Jul, 2015

COEVOLVE: 信息传播与网络协同演化的联合点过程模型

PDF
TL;DR该研究通过 COEVOLVE 模型研究信息传播和网络演化的动态，通过历史数据进行参数学习，证明该模型能够准确预测实际网络传播模式。
information diffusiononline social networksnetwork evolutionstochastic processescoevolve model
发现论文，激发创造
  • 在线媒体信息路径的结构和动态

    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

  • 揭示扩散网络的时间动态

    针对在网络上的信息 / 影响 / 疾病扩散，本研究提出了一种基于离散网络的连续时间过程模型，通过已感染节点的传染事件推断全局扩散网络的边缘和每条边缘的传输速率，进而预测、影响和抑制感染传播。该模型具有稀疏解决方案，无需参数调整，可轻松适用于规模在数千到数十万的网络，实验证实了该算法的效果良好。

    May, 2011

  • 网络和观点协同演化中的非平衡相变

    研究社会系统中意见收敛的模型，发现指导邻居意见和类似信仰的网状连接都是影响意见形成的因素，并提出了一个简单的模型来控制这两个因素的平衡，发现该模型在参数变化的过程中发生了连续相变，从多样化的意见到大多数人持有同样的意见。

    Mar, 2006

  • 深度协同网络：嵌入用户和物品特征用于推荐

    此研究提出一种基于深度协同演化网络的推荐系统，利用点过程和循环神经网络来学习用户和物品的潜在特征，捕捉它们之间的相互影响和特征随时间的演化变化，经实验证明，该模型较传统方法具有更好的推荐性能。

    Sep, 2016

  • 利用偏微分方程模拟在线社交网络中的信息传播

    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

  • 推断扩散和影响的网络

    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

  • 科学合作社交网络的演化

    对科学家的合著网络进行了研究，发现网络是规模自由的，演化受到优先连接的影响，并提出一个简单模型，用数值模拟揭示了一些数量的行为。

    Apr, 2001

  • 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

  • 信息扩散在社交网络演化中的作用

    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

  • 在线创新传播中的复杂传播过程

    通过世界上最大的 VoIP 服务的传播动态数据集的分析，证明社交传染模型背后的假设：自发服务采用率是恒定的，通过社交影响采用的概率与采用邻居的比例成线性比例关系，服务终止率是恒定的并且独立于同伴行为。通过实施检测到的传播机制进入动态基于代理的模型，我们能够在全球许多国家模仿服务的采用动态，这种方法使我们能够进行中期服务采用的预测，并揭示创新传播的动态与国家社会经济发展之间的关系。

    May, 2014