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。

Nov, 2016

我们提出了一种基于有界置信度的信息传递框架 ODNet，将社会网络和神经信息传递的概念相结合，用于分析和推断动态系统的行为。通过调整有界置信度和影响力权重，并定义与社交网络图特点一致的观点交换规则，我们的方法能够简化复杂的社交网络图，准确识别内部社区和基因在不同代谢途径中的角色。

Oct, 2023

通过使用一种新的算法来检测高影响力的用户，即使只知道社交网络的拓扑结构，攻击者仍能在社交网络中激起不和谐，我们证明了这种攻击是可能的。

Jun, 2023

本文提出了 SLANT，一种基于标记的跳跃扩散随机微分方程的概率建模框架，用于表示用户随时间变化的意见，可以从历史细粒度事件数据中进行有效的模型模拟和参数估计，并利用该框架得出了一组有效的预测公式，实验结果表明，该模型提供了良好的拟合，并且比其他方法实现了更准确的预测。

Jun, 2015

描述、解释网络动态变化的关键挑战之一是预测短期和长期变化，在考虑增强节点属性和网络拓扑特征的基础上，应用 CMA-ES 优化 16 个邻域和节点相似性指数的权重来预测未来的链接，从而为推特回复网络的演化提供一些计算机建模的线索。

Apr, 2013

本文提出利用社交认知理论来改善在在线社交网络中的链接预测算法，并探讨了利用社交圈子意识来扩展特征提取算法并验证其预测性能的方法，在社交圈子意识的算法中，预测性能得到了显著的提升，打败了一些最先进的解决方案，同时也可以用于针对特定类别的用户进行定向营销。

Sep, 2021

该研究提出了基于动态图注意力神经网络的在线社区推荐系统，能够模拟用户动态行为，并根据用户当前兴趣动态推断影响因素，经实验验证，其效果优于现有的各种方法。

Feb, 2019

本文介绍了一个基于态度变化理论、群体行为理论和演化博弈理论的代理人在线舆论形成模型，该模型考虑了信誉度、接受者特征和群体环境对说服过程的影响，并将该模型应用于 Twitter，分析了话题类型、参数变化和意见领袖对舆论形成的影响。实验结果显示，争议性话题的意见演化表现出更大的不确定性和可持续性，而利益成本比对意见形成有着显着的影响，适当的比例将导致最长的放松时间或最统一的全球意见。此外，拥有大量追随者的名人比专家更有能力影响公众舆论。

Jul, 2018

研究社会系统中意见收敛的模型，发现指导邻居意见和类似信仰的网状连接都是影响意见形成的因素，并提出了一个简单的模型来控制这两个因素的平衡，发现该模型在参数变化的过程中发生了连续相变，从多样化的意见到大多数人持有同样的意见。

Mar, 2006

本文提出一种推论机制，将生成的意见动态代理模型拟合到现实世界的社交信息中，不仅保留了基于代理的模型的优点（即因果解释），而且还具有在真实数据上进行模型选择和假设测试的功能。

Jun, 2020