通过社交网络中推广模式的早期传播模式，研究成功的梗可预测性。我们提出和分析了一套全面的特征，并开发了一个准确的模型来预测梗的未来流行度。我们将特征分类为三组：早期采用者的影响、社区集中度和采纳时间序列的特征。我们发现，基于社区结构的特征是未来成功的最强预测因素。我们还发现，梗的早期流行度不是其未来流行度的好预测因素，与常见信念相反。我们的方法在检测非常流行或不受欢迎的梗方面优于其他方法。

Mar, 2014

本文考虑社交网络上的过程，重点关注同质性、社会影响和个体协变量对行为的因果效应，并提出这些因素一般都是混杂在一起的，区分它们需要对社会过程的参数化或使用的协量变量的充分性进行强假设。

Apr, 2010

本论文对流行病传播的理论分析进行了全面的综述，重点阐述了流行病学建模的共性和差异性，并探讨了复杂网络中的扩散和演化问题。

Aug, 2014

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

本研究旨在探讨社交网络结构对词汇变化的影响，通过对 4420 个在线社区在 10 年内发生的 80,000 个新词汇的大规模分析，使用泊松回归和生存分析，发现社区的网络结构对词汇变化起着显著作用，特别是密集连接，缺乏本地集群和更多的外部联系对推动词汇创新和保留具有促进作用，同时这些基于主题的社区不会像线下社区一样经历强烈的词汇调整，而是容纳更多的小众词汇。

Apr, 2021

本文旨在阐明病毒传播的概念，结合社交网络中内容的传播属性，通过机器学习方法初步分析预测病毒传播的影响因素。

Mar, 2012

本文研究了信息传播的社会传染模型，并通过对两个不同的社交媒体网站 Twitter 和 Digg 的用户响应进行比较，证明了信息暴露的位置对社会传染的影响非常大。通过考虑信息在用户界面上的可见性，可以显著简化社会传染的动态模型，并且发现信息暴露次数和主动搜索信息的概率成正比。最后，本文将该模型应用于用户行为的实时预测。

Aug, 2013

本研究关注于网络系统的统计特性，特别是网络的小世界属性、幂律度分布、网络传递等特性。我们还提出了一种新的方法来检测紧密结合的节点组成的社区结构，使用中心性指数来确定社区边界。我们在计算机生成的和真实世界的图上测试了该方法，并发现它以高度的灵敏度和可靠性检测出社区结构。我们还将该方法应用于两个社区结构不好知道的网络 - 一张协作网络和一张食物网络，并发现它在两种情况下都能检测出有意义的社区划分。

Dec, 2001

该研究基于真实数据，分析了在规模自由网络上计算机病毒的传播，并定义了一种动态模型，发现了其特有的临界传染现象，为病毒的管理提供了新的理论框架。

Oct, 2000

在此论文中，作者证明了旨在量化信息消费模式的指标可能提供有关虚假声明传播的重要见解，通过分析意大利 Facebook 用户消费不同类型（科学和阴谋新闻）的信息，表明用户在不同内容上的参与度与具有类似消费模式的朋友数量成正相关，然后在 7109 份有意识的讽刺虚假声明的外部样本中测试扩散模式，发现在错误信息很普遍的环境中，围绕共有信念的用户聚合可能成为虚假信息的传播方式。

Nov, 2014