本文研究在线社交网络中的信息传播,包括在一项大规模实地实验中,随机暴露于关于朋友信息分享的信号的 2.53 亿名受试者,发现那些接受信号的人更有可能更快地传播信息。同时,研究了强弱关系在信息传播中的作用,发现尽管强联系人更有影响力,但更丰富的弱联系人负责传播新信息。这表明,弱联系人在网络信息传播中可能比当前认为的更占主导地位。
Jan, 2012
通过识别节点的信息传播时间和感染情况,我们开发了一种有效的方法来追踪信息在网络中的扩散路径和网络,可以近似地解决 NP 难问题并应用于 170 万个博客和新闻文章,发现信息传播网络具有核心 - 边际结构。
Jun, 2010
通过分析两个社交新闻站点的数据,研究表明社交网络在信息传播中发挥关键作用,网络结构影响信息流动的动力学。
Mar, 2010
该论文分析了在线社交网络上的人际互动机制,提出了一种更加细致的社交链展开策略。研究表明,人们跟随其他用户的方式具有高度异质性,通过将用户分类,可以总结不同的链接创造行为,进而更加高效地在网络中传播信息。
Feb, 2013
本文基于信息传播数据研究了推断动态网络的问题,提出一种基于随机凸优化的在线算法来高效解决,将其应用于 330 万个媒体和博客网站之间的信息传播,并实验了 179 亿不同信息在一年内的传播,发现了信息路径的演变和网络中心性等有趣发现。
Dec, 2012
本文探讨了在社交网络的动态领域中信息传播的至关重要性,强调了信息传播模型在揭示数字时代数据传播复杂性方面的关键角色。通过阐明这些模型的深远影响,它不仅奠定了探索各种等级及其表现形式的基础,而且成为进一步研究该领域的催化剂。
Mar, 2024
研究社交媒体信息扩散的速度和范围,认为信息的新奇性、用户活动水平、注意力集中和对好友推荐的反应等因素影响信息扩散,用户的所花的最小努力与有限的注意力是信息扩散中的支配性原则,高度连接的个体不太可能传播任意推文,高连接度并不一定导致信息有效传播。
May, 2012
本文对建立于局部距离上的反应扩散方程为基础的,由真实数据集验证的数学模型展开了讨论并提出了新的发展与挑战,旨在研究层次与主题对信息传播的影响。
Oct, 2013
本文通过应用信息传递的转移熵概念,提出了一种测量节点之间因果关系的理论基础的方法。通过分析合成和真实世界数据,证明了转移熵可以揭示有意义的隐藏网络结构,并能够区分大群体的弱影响和小团体的强影响。
Oct, 2011
本文研究社交图中相互关联的代理之间的因果影响,并考察社交学习模型和分布式决策协议的动态性,推导出表达式以揭示代理之间的因果关系并解释网络中的影响流动。结果依赖于图的拓扑结构和每个代理对于所解决的推断问题的信息水平。基于这些结论,本文提出了一种算法来评估代理的整体影响力以发现高度有影响力的代理,并提供了一种从原始观测数据中学习必要模型参数的方法。通过综合考虑合成数据和真实的 Twitter 数据,验证了结果和所提算法的有效性。
Jul, 2023