本文分析了一个由 400 万人构成的人际推荐网络，观察了推荐的传播和级联大小，并解释了简单随机模型。它还分析了由推荐网络定义的用户社区内用户行为的变化。虽然推荐的平均效果不是很好，但我们提出了一种可以成功识别对于病毒式营销非常有效的社区、产品和定价类别的模型。

Sep, 2005

本文提出了一个新方法来最大化社交网络中推荐新闻文章给特定用户的多样性，以确保用户暴露于不同的观点，而不是陷入过滤气泡。综合考虑用户性向、内容、分享概率等因素，该方法能够在保证信息传播最大化的同时实现多样性的平衡。作者通过引入新颖的随机可达集的概念扩展和以期约束来解决这个开放的挑战性问题，并设计了可扩展的近似算法。实验结果表明，该算法在多个真实世界的数据集上运行效率和可扩展性良好。

Sep, 2018

本文介绍了一个模型，通过多轮交互模拟用户和链接推荐器之间的反馈循环，研究了推荐算法的长期后果。实验结果表明，少数群体如果足够同质化，则可以从所有链接推荐器中获得不成比例的优势，同时推荐器会加剧富人越富的现象，这种现象独立于少数群体的同质化程度和大小，同时会加剧个体间的曝光不平等现象。

Dec, 2021

本研究采用社会舆论动力学模型，将宣传设计问题形式化为识别目标受众的问题，旨在通过他们的积极反馈最大化信息在社交网络中的整体积极反馈，我们设计了解决该问题的算法，并在实际数据上进行了实验，证明了算法的高效性和实用性。

Jan, 2013

本文提出一种解决在社交网络中平衡信息暴露的问题的算法，通过使用近似算法来找到两组节点，以使两组节点的信息曝光在整个网络中基本上保持平衡。

Sep, 2017

本文从博弈的角度研究影响最大化问题，提出了一个协调博弈模型，并在该模型下研究了影响最大化的难度和贪心算法的逼近保证。实验结果表明，优化后的算法比其他启发式算法快三个数量级，并且大大优于原始贪心方法。

Oct, 2018

本文研究了信息传播的社会传染模型，并通过对两个不同的社交媒体网站 Twitter 和 Digg 的用户响应进行比较，证明了信息暴露的位置对社会传染的影响非常大。通过考虑信息在用户界面上的可见性，可以显著简化社会传染的动态模型，并且发现信息暴露次数和主动搜索信息的概率成正比。最后，本文将该模型应用于用户行为的实时预测。

Aug, 2013

本文通过使用多个推荐算法和音乐、电影两个领域的公开数据集，实证了推荐算法的内在流行度偏差以及这种偏差对用户和项目供应商等不同利益相关者的影响，并提出了从不同利益相关者的角度衡量推荐算法暴露偏差的度量方法。

Jun, 2020

本文旨在阐明病毒传播的概念，结合社交网络中内容的传播属性，通过机器学习方法初步分析预测病毒传播的影响因素。

Mar, 2012

本文通过一项大规模定量研究，探究了信息过载在社交媒体以及特别是 Twitter 中的影响，并通过时间戳数据揭示了社交媒体用户信息处理的关键特性和信息处理速率，以此推断用户是否受到信息过载的影响。研究发现，最活跃和最受欢迎的社交媒体用户往往是过载的，而接收信息的速度也会影响用户的信息处理行为和社交散布的传播效果。

Mar, 2014