- 系统比较在复杂网络中检测有影响力的传播者的方法;
- 深度表征学习用于社会网络分析;
- 一种快速有效的动态社区检测增量方法;
- node2bits：用于用户拼接的紧凑的时间和属性感知节点表示;
- 社会网络中失效的影响最大化;
- 维基百科文章中的社会争议;
- SEVA：电动汽车充电行为的数据驱动模型;
- 多语言社会网络文本表征方案过滤言语攻击的实证评价;
- 基于Copula的生成突发时间序列的算法;
- 通过表征学习实现影响最大化;
系统比较在复杂网络中检测有影响力的传播者的方法
原文标题： Systematic comparison between methods for the detection of influential spreaders in complex networks
地址： http://arxiv.org/abs/1904.08457
作者： Sirag Erkol, Claudio Castellano, Filippo Radicchi
摘要： 影响最大化是找到网络节点集合的问题，该节点集合最大化在网络上发生的扩散过程的爆发的大小。解决此问题对于营销和政治活动中的战略决策非常重要。典型设置包括识别非常大的网络中的小型初始传播者。此设置使得优化问题在计算上不可行，对于标准贪婪优化算法同时考虑有关网络拓扑和扩展动态的信息，仅基于依赖于网络几何的急剧近似的启发式方法留出空间。关于该主题的文献是大量纯粹的拓扑方法，用于识别网络中有影响的传播者。但是，尚不清楚这些方法在多大程度上不是最佳的。在这里，我们对多种启发式方法的性能进行系统测试，以识别有影响的传播者。我们量化了100个真实网络语料库中各种方法的性能;语料库由足够小的网络组成，用于应用贪婪优化，因此该算法的结果被用作分析同一网络语料库中其他方法的性能所需的基线。我们发现，相对简单的网络指标，如自适应度或接近度中心，能够实现非常接近基线值的性能，从而为在大规模问题设置中使用这些指标提供了良好的支持......
深度表征学习用于社会网络分析
原文标题： Deep Representation Learning for Social Network Analysis
地址： http://arxiv.org/abs/1904.08547
作者： Qiaoyu Tan, Ninghao Liu, Xia Hu
摘要： 社会网络分析是数据挖掘中的一个重要问题。分析社会网络的基本步骤是将网络数据编码成低维表示，即网络嵌入，以便可以有效地保留网络拓扑结构和其他属性信息。网络表示倾向有助于进一步的应用，例如分类，链路预测，异常检测和聚类。此外，基于深度神经网络的技术在过去几年中引起了极大的兴趣。在本次调查中，我们利用神经网络模型对网络表示学习中的当前文献进行了全面的回顾。首先，我们介绍了在同构网络中学习节点表示的基本模型。同时，我们还将介绍基础模型的一些扩展，以解决更复杂的场景，例如分析归因网络，异构网络和动态网络。然后，我们介绍嵌入子图的技术。之后，我们介绍了网络表示学习的应用。最后，我们讨论了未来工作的一些有希望的研究方向。
一种快速有效的动态社区检测增量方法
原文标题： A Fast and Efficient Incremental Approach toward Dynamic Community Detection
地址： http://arxiv.org/abs/1904.08553
作者： Neda Zarayeneh, Ananth Kalyanaraman
摘要： 社区检测是网络科学家用来分析现实世界网络结构的发现工具。它旨在识别输入网络中可能存在的自然划分，这些划分将顶点划分为连贯的模块（或社区）。虽然这个问题空间丰富了高效的算法和软件，但大多数文献都适用于底层网络不会发生变化的静态用例。但是，许多新兴的实际用例导致需要将动态图表作为输入。在本文中，我们提出了一种快速有效的增量方法，用于动态社区检测。关键贡献是一种名为Delta-screening的通用技术，它检查对输入图所做的最新一批更改，并选择一组顶点来重新评估潜在的社区（重新）分配。该技术可以结合到使用模块性作为聚类的目标函数的任何社区检测方法中。出于演示目的，我们将该技术整合到两个着名的社区检测工具中。我们的实验表明，我们的新增量方法能够在不影响输出质量的情况下产生性能加速（尽管具有启发式特性）。例如，在具有63M时间边（超过12个时间步长）的真实世界网络上，我们的方法能够在1056秒内完成，比基线实现产生3倍的加速。除了展示性能优势之外，我们还展示了如何使用我们的方法来描述分析输入网络的时间分辨率的适当间隔。
node2bits：用于用户拼接的紧凑的时间和属性感知节点表示
