- 动态网络中的自适应社区搜索;
- 用低资源语言检测社交媒体操纵;
- 衡量欧洲和美国COVID-19死亡率的巨大突然变化;
- 描述在线社会网络中用户动态的基本方程的闭式解;
- 基于自发对称破缺概念的在线社会网络极化模型;
- 考虑外部刺激共鸣的在线社会网络中火红现象的新模型;
- 通过社交媒体进行实时知识聚合，在快速流行信息传播中面临的挑战和机遇;
- 使用贝叶斯信息融合技术从众包Waze数据中检测紧急事件;
- Intentonomy：一个数据集和对人类意图理解的研究;
- UTLDR：基于主体的框架，用于对传染病和公共干预进行建模;
- 迈向以边为中心的网络嵌入;
- 解读芝加哥COVID-19大流行期间犯罪趋势中社区层面的变化;
- 科学期刊中出版物数量的重尾分布;
- 在Instagram上表征和检测赞助的网红文章;
- 人群在反制错误信息中的作用：以COVID-19信息流行病为例;
- 在不理解网络微观结构的情况下影响社会网络的动态;
- 平衡选民模型中保守和破坏性的增长;
- 小调查事件检测;
- 将OpenStreetMap与知识图谱链接-对与模式无关的自愿性地理信息的链接发现;
- Twitter情绪曲线模型;
动态网络中的自适应社区搜索
原文标题： Adaptive Community Search in Dynamic Networks
地址： http://arxiv.org/abs/2011.05353
作者： Ioanna Tsalouchidou, Francesco Bonchi, Ricardo Baeza-Yates
摘要： 社区搜索是一个经过充分研究的问题，给定一个静态图和一组顶点查询，就需要找到一个包含查询顶点的内聚（或密集）子图。在本文中，我们研究了时间动态网络中的社区搜索问题。我们适应时间设置 emph network inefficiency的概念，该概念基于解决方案中所有顶点之间的成对最短路径距离。为此，我们定义 emph 最短路径路径距离：由用户定义的参数控制的时空维度的线性组合。因此，我们定义了 textsc 最小时间效率子图问题，并证明它是 NPhard。我们开发了一种算法，该算法利用了将时态网络仔细转换为静态有向图和加权图的方法，以及一些最新的近似算法来查找最小有向Steiner树。最后，我们将框架概括为流式设置，在该流式设置中，含时图的新快照持续不断到达，并且我们的目标是为含时图的滑动时间窗口对应的社区提供搜索解决方案。
用低资源语言检测社交媒体操纵
原文标题： Detecting Social Media Manipulation in Low-Resource Languages
地址： http://arxiv.org/abs/2011.05367
作者： Samar Haider, Luca Luceri, Ashok Deb, Adam Badawy, Nanyun Peng, Emilio Ferrara
摘要： 社交媒体被故意用于恶意目的，包括政治操纵和虚假信息。大多数研究都集中在高资源语言上。但是，恶意行为者会在各个国家和语言（包括资源匮乏的语言）之间共享内容。在这里，我们调查在资源匮乏的语言环境中是否可以检测到恶意行为者，以及在何种程度上可以检测到恶意行为者。我们发现，在2016年美国总统大选后，Twitter镇压了干扰行动，这是他在他加禄语中发布的大量帐户被暂停的原因。通过结合文本嵌入和迁移学习，我们的框架可以以有希望的准确性检测在Tagalog中发帖的恶意用户，而无需事先理解或培训使用该语言的恶意内容。我们首先分别学习每种语言的嵌入模型，即高资源语言（英语）和低资源语言（塔加洛语）。然后，我们学习两个潜在空间之间的映射以转移检测模型。我们证明了所提出的方法大大优于包括BERT在内的最新模型，并且在训练数据非常有限的环境中（在处理检测在线平台中的恶意行为时的规范）设置具有明显的优势。
衡量欧洲和美国COVID-19死亡率的巨大突然变化
原文标题： Large sudden change measured in European and US COVID-19 death rates
地址： http://arxiv.org/abs/2011.05368
作者： Frank Van Bussel
