Modeling E-mail Networks and Inferring Leadership Using Self-Exciting Point Processes
用自激点过程建模电子邮件网络并推断领导地位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：摘要明确研究个人之间的社会通信网络及其行为特征，直接对应网络方向，但未研究处理干扰或因果效应。
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…
用自激点过程建模电子邮件网络并推断领导地位
- 研究问题
- 如何刻画社会网络中邮件发送的时间聚集、回复行为和周期规律，并利用估计的通信特征推断用户的领导地位？
- 方法与思路
- 作者提出多种自激点过程模型，以 EM 类型方法拟合邮件网络，加入日内和每周趋势，并从参数提取发送及回复特征。
- 材料陈述的贡献
- 摘要称模型较平稳泊松模型更能捕捉时间聚集，趋势调整改善拟合，并在西点军校及安然邮件网络中研究领导地位。
- 阅读关注点
- 应核对事件激励结构、趋势与自激效应的区分、拟合比较标准，以及领导地位标签来源和推断表现的验证方法。
- 阅读边界
- OpenAlex 摘要未注明稿件版本，未报告领导地位识别精度；通信参数与领导地位的联系不能据此解释为因果关系。
原文摘要
We propose various self-exciting point process models for the times when e-mails are sent between individuals in a social network. Using an expectation–maximization (EM)-type approach, we fit these models to an e-mail network dataset from West Point Military Academy and the Enron e-mail dataset. We argue that the self-exciting models adequately capture major temporal clustering features in the data and perform better than traditional stationary Poisson models. We also investigate how accounting for diurnal and weekly trends in e-mail activity improves the overall fit to the observed network data. A motivation and application for fitting these self-exciting models is to use parameter estimates to characterize important e-mail communication behaviors such as the baseline sending rates, average reply rates, and average response times. A primary goal is to use these features, estimated from the self-exciting models, to infer the underlying leadership status of users in the West Point and Enron networks. Supplementary materials for this article are available online.