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

社交网络数据的广泛增长为人类行为的广泛数据驱动型探索开辟了前所未有的机遇。然而，建模大规模社交网络数据面临计算挑战。为了应对这些挑战，我们提出了一种专门用于建模社交网络数据的创新方法，并结合了大型语言模型的功能。我们在七个真实世界的社交网络数据集上进行了彻底评估，并展示了其在计算社会科学研究中的适用性。

Dec, 2023

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

本研究采集了用户行为的全面数据集，并提出了时间序列分类方法的分析方法。通过对经典的 Covid-19 数据分析应用进行用户研究，我们发现用户行为在可视分析过程中可以区分，并且用户的物理行为与其执行的可视化任务存在潜在的强关联。我们还通过解释可视分析的开放会话来展示我们模型的用法，为研究感知过程提供了一种自动化的方式，避免了繁琐的手动标注。

Nov, 2023

本研究探讨了社交网络在 Digg 上推广内容方面的作用，并发现了在 Digg 上的新闻散布方式会影响新闻的流行程度。

Jun, 2008

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

本研究分析了在线社交网络中用户行为、利用率等信息，并在高流行度的社交网络平台上对用户档案属性和印象频率之间的关系进行了三个月的监测和分析，结果显示接受联系人的人数和更新联系人信息的勤奋程度与概要请求的频率之间存在较强的关系，但是用户的整体活动、性别和参与时间没有明显的影响。

Mar, 2010

在线社交网络的出现导致了关于在线社交群体及其与个体个性关系的丰富文献的发展。通过对广泛的社交互动进行推断，可以得到社交结构，这些互动形成了复杂的、有时是多层次的网络，对其中的高阶结构进行了社群检测算法的提取。然而，关于社群检测算法在与其分类的个体文化生产之间的关系，却很少受到质疑。在这项工作中，我们假设社交网络及其文化生产是纠缠在一起的，并提出了一种基于文化的在线社交群体的定义，即将在线产出归类为社群相关的个体集合。我们利用这种似乎自指的在线社交群体描述，结合社区检测算法和自然语言处理分类算法的混合方法。该分析的一个关键结果是可以使用自然语言处理分类算法的准确度来评价社群检测算法的得分。另一个结果是我们可以以超过 85% 的准确率分配随机用户的意见。

Jun, 2024

提出了基于概率建模的众包学习框架，通过利用其他用户对贡献的评估，揭示了用户专业知识随时间的演变。还开发了一个可扩展的估计方法来拟合模型参数，并在 Stack Overflow 上跟踪了约 25,000 个用户的活动，发现高知识价值的答案很少，初学者和专家获得的知识比处于中等水平的用户少，励志经常学习者倾向于是高质量答案的熟练贡献者。

Dec, 2016

本研究利用社交媒体内容评估情感分析技术，创建主观性与群体行为和聚类系数之间的关联，并尝试预测 2021 年西孟加拉邦选举结果。

Jul, 2021