大型社交网络的可扩展分析：数据感知平均场方法
社会与信息网络
2012-10-22 v3 性能
概率论
物理与社会
摘要
关于社交网络的研究已证明，内生和外生因素均会影响动力学。目前解释社交网络动力学的建模主要有两类：1) 通过网络属性预测链接的模型，以及 2) 考虑社会属性效应的模型。在这项跨学科研究中，我们致力于克服当前模型中的一些计算局限性。我们采用了一种平均场模型，该模型允许构建特定人群的、融合社会信息的模型，以便在大型社交网络中同时基于网络和社会属性预测链接。该模型在会议合著行为人群上进行了测试，考虑了来自可用 Web 数据的多个参数。我们探讨了如何在保留网络和社会参数的同时对大型社交网络进行建模。我们证明，采用数据感知方法的平均场模型使我们能够克服计算负担，从而解决在同时考虑网络和社会参数的大型社交网络建模中的可扩展性问题。此外，我们证实大型社交网络的演化同时通过网络决策和社会选择决策进行；断言网络动力学不能仅从单一视角研究，而必须考虑社会参数的效应。
引用
@article{arxiv.1209.6615,
title = {Scalable Analysis for Large Social Networks: the data-aware mean-field approach},
author = {Julie M. Birkholz and Rena Bakhshi and Ravindra Harige and Maarten van Steen and Peter Groenewegen},
journal= {arXiv preprint arXiv:1209.6615},
year = {2012}
}
备注
Accepted to SocInfo 2012; full version including appendix