一种Meta学习算法来指导学习过程中伪锚嵌入的更新。通过使用伪锚点和元学习的拟议干预允许学习框架适用于广泛的网络对齐方法。我们已经将建议的学习框架纳入几个国家的最先进的模型。我们的实验结果证明了其有效性,其中植入伪锚的方法可以通过相当大的幅度超过没有伪锚的方法,特别是当只有很少的标记锚时。
2021-11-22 cs.AI cs.SI
Causal Disentanglement for Regulating Social Influence Bias in Social Recommendation
School of Electrical and Data Engineering, University of Technology Sydney(悉尼科技大学电气与数据工程学院);School of Artificial Intelligence, Chongqing University of Arts and Sciences(重庆文理学院人工智能学院)
针对社交推荐中社交影响偏差盲目消除会损害推荐效果的问题,提出基于因果解耦的框架CDRSB,通过解耦嵌入和动态权重调节偏差,在四个真实数据集上优于现有最优方法。
2024-03-06 cs.AI cs.SI
Independent Asymmetric Embedding for Information Diffusion Prediction on Social Networks
Southwest University(西南大学)
对社交网络上的信息扩散进行预测,对于市场营销和舆论控制具有重要的现实意义。它旨在预测可能在社交网络上转发消息的个人。一类方法是基于人口统计学、复杂网络等先验知识建立可解释的模型来模拟和预测传播过程,另一类方法是完全数据驱动的,将节点映射到潜在空间进行传播预测。现有的潜空间设计和嵌入方法缺乏对用户间干预的考虑。本文提出了一种独立的非对称嵌入方法,将每个个体嵌入到一个潜在影响空间和多个潜在易感性空间中。基于信息扩散与热扩散现象的相似性,利用热扩散核建立嵌入规则。此外,我们的方法捕捉级联用户组合的同现规律,以提高计算效率。在真实世界数据集上进行的大量实验结果验证了我们方法的预测准确性和成本效益。
2022-05-26 cs.LG cs.SI
Temporal Analysis of Reddit Networks via Role Embeddings
Insight Centre for Data Analytics(洞察数据分析中心)
受自然语言处理领域的历时词分析的启发,我们提出了一种使用图嵌入方法从社交网络中揭示用户角色的时间洞察的方法。具体来说,我们应用的角色嵌入算法,struct2vec,收集社交网络展示来自流行的在线社交新闻聚合网站Reddit的“忠诚”或“流浪”的特点。对于每个subreddit,我们提取9个月的数据,并在连续的时间窗口上创建网络角色嵌入。然后,我们能够比较和对比用户角色如何随着时间的推移而变化,通过调整产生的时间嵌入空间。特别是,我们从个人和社区层面的角度分析了Reddit上忠诚和流浪社区的时间角色嵌入。
2019-08-14 cs.LG cs.SI
TIES: Temporal Interaction Embeddings For Enhancing Social Media Integrity At Facebook
Facebook(脸书)
自成立以来,Facebook已经成为在线社交社区的一个组成部分。人们依靠Facebook与他人建立联系并建立社区。因此,以快速和可扩展的方式保护这样一个快速增长的网络的完整性至关重要。在本文中,我们介绍了我们为保护Facebook上的各种社交媒体实体免受试图滥用我们平台的人的侵害所做的努力。我们提出了一种新的时间交互嵌入(TIES)模型,旨在捕捉流氓社会互动,并标记他们进一步合适的行动。TIES是一个有监督的、深度学习的、面向Facebook规模网络的生产模型。以前的作品对完整性问题大多集中在捕捉静态或某些动态的社会实体的功能。相比之下,TIES可以在一个统一的模型中捕获这两种不同的行为,这要归功于最近在图嵌入和深度序列模式学习领域取得的进展。为了展示TIES的现实影响,我们提出了一些应用程序,特别是防止错误信息的传播,虚假账户检测,并降低广告支付风险,以提高平台的完整性。
