- 个性化社交媒体短文本的自动条件生成;
- 使用网络属性预测“权力的游戏”中的谋杀;
- 社会影响最大化中的种子和受众多样化;
- 带有衰减、扩散和对流的连续时间网络模型;
- 基于层重构方法的现实多路网络链路预测;
- 保护网络中的共享信息：具有策略攻击的网络安全博弈;
- 结合机器学习和社会网络分析揭示组织结构;
- 使用数百万在线红包识别并理解支付前向互惠;
- 用于网络演化分析的动态网络嵌入;
- 人类社会性的双过程方法：综述;
- 具有共同不变子空间的多异构网络的推断;
个性化社交媒体短文本的自动条件生成
原文标题： Automatic Conditional Generation of Personalized Social Media Short Texts
地址： http://arxiv.org/abs/1906.09324
作者： Ziwen Wang, Jie Wang, Haiqian Gu, Fei Su, Bojin Zhuang
摘要： 由于深度神经网络的快速发展，自动文本生成受到了很多关注。通常，基于统计语言模型的文本生成系统将不考虑拟人特征，这导致类似机器的生成文本。为了填补这一空白，我们提出了一种条件语言生成模型，其中包含Big Five Personality（BFP）特征向量作为输入上下文，它编写类似人类的短文本。短文本生成器由一层长短存储器网络（LSTM）组成，其中BFP特征向量被连接为每个单元的输入的一部分。为了实现监督训练生成模型，基于文本分类模型的卷积神经网络（CNN）已被用于制备BFP标记的中文微博语料库。通过BFP语言计算模型验证，我们生成的中文短文显示出具有辨别力的个性风格，在语法上也是正确的，并且在语义上具有适当的表情符号。结合自然语言生成和心理语言学，我们提出的BFP依赖文本生成模型可以广泛用于机器翻译，图像标题，对话生成等个性化。
使用网络属性预测“权力的游戏”中的谋杀
原文标题： Predicting kills in Game of Thrones using network properties
地址： http://arxiv.org/abs/1906.09468
作者： Jaka Stavanja, Matej Klemen
摘要： HBO最受欢迎的节目“权力的游戏”这样的电视连续剧已经具有大量的专注粉丝，他们观看并彻底分析节目的每一分钟。观众之间大部分讨论的，也是这个系列最为人所知的似乎是对最重要人物的戏剧性谋杀。在我们的工作中，我们尝试使用关于角色和其他元数据的先前死亡的数据来预测角色的谋杀（杀手和受害者）。我们构造一个网络，其中角色为节点，如果一个节点杀死另一个节点，则链接两个节点。然后我们使用链路预测框架并评估不同的技术来预测下一个可能的谋杀。最后，我们在社交角色网络上构建来自各种网络属性的特征，我们将其与经典数据挖掘技术结合使用。我们看到，由于谋杀数据集规模小且随机分布，我们无法用标准指数预测太多。但是，我们表明可以构建一个指标，它非常适合我们为权力的游戏创建的确切网络，但可能不适用于其他系列。我们还看到，我们在社交角色网络上计算的功能也有助于标准机器学习方法，但不会产生我们希望的准确预测。总体上最好的结果是通过使用链路预测的自定义指标来实现的，这适合我们的网络类型并且给出了ROC曲线（AUC）为0.863的区域。
社会影响最大化中的种子和受众多样化
原文标题： Diversifying Seeds and Audience in Social Influence Maximization
地址： http://arxiv.org/abs/1906.09357
作者： Yu Zhang
摘要： 已经广泛研究了影响最大化（IM）以用于更好的病毒营销。然而，之前的工作较少强调观众在不同社区中的平衡程度以及选择种子节点的多样性。在本文中，我们将受众多样性和种子多样性纳入IM任务。从模型的角度来看，为了表征我们目标函数中的影响扩散和多样性，我们采用了三种常用的经济学效用（即完美替代，完美补充和科布 - 道格拉斯）。我们通过展示它们的优良属性来验证我们对这三个函数的选择。从算法的角度来看，我们提出了各种近似策略来最大化效用。在观众多样化中，我们提出了一种依赖于解决方案的近似算法来规避硬度结果。在种子多样化中，我们证明了基于非单调子模块最大化的（ 1 / e- epsilon ）近似比。实验结果表明，我们的框架在效用最大化和结果多样化方面都优于其他自然启发式。
带有衰减、扩散和对流的连续时间网络模型
原文标题： Models of Continuous-Time Networks with Tie Decay, Diffusion, and Convection
地址： http://arxiv.org/abs/1906.09394
作者： Xinzhe Zuo, Mason A Porter
摘要： 对离散时间内的时间网络的研究已经在各种应用中产生了对时间依赖的网络系统的许多见解。然而，对于许多复杂系统，开发网络的连续时间模型并将它们与相关的离散模型进行比较是有用的。在本文中，我们研究了几个连续时间网络模型，并在数值和分析上检查它们的离散近似。为了考虑连续时间网络，我们将图中的每个边与时间相关的关系强度相关联，该关系强度可以采用连续的非负值，并且在最近的交互之后随时间衰减。我们研究了平均连接强度如何随着时间的推移在几个模型中演变，并且我们在数值和分析上探讨了在这些模型中出现巨大连通分量的标准。
