Arxiv網路科學論文摘要12篇(2018-07-26)

08-17

來自專欄網路科學研究速遞

交通流演化動力學的一般研究框架及其性質分析;
恐怖分子網路的湧現性質、滲流與社會敘事;
使用分類器估計在線社會網路中的組屬性;
在沒有排序或集聚經濟的情況下提高規模報酬;
用於研究社交媒體中極化政治事件的用戶建模流程;
使用SVD和k-means增強社會網路中事件檢測的關鍵字關聯：Twitter案例研究;
利用擾動和合併在現實世界網路中識別有影響力的傳播者;
非回溯循環拓撲視角的圖距離;
有上下文的隨機塊模型;
三種超圖特徵向量中心性;
語言中帶上情緒會讓你感覺更好嗎？從在線數據中測量情緒的分鐘級動態;
容易被錯誤的信息影響？去核查！;

交通流演化動力學的一般研究框架及其性質分析

原文標題： General Research Framework and its Properties Analysis of Traffic Flow Evolutionary Dynamics

地址： http://arxiv.org/abs/1807.09349

作者： Xingguang Chen

摘要：本文旨在研究交通流向穩定性的條件和交通網路需求時變下的均衡穩定性。提出了採用演化博弈理論和動態系統穩定性理論進行流動力學演化的一般框架。實現了多組多標準旅行選擇流演化動態模型。

恐怖分子網路的湧現性質、滲流與社會敘事

原文標題： Emergent Properties of Terrorist Networks, Percolation and Social Narrative

地址： http://arxiv.org/abs/1807.09357

作者： Maurice Passman, Philip V. Fellman

摘要：在本文中，我們已經開始嘗試開發和理解構成第四代戰爭的驅動機制。我們從努力通過使用閾值型滲透模型從複雜性角度理解這些事件的驅動因素的角度來實現這一點。我們建議通過分形操作級別模型將此戰略級別模型與戰術級別大數據，行為，統計預測相結合，並構建允許動態預測的分層框架。我們的初步研究集中在這一戰略層面，即滲透模型。我們從這項初步研究得出的主要結論是，極端主義恐怖主義事件不僅僅受到社會地理位置內支持人口規模的驅動，而且還取決於東道國人口參與的意識形態因素。這種參與通過社會的社會，政治和心理結構，不僅有助於恐怖主義分子積极參与社會，而且還直接促成並增加恐怖主義事件發生的可能性。我們的計算表明了伊斯蘭極端主義恐怖主義事件，穆斯林和非穆斯林人口中的意識形態之間的聯繫，這些意識形態促進了這些恐怖主義事件（如反猶太復國主義）和針對猶太人口的反猶太主義暴力事件。在未來的一篇論文中，我們希望擴展所做的工作，以構建一個預測模型，並將我們的計算擴展到其他形式的恐怖主義，如美國境內的右翼原教旨主義恐怖主義事件。

使用分類器估計在線社會網路中的組屬性

原文標題： Estimating group properties in online social networks with a classifier

地址： http://arxiv.org/abs/1807.09406

作者： George Berry, Antonio Sirianni, Nathan High, Agrippa Kellum, Ingmar Weber, Michael Macy

摘要：我們考慮在為節點標籤使用分類器時獲得社會網路中組屬性的無偏估計的問題。對這個問題的推斷由於兩個因素而變得複雜：網路未知並且必須被爬行，甚至高性能分類器提供對組比例的偏差估計。我們建議並評估AdjustedWalk以解決此問題。這是一個三步過程，它包括：1）從任意節點開始走圖; 2）在walk中的節點上學習分類器; 3）對分類標籤進行事後調整。步行步驟提供在節點和邊上進行推斷所必需的信息，而調整步驟在估計組比例時校正分類器偏差。該過程以額外方差為代價提供去偏差估計。我們在四個任務上評估AdjustedWalk：屬於少數群體的節點比例，高度節點中少數群體的比例，群內邊的比例，以及Coleman的同質性指數。模擬和經驗圖表顯示，與各種情況下的最佳基線相比，此程序表現良好，同時表明低回憶分類器的方差增加可能很大。

