- 多路网络社区发现;
- Twitter右翼的德国仇恨言论：分析和自动检测;
- Twitter趋势主题侧面草根攻击;
- 忽略边分布异质性的最小熵随机块模型;
- 使用迁移学习理解社会网络;
- 自旋玻璃的方法用于2-距离最小支配集问题;
- 世界各地的几个人口众多的城市交通的基于几何景观渗流;
- DeepFork：GitHub信息扩散的监督预测;
- 不加批判的对立群体：社会网络上将假消息作为事实传播的影响;
多路网络社区发现
原文标题： Community Detection in Multiplex Networks
地址： http://arxiv.org/abs/1910.07646
作者： Obaida Hanteer, Roberto Interdonato, Matteo Magnani, Andrea Tagarelli, Luca Rossi
摘要： 互动的相同类型的实体之间的多重网络模型不同的模式。的的极大关注，一直致力于社区检测问题在多重网络，也就是说，通过考虑不同类型它们之间的相互作用揭示节点分组的有意义的模式进社区。在这篇文章中，我们提供在多重网络社区检测算法的分类法的读者。我们描述了基于各种性质不同的算法和我们讨论每种方法检测社区的类型。然后，我们根据不同的标准试图回答三个主要问题，到什么程度的评估方法能够检测地面实况社区，到什么程度不同的方法产生相似的社会结构和到什么程度评估提供的审查方法的全面评估方法是可扩展的。本次调查的最终目标是要推动学者和实践者在选择的数据正确的方法和手头的任务。
Twitter右翼的德国仇恨言论：分析和自动检测
原文标题： Right-wing German Hate Speech on Twitter: Analysis and Automatic Detection
地址： http://arxiv.org/abs/1910.07518
作者： Sylvia Jaki, Tom De Smedt
摘要： 论社会网络Twitter的往往涉及它的作用在政治话语，涉及当观点的表达变得进攻，不道德的问题，和/或非法，以及如何处理它。鉴于在互联网上进攻的通信量越来越大，对新技术，能自动检测仇恨言论，被人以帮助内容审核的要求。这种带有新的挑战，比如定义什么是言论自由，什么是非法的某一特定国家，并清楚地知道仇恨言论的语言特点是什么。要在德国带来光明，我们分析发布2017年8月至四月至2018年间超过50000右翼德国恨鸣叫，在2017年德国联邦选举时，同时使用定量和定性方法。在本文中，我们将讨论分析的结果和证明的见解如何可以用于自动检测系统的开发。
Twitter趋势主题侧面草根攻击
原文标题： Lateral Astroturfing Attacks on Twitter Trending Topics
地址： http://arxiv.org/abs/1910.07783
作者： Tuğrulcan Elmas, Rebekah Overdorf, Ahmed Furkan Özkalay, Karl Aberer
摘要： Astroturfing攻击使用自动帐户人为推动所选关键字的Twitter的热门话题上。横向astroturfing是其中自动鸣叫1）是由损害的账号发布，2）它们被创建之后立即被删除这种攻击复杂的子集。前者使攻击更有效，逃避检测后者的辅助工具。我们提出的横向astroturfing攻击的第一次大规模分析。我们发现使用了2019年2月和2019年6月之间的操控3,710唯一关键字---每天的热门话题，至少10％在分析区域两万astroturfing账户。横向astroturfing污染热门话题;允许用户意见的处理;并允许了原本由平台进行过滤，例如非法广告内容。我们的研究结果有助于在社交媒体上了解用户的操作和更普遍上出现逃避检测的敌对行为的类型线索。
忽略边分布异质性的最小熵随机块模型
原文标题： Minimum entropy stochastic block models neglect edge distribution heterogeneity
地址： http://arxiv.org/abs/1910.07879
作者： Louis Duvivier, Rémy Cazabet, Céline Robardet
摘要： 随机块模型的统计推断作为成为用于识别网络内社区mathematicaly原则性方法。它的目标是找到节点分区和最大似然，即已经最可能产生的观测到的网络之一的块到块邻接矩阵。在实践中，所谓的微正则系综，它经常假设比较两个模型具有相同数量和社区的大小时，最好的一个是最小熵即一个能产生更少的不同网络的一个。在本文中，我们表明，有其中最小熵模型不识别边分布方面最显著的社区，即使产生有较高可能性的观察图的情况。
使用迁移学习理解社会网络
原文标题： Understanding Social Networks using Transfer Learning
地址： http://arxiv.org/abs/1910.07918
作者： Jun Sun, Steffen Staab, Jérôme Kunegis
摘要： 用户的详细了解有助于网络的演化的理解，以及Web应用程序的开发。虽然新的Web平台，这样的研究就显得尤为重要，它往往是由缺乏对异常现象的知识，由于数据的稀疏性受到损害。类似于从一个域的经验的人转移到下一个，迁移学习机器学习的一个分支适应一个域中的一个新的领域中获得的知识。我们系统地研究如何迁移学习的概念可以应用到新创建的（新兴）网络平台用户的研究，并提出我们的传输基于学习的方法，TraNet。我们发现其中TraNet适用于涉及用户信任的鉴定和作用在不同的网络平台的任务两个用例。我们比较TraNet与其他方法的性能，并发现我们的方法可以在给定的任务，跨平台的用户最好的知识转让。