摘要： 通过将Covid-19传播的隔室ODE模型拟合到美国各州和欧洲国家的累积病例和死亡数据，我们发现在美国大部分地区，病例死亡率似乎降低了至少80％，而至少90％在欧洲大部分地区。这些变化比实证研究中所报告的变化更大，更快，例如，从2020年3月至2020年8月，纽约市医院系统的道德下降了18％[1]。令人惊讶的是，我们报告的下降与其他模型参数（例如接触率）或其他标准州/国家指标（例如人口密度，GDP和年龄中位数）没有强相关性。几乎所有减少量都发生在4月中旬至6月中旬之间，这出乎意料地与释放许多州和国家的禁区导致新病例激增的时间相对应。研究了造成这种下降的几种可能原因，例如治疗方法的改善，戴口罩，出现新的病毒株以及感染患者的人口统计可能发生变化，但鉴于目前可获得的证据，没有任何一种方法令人信服。
描述在线社会网络中用户动态的基本方程的闭式解
原文标题： Closed-Form Solutions of the Fundamental Equation That Describes User Dynamics in Online Social Networks
地址： http://arxiv.org/abs/2011.05391
作者： T. Ikeya, Masaki Aida
摘要： 基于网络波动方程的振荡模型可以描述在线社会网络中的用户动态。用户动态的基本方程式可以引入到振荡模型中，以明确描述某些特定网络结构产生的用户动态的因果关系。此外，考虑到在线社会网络的稀疏性，设计了一种新的基本形式的基本方程。在本文中，我们导出了新的基本方程的闭式解。此外，我们发现新的基本方程的闭合形式解可以生成原始波动方程的一般解。
基于自发对称破缺概念的在线社会网络极化模型
原文标题： Polarization Model of Online Social Networks Based on the Concept of Spontaneous Symmetry Breaking
地址： http://arxiv.org/abs/2011.05393
作者： Masaki Aida, Ayako Hashizume, Chisa Takano, Masayuki Murata
摘要： 信息网络的普及不仅使人们更容易访问各种信息源，而且大大增强了个人传播信息的能力。但是，不幸的是，在线社会网络中的诽谤问题表明，不断发展的信息网络环境不一定支持社会上的相互理解。由于带有特定偏见的信息仅分发给喜欢它的社区，因此加强了将社会划分为各个对立的群体的能力。这种现象称为极化。有必要理解极化的机制，以建立可以对抗极化的技术。本文介绍了一种基于自发对称破坏概念的理解极化的基本模型。我们的出发点是描述在线社会网络中用户动态的振荡模型。
考虑外部刺激共鸣的在线社会网络中火红现象的新模型
原文标题： A New Model of Flaming Phenomena in Online Social Networks that Considers Resonance Driven by External Stimuli
地址： http://arxiv.org/abs/2011.05404
作者： Tomoya Kinoshita, Masaki Aida
摘要： 在线社会网络中以火焰状现象为代表的爆炸性用户动态有时可能会对现实生活产生负面影响。为了及时采取措施防止在线燃烧现象，有必要对其定义特征进行建模。基于描述网络上用户动态的振荡模型，先前的工作表明，当表示网络结构的矩阵的某些特征值是非实数时，就会出现在线燃烧。本文考虑了由周期性外部刺激驱动的网络共振，并提出了一个燃烧模型，即使所有矩阵的本征值都是实数，该模型也可以燃烧。此外，我们描述了一种观察在线燃烧预兆以触发预防措施的理论框架。
通过社交媒体进行实时知识聚合，在快速流行信息传播中面临的挑战和机遇
原文标题： Challenges and Opportunities in Rapid Epidemic Information Propagation with Live Knowledge Aggregation from Social Media
地址： http://arxiv.org/abs/2011.05416
作者： Calton Pu, Abhijit Suprem, Rodrigo Alves Lima