在沒有排序或集聚經濟的情況下提高規模報酬

原文標題： Increasing returns to scale without sorting or agglomeration economies

地址： http://arxiv.org/abs/1807.09424

作者： Andres Gomez-Lievano, Vladislav Vysotsky, Jose Lobo

摘要：我們表明，在沒有任何類型的分類或聚集效應的情況下，系統的，可預測的和可測量的方式可以人為地出現增加規模報酬（IRS）現象。這與零假設缺乏IRS的慣例相矛盾。我們表明，當對數生產率的方差與樣本中最小觀察的對數大小具有相同的數量級時，零假設應該是IRS的存在。我們的分析結果通過模擬和適用於哥倫比亞各城市工資的實際數據得到驗證。這種效應可能會掩蓋實際尺寸生產力溢價，我們提供了一種統計測試方法。

用於研究社交媒體中極化政治事件的用戶建模流程

原文標題： A User Modeling Pipeline for Studying Polarized Political Events in Social Media

地址： http://arxiv.org/abs/1807.09459

作者： Roberto Napoli, Ali Mert Ertugrul, Alessandro Bozzon, Marco Brambilla

摘要：本文介紹了一個用戶建模管道，用於分析社交媒體上關於兩極化政治事件（例如公共民意調查）的討論和意見。該管道採用四步法。首先，抓取社交媒體帖子和用戶元數據。其次，應用過濾機制來過濾垃圾郵件發送者和殭屍程序用戶。作為第三步，從有效用戶中提取人口統計信息，即性別，年齡，種族和位置信息。最後，預測用戶關於分析事件的政治極性。在這項工作的範圍內，我們提出的管道適用於兩個公民投票情景（西班牙加泰羅尼亞獨立和義大利倫巴第自治），以評估該方法在收集人口統計數據正確見解方面的表現。社交媒體用戶和基於用戶共享的意見預測民意調查結果。實驗表明，該方法可有效預測加泰羅尼亞案的政治趨勢，但不適用於倫巴第案。在各種動機中，我們注意到一般來說Twitter反對公民投票的用戶比支持投票的用戶更具代表性。

使用SVD和k-means增強社會網路中事件檢測的關鍵字關聯：Twitter案例研究

原文標題： Enhancing keyword correlation for event detection in social networks using SVD and k-means: Twitter case study

地址： http://arxiv.org/abs/1807.09561

作者： Ahmad Hany Hossny, Terry Moschou, Grant Osborne, Lewis Mitchell, Nick Lothian

摘要：由於內容的嘈雜性和所使用的大多數單詞的微弱信號，從推文中提取文本特徵是一個具有挑戰性的過程。在本文中，我們提出使用奇異值分解（SVD）和聚類來增強推文中文本特徵的信號，以改善與事件的相關性。所提出的技術將SVD應用於每個特徵的時間序列向量，以對特徵/日計數矩陣進行因式分解，以確保特徵向量的獨立性。然後，應用k-means聚類來構建查找表，該查找表將每個聚類的成員映射到聚類中心。查找表用於將原始數據中的每個特徵映射到其集群的質心，然後我們計算每個集群中所有特徵的術語頻率向量與集群質心的術語 - 頻率向量之和。為了測試該技術，我們在將簇成員的矢量與質心矢量相加之前和之後計算了簇質心與黃金標準記錄（GSR）矢量的相關性。該方法適用於多種相關技術，包括Pearson，Spearman，距離相關和Kendal Tao。實驗還考慮了特徵的不同單詞形式和長度，包括關鍵詞，n-gram，skip-gram和詞袋。隨著最高相關分數從0.3增加到0.6，相關結果顯著增強，平均相關分數從0.3增加到0.4。