2020-02-18 cs.AI cs.LG cs.SI
Non-Euclidean Mixture Model for Social Network Embedding
University of California, Los Angeles(加利福尼亚大学洛杉矶分校)
提出非欧几里得混合模型NMM-GNN,将链接生成建模为同质性和社会影响的混合,分别用球面和双曲空间表示,并统一嵌入学习,实验优于基线。
2024-11-07 cs.LG cs.SI
The Secret Lives of Names? Name Embeddings from Social Media
Stony Brook University(石溪大学)
你的名字透露了很多关于你的信息:你的性别,种族等等。事实证明,名字嵌入比传统的子串特征更有效地表示名字。然而,我们之前的名字嵌入模型是在私人电子邮件数据上训练的,并且不能公开访问。在本文中,我们探索从公共Twitter数据中学习名称嵌入。我们认为,Twitter嵌入有两个关键的优势:\textit{(i)},他们可以并将公开发布,以支持研究社区。\textit{(ii)}即使使用较小的训练语料库,与电子邮件嵌入相比,Twitter嵌入在多个任务上也实现了类似的性能。作为一个测试案例,以显示名称嵌入的力量,我们调查寿命的建模。我们发现有趣的是,添加名称嵌入可以进一步提高使用人口统计特征的模型的性能,这些特征传统上用于寿命建模。通过残差分析,我们观察到细粒度的群体(可能反映社会经济地位)是编码在名称嵌入中的潜在贡献因素。这些以前隐藏在人口模型中,可能有助于提高广泛的研究的预测能力。
2019-05-12 cs.CL cs.SI
Deep Unified Multimodal Embeddings for Understanding both Content and Users in Social Media Networks
SRI International(SRI国际);Cornell University(康奈尔大学)
在过去的几年里,社交媒体网络上产生的多模态内容激增,这需要对社交媒体内容和用户行为进行更深入的了解。我们提出了一种新的内容无关的内容用户反应模型的社会多媒体内容分析。与以前的工作,一般解决语义内容理解和用户行为建模隔离,我们提出了一个通用的解决方案,这些问题在一个统一的框架。我们嵌入用户,图像和文本从开放的社交媒体在一个共同的多模态几何空间,使用一种新的损失函数,旨在应付遥远的和不同的方式,从而实现无缝的三路检索。我们的模型不仅在跨模态检索任务上优于基于单峰嵌入的方法,而且在Twitter数据上联合解决这两个任务也显示出了改进。我们还表明,在我们的联合多模态嵌入模型中学习的用户嵌入比在Instagram数据上学习的单峰内容更好地预测用户兴趣。因此,我们的框架超越了以前的做法,使用显式的领导者,追随者的链接信息,以建立从属关系,通过提取隐式的内容为中心的从属关系,从孤立的用户。我们提供了定性的结果表明,从学习嵌入出现的用户集群具有一致的语义和我们的模型发现细粒度的语义从嘈杂和非结构化数据的能力。我们的工作表明,社会多模态内容本质上是多模态的,并具有一致的结构,因为在社交网络的意义是通过用户和内容之间的互动。
2019-06-11 cs.CL cs.CV cs.IR
Social Connection Induces Cultural Contraction: Evidence from Hyperbolic Embeddings of Social and Semantic Networks
研究一再表明,社会联系和交流对文化品味、观点和思想的趋同产生影响。在这里,我们回顾了最近的研究,并考虑社会联系的文化,认识论和意识形态的收缩的影响,然后正式这些直觉的语言中的信息理论。为了系统地研究连通性和文化多样性,我们引入了流形学习的新方法,将社交网络和主题组合映射到可比较的二维双曲空间或庞加莱圆盘中,它们代表了系统中的层次结构和多样性。在庞加莱圆盘上,从中心算起的半径表示一个行动者在社会等级中的位置,或者一个思想在文化等级中的位置。圆盘的角度需要记录连接的演员或想法,捕捉他们的多样性。在21世纪物理学的认知文化中使用这种方法,我们从经验上证明,尽管学术物理学家在其职业生涯中对研究项目做出了极端的承诺,但更密集的大学合作系统地收缩了所讨论的主题的空间,并且研究的想法比共享主题更能推动合作。密集的连接释放出沟通的流动,将原本支离破碎的语义空间收缩成聚合的枢纽或极化的集群。我们将结构扩张和文化收缩之间的动态相互作用理论化,并探讨这是如何在享受和保护差异之间引入一种基本的紧张关系。