摘要： 由于AI / ML模型不可预测，因此迅速发展的形势（例如COVID-19大流行）是AI / ML模型的重大挑战。大流行蔓延的最可靠指标是测试呈阳性的病例数。但是，测试既不完整（由于未测试的无症状病例），也很晚（由于与初始接触事件之间的滞后，症状恶化和测试结果）。社交媒体可以通过更快，更高的覆盖率来补充物理测试数据，但它们却面临着另一个挑战：大量的噪音，错误信息和虚假信息。我们相信，只要满足两个条件，社交媒体就可以成为大流行的良好指标。第一个（真正的新颖性）是从无法预测的情况中刻画新的，以前未知的信息。第二个（事实与虚构）是可证实事实与错误信息和虚假信息的区别。满足这两个条件的社交媒体信息称为实时知识。我们将基于证据的知识获取（EBKA）方法用于通过社交媒体资源与权威资源的集成来收集，过滤和更新实时知识。尽管数量有限，但是来自权威来源的可靠培训数据可以过滤错误信息并刻画真正的新信息。我们描述了实现EBKA的EDNA / LITMUS工具，将Twitter和Facebook等社交媒体与WHO和CDC等权威资源集成在一起，创建和更新了有关COVID-19大流行的实时知识。
使用贝叶斯信息融合技术从众包Waze数据中检测紧急事件
原文标题： Emergency Incident Detection from Crowdsourced Waze Data using Bayesian Information Fusion
地址： http://arxiv.org/abs/2011.05440
作者： Yasas Senarath, Saideep Nannapaneni, Hemant Purohit, Abhishek Dubey
摘要： 这些年来，随着城市化进程的发展，紧急事件的数量有所增加。这种模式使有限的资源使紧急服务不堪重负，需要优化响应流程。这部分是由于传统的应急服务的“反应式”方法来收集有关事件的数据，在这种情况下，源将呼叫紧急号码（例如美国的911），从而延迟并限制了潜在的最佳响应。 Waze之类的众包平台为开发快速，“主动”的方法提供了机会，可通过众包生成的观察报告收集有关事件的数据。但是，报告来源的可靠性和所报告事件的时空不确定性对这种主动方法的设计提出了挑战。因此，本文提出了一种使用嘈杂的众包Waze数据进行紧急事件检测的新方法。我们提出了一种基于贝叶斯理论的有原则的计算框架，用于对人群生成的报告的可靠性及其跨时空和时间事件检测的集成的不确定性进行建模。使用从Waze收集的数据以及美国田纳西州纳什维尔的官方报道的事件进行的广泛实验表明，我们的方法可以胜过F1评分和AUC的强基准。这项工作的应用提供了一个可扩展的框架，可以合并不同的噪声数据源以进行主动的事件检测，从而改善和优化我们社区中的应急响应操作。
Intentonomy：一个数据集和对人类意图理解的研究
原文标题： Intentonomy: a Dataset and Study towards Human Intent Understanding
地址： http://arxiv.org/abs/2011.05558
作者： Menglin Jia, Zuxuan Wu, Austin Reiter, Claire Cardie, Serge Belongie, Ser-Nam Lim
摘要： 一幅图像价值一千个单词，传达的信息超出了其中的视觉内容。在本文中，我们研究了社交媒体图像背后的意图，旨在分析视觉信息如何促进人们对意图的识别。为了实现这一目标，我们引入了一个意图数据集Intentonomy，该数据集包含涵盖各种日常场景的14K图像。这些图像用28种意向类别手动注释，这些意向类别来自社会心理学分类法。然后，我们系统地研究常用的视觉信息（即对象和上下文）是否以及在多大程度上有助于人类的动机理解。根据我们的发现，我们进行了进一步的研究，以量化在训练意图分类器时参加对象和上下文分类以及以标签形式的文本信息的影响。我们的研究结果定量和定性地揭示了视觉和文本信息在预测意图时如何产生可观察的效果。
UTLDR：基于主体的框架，用于对传染病和公共干预进行建模
原文标题： UTLDR: an agent-based framework for modeling infectious diseases and public interventions
地址： http://arxiv.org/abs/2011.05606
作者： Giulio Rossetti, Letizia Milli, Salvatore Citraro, Virginia Morini