自旋玻璃的方法用于2-距离最小支配集问题
原文标题： Spin Glass approach to the 2-Distance Minimal Dominating Set problem
地址： http://arxiv.org/abs/1910.07933
作者： Yusupjan Habibulla, Hai-jun Zhou, Shao-meng Qin
摘要： 该L-距离最小支配集（LDMDS）的问题被广泛应用于各种形式的支配集问题。最近，我们研究了腔法定期支配集的问题，我们开发了两种算法（置信传播抽取算法和调查繁殖抽取算法），以获得给定的图，这给了极小支配size.This年的非常好的估计我们开发自旋的解决方案玻璃的理论研究2 - 距离MDS问题。首先，我们发现，熵总是在对鄂尔多斯仁义随机图任何逆温积极，过渡点出现在 公测= infty 。其次熵具有对定期随机图有限逆温度转变点时，节点度为2至9，有在其他情况下没有熵trnsition点（或 的β= infty ）。 BP算法相同与副本对称性理论和BPD算法比贪婪启发式算法更好的结果的第三结果。 textbf 大关键词： 2 - 距离最小支配集，置信传播，ER随机图，定期随机图，置信传播抽取。
世界各地的几个人口众多的城市交通的基于几何景观渗流
原文标题： Landscape Geometry-based Percolation of Traffic in Several Populous Cities around the World
地址： http://arxiv.org/abs/1910.07962
作者： Fisca Dian Utami, Dui Yanto Rahman, Desyana Olenka Margaretta, Euis Sustini, Mikrajuddin Abdullah
摘要： 我们从一个全新的概念，即景观渗透描述的平均交通拥堵的几个人口众多的城市在世界各地。居住区大小道路宽度的比例是控制交通拥堵的基本参数。我们比较了几个人口众多的城市在世界各地（直接从谷歌地球的图像），并表现出非常一致的结果提取的数据模型。对于一个城市景观，使城市的标准被认为是拥塞或更少拥堵已被确定。该模型还解释了非常好与世界各地的一些人口稠密的城市上的拥塞水平的各种报告（如公认的Tomtom拥塞水平或Numbeo交通指标）测得的数据的一致性。这些发现可能有助于设计新的城市或重新设计拥挤的城市的基础设施，例如用于决定什么是居住区的最大尺寸，以及如何宽度道路。这项工作也显示了问题的在传导复合物（电流流动），冰山之间盐水传输（流体流动），和流量的相似性（车辆流量）
DeepFork：GitHub信息扩散的监督预测
原文标题： DeepFork: Supervised Prediction of Information Diffusion in GitHub
地址： http://arxiv.org/abs/1910.07999
作者： Ramya Akula, Niloofar Yousefi, Ivan Garibay
摘要： 信息在复杂的社会网络传播速度极快，换句话说，一条信息可以没有时间内传播开来。通常情况下很难路障前混乱的显著发生这种扩散，无论是社交媒体或网络编码平台。 GitHub的就是这样的一个趋势线上联络点，任何企业实现其潜在的贡献者和客户，同时进行。通过利用这样的软件开发模式，数以百万计的免费软件在不同的社区最近出现了。要理解人类的影响，信息传播和在GitHub的各类用户之间传输的信息的演变，我们建立了深厚的神经网络模型：DeepFork，受监督的机器学习为基础的方法，旨在预测在复杂的社会网络的信息扩散;考虑节点和拓扑特征。在我们的实证研究，我们发现，信息传播可以通过链路预测使用监督学习的检测。 DeepFork优于其他机器学习模型，因为它更好地学习输入要素的判别模式。 DeepFork通过用户和存储库的二分网络了解信息传播和演变艾滋病，即信息从用户流向存储库，以用户。
不加批判的对立群体：社会网络上将假消息作为事实传播的影响
原文标题： Uncritical polarized groups: The impact of spreading fake news as fact in social networks
地址： http://arxiv.org/abs/1910.08010
作者： Jesus San Martin, Fatima Drubi, Daniel Rodriguez-Perez
摘要： 思想在在线社会网络的普及是一个重要的现象，时下了解假新闻泛滥及其民主的影响。这使得需要使用模拟传言的循环模式。大数定律以及联络小组的概率分布允许我们构建一个模型假设的最小数量。此外，我们可以尽快与此模型分析是谁散布谣言的个体（人或机器人）非常对立群体的存在，因为他们知道这一点。由于只知道谁的任何消息的个体的初始数量，通过即时消息应用程序连接的人口，我们首先从我们的模型推断的时间来研究谣言传播的简单功能。然后，我们证明了对立群体可以被检测到，并从经验数据量化。最后，我们还预测任何谣言所需要的时间，达到人口的一个固定百分比。
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.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。
