Social Network Analysis and Mining

While being long researched in social science and computer–human interaction, lurking behaviors in online social networks (OSNs) have been computationally studied only in recent years. Remarkably, determining lurking behaviors has been modeled as an unsupervised, eigenvector-centrality-based ranking problem, and it has been shown that lurkers can effectively be ranked according to the link structure of an OSN graph. Although this approach has enabled researchers to overcome the lack of ground-truth data at a large scale, the complexity of the problem hints at the opportunity of learning from past lurking experiences as well as of using a variety of behavioral features, including any available, possibly platform-specific information on the activity and interaction of lurkers in an OSN. In this paper, we leverage this opportunity in a principled way, by proposing a machine-learning framework which, once trained on lurking/non-lurking examples from multiple OSNs, allows us to predict the ranking of unseen lurking behaviors, ultimately enabling the prioritization of user engagement tasks. Results obtained on 23 network datasets by state-of-the-art learning-to-rank methods, using different optimization and evaluation criteria, show the significance of the proposed approach.

In this paper, we propose a new node similarity measure, OmniRank, for multi-dimensional and heterogeneous social networks. In particular, we recursively propagate the structural similarity computation beyond the neighborhood of the nodes to the entire heterogeneous (e.g., user, item, tag) graph, which incorporates several unipartite and bipartite graphs. We have evaluated experimentally OmniRank and compared it against other state-of-the-art algorithms (wRWR, SimRank and P-Rank) on two real-life data sets (HetRec 2011 and GeoSocialRec). Our experiments have shown that OmniRank outperforms its comparison partners in terms of effectiveness and recommendation accuracy, because it exploits information on both multi-step and omni-directional neighborhoods (unipartite and bipartite).

With the increasing popularity of online social networks (SNS), many advertisers choose to post their advertisements (ads) within SNS. Advertising activity on SNS has grown rapidly and is now a billion-dollar business. For example, Facebook has reached more than 1 million active advertisers who contribute 90% of its revenue. In the SNS advertising model, advertisers participating in a SNS ad campaign benefit from the effects of viral marketing and network diffusion. Modern SNS serve as advertising agents and take advantage of the network diffusion to attract advertisers and charge for the cascading impressions. The optimal ad allocation task is the problem of choosing the ad allocation plan that maximizes revenue for the SNS. Considering that users have diffusion abilities and limited daily impressions, and advertisers have various bidding prices and budget concerns, a feasible plan that obeys the constraints is difficult to find. The solution to this problem lies in the space of $${\mathbb {N}}_0^{|Ads|\times |Users|}$$ , which makes direct optimization unattractive. In this work, we study SNS advertising business models and formulate the SNS ad allocation problem. We show the problem is NP-hard and propose two dimension reduction schemes together with novel relaxation techniques. Our dimension reduction technique is formulated based on SNS user profile-based bidding scenario as well as social influence-based billing policies. We show the core ideas for dimension reduction are applicable to generalized assignment problems in bipartite graphs. We further draw connections between geometric mapping for complex network and the SNS ad allocation problem and map the SNS onto 2-D geometric space in order to relax the problem to geometric region allocation problems. We develop an optimization framework and solve the relaxed problem as a series of linear programs. Our proposed method is able to reduce the dimensionality of the original problem significantly, run two to four orders of magnitude faster, and reach 95% of the optimal solution. In addition, we discuss several extensions of our approach, including shape design in the geometric space for incorporating domain constraints in allocation strategies, more comprehensive real-world social influence models, as well as an alternative relaxation approach and its application in generalized assignment problems.