摘要： 如今，由于SARS-CoV-2大流行，流行病建模越来越受到来自不同研究领域的研究人员的关注。确实，关于计算流行病学的大量文献为分析研究和针对预测性和描述性情景描述的新颖模型的定义提供了坚实的基础。为了简化对扩散建模的访问，在过去的十年中，已经提出了几种编程库和工具：但是，就我们所知，没有一个明确地设计为允许其用户将公共干预集成到他们的模型中。在这项工作中，我们介绍了UTLDR，该框架可以模拟几种公共干预措施（及其组合）对流行过程的发展的影响。 UTLDR支持逐步设计隔离模型并通过复杂的交互网络拓扑对其进行仿真。此外，它允许整合有关分析人群的外部信息（例如年龄，性别，地理分配和流动性模式点），并使用它来对设计模型进行分层和完善。引入框架后，我们提供一些案例研究来强调其灵活性和表达能力。
迈向以边为中心的网络嵌入
原文标题： Toward Edge-Centric Network Embeddings
地址： http://arxiv.org/abs/2011.05650
作者： Giuseppe Pirrò
摘要： 现有的网络嵌入方法解决了学习低维节点表示的问题。但是，还可以从边互连节点对的边看到网络。本文的主要目标是介绍以边为中心的网络嵌入。我们提出了一种称为ECNE的方法，该方法代替直接计算节点嵌入，而是通过依赖线图的概念结合边加权机制来计算边嵌入，以保留线图中原始图的动态。我们还提出了一种称为ECNE-LP的链路预测框架，该框架给出了目标链接（u，v），该链接首先收集节点u和v之间的路径，然后将边直接嵌入这些路径中，最后将它们汇总以预测a的存在链接。我们证明，ECNE和ECNE-LP都能为最新技术带来好处。
解读芝加哥COVID-19大流行期间犯罪趋势中社区层面的变化
原文标题： Disentangling Community-level Changes in Crime Trends During the COVID-19 Pandemic in Chicago
地址： http://arxiv.org/abs/2011.05658
作者： Gian Maria Campedelli, Serena Favarin, Alberto Aziani, Alex R. Piquero
摘要： 利用城市级时间序列进行的最新研究表明，在世界各地实施COVID-19围堵政策后，几起犯罪案件有所减少。这项工作使用芝加哥社区一级的数据，旨在加深我们对公共干预如何在更精细的空间范围内影响犯罪活动的理解。该分析依赖于两步法。首先，它估计了芝加哥通过结构贝叶斯时间序列对四种犯罪类别（即爆窃，殴打，与毒品有关的犯罪和抢劫）采用的社会疏远和就地安置政策对社区的因果影响。一旦模型检测到趋势变化的方向，幅度和显著性，就可以使用Firth的Logistic回归来调查与分析第一步中发现的具有统计意义的犯罪率下降相关的因素。统计结果首先表明，犯罪趋势的变化因社区和犯罪类型而异。这表明，除了汇总模型的结果之外，还存在着以发散模式为特征的复杂画面。其次，回归模型在与重大犯罪减少相关的相关因素上提供了混合的发现：跨犯罪的几种关系具有相反的方向，人口是与重大犯罪稳定和积极相关的唯一因素。
科学期刊中出版物数量的重尾分布
原文标题： Heavy-tailed distribution of the number of publications within scientific journals
地址： http://arxiv.org/abs/2011.05703
作者： Robin Delabays, Melvyn Tyloo
摘要： 科学家社区的特点是他们需要在同行评审的期刊上发表文章，以避开著名格言的“灭亡”一面。因此，几乎所有研究人员都撰写了一些科学文章。学术出版物至少代表了对作为社会团体的科学界进行研究的两个好处。首先，他们证明了科学家之间某种形式的关系（合作，指导，遗产等等），对确定和分析社会群体很有帮助。其次，它们中的大多数记录在大型数据库中，易于访问，并且包含许多相关信息，从而简化了科学界的定量和定性研究。除了从社会科学的观点出发，理解推动知识发展的基本动力，尤其是科学出版物的发展，可以通过识别科学的好坏做法，有助于保持高水平的研究。 。在本手稿中，我们试图通过对同行评审期刊中出版物的统计分析来增进这种理解。即，我们表明作者在给定期刊上发表的文章数量分布是重尾的，但其尾部比幂定律轻。此外，我们在数据中观察到一些异常现象，这些异常现象指出了学术出版过程的潜在动态。
在Instagram上表征和检测赞助的网红文章
原文标题： Characterising and Detecting Sponsored Influencer Posts on Instagram
地址： http://arxiv.org/abs/2011.05757
