Portal nodes screening for large scale social networks
大规模社交网络中的门户节点筛选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：摘要围绕社交网络自回归、节点影响系数与重要节点筛选展开，直接对应网络与干扰领域。
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…
大规模社交网络中的门户节点筛选
- 研究问题
- 在网络影响系数具有异质性和稀疏性的社交网络自回归模型中，如何识别具有影响力的门户节点并估计其影响强度？
- 方法与思路
- 作者设计门户节点筛选程序，以准极大似然估计影响系数，再利用局部线性近似算法进行进一步选择，并给出相应渐近理论。
- 材料陈述的贡献
- 摘要称建立了筛选的强一致性及影响系数估计的渐近正态性，并通过数值研究与新浪微博数据展示所提程序的应用。
- 阅读关注点
- 应核对门户节点与非零系数的对应关系、网络规模和稀疏度条件，以及初筛、系数估计和进一步选择之间的误差传递。
- 阅读边界
- 仅据所给出版社摘要，无法判断网络生成机制、筛选阈值及理论适用范围；模型中的影响系数不能直接解释为因果影响。
原文摘要
Network autoregression model (NAM), as a powerful tool to study user social behaviors on large scale social networks, has drawn great attention in recent years. In this paper, we are interested in identifying the influential users (i.e., portal nodes) in a social network under the framework of NAM. Especially, we consider the autoregression model that allows to have a heterogeneous and sparse network effect coefficients. Therefore, the portal nodes take influential powers which are corresponding to the nonzero network effect coefficients. A screening procedure is designed to screen out the portal nodes and the strong screening consistency is established theoretically. A quasi maximum likelihood method is applied to estimate the influential powers. The asymptotic normality of the resulting estimator is established. Further selection procedure is given by taking advantage of the local linear approximation algorithm. Extensive numerical studies are conducted by using a Sina Weibo dataset for illustration purpose.