NIPSNov, 2016

使用多任务高斯 Copula 模型在隐式社交网络中检测有影响力的节点

PDF
TL;DR本文提出了一种基于多任务低秩线性影响模型的信息扩散分析方法，该方法不仅可以同时预测每个传染事件（或话题）的数量，还可以自动识别每个传染事件的最有影响力的节点，从而提高预测性能并可靠地推断特定传染事件的最有影响力的用户。
influential node detectionsocial network analysisinformation diffusionlinear influence modelinfluential users
发现论文，激发创造
  • 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

  • 关于潜在社交网络推理凸性的研究

    本文提出一种基于网络扩散或疾病传播数据来推断潜在社交网络的最大似然方法，该方法基于凸规划，使用类似于 L1 的惩罚项来鼓励稀疏性，实验结果表明该方法几乎完美地恢复了潜在的网络结构和传播模型参数，且可推断数千个节点的最优网络。

    Oct, 2010

  • 基于输出和输入链接的在线社交网络意见领袖检测

    本文提出了一种新的基于社会影响力和社会一致性的中心性衡量标准，并构建了一个新的动态观点形成模型，然后设计了一个算法用于在社交网络中寻找对其他节点有重要影响的小子集，实验证明该算法显著优于其他现有方法。

    Aug, 2022

  • 可扩展的无需采样的影响力估计

    在社交网络中进行信息传播时，基于动态消息传递方法的算法可以用来估计独立级联模型中的影响力函数，从而代替对具有高计算复杂度的边缘概率的 Monte-Carlo 采样方法，同时提供一个解决计算效率问题的方法。

    Dec, 2019

  • 网络关联数据的预测模型

    本研究探讨了在众多现代应用中，训练数据中可能存在互相连接的个体不独立样本的情况下，预测算法的表现。我们提出了一种基于网络的罚函数来鼓励联通节点的预测相似性，并证明了将其应用于预测模型能够在现实和理论上得到显著的表现改进，特别在存在网络内部联系的情况下。此罚函数可以与许多基于损失的预测模型相结合，如回归模型，广义线性模型和 Cox 比例危险模型。通过对青少年的探险行为和大麻使用水平的预测研究，我们发现了这种方法对预测行为的提高是有效的，并且提供了对变量效应估计的说明。

    Feb, 2016

  • 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

  • 利用统计方法在具有有限可见性的复杂网络中进行影响最大化

    该研究利用指数随机图模型等方法将影响力最大化方法扩展到伪可见性图，并在 Stanford 大学的 Snap 数据集上进行了测试。实验结果表明，该方法在现实世界的网络图上具有高效性。

    Aug, 2022

  • 情境随机块模型

    本文提供了第一个信息理论的紧密分析，以推断与相同潜在社区相关的高维节点协变量的稀疏图中的潜在社区结构。

    Jul, 2018

  • 动态图神经网络进行影响力检测

    本文研究了在影响者检测中，利用动态图神经网络进行预测任务的不同配置，考虑到网络动态性与时间特征属性的影响，证明使用深度多重注意力和编码时间属性可以显著改善性能，在捕获邻域表示方面比使用网络中心度度量更有益。

    Nov, 2022

  • 样本中的网络推断和影响最大化

    本文提出一种基于采样的影响力最大化方法，对于给定的节点影响传播日志数据，采用新颖的网络推断方法，可以学习到网络结构和传播参数，避免网络结构和参数假设所带来的误差。相比以往的方法，本方法不需要最大似然估计和凸规划假设，可以在网络参数学习难度较高的情况下保证一个比较小的近似率。

    Jun, 2021