- StartupBR：高等教育对巴西社会网络和企业家精神的影响;
- 专利引文网络的社区检测和增长潜力预测;
- 探索信息中心性在大型网络入侵检测中的应用;
- 社交媒体自动账户分类的社会信息学方法;
- 高质量基于度的启发式影响最大化问题;
- 通过非高斯波动的网络去同步;
- 图布局的深度生成模型;
- TheFragebogen：基于Web浏览器的科研调查问卷框架;
- 用于含时间的推荐的链接流图;
- 基于密度的社区检测/优化;
- N2VSCDNNR：基于Node2vec和富信息网络的本地推荐系统;
- 建模选举动态和虚假信息的影响;
- 使用分层上下文的递归神经网络进行推荐;
- 有顽固主体的本地非贝叶斯社会学习;
StartupBR：高等教育对巴西社会网络和企业家精神的影响
原文标题： StartupBR: Higher Education's Influence on Social Networks and Entrepreneurship in Brazil
地址： http://arxiv.org/abs/1904.12026
作者： Michelle Reddy, Júlio C. Nardelli, Yuri L. Pereira, Marisa Vasconcelos, Thiago H. Silva, Leonardo B. Oliveira, Mark Horowitz
摘要： 发展中国家和中等收入国家在其长期发展战略中日益强调高等教育和企业家精神。我们的工作重点是高等教育机构（HEIs）对新兴经济体巴西的创业生态系统的影响。首先，我们描述了企业家网络特征的区域差异。然后，我们研究精英高等教育机构在经济中心对企业家网络的影响。其次，我们调查初创公司创始人的学术轨迹，包括他们的学习课程和原籍高等教育，对创业公司的筹款能力的影响。鉴于Crunchbase和LinkedIn等社交媒体数据库提供启动和个人级数据的能力不断提高，我们利用计算方法挖掘数据以进行社会网络分析。我们发现HEI质量和生态系统的成熟度会影响创业的成功。我们的网络分析表明，精英高等教育机构对当地企业家生态系统具有强大的影响力。令人惊讶的是，虽然南部和东南部最具国家声望的高等教育机构拥有最长的地理覆盖范围，但其网络影响仍然是本地的。
专利引文网络的社区检测和增长潜力预测
原文标题： Community Detection and Growth Potential Prediction from Patent Citation Networks
地址： http://arxiv.org/abs/1904.12040
作者： Asahi Hentona, Takeshi Sakumoto, Hugo Alberto Mendoza España, Hirofumi Nonaka, Shotaro Kataoka, Toru Hiraoka, Kensei Nakai, Elisa Claire Alemán Carreón, Masaharu Hirota
摘要： 专利评分对技术管理分析很有用。因此，需要开发引用网络聚类和预测未来实际专利评分的引用。在本文中，我们提出了一种使用Node2vec的社区检测方法。为了分析增长潜力，我们比较了三种“时间序列分析方法”，长期短期记忆（LSTM），ARIMA模型和霍克斯过程。在我们的实验结果中，我们可以通过Node2vec从这些集群中找到共同的技术要点。此外，我们发现ARIMA模型的预测精度高于其他模型。
探索信息中心性在大型网络入侵检测中的应用
原文标题： Exploring Information Centrality for Intrusion Detection in Large Networks
地址： http://arxiv.org/abs/1904.12138
作者： Nidhi Rastogi
摘要： 现代网络系统不断受到系统攻击的威胁。连接到网络的设备数量以及相关的流量大幅增加。这加强了在系统设计和实现期间更好地理解所有可能的攻击向量的需要。此外，它增加了挖掘大型数据集的需求，分析哪些已成为一项艰巨的任务。规模监控基础设施以满足这一需求至关重要，但这对于中小型组织来说是一个艰难的目标。因此，需要提出解决安全性中的大数据问题的新方法。信息中心（IC）标记具有更好有利位置的网络节点，用于检测基于网络的异常作为中心节点，并使用它们来检测称为系统攻击的一类攻击。主要思想是，由于这些中心节点已经看到很多信息流经网络，因此它们可以很好地检测其他节点之前的异常情况。本研究首先深入探讨了在理解拓扑和信息流时使用图的重要性。然后，我们介绍了信息中心性（一种基于中心性的索引）的使用，以减少现有通信网络中的数据收集。使用IC识别的中心节点可以在使用合适的异常检测技术时加速异常值检测。我们还提出了一种更有效的方法来计算大型网络的信息中心性。最后，我们证明中心节点检测异常行为的速度比其他非中心节点快得多，因为异常行为本质上是系统性的。