2018-07-26 cs.SI physics.soc-ph
Is a Single Embedding Enough? Learning Node Representations that Capture Multiple Social Contexts
Google AI(谷歌人工智能)
最近对图嵌入方法的兴趣集中在学习图中每个节点的单个表示。但是,节点真的可以用单个向量表示来最好地描述吗?在这项工作中,我们提出了一种学习图中节点的多个表示的方法(例如,社交网络的用户)。基于自我网络的原则性分解,每个表示编码节点在节点参与的不同本地社区中的角色。这些表示允许改进图中出现的细微关系的重建-我们通过各种图上的链接预测任务的最新结果来说明这种现象,将误差减少到$90\%$。此外,我们表明,这些嵌入允许有效的视觉分析的学习社区结构。
2019-05-06 cs.LG cs.SI stat.ML
Extracting Feelings of People Regarding COVID-19 by Social Network Mining
University of Birjand(比尔詹德大学);Birjand University of Technology(比尔詹德技术大学)
2020年,COVID-19成为全球关注的焦点,并仍广泛反映在所有社交网络中。每天,用户发布数百万条关于这个主题的推文和评论,其中包含有关公众舆论的重要隐含信息。在这方面,我们收集了一个英文的新冠病毒相关推文数据集,该数据集由2020年3月23日至6月23日的200多万条推文组成,以提取各国人民在疫情爆发初期的感受。为此,首先,我们使用基于词典的方法结合GeoNames地理数据库来标记tweet的位置。接下来,提出了一种基于最近引入并被广泛引用的RoBERTa模型的方法来分析它们的情感内容。之后,为全球和更多参与COVID-19的国家制作推文频率和情绪的趋势图。图形分析表明,大多数国家的推文频率图与官方统计的每日患病人数显着相关。此外,几个隐含的知识提取和讨论。
2021-10-12 cs.CL cs.SI
An assessment of measuring local levels of homelessness through proxy social media signals
University of Vermont(佛蒙特大学);Santa Fe Institute(圣塔菲研究所)
本研究利用约100万条含“homeless”的地理标签推文,通过自然语言处理评估2010-2022年美国州级无家可归情况,发现推文与人均无家可归量相关,但指出实际问题限制了其作为代理指标的潜力。
2023-05-15 cs.CL cs.CY cs.SI
Migration patterns, friendship networks, and the diaspora: the potential of Facebook Social Connectedness Index to anticipate displacement patterns induced by Russia invasion of Ukraine in the European Union
乌克兰的冲突正在欧洲和世界上造成大规模流离失所。根据联合国难民事务高级专员办事处(难民署)的估计,截至2022年9月5日,已有700多万人逃离该国。在这种情况下,预测这些人的流动方向极为重要,以便国家和地方当局能够更好地应对与他们的接收和融入有关的挑战。这项工作表明,来自社交媒体的创新数据如何能够提供有关冲突引起的移徙流动的有用见解。特别是,我们探讨了Facebook的社会连通性指数(SCI)的潜力,用于预测在乌克兰战争的背景下的移民流动,建立在以前的研究结果,侨民网络的存在是主要的移民驱动力之一。为此,我们首先评估了乌克兰侨民与登记为临时保护或类似国家计划的乌克兰难民数量之间的关系,作为移民流入欧盟的代理人。