基于大型语言模型（LLM）开发在线社交网络的应用程序是具有挑战性的，并且在研究界中报道相对较少。本研究将 LLM 应用程序分为三类：知识任务、娱乐任务和基础任务，并提供了相应的挑战、解决方案和经验教训。据我们所知，这是第一篇关于将 LLM 应用于社交网络开发的综合性论文。

Jan, 2024

我们的研究分析了标准网络结构和真实世界网络的行为，以确定多个大型语言模型在人类社交动态中是否与人类社交动态一致。我们探讨了各种社交网络原则，包括微观层面的概念（如优先连接、三元闭合和同质性），以及宏观层面的概念，如社群结构和小世界现象。我们的研究结果表明，当给定网络结构并询问 LLMs 关于网络形成的偏好时，LLMs 展现了所有这些原则。此外，我们还研究了基于真实世界网络的 LLMs 决策，以比较这些原则的优势。我们的结果表明，三元闭合和同质性比优先连接具有更强的影响力，并且 LLMs 在网络形成预测任务中远远超出随机猜测。总体而言，我们的研究通过揭示 LLMs 的网络形成行为，并探索它们对社交动态和规范的影响，为开发具有社交意识的 LLMs 做出了贡献。

Feb, 2024

社交媒体影响力竞选对公共话语和民主构成重大挑战，传统检测方法因社交媒体的复杂性和动态性而力不从心。本文提出了一种新颖的检测方法，利用大型语言模型（LLMs）结合用户元数据和网络结构。通过将这些元素转化为文本格式，我们的方法能够有效处理多语言内容并适应恶意竞选行为者不断变化的策略。通过在多个数据集上进行严格测试，我们验证了模型的有效性，并展示了其在识别影响力竞选方面的卓越性能。本研究不仅提供了一个强大的检测工具，而且为未来改进社交媒体影响策略的快速演变奠定了基础。

Nov, 2023

在大型语言模型（LLMs）中，介绍了 “社交学习” 的框架，其中模型通过自然语言以隐私保护的方式共享知识。我们提出并评估了两种 LLMs 之间的知识传递方法，第一种情景中，模型生成抽象提示用于教授任务，而我们的第二种方法中，模型通过生成合成示例来传递知识。我们在多个数据集上评估了这些方法，并以记忆作为隐私损失的代理进行了量化。这些受社交学习启发的技术得到了有希望的结果，原始数据的记忆化较低。特别是，我们表明使用这些方法的性能与使用原始标签和提示的结果相当。我们的工作证明了社交学习在 LLMs 中的可行性，建立了基础方法，并突出了几个尚未开发的领域的重要性。

Dec, 2023

通过回顾现有工作，我们按类别介绍了应用语言模型于网络领域的突出成果，并详细解释它们在工作流程的不同阶段的操作方式。此外，我们深入探讨了遇到的挑战，讨论了潜在解决方案，并勾勒了未来的研究前景。我们希望这份调查能为研究人员和实践者提供洞见，推动该跨学科研究领域的发展。

Apr, 2024

社交媒体及其新闻推送算法对于提升构建性对话具有挑战性，本研究使用大型语言模型和基于代理模型的仿真来研究不同的新闻推送算法如何影响在线对话质量，发现新推送算法能够促进跨政治观点的建设性、非有害对话。

Oct, 2023

本研究旨在揭示大型语言模型在理解行为图并利用这种理解增强在线招聘中的推荐能力，包括促进分布外应用程序，为此我们提出了一个新框架，该框架利用大型语言模型提供的丰富上下文信息和语义表示来分析行为图并揭示其中的潜在模式和关系，从而实现个性化和准确的工作推荐，并在全面的数据集上评估了我们的方法的有效性。

Jul, 2023

社交媒体是多模态信息交流的中心，包括文本、图片和视频，这对机器来理解在线空间中的信息或情感相关的交互构成了挑战。本文介绍了 MM-Soc，一个综合性基准，旨在评估多模态大型语言模型对多模态社交媒体内容的理解能力。通过我们对四个开源多模态大型语言模型的十个规模变体的详尽评估，我们发现了重要的性能差异，突出了模型在社交理解能力方面的改进需求。

Feb, 2024

人类中心的自然语言处理，大型人类语言模型（LHLMs），人类背景和动态人类背景的关键设计考虑和挑战。

Nov, 2023

用户建模旨在从用户数据中发现模式或学习有关特定用户的特征，如个人资料、偏好和个性。该研究总结了关于如何以及为何使用大型语言模型（LLMs）进行用户建模和理解用户生成内容的现有研究，然后回顾了将 LLMs 与文本和基于图的方法整合的几种用户建模（LLM-UM）方法的类别，介绍了各种用户建模应用的具体 LLM-UM 技术，最后介绍了 LLM-UM 研究中的剩余挑战和未来方向。

Dec, 2023