Oct, 2015

相关级联：竞争或合作

PDF
TL;DR本研究利用多维标记 Hawkes 过程模拟了社交网络中用户的行为传播，解决了相关级联效应的建模和潜在传播网络的提取问题。通过 Twitter、网址缩短和音乐流媒体服务的实验结果表明，该模型在性能上胜过了其他模型。
social networksmultidimensional marked hawkes processlatent diffusion networkcorrelated cascadesreinforcement theory
发现论文，激发创造
  • 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

  • 竞争产品的采用和使用建模

    通过提出基于时间点过程的连续时间概率模型，本论文研究了基于在线社交网络的竞争产品的采纳和使用频率的问题，并验证了该模型的准确性和可解释性。

    Jun, 2014

  • 从微观到宏观：使用行为动力学揭示和预测信息瀑布过程

    本文提出了一个新的方法来预测社交网络中的瀑布过程，使用行为动力学描述微观机制，提出了一个新的网络威布尔回归模型。本文通过数据驱动分析发现了常见的原则和模式，提出了一个可扩展的解决方案来近似瀑布过程和预测其累计过程。在大规模社交网络数据集上进行广泛评估，结果表明该方法在多项任务中可以显著优于其他最先进的基线模型。

    May, 2015

  • 级联预测方法比较

    本文旨在比较现有的三种信息传播预测方法 (即基于中心性、基于特征以及基于点过程)，并对它们进行了分类和回归问题的评估。结果表明，基于特征的方法在预测准确性方面优于其他方法，但针对大型数据集的开销较大。而基于点过程的方法也可能遇到长时间运行的问题。该论文为社交网络分析系统的开发者选择最合适的信息传播预测方法提供了参考。

    Jun, 2016

  • 扩散协议是否掌控了级联增长？

    针对 Facebook 上 98 个最大信息流推广进行的研究，探索信息扩散协议对于流行度的影响，发现具有不同信息扩散协议的信息流推广有不同的特征，影响了信息流的传播速度和申请率。

    May, 2018

  • 动态社交网络中的时间活动模式建模

    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

  • 从竞争到互补：比较影响扩散和最大化

    本文提出了一种新的 Com-IC 模型来覆盖从竞争到互补的整个实体交互谱系，并研究了由此引发的影响力最大化问题和互补影响力最大化问题。通过高效有效的逼近算法，探讨了两种问题，并结合真实社交网络的数据集显示了性能优于传统基线算法的实验结果。

    Jul, 2015

  • 探索社交网络信息传播中的独立级联模型及其演化

    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

  • TiDeH：基于时间的 Hawkes 过程预测转推动态

    本文提出了一种基于时变 Hawkes 过程的推文转发时间预测模型，该模型充分考虑了用户的昼夜节律和信息的老化，通过参数优化可以在不同的时间分辨率上预测转发活动的未来发展，验证表明该方法在所有时间段内都优于现有方法。

    Mar, 2016

  • 在大型对抗图环境中缓解级联效应

    通过深度学习方法，该研究论文在图结构中提出了一种数据驱动的、能够预测级联影响、并具有较高防御效果的防御策略，其在大规模图环境中表现出比其他深度学习方法更好的预测准确性。

    Apr, 2024