高性能计算工作负载中社交影响的分析与建模
本文研究社交图中相互关联的代理之间的因果影响,并考察社交学习模型和分布式决策协议的动态性,推导出表达式以揭示代理之间的因果关系并解释网络中的影响流动。结果依赖于图的拓扑结构和每个代理对于所解决的推断问题的信息水平。基于这些结论,本文提出了一种算法来评估代理的整体影响力以发现高度有影响力的代理,并提供了一种从原始观测数据中学习必要模型参数的方法。通过综合考虑合成数据和真实的 Twitter 数据,验证了结果和所提算法的有效性。
Jul, 2023
本研究提出了一个概率生成模型 —— 统一模型,该模型自然地将社会影响、协同过滤和基于内容的方法统一起来,用于物品推荐。我们通过期望最大化算法(EM)来设定模型参数,实验结果显示带有社会影响的生成模型显著优于不带社会影响的模型,并且统一模型表现最佳。此外,我们发现 Whrrl.com 上的用户更可能受到朋友的影响,并且我们基于社会影响的群组推荐算法也优于最先进的算法。
Sep, 2011
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。
Oct, 2015
作者设计了一个端到端的深度神经网络框架 DeepInf,用于学习用户的潜在特征表示以预测社交影响,并且在不同类型的社交和信息网络上展开了广泛的实验以证明该模型的显著优越性。
Jul, 2018
社交网络数据的广泛增长为人类行为的广泛数据驱动型探索开辟了前所未有的机遇。然而,建模大规模社交网络数据面临计算挑战。为了应对这些挑战,我们提出了一种专门用于建模社交网络数据的创新方法,并结合了大型语言模型的功能。我们在七个真实世界的社交网络数据集上进行了彻底评估,并展示了其在计算社会科学研究中的适用性。
Dec, 2023
本文提出了一种新颖的基于层次贝叶斯模型的社交网络信息效果预测方法,并结合主题建模和概率矩阵分解,从训练数据中自动推断有用的潜在主题和社交信息以及其对协作过滤的重要性,并展现了该算法在推荐系统方面优于现有方法的实验结果,揭示了社交圈在信息的决策过程中比个人品味更具影响力,以及可能在许多利用社交信息的推荐系统中存在的信息泄露问题的解决方案。
Jun, 2012
本研究提出一种利用 Correlation Clustering 算法在人群中检测社交团体的方法,其使用了一组专门设计的特征来描述人群成员之间的亲和力,并引入了 G-MITRE 损失函数来评估检测性能。在使用地面真值轨迹和先前提取的轨迹时,证明了该算法能够达到最先进的效果。
Aug, 2015
在线社交网络的出现导致了关于在线社交群体及其与个体个性关系的丰富文献的发展。通过对广泛的社交互动进行推断,可以得到社交结构,这些互动形成了复杂的、有时是多层次的网络,对其中的高阶结构进行了社群检测算法的提取。然而,关于社群检测算法在与其分类的个体文化生产之间的关系,却很少受到质疑。在这项工作中,我们假设社交网络及其文化生产是纠缠在一起的,并提出了一种基于文化的在线社交群体的定义,即将在线产出归类为社群相关的个体集合。我们利用这种似乎自指的在线社交群体描述,结合社区检测算法和自然语言处理分类算法的混合方法。该分析的一个关键结果是可以使用自然语言处理分类算法的准确度来评价社群检测算法的得分。另一个结果是我们可以以超过 85% 的准确率分配随机用户的意见。
Jun, 2024