Downstream task - Prediction

• Alan Mislove, Bimal Viswanath, Krishna P. Gummadi, Peter Druschel. You Are Who You Know: Inferring User Profiles in Online Social Networks. Proc. of ACM WSDM, 2010. 【受到图上社区检测算法的启发，设计了一个用户属性推测算法，仅需要输入20%的用户子集和该用户的社交网络图，就能以95%的准确率推断出剩下的属于该大学的剩余用户，在入学年份、专业等用户属性信息的推断能力上也优于其他方法. 】

• Jitao Sang, Ming Yan, Changsheng Xu. Understanding Dynamic Cross-OSN Associations for Cold-Start Recommendation. IEEE Transactions on Multimedia, 2018, 20(12):3439-3451. 【跨站动态建模，受用户行为大多分布在不同OSN中这一线索的启发，提出了一个动态跨社交网络关联挖掘的框架.只需要利用用户在Twitter上的动态行为模式，可以预测用户在YouTube上的偏好，为视频推荐冷启动问题提供帮助.】

• Nur Al Hasan Haldar, Jianxin Li, Mark Reynolds, Timos Sellis, Jeffrey Xu Yu. Location prediction in large-scale social networks: an in-depth benchmarking study. VLDB Journal, 2019, 28(5): 623-648. 【总结了不同类型的地理位置预测模型在不同上下文情况（不同社交网络、用户类型、地点稀疏性）下的性能差异，得出的结果表明预测的准确性严重依赖领域信息的丰富程度；且利用新预测节点的位置迭代更新，可以预测其他节点的位置，基于这种思想的全局推断技术对于稀疏图来讲是更有效的工具.】

• Zhilong Chen, Hancheng Cao, Huangdong Wang, Fengli Xu, Vassilis Kostakos, and Yong Li. Will You Come Back / Check-in Again? Understanding Characteristics Leading to Urban Revisitation and Re-check-in. Proc. ACM Interact. Mob. Wearable Ubiquitous Technol., 2020, 4(3): Article 76.【foursquare数据+北京的数据+数据预处理；通过分析用户重新访问和重新签到之间的区别和共性.他们发现POI的受欢迎程度在重访问率方面起着主导作用, 不仅如此，在观察某个地方的有人重新签到时，其他人可能会产生从众心理，从而导致一个地点的重新签到行为.经过观察分析，他们抽取出POI层面和用户层面的多维特征，并且设计了一个模型用于预测用户是否会重新访问或者重新签到，分别取得了92%和82%的最优效果. 】

• Shangbin Feng, Herun Wan, Ningnan Wang, Jundong Li, Minnan Luo. SATAR: A Self-supervised Approach to Twitter Account Representation Learning and its Application in Bot Detection. Proc. of ACM CIKM, 2021. 【推特机器人检测；提出了一个自监督学习框架用于预测不断进化的机器人账号，通过使用用户在Twitter上产生的语义、属性和领域信息，尽可能捕捉到不同类型的机器人用户，避免陷入单一类型机器人账号.】

• Duan, C., Fan, W., Zhou, W., Liu, H., & Wen, J. (2023, October). CLSPRec: Contrastive Learning of Long and Short-term Preferences for Next POI Recommendation. In Proceedings of the 32nd ACM International Conference on Information and Knowledge Management (pp. 473-482). 【通过共享编码器和对比学习的方式,改进了长短期偏好建模.具体来讲，他们基于用户的长短期交互序列,构建了对比学习范式，通过短期序列增强用户表示，并采用自注意力机制聚合用户轨迹偏好,用于POI预测.】