awesome-sns

这是一个精选的资源合集，涵盖社交网络模拟领域的学术文章、方法论和数据集，从经典网络模型到基于大语言模型的智能体模拟。合集包括网络模型、信息传播、观点动态、基于规则的智能体模型和基于LLM的智能体模拟等多个主题，并提供了相关的数据集、基准和评估指标。This is a curated collection of resources covering academic articles, methodologies and datasets in the field of social network simulation, ranging from classic network models to large language model (LLM)-based agent simulations. The collection encompasses multiple topics including network models, information dissemination, opinion dynamics, rule-based agent models and LLM-based agent simulations, and provides relevant datasets, benchmarks and evaluation metrics.

原始信息汇总

Awesome Social Network Simulation: 数据集详情总结

概述

该资源库汇集了关于社交网络仿真的学术文章、已发表方法论和数据集，涵盖从经典模型到基于LLM的智能体仿真的广泛范围。资源库包含97篇论文，跨越1951-2026年，涉及五个应用领域、38个实现、21个基准/数据集和22个评估指标。资源库还附带一篇工作论文：《A Survey of Social Network Simulation in the LLM Era: From Classical Models to Generative Agents》。

数据组织分类

资源库按以下层次分类组织文献：

• 网络模型：合成社交图的拓扑生成与结构分析
• 信息扩散：流行病模型、级联模型、影响力模型、谣言模型和控制模型
• 观点动力学：平均模型、有限置信模型、极化模型和回音室模型
• 基于规则的智能体模型：具有显式智能体规则的异构自底向上仿真
• 基于LLM的智能体仿真：基于人格、支持记忆、语言驱动的社交智能体

各分类关键内容

网络模型

涵盖从1959年Erdos-Renyi随机图到2023年基于LLM的同质性模型。经典模型包括：

• 小世界网络（Watts-Strogatz, 1998）
• 无标度网络（Barabasi-Albert, 1999）
• 随机图模型
• 属性驱动生成器
• 指数随机图模型（ERGMs）

实现框架提及 NetworkX。

信息扩散

涵盖1978年至2021年的扩散模型，主要类别包括：

• 流行病舱室模型（SIR、SEIR、SIHR、IWSR、CSRT等）
• 级联模型：独立级联和线性阈值模型
• 竞争与谣言动力学
• 信息级联理论

观点动力学

涵盖1956年至2025年的模型，主要类别包括：

• 平均模型：French-DeGroot和Friedkin-Johnsen
• 有限置信模型：Deffuant和Hegselmann-Krause
• 离散与随机模型
• 扩展与现代方向

基于规则的智能体模型

涵盖1978年至2025年的框架和应用，包括：

• 实施框架：NetLogo（1999）、MASON（2005）、Repast Simphony（2013）、Mesa（2020）
• Schelling隔离模型（1978）
• Sugarscape（1996）
• 复杂传染
• 机器人驱动的虚假信息
• 紧迫扩散

基于LLM的智能体仿真

涵盖2025-2026年的最新研究，主要类别包括：

• 多智能体协调与通信（如AI Metropolis、GA-S3）
• 平台级系统（VIRENA、Attention Mechanism）
• 语言基础认知
• 回音室度量
• 重现和扩展经典现象
• 虚假信息与机器人动态（BotSim、AVOID）
• 亲社会干预与政治观点
• 网络结构涌现
• 行动空间
• 迈向人工社会（AgentSociety）

数据集与基准

资源库单独设有 Datasets and Benchmarks 部分（具体内容未在提供的README文件中展开）。

评估指标

资源库单独设有 Evaluation Metrics 部分（具体内容未在提供的README文件中展开）。

关键技术要点

• 资源库包含38个实现和21个基准/数据集
• 涵盖了22个评估指标
• 提供了多个代码仓库链接，如 NetworkX、Mesa、Repast Simphony、MASON、NetLogo
• 多个LLM仿真项目提供开源代码（如BotSim、AgentSociety、AVOID、GA-S3等）

搜集汇总

数据集介绍

构建方式

该数据集以社会网络模拟领域为核心，系统梳理了从经典模型到基于大语言模型的生成式智能体模拟的演进脉络。构建方式上，首先通过广泛检索1951年至2026年间发表的97篇学术论文、38个实现框架以及21个基准数据集，覆盖网络模型、信息扩散、观点动力学、规则型智能体模型和LLM智能体模拟五大范式。随后，依据层次化分类法对文献进行编码与归类，并为每篇论文标注年份、类别、发表 venue 及代码仓库链接，最终形成结构化的资源索引，便于研究者快速定位与对比不同范式下的代表性工作。

使用方法

使用者可直接通过GitHub仓库的README导航至五大范式对应的论文表格，每篇论文均附带DOI链接与开源代码（如有）。对于希望复现实验的研究者，数据集提供了NetworkX、Mesa、NetLogo、Repast等经典框架的代码入口，以及LLM模拟场景下的AgentSociety、BotSim等最新实现。此外，数据集专门辟出Datasets and Benchmarks与Evaluation Metrics章节，汇总了可用于训练与评估的公开资源，用户可按需下载原始数据或引用相关基准进行对比实验。

