在信息泛滥的时代，我们提出了一种新颖的方法来预测病毒谣言和易受攻击的用户，该方法利用了图神经网络模型、多任务训练策略和数据集构建，实现了在谣言检测、病毒性预测和用户脆弱性评分等任务上的卓越性能提升。

Jan, 2024

研究表明，社交关系信息可以用于提高用户级情感分析，实验结果表明，将社交网络信息纳入支持向量机等分类器的训练可以明显提高情感分析的效果。

Sep, 2011

通过引入自然语言评论作为优化产品表示的一种方式，将旁路信息融入基于协同过滤的推荐系统可以提高其性能表现；本文提出两种不同类型的评论模型，包括基于神经网络的词袋专家模型和循环神经网络模型，并证明前者的模型灵活性表现出了更高的性能表现，超越了基于 LDA 的方法。

Jun, 2018

提出了 Socially-aware Temporally caUsal Decoder recommender sYstems (STUDY) 算法，该算法通过单个转换器解码器网络的前向传递实现对社交网络图中相邻用户组的联合推断，以优化学校教育内容场景下的推荐表现。

Jun, 2023

本文提出了一种新颖的基于层次贝叶斯模型的社交网络信息效果预测方法，并结合主题建模和概率矩阵分解，从训练数据中自动推断有用的潜在主题和社交信息以及其对协作过滤的重要性，并展现了该算法在推荐系统方面优于现有方法的实验结果，揭示了社交圈在信息的决策过程中比个人品味更具影响力，以及可能在许多利用社交信息的推荐系统中存在的信息泄露问题的解决方案。

Jun, 2012

该研究提出了一种基于双重观察方法的新闻推荐算法，结合了用户对新闻的兴趣和偏见以及新闻文章的内容，通过深度神经网络识别新闻文章的主要焦点和用户对文章的关注点来提供更加个性化、准确的推荐。

Feb, 2023

本文旨在探讨如何通过数据融合来提高评分预测的准确性，通过扩展 Social MF 模型以及提出新的 MR3 框架，即通过整合邻居关系、评分和隐藏主题等三种信息来创造新的推荐系统，提高了推荐系统的准确性。本文通过两个真实世界数据集的评测衡量了每种数据来源对所提出框架的贡献。

Jan, 2016

自动响应预测对新闻媒体具有重要作用，能够帮助内容制作者高效预测新闻发布的影响，防止意外的负面结果，如社会冲突和道德伤害。为了有效地预测响应，必须开发利用社交动态和上下文信息的度量，特别是在用户的明确个人资料或历史行为有限的情况下（被称为潜伏者）。本研究提出了一种新颖的框架，名为 SocialSense，它利用大型语言模型在现有社交网络之上诱导出基于信念的图，并通过基于图的传播捕捉社交动态。我们假设搭建跨越远程用户之间的连接、共享相似信念的诱导图能够有效捕捉响应模式。我们的方法在零样本和监督设置的实验评估中超过了现有的最新技术，证明了它在响应预测方面的有效性。此外，分析揭示了该框架有效处理未见用户和潜伏者情况的能力，进一步突出了它的稳健性和实用性。

Oct, 2023

该研究论文是一篇关于在在线和移动社交网络中设计和实现推荐系统的综述，重点介绍了如何利用社交上下文信息来改善推荐任务，以及标准算法如何在完全分布式环境中进行增强和优化，并讨论了这些系统的优缺点和性能评估。

Jun, 2023

本文介绍了 DSCF，一种新型的深度社交协同过滤框架，通过利用社交关系的各个方面来解决推荐系统中存在的多种挑战，包括利用用户 - 项目交互和社交网络信息进行深度学习，使用邻居的信息并考虑特定推荐情况，以及了解邻居对项目的不同意见对用户的影响等，实验证明该框架的有效性。

Jul, 2019