The widespread adoption of Online Social Networks (OSNs), the ever-increasing amount of information produced by their users, and the corresponding capacity to influence markets, politics, and society, have led both industrial and academic researchers to focus on how such systems could be influenced . While previous work has mainly focused on measuring current influential users, contents, or pages on the overall OSNs, the problem of predicting influencers in OSNs has remained relatively unexplored from a research perspective. Indeed, one of the main characteristics of OSNs is the ability of users to create different groups types, as well as to join groups defined by other users, in order to share information and opinions. In this article, we formulate the Influencers Prediction problem in the context of groups created in OSNs, and we define a general framework and an effective methodology to predict which users will be able to influence the behavior of the other ones in a future time period, based on historical interactions that occurred within the group. Our contribution, while rooted in solid rationale and established analytical tools, is also supported by an extensive experimental campaign. We investigate the accuracy of the predictions collecting data concerning the interactions among about 800,000 users from 18 Facebook groups belonging to different categories (i.e., News, Education, Sport, Entertainment, and Work). The achieved results show the quality and viability of our approach. For instance, we are able to predict, on average, for each group, around a third of what an ex-post analysis will show being the 10 most influential members of that group. While our contribution is interesting on its own and—to the best of our knowledge—unique, it is worth noticing that it also paves the way for further research in this field.

中文翻译：

---

预测在线社交网络群组中的有影响力用户

在线社交网络 (OSN) 的广泛采用、用户产生的信息量不断增加，以及相应的影响市场、政治和社会的能力，使得工业和学术研究人员都将重点放在此类系统如何能够是影响. 虽然以前的工作主要集中在测量当前有影响力的用户、内容或整个 OSN 上的页面，但从研究的角度来看，预测 OSN 中的影响者的问题仍然相对未被探索。实际上，OSN 的主要特征之一是用户能够创建不同的群组类型，以及加入其他用户定义的群组，以便共享信息和意见。在本文中，我们在 OSN 中创建的群组的背景下制定了影响者预测问题，并且我们定义了一个通用框架和一种有效的方法来预测哪些用户将能够在未来一段时间内影响其他用户的行为，基于组内发生的历史交互。我们的贡献，虽然植根于坚实的理论基础和成熟的分析工具，还得到了广泛的实验活动的支持。我们调查了预测的准确性，收集了来自不同类别（即新闻、教育、体育、娱乐和工作）的 18 个 Facebook 群组的约 800,000 名用户之间的交互数据。取得的结果显示了我们方法的质量和可行性。例如，对于每个组，我们能够平均预测大约三分之一的事后分析将显示该组中最有影响力的 10 个成员。虽然我们的贡献本身很有趣，而且据我们所知是独一无二的，但值得注意的是，它也为该领域的进一步研究铺平了道路。我们调查了预测的准确性，收集了来自不同类别（即新闻、教育、体育、娱乐和工作）的 18 个 Facebook 群组的约 800,000 名用户之间的交互数据。取得的结果显示了我们方法的质量和可行性。例如，对于每个组，我们能够平均预测大约三分之一的事后分析将显示该组中最有影响力的 10 个成员。虽然我们的贡献本身很有趣，而且据我们所知是独一无二的，但值得注意的是，它也为该领域的进一步研究铺平了道路。我们调查了预测的准确性，收集了来自不同类别（即新闻、教育、体育、娱乐和工作）的 18 个 Facebook 群组的约 800,000 名用户之间的交互数据。取得的结果显示了我们方法的质量和可行性。例如，对于每个组，我们能够平均预测大约三分之一的事后分析将显示该组中最有影响力的 10 个成员。虽然我们的贡献本身很有趣，而且据我们所知是独一无二的，但值得注意的是，它也为该领域的进一步研究铺平了道路。平均而言，对于每个群体，我们能够预测大约三分之一的事后分析将显示该群体中最有影响力的 10 个成员。虽然我们的贡献本身很有趣，而且据我们所知是独一无二的，但值得注意的是，它也为该领域的进一步研究铺平了道路。平均而言，对于每个群体，我们能够预测大约三分之一的事后分析将显示该群体中最有影响力的 10 个成员。虽然我们的贡献本身很有趣，而且据我们所知是独一无二的，但值得注意的是，它也为该领域的进一步研究铺平了道路。