背景与挑战

背景概述

社会网络模拟作为计算社会科学的核心分支，历经从经典随机图模型到生成式智能体仿真的范式演进，其研究脉络横跨数学、物理学与计算机科学三大学科。Awesome-SNS数据集由Trinh Pham等学者于2026年创建，依托清华大学与格里菲斯大学的研究团队，系统梳理了社会网络模拟领域自1959年Erdos-Rényi随机图理论至2026年大语言模型驱动智能体仿真的97篇里程碑文献。该数据集通过五层分类体系——网络模型、信息扩散、观点动力学、规则驱动智能体模型及大语言模型智能体仿真——构建了完整的知识图谱，其核心研究问题在于揭示微观个体交互如何涌现为宏观社会现象。作为该领域首个系统性文献综述资源，它整合了38种实现框架、21个基准数据集与22项评估指标，为理解从六度分隔假说到生成式智能体社会实验的理论跃迁提供了关键索引，推动了计算社会学与人工智能的交叉研究进程。

当前挑战

该数据集所应对的领域挑战集中于社会网络模拟的多尺度耦合难题：如何将经典模型（如Watts-Strogatz小世界网络）的数学严谨性与大语言模型智能体的语义丰富性相融合，以复现真实社交网络中信息级联、观点极化等非线性涌现行为。构建过程中面临三重挑战：其一，文献筛选需跨越1959至2026年的67年时间跨度，确保涵盖从Erdos-Rényi随机图到Generative Agents的完整演化链，避免学科断层；其二，五层分类体系要求对跨学科概念（如传染病模型与谣言传播模型）进行本体论对齐，需分辨信息扩散与观点动力学的边界模糊性；其三，代码与数据集的关联验证面临版本碎片化，部分早期模型（如Schelling隔离模型）的现代复现需在NetLogo与Python框架间建立可追溯性映射，同时确保LLM驱动仿真（如BotSim）的评估指标与传统模型具有可比性。

常用场景

经典使用场景

在社会网络模拟的研究版图中，awesome-sns数据集为学者们提供了一个系统化的文献与基准资源库，其最经典的用途在于支撑从经典随机图模型到基于大语言模型的生成式智能体仿真的全谱系研究。研究者可借助该数据集中的网络模型、信息扩散、意见动力学等核心模块，构建合成社会网络拓扑，复现小世界、无标度等经典结构特性，并在此基础上模拟谣言传播、观点极化或群体行为的涌现过程。该数据集尤其适合用于验证新型仿真算法在结构生成与动态演化方面的有效性，成为连接理论模型与计算实验的桥梁。

解决学术问题

该数据集系统性地回应了社会网络模拟领域长期存在的碎片化困境——不同范式（如基于规则的智能体模型与大语言模型驱动的智能体仿真）之间缺乏统一的比较框架与共享基准。通过整合从Erdős–Rényi随机图到AgentSociety等前沿工作的完整谱系，它解决了研究者难以横向评估模型真实性、可扩展性与行为涌现能力的难题。其意义在于为意见动力学中的回音室效应、信息扩散中的虚假新闻传播机制、以及智能体社会中的协作与对抗行为等核心学术问题提供了可复现的实验平台，推动了社会物理学与计算社会科学范式的深度融合。

实际应用

在实际应用层面，awesome-sns数据集为社交媒体平台治理、舆情监控与危机干预提供了强有力的仿真基础设施。例如，平台运营方可利用其中的信息扩散与意见动力学模块，模拟虚假新闻在特定网络拓扑下的传播路径，从而设计更高效的辟谣策略；政策制定者则能借助基于智能体的仿真工具，预判不同干预措施（如标签提示或内容降权）对公众观点极化的影响。此外，该数据集在流行病学中亦被用于模拟健康行为的社会传染过程，为公共卫生决策提供数据驱动的洞见。

数据集最近研究

最新研究方向

在大型语言模型（LLM）浪潮的推动下，社交网络模拟领域正经历从经典图论模型向生成式智能体仿真的范式跃迁。当前最前沿的研究方向聚焦于利用LLM驱动具备记忆、人格与语言能力的生成式智能体，在虚拟环境中复现人类社交的复杂性，如信息不对称下的注意力扩散机制、回音室效应与观点极化动态、以及恶意社交机器人网络的模拟。该方向紧密关联虚假新闻早期检测、社交媒体干预策略评估等现实热点事件，其意义在于突破了传统基于规则或拓扑的仿真瓶颈，使研究者能够以前所未有的粒度探索社会传播的微观动机与宏观涌现行为，为理解数字时代的舆论形成与信息治理提供了可计算、可干预的实验场域。