利用擾動和合併在現實世界網路中識別有影響力的傳播者

原文標題： Perturb and Combine to Identify Influential Spreaders in Real-World Networks

地址： http://arxiv.org/abs/1807.09586

作者： Antoine J.-P. Tixier, Maria-Evgenia G. Rossi, Fragkiskos D. Malliaros, Jesse Read, Michalis Vazirgiannis

摘要：最近的研究表明，圖簡併演算法將網路分解為尺寸減小和密度增加的嵌套子圖層次，在檢測網路中良好的擴展器方面非常有效。然而，還已知圖的基於簡併的分解對於網路結構的小擾動是不穩定的。在機器學習中，通過使用諸如裝袋（引導聚合）之類的Perturb和組合（P＆C）策略，可以極大地改善不穩定分類和回歸方法（例如完全成長的決策樹）的性能。因此，我們提出了網路的P＆C程序，其中：（1）創建給定圖的許多擾動版本，（2）將節點評分函數分別應用於每個圖（例如基於簡併的圖），以及（3）組合結果。我們在識別大型社會網路中有影響力的傳播者以及小詞共現網路中有影響力的詞（關鍵詞）的任務上進行實際的實驗。我們使用k-core，廣義k-core和PageRank演算法作為頂點評分函數。在每種情況下，與使用在原始圖表上計算的分數相比，使用聚合分數帶來顯著改進。最後，偏差 - 方差分析表明我們的P＆C程序主要通過減少偏差來工作，因此，它應該能夠改善所有頂點評分函數的性能，而不僅僅是不穩定的函數。

非回溯循環拓撲視角的圖距離

原文標題： Graph Distance from the Topological View of Non-backtracking Cycles

地址： http://arxiv.org/abs/1807.09592

作者： Leo Torres, Pablo Suarez-Serrato, Tina Eliassi-Rad

摘要：無論是相互比較網路還是隨機期望，測量不相似性對於理解研究中的複雜現象至關重要。然而，確定網路之間的結構差異是一個定義不明確的問題，因為沒有規範的方法來比較兩個網路。實際上，許多現有的網路比較方法在啟發式，效率，可解釋性和理論上的完整性方面存在差異。因此，具有基於理論上穩健的第一原理並且可以在複雜網路中普遍存在的特徵解釋的距離概念將允許在不同網路之間進行有意義的比較。在這裡，我們基於代數拓撲中的「長度譜」函數引入理論上合理且有效的圖距離新度量，其通過考慮它們的非回溯周期來比較兩個無向，未加權圖的結構。我們通過所謂的非回溯矩陣的特徵值的行為來展示該距離如何與諸如輪轂和三角形的存在之類的結構特徵相關，並且我們展示了其在實際和合成數據集中區分網路的能力。通過對非回溯周期的拓撲解釋，這項工作提出了拓撲數據分析在複雜網路研究中的新應用。

有上下文的隨機塊模型

原文標題： Contextual Stochastic Block Models

地址： http://arxiv.org/abs/1807.09596

作者： Yash Deshpande, Andrea Montanari, Elchanan Mossel, Subhabrata Sen

摘要：我們提供了第一個資訊理論緊密分析推斷潛在社區結構給出一個稀疏圖與高維節點協變數，與相同的潛在社區相關聯。我們的工作在沒有節點協變數的潛在社區結構檢測方面的最新理論突破和使用多種啟發式方法將節點協變數與推斷圖組合的大量實證工作之間架起了橋樑。我們分析的緊密性特別暗示了將不同信息來源結合起來的資訊理論必要性。我們的分析適用於大度網路以及模型的高斯版本。