基于层重构方法的现实多路网络链路预测
原文标题： Link Prediction in Real-World Multiplex Networks via Layer Reconstruction Method
地址： http://arxiv.org/abs/1906.09422
作者： Amir Mahdi Abdolhosseini-Qomi, Seyed Hossein Jafari, Amirheckmat Taghizadeh, Naser Yazdani, Masoud Asadpour, Masoud Rahgozar
摘要： 关于链路预测问题的大量研究致力于在单层（单工）网络中寻找丢失的链路。所提出的链路预测方法基于观察到的网络结构来计算未连接节点对之间的相似性度量。然而，将相似性概念扩展到多路网络是一个双重挑战。现实世界的多路网络层没有相同的组织，但却没有完全不同的组织。因此，应该确定多路网络的层有多相似。另一方面，需要知道类似的层如何在具有缺失链路的目标层上的链路预测任务中做出贡献。众所周知，特征向量很好地反映了网络的结构特征。因此，多层网络的两层是相似的w.r.t.结构特征，如果它们共享相似的特征向量。实验表明，真实世界的多路网络层是相似的w.r.t.结构特征和相似性的价值远远超出其随机对应物。此外，显示如果缺少链接的添加或删除不会显著改变网络结构特征，则缺少链接是高度可预测的。否则，如果变化很大，结构特征的类似副本可能会有所帮助。基于此概念，层重建方法（LRM）找到具有其他类似层的结构特征的目标层的观察结构的最佳重建。来自不同学科的真实多路网络的实验表明，该方法受益于网络中的信息冗余，并且有助于链路预测的性能即使在大部分缺失链路下也能保持稳健。
保护网络中的共享信息：具有策略攻击的网络安全博弈
原文标题： Protecting shared information in networks: a network security game with strategic attacks
地址： http://arxiv.org/abs/1906.09486
作者： Bram de Witte, Paolo Frasca, Bastiaan Overvest, Judith Timmer
摘要： 泄露机密信息的数字安全漏洞不仅会影响其系统渗透的代理，而且还会损害与渗透系统社会相关的其他代理。尽管有人认为这些外部因素会激励人们对安全投资不足，但这一假设受到了攻击受保护程度最低的代理人的战略对手的可能性的挑战。在本文中，我们研究了一种安全博弈的新模型，其中代理在联系人网络中共享敏感信息的令牌。代理商有机会投资于安全性，以防止可以战略性或随机性攻击的攻击。我们表明，在存在随机攻击的情况下，与社会最优相比，投资不足总是在纳什均衡中占优势。相反，当攻击是战略性的时候，根据网络拓扑和信息传播过程的特征，投资不足或过度投资都是可能的。实际上，当代理之间的依赖性较低时（由于信息网络稀疏连接或者因为共享信息令牌的可能性很小），代理商在安全性方面投入的资源多于社会最优节点。当信息共享更有可能时（因此，当攻击带来的风险更高时），这些过度投资会转移到投资不足的状态。
结合机器学习和社会网络分析揭示组织结构
原文标题： Combining Machine Learning and Social Network Analysis to Reveal the Organizational Structures
地址： http://arxiv.org/abs/1906.09576
作者： Mateusz Nurek, Radosław Michalski
摘要： 在组织内形成层级是优化职责，责任和信息流的自然方式。只有最小的组织才有可能缺乏层次结构，但是，如果它们增长，它的外观是不可避免的。大多数情况下，它的存在导致其成员在不同组织层面的任务和职责的不同性质。另一方面，员工通常每天发送数十封电子邮件，通过这样做，并且通过参与其他活动，他们自然形成一个非正式的社会网络，其中节点是个体，边是连接它们的动作。起初，这样的社会网络可能看起来与组织网络不同。但是，对该网络的分析可能会导致再现公司的组织层次结构。这是因为在层次结构中持有相似位置的人可能也可能共享归因于他们角色的类似行为和沟通方式。这项工作的关键概念是评估社会网络衡量与特征工程中获得的其他功能相结合的程度，以及组织社会网络成员的分类。作为回答研究问题的技术，采用了机器学习装置。这里，对于分类任务，使用决策树和随机森林算法，以及一个简单的集体分类算法，这也是本文提出的。使用的方法允许比较传统的机器学习分类方法，与社会网络分析相比，与典型的图算法相比较。
使用数百万在线红包识别并理解支付前向互惠
原文标题： Identify and understand pay-it-forward reciprocity using millions of online red packets
地址： http://arxiv.org/abs/1906.09698
