Online social network platforms have become a crucial medium to disseminate the latest political, commercial, and social information. Users with high visibility are often selected as seeds to spread information and affect their adoption in target groups. The central theme of this paper is to answer how gender differences and similarities can impact the information spreading process. To this end, we first conduct a multi-faceted analysis showing that females do not reach top visibility (often referred to as the glass ceiling effect) via contrasting perspectives on an Instagram dataset: visibility vs. endorsement and network degree vs. interaction intensity, which are mainly discussed independently by the prior art. The analysis is based on two datasets: a large-scale Instagram data and a small-scale Facebook data. We explore various centrality measures, focusing on single hop interactions, i.e., intensity, degree, to multi-hop interactions, i.e., Pagerank, HI-index, and embedding index based on graph neural networks. Our analysis unveils that males and females interact differently depending on the interaction types, e.g., likes or comments on Instagram. Inspired by the observations of gender disparity, we propose a novel seeding framework, namely Disparity seeding, which aims to maximize information spread while reaching a target user group, e.g., a certain percentage of females -- promoting the influence of under-represented groups. An extensive simulation comparison with target-agnostic algorithms shows that the proposed Disparity can disseminate information according to the disparity requirement while effectively maximizing the information spread.

中文翻译：

---

论影响影响者：差异播种

在线社交网络平台已成为传播最新政治、商业和社会信息的重要媒介。知名度高的用户通常被选为传播信息的种子，并影响他们在目标群体中的采用。本文的中心主题是回答性别差异和相似性如何影响信息传播过程。为此，我们首先进行了多方面的分析，通过 Instagram 数据集上的对比视角：可见度与认可度和网络度与互动强度，显示女性没有达到最高可见度（通常称为玻璃天花板效应），主要由现有技术独立讨论。该分析基于两个数据集：一个大规模的 Instagram 数据和一个小规模的 Facebook 数据。我们探索了各种中心性度量，重点关注单跳交互，即强度、程度，到多跳交互，即基于图神经网络的 Pagerank、HI-index 和嵌入索引。我们的分析表明，男性和女性的互动方式因互动类型而异，例如 Instagram 上的点赞或评论。受性别差异观察的启发，我们提出了一种新的播种框架，即差异播种，其目的是在达到目标用户群体（例如，一定比例的女性）的同时最大化信息传播——促进代表性不足群体的影响。与目标不可知算法的广泛模拟比较表明，所提出的 Disparity 可以根据视差要求传播信息，同时有效地最大化信息传播。重点关注单跳交互，即强度、程度，到多跳交互，即基于图神经网络的 Pagerank、HI-index 和嵌入索引。我们的分析表明，男性和女性的互动方式因互动类型而异，例如 Instagram 上的点赞或评论。受性别差异观察的启发，我们提出了一种新的播种框架，即差异播种，其目的是在达到目标用户群体（例如，一定比例的女性）的同时最大化信息传播——促进代表性不足群体的影响。与目标不可知算法的广泛模拟比较表明，所提出的 Disparity 可以根据视差要求传播信息，同时有效地最大化信息传播。重点关注单跳交互，即强度、程度，到多跳交互，即基于图神经网络的 Pagerank、HI-index 和嵌入索引。我们的分析表明，男性和女性的互动方式因互动类型而异，例如 Instagram 上的点赞或评论。受性别差异观察的启发，我们提出了一种新的播种框架，即差异播种，其目的是在达到目标用户群体（例如，一定比例的女性）的同时最大化信息传播——促进代表性不足群体的影响。与目标不可知算法的广泛模拟比较表明，所提出的 Disparity 可以根据视差要求传播信息，同时有效地最大化信息传播。强度、程度、多跳交互，即基于图神经网络的Pagerank、HI-index和embedding index。我们的分析表明，男性和女性的互动方式因互动类型而异，例如 Instagram 上的点赞或评论。受性别差异观察的启发，我们提出了一种新的播种框架，即差异播种，其目的是在达到目标用户群体（例如，一定比例的女性）的同时最大化信息传播——促进代表性不足群体的影响。与目标不可知算法的广泛模拟比较表明，所提出的 Disparity 可以根据视差要求传播信息，同时有效地最大化信息传播。强度、程度、多跳交互，即基于图神经网络的Pagerank、HI-index和embedding index。我们的分析表明，男性和女性的互动方式因互动类型而异，例如 Instagram 上的点赞或评论。受性别差异观察的启发，我们提出了一种新的播种框架，即差异播种，其目的是在达到目标用户群体（例如，一定比例的女性）的同时最大化信息传播——促进代表性不足群体的影响。与目标不可知算法的广泛模拟比较表明，所提出的 Disparity 可以根据视差要求传播信息，同时有效地最大化信息传播。和基于图神经网络的嵌入索引。我们的分析表明，男性和女性的互动方式因互动类型而异，例如 Instagram 上的点赞或评论。受性别差异观察的启发，我们提出了一种新的播种框架，即差异播种，其目的是在达到目标用户群体（例如，一定比例的女性）的同时最大化信息传播——促进代表性不足群体的影响。与目标不可知算法的广泛模拟比较表明，所提出的 Disparity 可以根据视差要求传播信息，同时有效地最大化信息传播。和基于图神经网络的嵌入索引。我们的分析表明，男性和女性的互动方式因互动类型而异，例如 Instagram 上的点赞或评论。受性别差异观察的启发，我们提出了一种新的播种框架，即差异播种，其目的是在达到目标用户群体（例如，一定比例的女性）的同时最大化信息传播——促进代表性不足群体的影响。与目标不可知算法的广泛模拟比较表明，所提出的 Disparity 可以根据视差要求传播信息，同时有效地最大化信息传播。在 Instagram 上点赞或评论。受性别差异观察的启发，我们提出了一种新的播种框架，即差异播种，其目的是在达到目标用户群体（例如，一定比例的女性）的同时最大化信息传播——促进代表性不足群体的影响。与目标不可知算法的广泛模拟比较表明，所提出的 Disparity 可以根据视差要求传播信息，同时有效地最大化信息传播。在 Instagram 上点赞或评论。受性别差异观察的启发，我们提出了一种新的播种框架，即差异播种，其目的是在达到目标用户群体（例如，一定比例的女性）的同时最大化信息传播——促进代表性不足群体的影响。与目标不可知算法的广泛模拟比较表明，所提出的 Disparity 可以根据视差要求传播信息，同时有效地最大化信息传播。