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

利用多元 Hawkes 过程模型和凸优化框架来在在线社交网络中确定外部驱动作用，以控制网络活动达到预期状态。

Aug, 2014

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

本研究基于 jump stochastic differential equations 算法提出了一个名为 RedQueen 的在线算法，通过控制用户在社交网络上发布帖子的时间，使之能够一直停留在他们关注者的动态列表的顶部，实现用户帖子的更好可见性。该算法通过追踪用户最新帖子的位置计算最优的广播强度，并应用于 Twitter 的真实和合成数据集中，表现出了显著的性能优势。

Oct, 2016

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

通过将用户的行为建模为个性化的马尔可夫决策过程 (MDP)、并将稳定的用户视为吸收状态，本文提出了一个灵活、实用的框架，在业务优化的角度，权衡用户浏览时间及用户的即时点击量，有效提高了用户的累积点击量。

Jun, 2020

该研究探讨了内容创作者为获取用户关注所采取的策略，以及在线平台开发者所做出的算法选择对其影响，并提出了一种名为曝光博弈的模型来形式化这种动态。该模型证明了算法选择对曝光博弈的 Nash 均衡的存在和性质产生了重大影响，并提出了一种针对曝光游戏的 (前置) 审核工具来识别理想内容和以激励为导向的排名之间的不一致情况。

Jun, 2022

本文提出基于因子分解和上界置信度的在线影响力最大化算法来识别社交网络中的最佳影响者，实验结果表明该算法有效降低了策略的遗憾值，并在两个真实社交网络中获得了良好表现。

Jun, 2019

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

简述：研究了具有社交网络的组活动选择问题，当多个组可以同时参与同一活动时，找到稳定的结果非常容易，但是，如果每个活动只能分配给一个组，则即使社交网络非常简单，确定该问题是否具有纳什稳定结果也是 NP 难的，而找到核稳定结果则更为困难。

Dec, 2017