- 世界烹饪演变的计算模型;
- 识别复杂网络的内在长程度相关性;
- 基于层间相似性的多路网络链路预测;
- 释放支付渠道：量化闪电网络对基于拓扑的攻击的抵御能力;
- 政府立法部门极化的演变;
- 用于社会推荐的神经影响扩散模型;
世界烹饪演变的计算模型
原文标题： Computational models for the evolution of world cuisines
地址： http://arxiv.org/abs/1904.10138
作者： Rudraksh Tuwani, Nutan Sahoo, Navjot Singh, Ganesh Bagler
摘要： 烹饪是一项独特的努力，是我们文化认同的核心。在不同社会文化因素（包括地理，气候和遗传影响）的复杂相互作用的背景下，世界各地的烹饪系统已经发展了一段时间。数据驱动的调查可以为烹饪的结构和组织原则提供有趣的见解。在这里，我们使用来自全球25个地理文化区域的158544个食谱的综合全套目录来调查成分及其类别使用的统计模式。此外，我们开发了美食演化的计算模型。我们的分析揭示了复制突变作为烹饪演化的合理机制。随着世界应对与饮食相关的疾病的挑战，对烹饪演化的关键决定因素的了解可以推动创造新的食谱生成算法，旨在用于改善营养和健康的饮食干预。
识别复杂网络的内在长程度相关性
原文标题： Identification of intrinsic long-range degree correlations in complex networks
地址： http://arxiv.org/abs/1904.10148
作者： Yuka Fujiki, Kousuke Yakubo
摘要： 许多现实世界的网络表现出由多个步骤分隔的节点之间的度数相关性。这样的长程度相关（LRDC）可以通过关于两个随机选择的节点的度数和它们之间的最短路径距离的一个联合和四个条件概率分布来充分描述。虽然LRDC由相邻节点之间的最近邻度相关（NNDC）诱导，但是一些网络具有不能由NNDC生成的内在LRDC。在这里，我们开发了一种方法，通过比较给定网络的概率分布与最近邻相关随机网络的概率分布，在相关网络中提取内在LRDC。我们还通过将其应用于多个真实网络来演示我们方法的实用性。
基于层间相似性的多路网络链路预测
原文标题： Link Prediction in Multiplex Networks based on Interlayer Similarity
地址： http://arxiv.org/abs/1904.10169
作者： Shaghayegh Najari, Mostafa Salehi, Vahid Ranjbar, Mahdi Jalili
摘要： 一些联网系统可以通过多层结构更好地建模，其中各个节点在多个层中建立关系。跨层具有类似节点的多层网络也称为多路网络。该手稿提出了一种用于预测多路网络中即将发生或缺失的链路的新颖框架。多路网络中的链路预测问题是如何预测其中一个层中的链路，同时考虑其他层的结构信息。所提出的链路预测框架基于从考虑链路预测的层提取的层间相似性和基于邻近度的特征。为此，考虑了常用的基于邻近度的特征，例如Adamic-Adar和Jaccard Coefficient。最初提出用于预测单层网络中缺失链路的这些特征不需要学习，因此易于计算。所提出的方法引入了系统方法以考虑链路预测目的的层间相似性。在合成和真实多路网络上的实验结果揭示了所提出方法的有效性，并且显示出其优于为多路网络中的链路预测问题提出的现有算法的优越性能。
释放支付渠道：量化闪电网络对基于拓扑的攻击的抵御能力
原文标题： Discharged Payment Channels: Quantifying the Lightning Network's Resilience to Topology-Based Attacks
地址： http://arxiv.org/abs/1904.10253
作者： Elias Rohrer, Julian Malliaris, Florian Tschorsch