社交媒体自动账户分类的社会信息学方法
原文标题： A Socio-Informatic Approach to Automated Account Classification on Social Media
地址： http://arxiv.org/abs/1904.12149
作者： Laurenz A Cornelissen, Petrus Schoonwinkel, Richard J Barnett
摘要： 社交媒体上的自动帐户越来越成问题。我们提出了一个结合现有方法的关键特性，以改进用于机器人检测的机器学习算法。我们通过包含提议的功能成功地提高了分类性能。
高质量基于度的启发式影响最大化问题
原文标题： High Quality Degree Based Heuristics for the Influence Maximization Problem
地址： http://arxiv.org/abs/1904.12164
作者： Maryam Adineh, Mostafa Nouri-Baygi
摘要： 影响力最大化的问题是选择社会网络中最有影响力的个体。随着社交网站的普及以及病毒式营销的发展，问题的重要性已经增加。影响最大化问题是NP难的，因此，除非P = NP，否则不存在用于解决问题的多项式时间算法。提出了许多启发式方法，以便在更短的时间内找到近乎完美的解决方案。在本文中，我们提出了两种启发式算法来寻找好的解决方案。启发式基于两个观点：（1）高度顶点在网络中具有更大的影响，以及（2）附近顶点影响几乎类似的顶点集。我们在几个众所周知的数据集上评估我们的算法，并表明我们的启发式方法可以在更短的时间内（在运行时间内提高85美元％ ）获得更好的结果（影响范围最高可达 15 ％） 。
通过非高斯波动的网络去同步
原文标题： Network desynchronization by non-Gaussian fluctuations
地址： http://arxiv.org/abs/1904.12174
作者： Jason Hindes, Philippe Jacquod, Ira B. Schwartz
摘要： 尽管它们在嘈杂的环境中运行，但许多网络必须保持同步。重要的例子是电力网络，其中由可再生能源提供快速增加的电力量，已知可再生能源具有宽尾波动。这种非高斯波动可导致罕见的网络去同步。在这里，我们通过非高斯噪声建立惯性振荡器网络去同步的一般理论，非高斯噪声可以通过输入功率数据进行参数化。我们计算了去同步的速率，并表明噪声的较高时刻以特定的耦合功率进入：根据噪声统计数据与网络最弱稳定模式的统计数据的匹配程度，以指数方式加速或降低速率。最后，我们介绍了一种技术，可用于大幅减少预测振荡器网络中的去同步所需的方程式数量。例如，当不稳定性与单个过载边相关联时，减少的是一个有效的，有噪声的振荡器。
图布局的深度生成模型
原文标题： A Deep Generative Model for Graph Layout
地址： http://arxiv.org/abs/1904.12225
作者： Oh-Hyun Kwon, Kwan-Liu Ma
摘要： 由于不同的布局可以表征同一图的不同方面，因此找到图的“良好”布局是图可视化的重要任务。在实践中，用户通常通过使用不同的方法和变化的参数设置来可视化多个布局中的图，直到找到最适合可视化目的的布局。但是，这种反复试验过程通常是偶然且耗时的。为了向用户提供一种直观的方式来浏览布局设计空间，我们提出了一种使用深度生成模型系统地可视化不同布局的图的技术。我们设计了一种编码器 - 解码器架构，用于从一组示例布局中学习模型，其中编码器在潜在空间中表示训练示例，并且解码器从潜在空间产生布局。特别是，我们训练模型构建一个二维潜在空间，供用户轻松探索和生成各种布局。我们通过对生成的布局进行定量和定性评估来演示我们的方法。我们的评估结果表明，我们的模型能够学习和概括图布局的抽象概念，而不仅仅是记住训练样例。总之，本文提出了一种全新的图可视化方法，其中机器学习模型学习如何从示例中可视化图而无需手动定义的启发式。
TheFragebogen：基于Web浏览器的科研调查问卷框架
原文标题： TheFragebogen: A Web Browser-based Questionnaire Framework for Scientific Research
