SONIC: SOcial Network analysis with Influencers and Communities
SONIC：结合影响者与社群的社交网络分析AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确建模社交网络动态、影响者、节点和潜在社群，因此直接归入网络与干扰方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
SONIC：结合影响者与社群的社交网络分析
- 研究问题
- 研究参数维度高于观测数量时，如何估计社交网络的动态关系，并利用少数影响者与共同响应模式识别潜在社群和重要节点。
- 方法与思路
- 作者假定网络动态由少数影响者驱动，社群成员对特定影响者的响应具有同质性，结合贪婪算法与 LASSO 正则化估计网络。
- 材料陈述的贡献
- 摘要称，理论与模拟支持在样本量小于网络规模时估计矩阵参数；StockTwits 意见数据应用用于发现潜在社群及重要节点。
- 阅读关注点
- 应核对影响者稀疏性与社群同质性的具体限制、网络动态和误差条件，以及贪婪算法、正则化选择和文本意见量化的实现。
- 阅读边界
- 所给 OpenAlex 摘要未说明估计误差界、社群识别准确率或文本测量误差处理，不能把识别的重要节点直接解释为因果影响者。
原文摘要
The integration of social media characteristics into an econometric framework requires modeling a high dimensional dynamic network with dimensions of parameter typically much larger than the number of observations. To cope with this problem, we introduce SONIC, a new high-dimensional network model that assumes that (1) only few influencers drive the network dynamics; (2) the community structure of the network is characterized by homogeneity of response to specific influencers, implying their underlying similarity. An estimation procedure is proposed based on a greedy algorithm and LASSO regularization. Through theoretical study and simulations, we show that the matrix parameter can be estimated even when sample size is smaller than the size of the network. Using a novel dataset retrieved from one of leading social media platforms — StockTwits and quantifying their opinions via natural language processing, we model the opinions network dynamics among a select group of users and further detect the latent communities. With a sparsity regularization, we can identify important nodes in the network.