利用标记过时时间点过程的框架,建立起与具有跳跃的随机微分方程的替代表示的社交活动数学模型,并发展出了两个高效的在线算法来引导社交活动,从而在用户层面和网络层面增加社交活动。
Feb, 2018
本文提出了一种基于无监督分类方法的事件子集选择方案,以实现对在线社交网络中内生和外生信息的准确定位和更准确的观点预测性能增强。经过实验验证,该方法在观点预测准确性方面显著优于其他竞争方法。
Feb, 2021
通过动态规划平衡当前高奖励和未来低回报的多阶段社交网络优化问题的基础上,建立一个基于多变量 Hawkes 过程的社交网络优化理论框架,并针对推广的几个目标函数推导出外部事件强度与目标函数的时间依赖线性关系,进一步发展了一个凸的动态规划框架,可以确定每个阶段所需的外部推动水平,以达到所需的推广结果。实验结果表明,我们的算法比基线模型更准确地引导用户进行优化宣传。
Jun, 2016
本研究探究了如何通过设计在线算法,基于多维 Hawkes 过程的随机微分方程,创新性提出了一种动态激励策略,可最大化社交网络的整体活动,实验数据表明,这种算法能够比现有技术更有效地提高在线活动数量,特别是在推特等真实数据收集的平台上。
Mar, 2017
研究了 Hawkes 过程对生成突发事件序列的基础属性,然后将该模型适用于日本公司办公室中的对话序列数据,估计了个体之间自己兴奋、基础事件率和它的时间衰减的相对大小。同时指出该模型的重要局限性在于无法独立调节事件间隔的相关性和突发性。
May, 2012
通过将社交网络影响视为用户感知的影响,开发了用于用户活动的概率模型,其中每个用户的活动根据一个具有隐藏状态的马尔可夫链发展,而该隐藏状态受用户朋友的集体活动影响。通过使用推特上用户活动的大量语料库验证所提出的模型,数值研究表明,在具有足够观察以确保准确模型学习的情况下,所提出的框架比基于更新过程的模型或传统的未耦合的隐藏马尔可夫模型更好地解释了观察到的数据,并展示了所提出方法在预测下一条推文的时间方面的效用。最后,该模型参数空间中的聚类显示出由用户和他的网络之间的互动动态特征化的不同自然群集。
May, 2013
提出了一类新的网络模型,基于自激励 Hawkes 点过程,可以有效捕捉在社交互动中观察到的稀疏性、度异质性、社区结构和互惠关系等重要特征,实验表明所提出的模型在链接预测方面优于许多竞争方法,并具有可解释性的参数.
Mar, 2018
提出了一种基于活动驱动的带记忆时间变化网络框架的时间网络模型,该模型整合了社会强化机制、焦点闭合和循环闭合等机制,可以生成具有社区结构和全局连通性的网络,且与真实的手机通信网络具有多种相似性。
Jun, 2015
本章介绍了点过程、特别是霍克斯过程,用于对连续时间上的离散、相互依赖的事件进行建模。我们介绍了霍克斯过程及其事件强度函数、事件模拟和参数估计方案,并描述了一个基于社交媒体数据的实际例子。我们提出了内存核的设计方法,以及如何估计参数和预测流行度的结果。代码和示例事件数据作为在线附录提供。
Aug, 2017
通过定义活动潜力、构建能够编码网络动态瞬时描述的活动驱动模型,我们解决了连接驱动模型无法描述瞬时波动动力学的挑战,并且表述了这种具有高度动态性的网络的结构特征,从而量化讨论了时间聚合表示在动态过程分析中引入的偏差。
Mar, 2012