地址： http://arxiv.org/abs/1904.12568
作者： Dennis Guse, Henrique R. Orefice, Gabriel Reimers, Oliver Hohlfeld
摘要： 体验质量（QoE）通常涉及进行实验，其中向参与者呈现刺激并且收集他们的判断以及行为数据。如今，许多实验需要用于呈现刺激的软件和来自参与者的数据收集。虽然存在不同的软件解决方案，但这些解决方案并不适合在QoE上进行实验。此外，复制实验或在不同设置（例如，实验室与众包）中重复相同的实验可以进一步增加软件复杂性。 TheFragebogen是一个开源，多功能，可扩展的软件框架，用于实施问卷调查 - 特别是对于QoE的研究。可以使用最先进的Web浏览器呈现已实施的问卷，以支持广泛的设备，同时使用Web服务器是可选的。开箱即用，TheFragebogen提供图精确尺度以及自由手输入，收集行为数据和回放多媒体内容的能力。
用于含时间的推荐的链接流图
原文标题： Link Stream Graph for Temporal Recommendations
地址： http://arxiv.org/abs/1904.12576
作者： Armel Jacques Nzekon Nzeko'o, Maurice Tchuente, Matthieu Latapy
摘要： 关于推荐系统的一些研究是基于明确的评级数据，但在许多现实世界的电子商务平台中，评级并不总是可用，并且在这些情况下，推荐系统必须处理隐含数据，例如用户的购买历史，浏览历史和流媒体历史。在此上下文中，经典的二分用户项图（BIP）被广泛用于计算前N个推荐。然而，这些图表具有一些局限性，特别是在考虑时间动态方面。这并不好，因为用户的偏好会随着时间的推移而改变。为了克服这个限制，Xiang等人提出了基于会话的含时图（STG）。在基于图表的推荐系统中结合长期和短期偏好。但是在STG中，时间被分成片，因此被认为是不连续的。该方法丢失了用户动作的真实时间动态的细节。为了应对这一挑战，我们提出了链路流图（LSG），它是Latapy等人提出的链路流表示的扩展。并且它允许通过持续考虑时间来模拟用户和项目之间的交互。在4个真实世界隐含数据集上进行实验，用于时间推荐，具有3个评估指标，表明LSG在12个案例中的9个中是最好的，而BIP和STG是最常用的最先进的推荐图。
基于密度的社区检测/优化
原文标题： Density-based Community Detection/Optimization
地址： http://arxiv.org/abs/1904.12593
作者： Rui Portocarrero Sarmento
摘要： 近年来，用于社区检测的基于模块化的算法一直在增加。模块化及其应用引起了争议，因为一些作者认为它不是没有缺点的度量。已经表明，使用模块化来检测社区的算法受到解决限制，因此在某些情况下无法识别小社区。在这项工作中，我们尝试应用标签传播算法找到的社区密度优化，并研究在优化结果的模块化方面会发生什么。我们引入了一个我们称之为ADC（每个社区的平均密度）的指标;我们使用此指标来证明我们的优化可以改进基准算法获得的社区密度。此外，我们提供的证据表明，此优化可能不会显著改变结果社区的模块性。此外，通过使用SSC（强连接组件）概念，我们开发了社区检测算法，我们还与标签传播算法进行了比较。这些比较是通过几个测试网络和不同的网络规模执行的。优化算法的结果证明是有趣的。此外，社区检测算法的结果与我们使用的基准算法类似。
N2VSCDNNR：基于Node2vec和富信息网络的本地推荐系统
原文标题： N2VSCDNNR: A Local Recommender System Based on Node2vec and Rich Information Network
地址： http://arxiv.org/abs/1904.12605
作者： Jinyin Chen, Yangyang Wu, Lu Fan, Xiang Lin, Haibin Zheng, Shanqing Yu, Qi Xuan
