形式
人与模式/热点
方法
社群传播、标签传播、网络扩散模型
Knowledge Propagation Model Network Diffusion Models
关键概念
互动了解：https://d3gt.com/
图、节点、边
递进性质、实体数、时间连续or离散、状态二值or多值
影响力最大化、影响力中心性
网络结构定义：
挑战
Network Inference：图结构未知
因果关系和同质性（Homophily）
应用
影响力最大化、传播源头推断和传播规模预测
抽取一个传播模型，或者推断某种传播特性（比如传播的起始点），或者做出某种预测（比如 预测传播的范围）等。
关键算法
networkx 可视化、中心节点：如何以故事形式解释中心性，如何动态刻画传播
关键词：
temporal betweenness centrality
Taking Control of Information Spread in a Network Graph
Influence Maximization
影响力最大化：https://ethen8181.github.io/machine-learning/networkx/max_influence/max_influence.html
关键包：
https://teneto.readthedocs.io/en/latest/tutorial.html
https://github.com/benmaier/tacoma
dynetx
graph_tool 可视化工具
https://github.com/reticula-network/reticula
包对比：https://www.softxjournal.com/action/showFullTableHTML?isHtml=true&tableId=tbl1&pii=S2352-7110%2822%2900219-9
可能有帮助的文章：
https://www.kdd.org/kdd2020/accepted-papers/view/algorithmic-aspects-of-temporal-betweenness
https://towardsdatascience.com/temporal-graph-learning-in-2023-d28d1640dbf2
参考资料
比如传播模型都是在刻画结点状态受邻居状态影响而变化的情形、状态转变都是由传播事件触发的、传播事件由时刻和结点唯一确定等。——《大数据网络传播模型和算法》
网络扩散模型（Network Diffusion Models）是一类用于研究信息、疾病、意见等在网络中传播和扩散行为的模型。这些模型通常基于图论和随机过程理论，考虑了节点和边的拓扑结构、传播规则、影响力传递等因素，可以用于分析和预测网络中的扩散过程、识别关键节点、设计干预策略等。——chatgpt
- http://snap.stanford.edu/snap/index.html
- networkx
- https://github.com/PacktPublishing/Network-Science-with-Python-and-NetworkX-Quick-Start-Guide
思考
- 边如何定义
- 基于共同兴趣：如果两个用户经常关注相同的话题或者喜欢相同的内容，那么可以假设它们之间存在一条边。这个方法可以通过分析用户的行为记录来实现，例如他们常访问的网站、搜索的关键词等。
- 基于相似性：如果两个用户的行为相似，例如他们在同一时间访问相同的网站或者搜索相同的关键词，那么可以假设它们之间存在一条边。
- 基于邻居：如果两个用户的朋友之间存在边，那么可以假设这两个用户之间也存在一条边。这个方法可以通过分析用户的好友关系来实现。 ——chatgpt
- 节点一定是人吗
- 社区发现和传播网络不是一回事