- 社交媒体影响学校枪击事件的时间、地点和严重程度;
- SPECTER：利用谱中心性的无种子节点网络对齐;
- 聚类系数流算法中偏差和方差的估计;
- 可靠的基于图的协作排名;
- 稀疏层次图分类器;
- 复杂社会网络的中心性分析;
- IteRank：基于邻居的面向网络的迭代协作排名方法;
- 可见暗网的结构和内容;
- 众多社会网络的集成;
- 比较叙事社会网络提取技术;
- 使用增强的VoteRank中心性识别引文网络中的有影响力的专利;
- 使用感染的隔室模型预测选举;
- 来自可靠和不可靠媒体的健康相关新闻文章之间的差异;
社交媒体影响学校枪击事件的时间、地点和严重程度
原文标题： Social media affects the timing, location, and severity of school shootings
地址： http://arxiv.org/abs/1506.06305
作者： J. Garcia-Bernardo, H. Qi, J. M. Shultz, A. M. Cohen, N. F. Johnson, P. S. Dodds
摘要： 在过去二十年中，美国境内的学校枪击事件一再摧毁社区，动摇公众舆论。这些攻击中的许多似乎是由特定的个人动机驱动的“孤狼”，因此前兆信号的识别以及因此可行的政策措施似乎不太可能。在这里，我们采用全系统的观点，调查学校攻击的时间和社交媒体的动态反馈。我们确定了一种趋势分歧，其中大学攻击在过去25年中持续加速，而在K-12学校开展的攻击已经放缓。我们在学校枪击事件中建立模仿效果，并在接下来的几天内发现社交媒体聊天与攻击概率之间的统计关联。虽然暗示了因果关系，但这种关系也可能有助于减轻未来攻击的频率和强度。
SPECTER：利用谱中心性的无种子节点网络对齐
原文标题： SPECTRE: Seedless Network Alignment via Spectral Centralities
地址： http://arxiv.org/abs/1811.01056
作者： Mikhail Hayhoe, Francisco Barreras, Hamed Hassani, Victor M. Preciado
摘要： 网络对齐包括找到两个网络的节点之间的对应关系。从计算生物学中的蛋白质比对，社会网络的去匿名化，到计算机视觉中的识别任务，这个问题在许多不同领域都有应用。当前的网络对齐方法主要集中在先验信息可用的情况下，或者以正确匹配的节点的种子集或节点和/或边上的属性的形式。而且，那些不假设这种先验信息的方法往往计算成本高，并且不能扩展到大规模网络。然而，许多现实世界的网络规模非常大，并且如果不是不可能的话，先前的信息可能是昂贵的。在本文中，我们介绍了SPECTER，这是一种可扩展，精确的算法，能够解决没有先验信息的网络对齐问题。 SPECTER利用谱中心度量和渗透技术在网络中稳健地对齐节点，即使这些网络仅表现出适度的相关性。通过广泛的数值实验，我们证明了SPECTER能够在合成网络和现实网络中恢复高精度对齐，并且在无核情况下优于其他算法。
聚类系数流算法中偏差和方差的估计
原文标题： The estimation of bias and variance in clustering coefficient streaming algorithms
地址： http://arxiv.org/abs/1811.01109
作者： Roohollah Etemadi, Jianguo Lu
摘要： 聚类系数是理解网络复杂结构的最重要指标之一。本文讨论了网络流中聚类系数的估计。在这方面已经有大量的工作，大多数是对各种算法进行经验比较。估计量的方差和偏差尚未量化。从一个简单而强大的流式算法开始，我们推导出估计量的方差和偏差，以及方差和偏差的估计量。更重要的是，我们简化了估算器，以便在实践中使用。方差和偏差估计器在49个真实网络上得到广泛验证。
可靠的基于图的协作排名
原文标题： Reliable graph-based collaborative ranking
地址： http://arxiv.org/abs/1811.01211
作者： Bita Shams, Saman Haratizadeh
