論文の概要: Investigating and Modeling the Dynamics of Long Ties

• arxiv url: http://arxiv.org/abs/2109.10523v1
• Date: Wed, 22 Sep 2021 05:40:45 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-23 13:32:08.936974
• Title: Investigating and Modeling the Dynamics of Long Ties
• Title（参考訳）: 長いつながりのダイナミクスの調査とモデル化
• Authors: Ding Lyu, Yuan Yuan, Lin Wang, Xiaofan Wang, Alex Pentland
• Abstract要約: 長いつながりは、他の社会的結びつきよりも持続しがちである。 機械学習と組み合わせた新しい費用対効果分析モデルを用いて、長い結びつきは極めて有益であることを示す。
• 参考スコア（独自算出の注目度）: 16.287075221972124
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long ties, the social ties that bridge different communities, are widely believed to play crucial roles in spreading novel information in social networks. However, some existing network theories and prediction models indicate that long ties might dissolve quickly or eventually become redundant, thus putting into question the long-term value of long ties. Our empirical analysis of real-world dynamic networks shows that contrary to such reasoning, long ties are more likely to persist than other social ties, and that many of them constantly function as social bridges without being embedded in local networks. Using a novel cost-benefit analysis model combined with machine learning, we show that long ties are highly beneficial, which instinctively motivates people to expend extra effort to maintain them. This partly explains why long ties are more persistent than what has been suggested by many existing theories and models. Overall, our study suggests the need for social interventions that can promote the formation of long ties, such as mixing people with diverse backgrounds.
• Abstract（参考訳）: 異なるコミュニティを橋渡しする社会的結びつきは、ソーシャルネットワークに新しい情報を広める上で重要な役割を担っていると広く信じられている。 しかし、既存のネットワーク理論や予測モデルによっては、長い関係はすぐに解けるか、最終的に冗長になる可能性があるため、長い結合の長期的な価値に疑問が持たれている。 実世界のダイナミックネットワークを実証分析した結果,このような理屈に反して,長い関係は他の社会的な関係よりも持続性が高く,多くの場合,ローカルネットワークに埋め込まれることなく常にソーシャルブリッジとして機能することが明らかとなった。 機械学習と組み合わされた新しいコスト便益分析モデルを用いることで、長いつながりは極めて有益であり、本能的にそれらを維持するために余分な努力を払わなければならないことを示した。 これは、多くの既存の理論やモデルによって示唆されたよりも長い関係が永続的である理由を部分的に説明している。 本研究は、様々な背景を持つ人との混合など、長いつながりの形成を促進する社会的介入の必要性を示唆する。

関連論文リスト

• Learning Complete Topology-Aware Correlations Between Relations for Inductive Link Prediction [121.65152276851619]
  関係性間の意味的相関は本質的にエッジレベルとエンティティ非依存であることを示す。 本研究では,関係関係のトポロジ・アウェア・コレレーションをモデル化するための新しいサブグラフベース手法,TACOを提案する。 RCNのポテンシャルをさらに活用するために, 完全コモンニアインダストリアルサブグラフを提案する。
  論文  参考訳（メタデータ） (2023-09-20T08:11:58Z)
• Multidimensional Tie Strength and Economic Development [1.77898701462905]
  社会心理学の文献に根ざした社会関係の10つの基本的な次元の検証モデルを構築した。 われわれは、アメリカ全土の630万のRedditユーザーが1280万のソーシャル・コネクションで接続している大規模な会話ネットワークを分析した。
  論文  参考訳（メタデータ） (2022-12-22T18:12:21Z)
• Deep Fusion of Lead-lag Graphs:Application to Cryptocurrencies [0.0]
  ランダム変数間のコムーブメントと依存性の研究は、資産間の既存の接続を記述するためのメトリクスの開発に繋がる。 文学の発達にもかかわらず、いくつかの関係はいまだ発見されていない。 本稿では,同期的・非同期的関係を統合可能な表現学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-01-05T14:40:32Z)
• Analyzing Wikipedia Membership Dataset and PredictingUnconnected Nodes in the Signed Networks [0.666659730119789]
  本研究では、Precison-Recall曲線とROCの下の領域を用いて、ソーシャルネットワーク内の2人の非接続者間の関係を予測する方法について検討する。 ソーシャル・ネットワークを署名グラフとしてモデル化し、トライadicモデル、Latent Informationモデル、Sentimentモデルを比較し、ピア・ピア間の相互作用を予測する。
  論文  参考訳（メタデータ） (2021-10-18T09:03:18Z)
• A Machine Learning Approach to Predicting Continuous Tie Strengths [0.4014524824655105]
  人々の関係は常に進化し、対人行動を変え、社会集団を定義する。 ソーシャルネットワーク内のノード間の関係は、しばしば調査によって実証的に評価される結合力によって表される。 時間とともに進化する関係の連続的な近似を可能にするシステムを提案する。
  論文  参考訳（メタデータ） (2021-01-23T05:01:05Z)
• Learning Relation Prototype from Unlabeled Texts for Long-tail Relation Extraction [84.64435075778988]
  本稿では,ラベルのないテキストから関係プロトタイプを学習するための一般的なアプローチを提案する。 我々は、エンティティ間の暗黙的な要因として関係プロトタイプを学習する。 私たちは、New York TimesとGoogle Distant Supervisionの2つの公開データセットで実験を行います。
  論文  参考訳（メタデータ） (2020-11-27T06:21:12Z)
• Multivariate Relations Aggregation Learning in Social Networks [39.576490107740135]
  ソーシャルネットワークのグラフ学習タスクでは,多変量関係情報の識別と活用がより重要である。 既存のグラフ学習手法は近隣情報拡散機構に基づいている。 本稿では,ネットワーク環境における多変量関係情報を効果的に取得できる多変量関係集約学習法を提案する。
  論文  参考訳（メタデータ） (2020-08-09T04:58:38Z)
• Graph-Based Social Relation Reasoning [101.9402771161935]
  社会関係認識のためのグラフ関係推論ネットワーク(GR2N)を提案する。 本手法は,社会関係グラフの構築による連関関係推定のパラダイムを考察する。 実験結果から,本手法は合理的で一貫した社会関係グラフを生成することが示された。
  論文  参考訳（メタデータ） (2020-07-15T03:01:11Z)
• More Data, More Relations, More Context and More Openness: A Review and Outlook for Relation Extraction [106.28192084309617]
  人々はテキストから事実を抽出しようと長年取り組んできた。 Webテキストの爆発と新しい関係の出現により、人間の知識は劇的に増加しています。 我々はより強力な抽出(RE)に向けて有望な方向を示す。
  論文  参考訳（メタデータ） (2020-04-07T08:15:21Z)
• Long Short-Term Relation Networks for Video Action Detection [155.13392337831166]
  本稿では,Long Short-Term Relation Networks (LSTR)について述べる。 LSTRは、ビデオアクション検出のための拡張機能と関連して集約し、伝播する。 4つのベンチマークデータセットで大規模な実験を行う。
  論文  参考訳（メタデータ） (2020-03-31T10:02:51Z)
• I Know Where You Are Coming From: On the Impact of Social Media Sources on AI Model Performance [79.05613148641018]
  我々は、異なるソーシャルネットワークのマルチモーダルデータから学習する際、異なる機械学習モデルの性能について検討する。 最初の実験結果から,ソーシャルネットワークの選択がパフォーマンスに影響を及ぼすことが明らかとなった。
  論文  参考訳（メタデータ） (2020-02-05T11:10:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。