原文标题： node2bits: Compact Time- and Attribute-aware Node Representations for User Stitching
地址： http://arxiv.org/abs/1904.08572
作者： Di Jin, Mark Heimann, Ryan Rossi, Danai Koutra
摘要： 身份拼接是在现实世界的Web服务中向同一用户识别和匹配各种在线参考（例如，通过不同设备和时间跨度的会话）的任务，对于个性化和推荐是至关重要的。然而，传统的用户拼接方法，例如分组或阻塞，需要在大量用户活动之间进行二次成对比较，从而带来计算和存储挑战。最近的作品通常是针对特定应用的，启发式地寻求减少比较的数量，但是它们的精度和召回率都很低。为了以与应用无关的方式解决问题，我们采用基于异构网络的方法，其中用户（节点）与内容（例如，会话，网站）交互，并且可以具有属性（例如，位置）。我们提出了node2bits，这是一个有效的框架，用于表示具有二进制哈希码的节点上下文的多维特征。 node2bits利用基于特征的时间遍历来封装异构Web网络中节点之间的短期和长期交互，并采用SimHash来获得紧凑的二进制表示，并避免相似性搜索的二次复杂度。在大规模真实网络上进行的大量实验表明，node2bits优于传统技术和现有工作，在用户拼接的F1得分中产生实值嵌入高达5.16％，而存储空间仅高达1.56％。
社会网络中失效的影响最大化
原文标题： Influence Maximization With Deactivation In Social Networks
地址： http://arxiv.org/abs/1904.08628
作者： Kübra Tanınmış, Necati Aras, İ.K. Altınel
摘要： 在本文中，我们考虑在社会网络中扩展众所周知的影响最大化问题，该社会网络处理寻找一组k个节点以启动扩散过程，以使得在过程结束时受影响的节点的总数最大化。该扩展侧重于竞争变体，其中涉及两个决策者。第一个是领导者，他们试图通过选择最有影响力的节点来最大化影响力的传播，而第二个，即跟随者，试图通过停用其中一些节点来最小化它。通过小尺寸实例的完全枚举和大尺寸实例的数学解决方案来解决公式化的双层模型。在这两种情况下，作为随机优化问题的较低级问题通过样本平均近似方法来近似。
维基百科文章中的社会争议
原文标题： Societal Controversies in Wikipedia Articles
地址： http://arxiv.org/abs/1904.08721
作者： Erik Borra, Andreas Kaltenbrunner (BMF), Michele Mauri, Esther Weltevrede, David Laniado, Richard Rogers (UvA), Paolo Ciuccarelli, Giovanni Magni, Tommaso Venturini (MEDIALAB, CIS)
摘要： 协作内容创建不可避免地会遇到不同观点导致冲突的情况。我们专注于维基百科，这是任何人都可以编辑的免费百科全书，其中有争议文章内容的争议往往反映出更大的社会争论。虽然维基百科对每篇文章都有公共编辑历史和讨论部分，但对于对文章开发感兴趣的维基百科用户以及查找哪些主题最具争议性，这些部分的内容很难实现。在本文中，我们介绍了Contropedia，这是一个增加维基百科文章的工具，可以深入了解有争议话题的发展。 Contropedia使用基于编辑历史的高效语言无关测量，该编辑历史专注于维基链接，以便轻松识别维基百科文章中哪些主题最具争议性以及何时出现。
SEVA：电动汽车充电行为的数据驱动模型
原文标题： SEVA: A Data driven model of Electric Vehicle Charging Behavior
地址： http://arxiv.org/abs/1904.08748
作者： Jurjen R. Helmus, Seyla Wachlin, Igna Vermeulen, Mike H. Lees
摘要： 目前，世界各国政府和城市正面临电动汽车使用的快速增长，因此需要充电基础设施。对于这些城市而言，在成本和使用方面，仍然需要以最有效的方式进一步推广充电基础设施。预测模型无法预测更多的长期发展，因此更复杂的模拟模型提供了模拟各种情景的机会。基于主体的仿真模型可以在激励和推出策略实施之前深入了解激励和推出策略的效果，从而允许进行情景测试。本文描述了基于主体的模型的构建，使政策制定者能够预测充电基础设施的发展。该模型能够模拟单个用户的计费交易，并使用来自荷兰四大城市的公共计费基础设施的计费交易数据集进行校准和验证。