作者： Koosha Zarei, Damilola Ibosiola, Reza Farahbakhsh, Zafar Gilani, Kiran Garimella, Noel Crespi, Gareth Tyson
摘要： 近年来，出现了一种新的广告活动形式：涉及所谓的社交媒体影响者的那些活动。这些有影响力的人会接受金钱，以换取通过他们的社交媒体提要来推广产品。尽管这构成了一种新的有趣的营销形式，但它也引发了许多问题，尤其是与透明度和监管有关的问题。例如，有时可能不清楚哪些帐户是正式影响者，或者什至构成影响者/广告。这对于建立影响者的完整性并确保遵守广告法规非常重要。我们收集了涵盖数以千计的帐户广告产品的大规模Instagram数据集，并根据他们所覆盖的用户数量创建了一个分类。然后，我们对这些帐户宣传的产品类型，其潜在影响力以及从其关注者那里获得的参与度进行详细分析。根据我们的发现，我们训练机器学习模型以区分赞助内容和非赞助内容，并确定人们产生赞助帖子而没有正式标记它们的情况。我们的发现为理解未被充分研究的在线影响者空间迈出了第一步，这可能对研究人员，营销人员和决策者有用。
人群在反制错误信息中的作用：以COVID-19信息流行病为例
原文标题： The Role of the Crowd in Countering Misinformation: A Case Study of the COVID-19 Infodemic
地址： http://arxiv.org/abs/2011.05773
作者： Nicholas Micallef, Bing He, Srijan Kumar, Mustaque Ahamad, Nasir Memon
摘要： 专业人士的事实检查被视为抵制错误信息的重要防御手段。虽然事实检查很重要且影响很大，但事实检查的可见度可能有限，可能无法到达目标受众，例如深陷两极分化社区的人。在出现错误信息的平台上使用的相关公民（即人群）可以在传播事实检查信息和应对错误信息的传播方面发挥关键作用。为了探讨这种情况，我们在Twitter平台上进行了数据驱动的错误信息研究，重点研究了与COVID-19大流行相关的推文，分析了错误信息的传播，专业事实检查以及人群对流行误导的反应关于COVID-19的声明。在这项工作中，我们整理了一组旨在挑战或反驳它们的虚假声明和陈述的数据集。我们训练了一个分类器来创建155468个与COVID-19相关的推文的新数据集，其中包含33237个虚假声明和33413个反驳论点。我们的发现表明，专业事实核查推文的数量和范围有限。相反，我们观察到错误信息推文的激增会导致快速响应，并相应地增加了反驳此类错误信息的推文。更重要的是，我们在人群反驳推文的方式上发现了截然不同的差异，有些推文似乎是观点，而另一些则包含具体证据，例如与知名来源的链接。我们的工作提供了一些见解，以理解一些用户如何在社交平台中有机地对付错误信息，以及他们在扩大专业事实检查中所扮演的角色，这些见解可能会导致开发工具和机制，从而可以使有关公民有能力打击错误信息。可以在此http URL中找到代码和数据
在不理解网络微观结构的情况下影响社会网络的动态
原文标题： Influencing dynamics on social networks without knowledge of network microstructure
地址： http://arxiv.org/abs/2011.05774
作者： Matthew Garrod, Nick S. Jones
摘要： 基于社会网络的信息活动可用于促进有益的健康行为和缓解两极分化（例如，有关气候变化或疫苗的问题）。基于网络的干预策略通常依赖于对网络结构的全面理解。由于可用性和隐私问题，在很大程度上不可能或不希望获得人口级别的社会网络数据。获得有关个人属性（例如年龄，收入）的信息更容易，这些信息共同提供了个人的观点及其社会网络位置。使用基于统计力学的观点形成模型，我们表明可以在不完全理解网络结构的情况下有效地影响网络动态。特别是，使用粗粒度网络数据，外部协变量和状态的点估计的影响策略都可以胜过基线模型。我们的工作提供了一种可扩展的方法来影响大图上的Ising系统，并在存在环境（社交）场的情况下首次探索Ising影响问题。通过利用强环境场可以简化网络动力学控制的观察，我们的发现为利用社会网络理论的见解进行公共宣传活动提供了可能性，而无需进行昂贵或侵入性的数据收集。