Nhiều hệ thống liên kết với nhau, đặc biệt là các tương tác xã hội, có thể được mô hình hóa dưới dạng mạng. Những mạng này thường thể hiện các đặc tính chung như hệ số phân cụm cao, chiều dài đường đi trung bình thấp và phân phối bậc theo quy luật lũy thừa. Các mạng có những đặc tính này được gọi là mạng nhỏ thế giới và tự do quy mô hay đơn giản là mạng phức tạp. Sự quan tâm gần đây đến mạng phức tạp đã xúc tác cho sự phát triển của các mô hình thuật toán nhằm tạo ra những mạng này một cách nhân tạo. Thường thì các thuật toán này giới thiệu các thuộc tính mạng trong mô hình mà không quan tâm đến sự diễn giải xã hội, dẫn đến các mạng về mặt thống kê tương tự nhưng cấu trúc khác với các mạng trong thế giới thực. Trong bài viết này, chúng tôi tập trung vào mạng xã hội và áp dụng các khái niệm về quan hệ xã hội, tính đồng nghiệp và tính hướng nội-hướng ngoại để phát triển một mô hình cho mạng xã hội với các thuộc tính nhỏ thế giới và tự do quy mô. Chúng tôi khẳng định rằng mô hình được đề xuất tạo ra các mạng có cấu trúc tương tự như các mạng xã hội trong thế giới thực.

Mạng xã hội chắc chắn là nơi hữu ích và quan trọng để kết nối mọi người trong thế giới. Một vấn đề cơ bản trong một mạng xã hội là xác định những cá nhân quan trọng trong đó. Đây là lý do mà nhiều biện pháp trung tâm đã được phát hiện trong suốt những năm qua. Trong bài khảo sát này, chúng tôi trình bày các công trình nghiên cứu đã qua và hiện tại về các biện pháp trung tâm trong mạng xã hội. Để thực hiện kế hoạch này, chúng tôi thảo luận về các định nghĩa toán học và các biện pháp trung tâm khác nhau đã được phát triển. Chúng tôi cũng trình bày một số ứng dụng của các biện pháp trung tâm trong sinh học, nghiên cứu, an ninh, giao thông, vận tải, dược phẩm, và lớp học. Cuối cùng, chúng tôi đưa ra công trình nghiên cứu tương lai về biện pháp trung tâm.

Tình trạng thưa thớt dữ liệu là một vấn đề nổi tiếng trong bối cảnh lọc cộng tác, và nó đặt ra những khó khăn đặc thù trong việc cung cấp các khuyến nghị chính xác. Trong bài viết này, chúng tôi tập trung vào vấn đề thưa thớt dữ liệu trong bối cảnh lọc cộng tác dựa trên hàng xóm, và đề xuất một khung imputation tối đa để giải quyết vấn đề này. Ý tưởng cơ bản là xác định một khu vực imputation có thể tối đa hóa lợi ích imputation cho mục đích khuyến nghị, đồng thời tối thiểu hóa lỗi imputation phát sinh. Để đạt được lợi ích imputation tối đa, khu vực imputation được xác định từ cả góc độ người dùng và mặt hàng; để tối thiểu hóa lỗi imputation, cần ít nhất một đánh giá thực từ trước được giữ lại cho mỗi mặt hàng trong khu vực imputation đã xác định. Một phân tích lý thuyết được cung cấp để chứng minh rằng phương pháp imputation được đề xuất vượt trội hơn so với các phương pháp CF dựa trên hàng xóm thông thường thông qua việc xác định hàng xóm chính xác hơn. Chúng tôi đánh giá khung đề xuất trên hai tập dữ liệu chuẩn bằng cách so sánh nó với bảy phương pháp liên quan. Kết quả thử nghiệm cho thấy phương pháp đề xuất vượt trội so với các phương pháp tương ứng khác một cách đáng kể.