多语言社会网络文本表征方案过滤言语攻击的实证评价
原文标题： An Empirical Evaluation of Text Representation Schemes on Multilingual Social Web to Filter the Textual Aggression
地址： http://arxiv.org/abs/1904.08770
作者： Sandip Modha, Prasenjit Majumder
摘要： 本文试图从社交媒体内容的角度研究文本表示方案对两个任务的有效性：用户攻击和事实检测。在用户攻击检测中，目的是从社交媒体中生成的内容中识别侵略程度，并用英语，梵文印地语和罗马化印地语书写。攻击等级分为三个预定义的类别：“非攻击性”，“过度攻击性”和“隐蔽攻击性”。在灾难相关事件中，像Twitter这样的社交媒体充斥着数以百万计的帖子。在这种紧急情况下，确定事实职位对参与救济行动的组织很重要。我们将此问题视为分类和排名问题的组合。本文介绍了基于BoW技术，分布式词/句子表示，分类器转移学习的各种文本表示方案的比较。加权 F_1 得分用作主要评估指标。结果表明，使用BoW的文本表示比机器学习分类器上的字嵌入更好。虽然预先训练的Word嵌入技术在基于深度神经网络的分类器上表现更好。最近的转移学习模型，如ELMO，ULMFiT，针对侵略分类任务进行了微调。但是，结果与预训练的单词嵌入模型不同。总的来说，使用fastText的单词嵌入产生的最佳加权 F_1 -score比Word2Vec和Glove。使用预训练的矢量模型进一步改善结果。采用统计显著性检验来确保分类结果的重要性。在词汇不同的测试数据集的情况下，除了训练数据集之外，深度神经模型比机器学习分类器更稳健并且表现更好。
基于Copula的生成突发时间序列的算法
原文标题： Copula-based algorithm for generating bursty time series
地址： http://arxiv.org/abs/1904.08795
作者： Hang-Hyun Jo, Byoung-Hwa Lee, Takayuki Hiraoka, Woo-Sung Jung
摘要： 各种自然和社会现象中的动态过程已经通过显示非泊松，突发时间模式的一系列事件或事件序列来描述。这种突发时间序列中的时间相关性不仅可以通过异构的时间间隔（IET）来理解，而且可以通过IET之间的相关性来理解。建模和模拟各种动态过程需要我们在IET之间生成具有重尾IET分布和记忆效应的事件序列。为此，我们提出了一种基于Farlie-Gumbel-Morgenstern copula的算法，用于在给出IET分布和两个连续IET之间的存储系数时，生成具有相关IET的事件序列。我们成功地将我们的算法应用于具有重尾IET分布的情况。我们还将我们的算法与现有的混洗方法进行比较，发现我们的算法在某些情况下优于混洗方法。我们的基于copula的算法有望用于各种动态过程的更真实的建模。
通过表征学习实现影响最大化
原文标题： Influence Maximization via Representation Learning
地址： http://arxiv.org/abs/1904.08804
作者： George Panagopoulos, Michalis Vazirgiannis, Fragkiskos D. Malliaros
摘要： 尽管过去已经广泛研究了影响最大化，但大多数工作都集中在问题的算法方面，忽略了可以通过数据驱动的观察或包含机器学习得出的几个实际改进。主要挑战一方面在于限制可扩展性的算法解决方案的计算需求，另一方面在于预测影响扩散的质量。在这项工作中，我们提出了IMINFECTOR（影响最大化与INFluencer vECTORs），一种渴望使用表示学习来解决这两个问题的方法。它由两部分组成。第一种是基于多任务神经网络，该网络使用扩散级联的日志来嵌入节点之间的扩散概率以及节点创建大规模级联的能力。第二部分使用扩散概率将影响最大化重新形成为加权的二分匹配问题，并利用学习的表示来使用贪婪的启发式方法找到种子集。我们将这种方法应用于伴随扩散级联的三个相当大的网络中，并使用未来时间步骤中看不见的扩散级联来评估它。我们观察到，我们的方法在预测精度和种子集质量方面优于影响最大化的多样化景观中的各种竞争算法和度量。
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