本研究探究了如何通过设计在线算法，基于多维 Hawkes 过程的随机微分方程，创新性提出了一种动态激励策略，可最大化社交网络的整体活动，实验数据表明，这种算法能够比现有技术更有效地提高在线活动数量，特别是在推特等真实数据收集的平台上。

Mar, 2017

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

本文介绍了一种基于随机过程的建模方法来研究用户贡献型网站，特别是在网站设计中信息展示的选择方面，这种方法提供了一种可操作的方法来理解用户的活动以及如何建模网站上的用户活动，我们以新闻评分网站 Digg 为例介绍了这种建模方法。

Mar, 2009

本文研究如何为点过程设计最优控制策略，通过最优测度和变分推断的角度来解决随机最优控制问题，并提出了一种凸优化框架和有效的算法来自适应地更新策略，实验表明我们的算法比其他随机控制方法更准确和高效。

Jan, 2017

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

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

提出了一种基于活动驱动的带记忆时间变化网络框架的时间网络模型，该模型整合了社会强化机制、焦点闭合和循环闭合等机制，可以生成具有社区结构和全局连通性的网络，且与真实的手机通信网络具有多种相似性。

Jun, 2015

本文对建立于局部距离上的反应扩散方程为基础的，由真实数据集验证的数学模型展开了讨论并提出了新的发展与挑战，旨在研究层次与主题对信息传播的影响。

Oct, 2013