三種超圖特徵向量中心性

原文標題： Three hypergraph eigenvector centralities

地址： http://arxiv.org/abs/1807.09644

作者： Austin R. Benson

摘要：特徵向量中心性是一種標準的網路分析工具，用於確定由圖表示的連接系統中實體的重要性（或排名）。然而，許多複雜的系統和數據集具有自然的多向交互，更通過超圖更加忠實地建模。在這裡，我們將圖特徵向量中心性的概念擴展到均勻超圖。傳統的圖特徵向量中心性由鄰接矩陣的正特徵向量給出，其在一些溫和條件下保證由Perron-Frobenius定理存在。超圖的自然表示是超矩陣（通俗地說，是張量）。使用最近建立的Perron-Frobenius理論進行張量，我們開發了超圖的三個張量特徵向量中心，每個都有不同的解釋。我們通過分析由n-gram頻率構建的超圖，堆棧交換上的共同標記以及在患者急診室訪問中觀察到的藥物組合，顯示這些中心可以揭示關於真實世界數據的不同信息。

語言中帶上情緒會讓你感覺更好嗎？從在線數據中測量情緒的分鐘級動態

原文標題： Does putting your emotions into words make you feel better? Measuring the minute-scale dynamics of emotions from online data

地址： http://arxiv.org/abs/1807.09725

作者： Rui Fan, Ali Varamesh, Onur Varol, Alexander Barron, Ingrid van de Leemput, Marten Scheffer, Johan Bollen

摘要：對情感標記的研究，即將你的感受置於文字中，表明它可以減弱積極和消極情緒。在這裡，我們通過分析他們明確報告強烈情緒之前和之後的情感內容，跟蹤成千上萬Twitter用戶的個人情緒演變。我們的結果揭示了情緒及其表達如何在一分鐘的時間解析度上演變。雖然積極情緒的表達之前是正價的短暫而急劇的增加，然後是短暫的衰退到正常水平，但負面情緒的積累速度更慢，接著是先前水平的急劇逆轉，與先前的減弱效果的發現相匹配。影響標籤。我們估計，從發作到消逝，正面和負面情緒持續約1.25和1.5小時。對男性和女性受試者進行的單獨分析表明，情緒動態可能存在性別差異。

容易被錯誤的信息影響？去核查！

原文標題： Vulnerable to Misinformation? Verifi!

地址： http://arxiv.org/abs/1807.09739

作者： Alireza Karduni, Isaac Cho, Ryan Wesslen, Sashank Santhanam, Svitlana Volkova, Dustin Arendt, Samira Shaikh, Wenwen Dou

摘要：我們提供Verifi2，一個可視化分析系統，支持調查社交媒體上的錯誤信息。一方面，社交媒體平台通過民主化信息共享來賦予個人和組織權力。另一方面，即使是消息靈通且經驗豐富的社交媒體用戶也容易受到錯誤信息的影響。為了解決這個問題，從多個學科出現了各種模型和研究來檢測和理解錯誤信息的影響。但是，仍然缺乏直觀且易於使用的工具，可幫助社交媒體用戶區分錯誤信息和經過驗證的新聞。在本文中，我們介紹了Verifi2，這是一個可視化分析系統，它使用最先進的計算方法來突出文本，社會網路和圖像的顯著特徵。通過在Verifi2中通過多個協調視圖在源級別上探索新聞，用戶可以與表徵錯誤信息的複雜維度進行交互，並對比真實和可疑新聞媒體在這些維度上的不同之處。為了評估Verifi2，我們採訪了數字媒體，新聞，教育，心理學和計算方面的專家，他們研究錯誤信息。我們的採訪顯示Verifi2有可能成為錯誤信息的教育工具。此外，我們的訪談結果突出了打擊錯誤信息問題的複雜性，並要求可視化社區開展更多工作。

聲明：Arxiv文章摘要版權歸論文原作者所有，由本人進行翻譯整理，未經同意請勿隨意轉載。本系列在微信公眾號「網路科學研究速遞」（微信號netsci）和個人博客 https://www.complexly.me （提供RSS訂閱）進行同步更新。