我们发现两者之间存在非常强的相关性(Pearson's r=0.94,p<0.0001),这表明侨民正在吸引逃离战争的人们,他们往往会接触到自己的同胞,特别是在乌克兰移民的国家。最近才出现这种现象。其次,我们将Facebook的SCI与欧洲地区层面的散居者官方数据进行了比较。我们的研究结果表明,该指数,以及其他现成的协变量,是一个强大的预测乌克兰侨民在区域范围内。最后,我们讨论了Facebook的SCI的潜力,提供及时和空间上的详细信息,这些信息可能会丢失或过时的国家的人类散居,并补充官方统计数据,在冲突期间快速的政策反应。
2022-12-15 cs.SI physics.soc-ph
BL-MNE: Emerging Heterogeneous Social Network Embedding through Broad Learning with Aligned Autoencoder
网络嵌入的目的是将网络数据投影到一个低维的特征空间中,在该空间中,节点被表示为一个唯一的特征向量,网络结构可以被有效地保留。近年来,越来越多的在线应用服务站点可以表现为海量的复杂网络,这对传统的机器学习算法来说是极具挑战性的。将复杂网络数据有效地嵌入到低维特征表示中,既可以节省数据存储空间,又可以使传统的机器学习算法适用于处理网络数据。如果网络是稀疏结构的,比如新兴的连接很少的网络,网络嵌入性能将大大降低。在本文中,我们提出基于广泛的学习设置来学习目标新兴网络的嵌入表示,其中新兴网络同时与其他外部成熟网络对齐。为了解决这个问题,本文提出了一种新的嵌入框架,即“基于深度对齐的自编码器的嵌入”(DIME)。DIME在基于广义学习的统一分析中处理了不同的链接和属性,并引入了多属性对齐的异构社会网络概念来建模网络结构。本文引入了一组Meta路径,通过异构链路和属性信息定义了用户之间的各种连接。网络中用户之间的接近度被定义为Meta接近度得分,该得分将被馈送到DIME中以学习新兴网络中用户的嵌入向量。在现实世界对齐的社交网络上进行了大量的实验,这些实验证明了DIME在学习新兴的网络嵌入向量方面的有效性。
2017-11-26 cs.DB cs.SI
BotTriNet: A Unified and Efficient Embedding for Social Bots Detection via Metric Learning
Georgia Institute of Technology(佐治亚理工学院);Trine University(特莱恩大学);Tencent AI Lab(腾讯人工智能实验室)
本文提出BotTriNet统一嵌入框架,利用三元组网络和度量学习细化文本嵌入,在CRESCI2017数据集上实现社交机器人检测,平均准确率98.34%,F1分数97.99%,并在内容贫乏集上显著提升。
2023-05-06 cs.AI cs.SI
Heterogeneous Edge Embeddings for Friend Recommendation
Hike Messenger(Hike信使公司);IIIT Delhi(德里印度理工学院)
我们提出了一个朋友推荐系统(链接预测的应用),使用边缘嵌入社交网络。大多数现实世界的社交网络是多图,其中一对用户之间可能存在不同类型的关系(例如聊天、友谊)。现有的网络嵌入技术没有利用来自不同边缘类型的信号,因此在这样的网络中对链接预测执行得不充分。我们提出了一种方法来挖掘网络表示,有效地利用多图的异质性。我们评估我们的模型在现实世界中,活跃的社交网络,该系统部署为数百万用户的朋友推荐。我们的方法在准确性和用户满意度方面优于Hike社交网络上的各种最先进的基线。
2019-02-07 cs.LG cs.SI stat.ML
The Social Name-Letter Effect on Online Social Networks
名字字母效应表明,人们对与自己名字开头相同的字母的品牌、地点甚至工作有偏好。所以山姆可能喜欢士力架,住在西雅图。我们使用Twitter和Google+的社交网络数据在新环境中复制这种效果。我们发现社交网络上的姓名字母效应几乎没有得到支持。然而,我们确实发现了一个非常强大的同名效应,比如说,迈克尔斯更有可能与其他迈克尔斯而不是约翰联系在一起。当考虑性别、国籍、种族和年龄时,这种影响仍然存在。这些效应背后的基本原理具有超越心理学的意义,因为理解积极的自我形象如何转移到其他实体,在从研究同质性到个性化广告和社交网络中的链接形成等领域都很重要。