Các mạng tối, mô tả các mạng lưới với các thực thể và kết nối bí mật, chẳng hạn như những mạng liên quan đến các hoạt động bất hợp pháp, đang thu hút sự quan tâm lớn từ các nhà phân tích tình báo. Tuy nhiên, trước khi nghiên cứu một mạng lưới như vậy, ta phải thu thập dữ liệu mạng phù hợp. Việc thu thập dữ liệu mạng chính xác trong bối cảnh này là một nhiệm vụ đầy thách thức, vì các nhà thu thập dữ liệu sẽ đưa ra những suy diễn có thể sai lệch dựa trên dữ liệu tình báo có sẵn, mà chính nó có thể cũng gây hiểu lầm. Trong bài báo này, chúng tôi xem xét vấn đề làm thế nào để lấy mẫu mạng tối một cách hiệu quả, trong đó các truy vấn lấy mẫu có thể trả về thông tin sai, với mục tiêu cụ thể là xác định những người có liên quan. Chúng tôi trình bày RedLearn và RedLearnRS, hai thuật toán để truy cập mạng tối với mục tiêu tối đa hóa việc xác định các nút quan tâm, trong điều kiện ngân sách lấy mẫu hạn chế. RedLearn giả định rằng một truy vấn trên một nút có thể chính xác trả về liệu một nút có đại diện cho một người có liên quan hay không, trong khi RedLearnRS không dựa trên giả định đó. Chúng tôi xem xét các kịch bản lỗi thực tế, mô tả cách mà các cá nhân trong một mạng tối có thể cố gắng che giấu các kết nối của họ. Chúng tôi đánh giá và trình bày kết quả trên nhiều mạng lưới thực tế, bao gồm cả mạng tối, cũng như các cấu trúc mạng tối tổng hợp khác nhau được đề xuất trong tài liệu về tội phạm học. Phân tích của chúng tôi cho thấy RedLearn và RedLearnRS đáp ứng hoặc vượt trội hơn các chiến lược lấy mẫu khác.

Trong kịch bản thực tế, một người cần tìm ra người có ảnh hưởng lớn trong một mạng xã hội, hội nghị, cuộc họp hay bất kỳ thảo luận nhóm nào. Đồ thị mờ (mạng lưới) là một trong những công cụ mạnh mẽ nhất để tìm ra người có ảnh hưởng lớn nhất trong một mạng lưới. Bài báo này nhằm phát triển khái niệm đồ thị mờ (FGs) trong bối cảnh của tập hợp mờ do dự có giá trị lưỡng cực (BVHFs). Khái niệm đồ thị mờ có giá trị lưỡng cực do dự (BVHFG) khác với khái niệm đồ thị mờ có giá trị lưỡng cực (BFG). BVHFG là sự tổng quát của đồ thị mờ do dự (HFG), không chỉ xem xét mức độ thỏa mãn của các đơn vị trong một mạng lưới mà còn xem xét mức độ thỏa mãn đối với một thuộc tính đối kháng ngầm của các đơn vị với nhiều giá trị mờ lưỡng cực. Chúng tôi sẽ giới thiệu định nghĩa về BVHFG, được đại diện bởi một lớp cấp bậc thành viên không chính xác khác liên quan đến cấp bậc thành viên BVHF. Sau đó, chúng tôi sẽ thấy rằng phạm vi của các cấp bậc thành viên BVHF trong BVHFG lớn hơn phạm vi của các cấp bậc thành viên có giá trị lưỡng cực trong BFG. Ngoài ra, chúng tôi cũng thảo luận về các phép toán cơ bản và thuộc tính chức năng của BVHFGs. Cuối cùng, chúng tôi đề xuất một phương pháp số để tìm ra người có ảnh hưởng lớn nhất bằng cách sử dụng công việc đã đề xuất của chúng tôi. Vì phương pháp xếp hạng được đề xuất xem xét mức độ do dự cũng như tính lưỡng cực, nên phương pháp này có ưu thế hơn so với các công trình trước đó. Để khẳng định tầm quan trọng của phương pháp này, chúng tôi cũng tìm ra các mức độ thống trị cho HFG và BVHFG bằng cách sử dụng cùng một ví dụ và cho thấy có sự thay đổi đáng kể trong xếp hạng của những người thống trị.

Public wellbeing has always been crucial. Many governments around the globe prioritize the impact of their decisions on public wellbeing. In this paper, we propose an end-to-end public wellbeing analytics framework designed to predict the public’s wellbeing status and infer insights through the continuous analysis of social media content over several temporal events and across several locations. The proposed framework implements a novel distant supervision approach designed specifically to generate wellbeing-labeled datasets. In addition, it implements a wellbeing prediction model trained on contextualized sentence embeddings using BERT. Wellbeing predictions are visualized using several spatiotemporal analytics that can support decision-makers in gauging the impact of several government decisions and temporal events on the public, aiding in improving the decision-making process. Empirical experiments evaluate the effectiveness of the proposed distant supervision approach, the prediction model, and the utility of the produced analytics in gauging the public wellbeing status in a specific context.