Aug, 2012

基于内容动态的信息论影响度量

PDF
TL;DR本研究提出了一种信息理论措施，称为内容转移，可直接量化一名用户对另一名用户内容的影响力，该措施能够捕捉到非平凡的预测关系，即使对于未在追随者或提及图表中连接的用户对也是如此，因此可以使大量以前未被充分利用的社交媒体内容可供严格的统计因果分析。
social influencesocial mediacontent transferinformation-theoretic measuretwitter data
发现论文，激发创造
  • 社交媒体中的信息传递

    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

  • 信息传输的测量

    本研究提出一种信息论度量方法对时间演化系统间的统计相关性进行量化，通过迁移概率的适当条件化排除共同历史和输入信号对信息交换的影响，从而得到的传输熵可以区分驱动和响应元件，并检测子系统间的不对称性。

    Jan, 2000

  • 可见性和分心对社会传染的限制

    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

  • 社交对话：在社交媒体上捕捉议程和情绪

    通过提取社交媒体上的信息可获得人们对公共事件的意见和社会动态的有价值见解，本文提出了一种从特定话题的用户组讨论中提取影响指标的新方法，重点关注议程控制和情感语言的使用。

    Feb, 2024

  • 在复杂系统中量化信息传递和调节沿因果路径的方式

    本文通过 Tigramite 方法重构多变量因果网络，开发了不同意义信息传递强度的新型度量，同时量化了由因果路径上的不同中间过程对交互机制的影响程度来确定因果信息传递的路径，并在气候学实例中进行了演示。

    Aug, 2015

  • 网络中的信息扩散和外部影响

    通过 Twitter 网络一月的完整跟踪，研究了信息传播的两种方式以及外部事件和因素对信息传播的影响，发现只有约 71% 的信息量可以归因于网络弥散，其余 29% 是由网络外部的事件和因素引起的。

    Jun, 2012

  • 信息传染：基于 Digg 和 Twitter 社交网络新闻传播的实证研究

    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

  • 在社交媒体中量化信息过载及其对社交传染的影响

    本文通过一项大规模定量研究，探究了信息过载在社交媒体以及特别是 Twitter 中的影响，并通过时间戳数据揭示了社交媒体用户信息处理的关键特性和信息处理速率，以此推断用户是否受到信息过载的影响。研究发现，最活跃和最受欢迎的社交媒体用户往往是过载的，而接收信息的速度也会影响用户的信息处理行为和社交散布的传播效果。

    Mar, 2014

  • 从信息级联中学习用户特定的潜在影响力和易感性

    以观察到的级联为基础，通过学习两个低维用户特定向量来预测级联动态，并捕捉他们的影响和易感性，从而更好地模拟依赖于上下文因素的信息传播效果。

    Oct, 2013

  • 从观测数据估计社会影响力

    本文提出了一种名为 PIF 的方法，该方法通过概率因子模型从观测数据中推断代替潜在特征的变量，从而解决了估计社交影响的挑战，并且经过半合成和真实数据的实证研究和灵敏度分析，可以更准确地估计社交影响。

    Mar, 2022