2014-11-20 cs.SI physics.soc-ph
Forecasting COVID-19 Caseloads Using Unsupervised Embedding Clusters of Social Media Posts
University of Oxford(牛津大学);The Alan Turing Institute(艾伦·图灵研究所)
我们提出了一种新的方法,将基于transformer的语言模型到传染病建模。通过跟踪美国特定州的COVID-19子reddit中Reddit帖子的高密度聚类来量化文本衍生特征。我们将这些聚类嵌入特征与从其他高质量数据集提取的特征进行基准测试。在阈值分类任务中,我们表明它们在预测上升趋势信号方面优于所有其他特征类型,这对于流行病学数据不可靠的地区的传染病建模是一个重要的结果。随后,在时间序列预测任务中,我们充分利用了案例的预测能力,并比较了在基于变换的时间序列模型中使用不同补充数据集作为协变量特征集的相对优势。
2022-05-20 cs.CL cs.SI
Interlayer Link Prediction in Multiplex Social Networks Based on Multiple Types of Consistency between Embedding Vectors
在线用户通常活跃在多个社交媒体网络(SMN)上,这构成了多元化的社交网络。确定不同SMN上的给定帐户是否属于同一用户变得越来越具有挑战性;这可以表示为复用网络中的层间链路预测问题。为了解决预测层间连接的挑战,利用特征或结构信息。使用网络嵌入技术来解决这个问题的现有方法专注于学习映射函数,以将所有节点统一到一个公共的潜在表示空间中进行预测;不匹配的节点和它们的公共匹配邻居(CMN)之间的位置关系没有被利用。此外,这些层通常被建模为未加权图,忽略了节点之间关系的强度。为了解决这些限制,我们提出了一个基于多种类型的嵌入向量(MulCEV)之间的一致性的框架。在MulCEV中,传统的基于嵌入的方法被用来获得代表不匹配节点的向量之间的一致性程度,并提出了一种基于节点在每个潜在空间中的位置的距离一致性指数,为预测提供了额外的线索。通过将这两类一致性关联起来,充分利用了潜在空间中的有效信息。此外,MulCEV将层建模为加权图以获得表示。通过这种方式,节点之间的关系强度越高,它们在潜在表示空间中的嵌入向量将越相似。我们在几个真实数据集上的实验结果表明,所提出的MulCEV框架明显优于当前基于嵌入的方法,特别是当训练迭代次数很小时。
2021-11-09 cs.SI physics.soc-ph
Quantifying Mental Health from Social Media with Neural User Embeddings
INESC-ID Lisboa(里斯本INESC-ID研究所);Instituto Superior Técnico(高等技术学院);Universidade de Lisboa(里斯本大学);Qntfy(Qntfy公司);Universidade Europeia(欧洲大学);Northeastern University(东北大学)
精神疾病对全世界很大一部分人口产生不利影响。然而,传统上用于估计和描述精神健康状况流行程度的方法既耗时又昂贵。因此,关于精神健康状况流行率的现有最佳估计数往往已经过时多年。自动化的方法,以补充这些调查方法与广泛的,汇总的信息来自社会媒体内容提供了一个潜在的手段,近实时估计规模。反过来,这些可以为支持、评估和反复改进公共卫生方案和干预措施提供有利条件。我们提出了一个新的模型,自动化的心理健康状态量化,结合用户嵌入。这建立在最近的工作探索表示学习方法,诱导嵌入利用社会媒体后的历史。这样的嵌入捕捉个体的潜在特征(例如,政治倾向),并编码一个软概念的同质性。在这篇论文中,我们调查了从twitter历史记录中学习到的用户嵌入是否编码了与心理健康状态相关的信息。为此,我们估计用户嵌入一组已知的受抑郁症和创伤后应激障碍(PTSD),并为一组人口统计学匹配的“控制”用户。然后,我们评估了这些嵌入:(i)它们捕获与心理健康状况有关的同性恋关系的能力;以及(ii)基于这些特征的下游心理健康预测模型的性能。我们的实验结果表明,用户嵌入捕捉用户之间的相似性,心理状况,并预测心理健康。
