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

通过分析来自 Flickr 和 Tumblr 的 170M 个自我网络的完整时间演变，我们发现自我网络的演变是爆发性的、社区驱动的，有后续的直径增加、轻微收缩和稳定阶段。 推荐系统有利于流行和连接紧密的节点，限制了直径的展开。 推荐系统引入的偏差促进了邻居选择的全局多样性。最后，我们通过两个链接预测实验展示了如何利用我们分析的见解来提高社交推荐系统的效果。

Feb, 2017

该论文分析了在线社交网络上的人际互动机制，提出了一种更加细致的社交链展开策略。研究表明，人们跟随其他用户的方式具有高度异质性，通过将用户分类，可以总结不同的链接创造行为，进而更加高效地在网络中传播信息。

Feb, 2013

本文研究在线社交网络中存在的正面和负面关系，并通过 Epinions、Slashdot 和 Wikipedia 等数据集证明可以高准确度地预测社交网络中链接的符号，这些预测模型跨越不同类型的在线社交网络具有普适性，有助于理解社交心理学中平衡和地位理论的基本原则，并能够预测用户的态度和周围人际关系的证据。

Mar, 2010

通过一个数学模型研究了基于流行度和社交关系的推荐系统。结果表明，在一些普遍的条件下，市场总会收敛到一个稳定状态。通过实验进一步证明，实际社交网络中的社交图表现出一定的防止市场失真的作用，即使存在高度具有影响力的用户。

Jul, 2016

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

本文提出了一个基于 Monte Carlo 模拟的框架来评估人们推荐算法对意见演变的影响，结果发现人们推荐算法确实会导致峡谷效应显著增加，但仅在网络中有相当数量的同质性的情况下发生。

Dec, 2021

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

本文研究在线社交网络中的信息传播，包括在一项大规模实地实验中，随机暴露于关于朋友信息分享的信号的 2.53 亿名受试者，发现那些接受信号的人更有可能更快地传播信息。同时，研究了强弱关系在信息传播中的作用，发现尽管强联系人更有影响力，但更丰富的弱联系人负责传播新信息。这表明，弱联系人在网络信息传播中可能比当前认为的更占主导地位。

Jan, 2012