摘要： GRank是最近基于图的推荐方法，它使用新颖的异构信息网络来模拟用户的优先级并对其进行分析以直接推断推荐列表。遗憾的是，GRank忽略了网络中不同类型路径背后的语义，并且在此过程中，它可能使用与邻域协作排名中的相似性的一般概念不一致的不可靠路径。这种疏忽破坏了GRank产生的推荐清单的可靠性。本文旨在提出一种新的可靠的基于图的协作排名框架，称为ReGRank，它基于可靠的推荐路径对项目进行排序，这些路径与邻居协作排名中不同方法背后的语义相一致。据我们所知，ReGRank是第一个用于社区协作排名的统一框架，除了传统的基于用户的协作排名之外，还可以适用于基于偏好和基于代表的协作排名。实验结果表明，ReGRank显著改善了最先进的邻域和基于图的协作排序算法。
稀疏层次图分类器
原文标题： Towards Sparse Hierarchical Graph Classifiers
地址： http://arxiv.org/abs/1811.01287
作者： Cătălina Cangea, Petar Veličković, Nikola Jovanović, Thomas Kipf, Pietro Liò
摘要： 图表上表示学习的最新进展，主要是利用图卷积网络，为许多基于图的基准任务带来了实质性的改进。虽然学习节点嵌入的新方法非常适合于节点分类和链路预测，但它们在图分类（预测整个图的单个标签）中的应用仍然基本上是基本的，通常使用单个全局池步骤来聚合节点特征或手 - 用于图结构的分层粗化的设计的固定启发式算法。改善这一点的一个重要步骤是可微分图粗化 - 在图神经网络流水线中以自适应的，数据相关的方式减小图的大小的能力，类似于CNN内的图像下采样。然而，先前突出的汇集方法在训练期间具有二次存储器要求，因此不能扩展到大图。在这里，我们结合了图神经网络设计的几个最新进展，以证明竞争的分层图分类结果是可能的，而不会牺牲稀疏性。我们的结果在几个已建立的图分类基准上得到验证，并突出了未来基于图的神经网络研究的重要方向。
复杂社会网络的中心性分析
原文标题： An Analysis of Centrality Measures for Complex and Social Networks
地址： http://arxiv.org/abs/1811.01317
作者： Felipe Grando, Diego Noble, Luis C. Lamb
摘要： 复杂网络分析的测量，例如顶点中心性，有可能揭示现有的网络模式和行为。它们通过分析网络及其组件的结构特性，有助于理解网络及其组件，这使它们在多个计算机科学领域和应用中都很有用。不幸的是，存在大量不同的中心性度量，而在实践中对它们的共同特征知之甚少。通过实证分析，我们的目标是清楚地了解可用的主要中心性措施，揭示它们在大量不同社会网络中的相似性和差异性。我们的实验表明，称为信息，特征向量，子图，步行间性和介数中心性的顶点中心度量可以区分各种网络中的顶点，粒度性能为95％，而其他度量则得到相当低的结果。此外，我们证明了几对度量以非常相似的方式评估顶点，即它们的相关系数值高于0.7。考虑到每个指标都提供了一个非常独特的理论和算法基础，这是出乎意料的。因此，我们的工作有助于制定有原则的网络分析和评估方法。
IteRank：基于邻居的面向网络的迭代协作排名方法
原文标题： IteRank: An iterative network-oriented approach to neighbor-based collaborative ranking
地址： http://arxiv.org/abs/1811.01345
作者： Bita Shams, Saman Haratizadeh
摘要： 基于邻居的协作排名（NCR）技术遵循三个连续步骤来向每个目标用户推荐项目：首先他们计算用户之间的相似性，然后他们基于计算的相似性估计成对偏好对目标用户的一致性。最后，他们使用估计的成对偏好来推断目标用户的项目总排名。这种一般方法面临一些问题，因为秩数据通常是稀疏的，因为用户通常仅比较几对项目，因此，用户之间的相似性是基于有限的信息计算的，并且不足以推断偏好一致性的真实值和可能导致项目排名无效。本文介绍了一种名为IteRank的新型框架，该框架将数据建模为包含用户和成对偏好的二分网络。然后，它使用随机游走方法在此图结构上同时细化用户的相似性和偏好的一致性。它使用另一个网络结构的第一步中的信息来同时调整项目的偏好和排名的一致性。使用这种方法，IteRank可以克服由数据稀疏性引起的一些现有问题。实验结果表明，与使用传统NCR框架进行推荐的现有技术NCR技术相比，IteRank提高了推荐性能。