2017-04-30 cs.AI cs.CL cs.SI
Collective Link Prediction Oriented Network Embedding with Hierarchical Graph Attention
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网站。结盟的社交网络提供了更多的信息,以缓解数据不足的问题。在本文中,我们的目标是集体链接预测问题,旨在预测网络内的社会链接,以及跨多个对齐的社交网络的网络间的锚链接。这不是一件容易的事情,主要的挑战涉及网络特性差异问题以及要预测的社交链接和锚链接的不同方向性。为了解决这个问题,我们提出了一个面向应用的网络嵌入框架,层次图注意力为基础的网络嵌入(HGANE),集体链接预测定向对齐网络。与传统的一般网络嵌入模型不同,HGANE有效地将集体链接预测任务目标纳入考虑。它通过聚合来自网络内邻居(通过社交链接连接)和网络间合作伙伴(通过锚链接连接)的信息来学习节点的表示。此外,我们还分别为网络内邻居和网络间伙伴引入了层次图注意力机制,有效地解决了网络特性差异和链路方向性的挑战。在现实世界的对齐网络数据集上进行了大量的实验,以证明我们的模型在解决集体链接预测问题方面优于最先进的基线方法。
2019-10-13 cs.SI physics.soc-ph
Social media polarization reflects shifting political alliances in Pakistan
本研究通过分析2018至2022年巴基斯坦Twitter数据,揭示了政治家互动模式与反对派联盟趋同,证明社交媒体可有效监测政治极化与联盟演变。
2023-09-15 cs.CY cs.SI
CONE: Community Oriented Network Embedding
社区检测一直是网络研究的热点。它通常被建模为图上的无监督聚类问题,基于对社区特征的启发式假设,如边缘密度和节点同质性。在这项工作中,我们怀疑这些广泛采用的假设的普遍性,并将人类标记的社区与通过各种主流算法获得的机器预测的社区进行比较。基于支持性的结果,我们认为,社区是由各种社会模式和无监督学习的基础上,数学是无法捕捉所有这些。因此,我们建议通过面向社区的网络嵌入(CONE)将监督注入社区发现中,CONE利用有限的地面实况社区作为示例来学习嵌入模型,了解它们背后的社会模式。具体来说,通过将递归神经网络与图上的随机行走相结合,开发了一种深度架构,以捕获由地面实况社区指导的社会模式。由学习模型产生的其他节点嵌入的通用聚类算法,然后有效地揭示了更多与地面实况共享相似社交模式的社区。
2018-04-22 cs.SI physics.soc-ph
Using Semantic Similarity and Text Embedding to Measure the Social Media Echo of Strategic Communications
University of Exeter(埃克塞特大学)
在线话语涵盖广泛的主题,许多行为者通过精心制作的信息和有针对性的运动调整其内容,以影响在线讨论。然而,在线媒体内容的规模和多样性使得难以评估特定信息的影响。在本文中,我们提出了一种新的技术,利用语义相似性来量化特定消息发布后讨论中的变化。我们使用一组新闻稿从环境组织和推文从气候变化的辩论表明,我们的新方法揭示了一个重尾分布的响应在网上话语的战略沟通。
2023-03-29 cs.CL cs.SI
The Echoes of the 'I': Tracing Identity with Demographically Enhanced Word Embeddings
本文提出将社会人口统计信息融入词嵌入以研究身份认同,成功复现并扩展了性别化自我看法的发现,并能分析社会群体差异,有望推动社会科学领域更快采用计算方法。
2024-06-29 cs.CY cs.SI