平衡选民模型中保守和破坏性的增长
原文标题： Balancing conservative and disruptive growth in the voter model
地址： http://arxiv.org/abs/2011.05780
作者： Robert J. H. Ross, Walter Fontana
摘要： 我们关注的是增长的实施方式如何决定不断增长的自组织过程中预期的状态变化数量。考虑到这个问题，我们在一个一维增长的格子上研究了投票者模型的两个版本。我们的主要结果断言，通过平衡增长的保守力和破坏力，无论增长率趋于零还是极限，在发现吸收状态之前状态变化的预期数量都是相同的。这些结果说明了增长如何控制自我组织的成本，因此与增长活性物质的物理学有关。
小调查事件检测
原文标题： Small Survey Event Detection
地址： http://arxiv.org/abs/2011.05801
作者： Debanjan Datta
摘要： 有关使用Twitter进行事件检测的小型调查。这项工作首先定义问题陈述，然后总结和整理不同的研究工作以解决问题。
将OpenStreetMap与知识图谱链接-对与模式无关的自愿性地理信息的链接发现
原文标题： Linking OpenStreetMap with Knowledge Graphs -- Link Discovery for Schema-Agnostic Volunteered Geographic Information
地址： http://arxiv.org/abs/2011.05841
作者： Nicolas Tempelmeier, Elena Demidova
摘要： 在诸如Wikidata和DBpedia之类的流行知识图中刻画的地理实体的表示形式通常是不完整的。 OpenStreetMap（OSM）是公开提供的自愿性地理信息的丰富来源，具有补充这些表示形式的巨大潜力。但是，知识图实体和OSM节点之间的身份链接仍然很少。由于缺少严格的架构以及OSM中用户定义的节点表示的异构性，因此在这些设置中的链接发现问题特别具有挑战性。在本文中，我们提出OSM2KG-一种新颖的链接发现方法，用于预测知识图中的OSM节点与地理实体之间的身份链接。 OSM2KG方法的核心是一种新颖的OSM节点潜在表示，它可以在嵌入中刻画语义节点的相似性。 OSM2KG采用这种潜在表示来训练监督模型进行链路预测，并利用OSM和知识图之间的现有链接进行训练。我们在多个OSM数据集以及Wikidata和DBpedia知识图中进行的实验表明，OSM2KG可以可靠地发现身份链接。 OSM2KG明显优于现有的基准和最新的链路发现方法，与性能最佳的基准相比，F1得分提高了22.45％。
Twitter情绪曲线模型
原文标题： A model for the Twitter sentiment curve
地址： http://arxiv.org/abs/2011.05933
作者： Giacomo Aletti, Irene Crimaldi, Fabio Saracco
摘要： 由于Twitter的消息简洁（特别适合政治口号）和消息的快速传播，因此它是最常用的政治通信在线平台之一。特别是当争论激起用户的情感时，Twitter上的内容将以极快的速度共享，因此，如果最重要的是研究推文情绪，以预测讨论的发展和相对叙述的记录。在本文中，我们提供了一个模型，该模型能够再现与特定主题和时期相关的推文情绪的动态，并根据观察到的过去对未来帖子的情绪进行预测。该模型是P 'olya缸的最新变体，在arXiv：1906.10951和arXiv：2010.06373中引入和研究，其特征在于“局部”增强，即主要基于最新观察结果的增强机制，预测平均值的随机持续波动。特别地，后一个特征能够刻画情绪曲线中的趋势波动。尽管建议的模型非常通用，并且也可以在其他情况下使用，但是它已在多个Twitter数据集上进行了测试，并且与标准的P'olya urn模型相比，具有更高的性能。此外，在不同数据集上的不同表现突出了对公共事件的不同情感敏感性。
声明：Arxiv文章摘要版权归论文原作者所有，机器翻译后由本人进行校正整理，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.cn （提供RSS订阅）进行同步更新。个性化论文阅读与推荐请访问 https://arxiv.complexly.cn 平台。
网友评论