本文探讨了使用单个社交网络的观测数据进行因果效应的半参数估计和推断。在考虑样本大小增加时每个观测值对越来越多其他单位的依赖的同时，允许信息通过网络联系传输和节点共享网络联系的潜在相似性两种可能的依赖关系。提出了在社交网络环境下特别感兴趣的新的因果效应，如对网络联系和网络结构的干预，并用这种方法重新分析了使用 Framingham Heart Study 社交网络数据估计肥胖症因果同伴效应的一个具有影响力和争议的研究；在考虑网络结构后，我们没有发现因果同伴效应的证据。

May, 2017

提出一种基于排名算法的简单判别方法，以检测观测数据中的社交影响，并将其应用于两个真实数据集，包括美国众议院议员在共享竞选捐助者的社交网络上的联合赞助和 $10^5$ 个 Twitter 帐户的追随者网络的关于 Higgs 玻色子发现的谣言。该方法能够准确地识别社交影响的角色并使用其进行更准确的级联未来轨迹预测，且在存在混杂因素、缺失数据和误差模型等情况下具有较强的鲁棒性。

Feb, 2018

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

我们提出了一种新的隐私攻击来推断在线社交网络用户的属性，这些攻击利用看似无害的用户信息来推断目标用户的缺失属性，我们的攻击在社交朋友和行为记录两个方面都有所得，比以往的攻击更为有效，有严重的网络隐私保护问题。

Jun, 2016

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

本研究提出了一种信息理论措施，称为内容转移，可直接量化一名用户对另一名用户内容的影响力，该措施能够捕捉到非平凡的预测关系，即使对于未在追随者或提及图表中连接的用户对也是如此，因此可以使大量以前未被充分利用的社交媒体内容可供严格的统计因果分析。

Aug, 2012

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

提出一种通过结构因果模型来解决网络中存在异质性干预的方法，使用图神经网络估算个体因果效应来较好地解决同质性影响的偏见问题。

May, 2023

该论文提出了一种基于深度影响传播模型的社交推荐方法，模拟了用户在全局社交网中的递归扩散过程，取得了比最佳基线模型更优异的性能提升。

Apr, 2019

该论文使用矩阵分解技术将社交、地理和时间信息纳入推荐系统中，增加了友谊算法和活动中心，从而提高了 POI 推荐系统的性能。实验结果表明，该模型在真实世界数据集上优于现有技术，精确率提高了 31% 和 14%。

Jan, 2022