作者： Yuan Yuan, Tracy Liu, Chenhao Tan, Qian Chen, Alex Pentland, Jie Tang
摘要： 支付前向互惠鼓励亲社会行为的传播。然而，现有的支付前向行为的经验证据主要基于实验室实验，实验室实验在样本量和外部有效性方面受到限制。扩展这项研究，我们的研究使用一个自然实验来检验现实生活环境中的付费转发互惠，其中包含340万在线平台用户的大规模数据集。我们的自然实验是通过中国在线社会网络平台微信用于将在线货币礼品（也称为“红包”）分离给其收件人的机制中的随机性实现的。我们的结果显示，收件人平均支付他们收到的金额的10.34％。我们进一步发现，“最幸运抽奖”的收件人，或那些获得相应红包最大份额的人，比其他收件人支付的可能性高1.5倍。我们的分析表明，在多个接收者设置中，用户的付费转发行为由群体规范强制执行，最幸运的抽奖接收者应该发送第一个后续礼物，并通过平台分割的随机金额的分布式社交偏好来促进。最后，我们的研究表明，那些没有任何群体内朋友的接受者确实会向前付款，即使他们的付费行为不太可能受到他们在熟人中的声誉问题的影响。总的来说，我们的工作提供了鼓励支付前向互惠的机制和条件的见解，这对促进亲社会行为有影响。
用于网络演化分析的动态网络嵌入
原文标题： Dynamic Network Embeddings for Network Evolution Analysis
地址： http://arxiv.org/abs/1906.09860
作者： Chuanchang Chen, Yubo Tao, Hai Lin
摘要： 网络嵌入学习将节点表示为低维向量，以保持网络节点和社区之间的接近度以进行网络分析。动态网络中的时间边（例如，关系，联系人和电子邮件）对于网络演进分析是重要的，但是网络嵌入中的现有方法很少可以从时间边捕获动态信息。在本文中，我们提出了一种新的动态网络嵌入方法来有效地分析动态网络的演化模式。我们的方法使用随机游走来保持节点之间的接近度并应用动态伯努利嵌入来训练离散时间网络嵌入在相同的向量空间中而没有对齐以保持稳定节点的时间连续性。我们通过链路预测和演化节点检测将我们的方法与几种最先进的方法进行比较，实验证明我们的方法通常在这些任务中具有更好的性能。我们的方法通过两个真实的动态网络进一步验证，通过检测演化节点并在嵌入空间中可视化它们的时间轨迹。
人类社会性的双过程方法：综述
原文标题： The dual-process approach to human sociality: A review
地址： http://arxiv.org/abs/1906.09948
作者： Valerio Capraro
摘要： 哪些社会决策很直观？哪些是商议的？在过去的几十年中，人类社会性的双过程已成为一个充满活力和令人兴奋的研究领域。在这里，我回顾了关于合作，利他主义，诚实，公平效率，正面和负面互惠以及道德判断的认知基础的现有文献。对于这些领域中的每一个，我列出了一些我认为对进一步推进我们对人类社会认知的理解至关重要的开放性问题。最后，我试图引入一个博弈论框架来组织现有的经验证据。这个框架似乎很有希望，因为事实证明，预测通常与除了一个领域之外的所有实验数据一致：正互惠。我试图让评论自成一体，详尽无遗，并以研究为导向。我希望它有助于进一步关注这个迷人的研究领域。
具有共同不变子空间的多异构网络的推断
原文标题： Inference for multiple heterogeneous networks with a common invariant subspace
地址： http://arxiv.org/abs/1906.10026
作者： Jesús Arroyo, Avanti Athreya, Joshua Cape, Guodong Chen, Carey E. Priebe, Joshua T. Vogelstein
摘要： 多种异构网络数据模型的开发在统计网络理论和跨多个应用领域都至关重要。尽管对单图推理进行了充分研究，但多个图推理在很大程度上尚未探索，部分原因在于适当建模图差异所固有的挑战，同时保留了足够的模型简单性以使估计可行。本文通过引入一个新的模型 - 公共子空间独立边（COSIE）多随机图模型来解决这一差距，该模型描述了在顶点上具有共享潜在结构的异构网络集合，但每个图可能具有不同的连接模式。 COSIE模型包含许多流行的网络表示，包括随机块模型。该模型具有足够的灵活性，能够有意义地解释重要的图差异，并且足够容易在多个网络中进行准确的推理。特别地，邻接矩阵的联合谱嵌入 - 多邻接谱嵌入（MASE） - 在COSIE模型中导致对每个图的基础参数的同时一致估计。在温和的附加假设下，MASE估计满足图特征值估计的渐近正态性和产量改进。在模拟和实际数据中，COSIE模型和MASE嵌入可以部署用于许多后续网络推理任务，包括降维，分类，假设检验和社区检测。具体而言，当MASE应用于通过扩散磁共振成像构建的连接体的数据集时，结果是患者对脑扫描的准确分类以及对不同受试者的扫描的异质性的有意义的确定。
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