摘要： 推荐系统在我们的日常生活中变得越来越重要。然而，传统的推荐方法受到数据稀疏性和效率的挑战，因为在许多现实世界的应用程序中，两者之间的用户，项目和交互的数量快速增加。在这项工作中，我们提出了一种基于node2vec技术和丰富信息网络的新型聚类推荐系统，即N2VSCDNNR，以解决这些挑战。特别地，我们使用二分网络来构建用户项目网络，并且通过相应的单模式投影网络表示用户（或项目）之间的交互。为了缓解数据稀疏性问题，我们根据用户和项目类别丰富了网络结构，构建了单模投影类网络。然后，考虑到网络中的数据稀疏性问题，我们使用node2vec来捕获来自相应的单模投影类别网络的用户（或项目）之间的复杂潜在关系。此外，考虑到聚类方法中参数设置和信息丢失问题的依赖性，我们使用一种新的谱聚类方法，该方法基于动态最近邻（DNN）和一种新的自动确定簇数（ADCN）方法来确定聚类。基于正态分布方法的中心，分别对用户和项目进行聚类。在聚类之后，我们提出了两阶段个性化推荐，以实现每个用户的项目的个性化推荐。一系列实验验证了我们的N2VSCDNNR在几种先进的嵌入和基于侧面信息的推荐算法方面的出色性能。同时，N2VSCDNNR似乎比在线推荐中的基线方法具有更低的时间复杂度，表明其可能在大规模系统中得到广泛应用。
建模选举动态和虚假信息的影响
原文标题： Modelling election dynamics and the impact of disinformation
地址： http://arxiv.org/abs/1904.12614
作者： Dorje C Brody
摘要： 通过将信息的基础流作为模型输入来处理，可以有效地建模由信息解散驱动的复杂动态系统。然后导出系统的复杂动态行为作为输出。这种基于信息的方法与信息驱动系统的传统数学建模形成鲜明对比，因此人们试图为输出提出基本上 textit ad hoc模型。在这里，选举竞争的动态是通过与选举有关的信息流的规范来建模的。选举投票统计数据看似随机的演变随后被推导出来作为模型输出，反过来又用于研究选举预测，虚假信息的影响以及选举活动中信息管理的最佳策略。
使用分层上下文的递归神经网络进行推荐
原文标题： Hierarchical Context enabled Recurrent Neural Network for Recommendation
地址： http://arxiv.org/abs/1904.12674
作者： Kyungwoo Song, Mingi Ji, Sungrae Park, Il-Chul Moon
摘要： 长期的用户历史不可避免地反映了个人利益随时间的变化。对用户历史的分析需要强健的顺序模型来预测用户兴趣的转变和衰退。用户历史通常由各种RNN结构建模，但是推荐系统中的RNN结构仍然受到长期依赖性和兴趣漂移的影响。为了解决这些挑战，我们建议HCRNN具有全球，本地和临时利益的三个等级背景。这种结构旨在保留用户的全球长期利益，反映当地的子序列利益，并参与每个过渡的临时利益。此外，我们提出了一个基于分层上下文的门结构，以结合我们的 textit 兴趣漂移假设。当我们建议新的RNN结构时，我们支持具有互补 textit 双通道注意结构的HCRNN以利用分层上下文。我们使用CiteULike，MovieLens和LastFM对顺序推荐任务的建议结构进行了实验，我们的模型显示了顺序推荐中的最佳性能。
有顽固主体的本地非贝叶斯社会学习
原文标题： Local non-Bayesian social learning with stubborn agents
地址： http://arxiv.org/abs/1904.12767
作者： Daniel Vial, Vijay Subramanian
摘要： 近年来，人们越来越多地转向Twitter和Facebook等社会网络获取新闻。与传统新闻来源相比，这些平台允许用户同时阅读新闻文章并与其他用户分享意见。除了其他影响之外，这导致假新闻的增加，有时通过机器人（伪装成真实用户的自动社交媒体帐户）传播。在这项工作中，我们设计和分析描述这些平台的数学模型。该模型包括大量试图以迭代方式学习世界潜在真实状态的代理。在每次迭代中，这些代理基于对真实状态的嘈杂观察和其他代理的子集的信念来更新他们关于真实状态的信念。这些子集可能包括一种我们称之为机器人的特殊类型的代理，它试图说服其他人错误的真实状态而不是学习（建模用户传播假新闻）。这个过程持续进行有限次数的迭代，我们称之为学习期。我们的分析详细说明了这个过程结果的三个案例：代理人可以了解真实状态，将机器人提倡的错误状态误认为是真实的，或者认为状态介于真实和错误状态之间。出现哪种结果取决于机器人数量与学习期限之间的关系。这导致了一些有趣的后果;例如，我们表明代理人最初可以学习真实状态但后来忘记它并相信错误状态是真实的。简而言之，我们认为改变学习视野可能会导致截然不同的结果。这与研究像我们这样的模型的现有工作形成对比，这些模型通常固定有限的视野或仅考虑无限的视野。
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