摘要： 闪电网络是迄今为止使用最广泛的支付通道网络（PCN），使其成为对手的一个有吸引力的攻击面。在本文中，我们分析了Lightning Network的PCN拓扑结构，并研究了它对随机故障和目标攻击的恢复能力。特别是，我们介绍了信道耗尽和节点隔离攻击的概念，并表明闪电网络容易受到这些攻击。在初步分析中，我们确认Lightning Network可以归类为小世界和无标度网络。基于这些发现，我们针对目标攻击制定了一系列策略，并引入了一些指标，使我们能够量化对手的优势。我们的结果表明，能够删除一定数量节点的攻击者应遵循基于中心的策略，而以高效率为目标的资源有限的攻击者应采用排名最高的最小削减策略。
政府立法部门极化的演变
原文标题： The evolution of polarization in the legislative branch of government
地址： http://arxiv.org/abs/1904.10317
作者： Xiaoyan Lu, Jianxi Gao, Boleslaw K. Szymanski
摘要： 按照他们的投票记录衡量的美国立法机构成员之间政治观点的两极化程度今天比三十年前更大。以前的研究工作找到了这种增加的原因已经提出了各种各样的贡献者，如在线媒体的增长，回声室效应，媒体偏见或虚假信息传播。然而，我们缺乏理论工具来理解，量化和预测选民及其立法者之间高度政治两极分化的出现。在这里，我们分析了过去六十年美国国会中数百万次唱名表决。我们的分析揭示了从1980年代末开始的极化模式的关键变化。在早些时候，每个国会内部的两极分化往往会随着时间的推移而减少相比之下，在最近几十年中，极化可能在每个学期内增长。为了揭示这种变化的原因，我们在这里介绍了竞争动态的正式模型，以量化美国政府立法部门中两极分化模式的演变。我们的模型代表了极化的动态，使我们能够成功地预测过去六十年中选出的30个美国大会中的28个的极化变化方向。通过Rice指数测量的极化水平的演变，我们的模型提取了一个隐藏参数 - 极化效用，它决定了极化演化的收敛点。该模型所暗示的极化效用的增加与当前的两种趋势密切相关：选民的两极分化日益加剧以及竞选活动资助者的影响力日益增强。模型极化效用的两个最大峰值与同时发生的重大政治或立法变化相关。
用于社会推荐的神经影响扩散模型
原文标题： A Neural Influence Diffusion Model for Social Recommendation
地址： http://arxiv.org/abs/1904.10322
作者： Le Wu, Peijie Sun, Yanjie Fu, Richang Hong, Xiting Wang, Meng Wang
摘要： 精确的用户和项目嵌入学习是构建成功的推荐系统的关键。传统上，协同过滤（CF）提供了一种从用户 - 项目交互历史中学习用户和项目嵌入的方法。但是，由于用户行为数据的稀疏性，性能受到限制。随着在线社会网络的出现，已经提出社交推荐系统利用每个用户的本地邻居的偏好来减轻数据稀疏性以便更好地进行用户嵌入建模。我们认为，对于社交平台的每个用户，她的潜在嵌入受到其受信任用户的影响。随着社交影响在社会网络中递归地传播和扩散，每个用户的兴趣在递归过程中改变。然而，当前的社交推荐模型通过利用每个用户的本地邻居简单地开发静态模型而不模拟全局社会网络中的递归扩散，导致不理想的推荐性能。在本文中，我们提出了一个深度影响传播模型，以刺激用户如何受社会推荐的递归社会扩散过程的影响。对于每个用户，扩散过程开始于融合相关特征的初始嵌入和捕获潜在行为偏好的免费用户潜在向量。我们提出的模型的关键思想是我们设计一个分层影响传播结构，以模拟用户的潜在嵌入随着社会扩散过程的继续发展。我们进一步表明，我们提出的模型是通用的，并且可以在用户〜（项目）属性或社会网络结构不可用时应用。最后，对两个真实数据集的广泛实验结果清楚地显示了我们提出的模型的有效性，与最佳基线相比，性能提高了13％以上。
声明：Arxiv文章摘要版权归论文原作者所有，由本人进行翻译整理，未经同意请勿随意转载。本系列在微信公众号“网络科学研究速递”（微信号netsci）和个人博客 https://www.complexly.me （提供RSS订阅）进行同步更新。
网友评论