可见暗网的结构和内容
原文标题： Structure and Content of the Visible Darknet
地址： http://arxiv.org/abs/1811.01348
作者： Georgia Avarikioti, Roman Brunner, Aggelos Kiayias, Roger Wattenhofer, Dionysis Zindros
摘要： 在本文中，我们分析了拓扑和在“暗网”上找到的内容，这是一组可通过Tor访问的网站。我们创建了一个暗网蜘蛛，并通过递归跟踪链接从引导列表开始爬行暗网。我们探索了超过34,000个隐藏服务的整个连接组件，其中我们发现10,000个在线。与民俗信仰相反，暗网的可见部分通过维基和论坛等中心网站进行了令人惊讶的良好连接。我们使用有监督的机器学习对内容进行了全面的分类。我们观察到，大约一半的可见暗网内容与基于我们的分类器的明显合法活动有关。大量内容涉及软件存储库，博客和与激进主义相关的网站。在非法隐藏服务中，大多数涉及欺诈性网站，销售假冒商品的服务以及药品市场。
众多社会网络的集成
原文标题： Assembly in populations of social networks
地址： http://arxiv.org/abs/1811.01452
作者： Abigail Z. Jacobs
摘要： 对社会技术系统的深入研究主要局限于单一实例。网络调查费用昂贵，平台在界面设计，社会规范和历史突发事件等重要方面各不相同。通过单个示例，我们通常不能知道观察到的网络结构有多少是由历史事故，随机噪声或有意义的社会过程解释的，我们也不能声称网络结构预测结果，例如组织成功或生态系统健康。在这里，我展示了我们如何采用比较方法进行设置，我们拥有或可以巧妙地构建网络的多个实例来估计社会系统的自然变化。比较方法使以前未经测试的理论可测试。借鉴社会网络文献中的例子，我利用组织理论和生态学的见解，讨论了社会技术系统人口研究中的新兴方向。
比较叙事社会网络提取技术
原文标题： The one comparing narrative social network extraction techniques
地址： http://arxiv.org/abs/1811.01467
作者： Michelle Edwards, Lewis Mitchell, Jonathan Tuke, Matthew Roughan
摘要： 通过社会网络分析叙事是量化文学研究中不断扩大的领域。从任何叙述手动提取社会网络可能是耗时的，因此已经开发了不同复杂度的自动提取方法。然而，不同提取方法对分析的影响尚不清楚。在这里，我们模拟和比较叙事中社会网络的三种提取方法：手动提取，共现自动提取和使用机器学习的自动提取。虽然手动提取方法在网络分析中产生更精确的结果，但它更耗时，并且自动提取方法产生与密度，中心度量和边权重相当的结论。我们的结果证明，自动提取的社会网络对于许多分析都是可靠的。我们还描述了这种社会网络的哪些方面的分析不可靠。我们预计，我们的研究结果将更容易分析更多的叙述，这有助于我们更好地理解故事的编写和发展方式，以及人们如何互相交流。
使用增强的VoteRank中心性识别引文网络中的有影响力的专利
原文标题： Identifying influential patents in citation networks using enhanced VoteRank centrality
地址： http://arxiv.org/abs/1811.01638
作者： João C.S. Freitas, Rafael Barbastefano, Diego Carvalho
摘要： 本研究提出了一种名为VoteRank的方法，该方法由Zhang等人创建。 （2016），确定专利引文网络上有影响力的节点。此外，它提出了增强的VoteRank算法，扩展了Zhang等人。工作。如果节点远离扩展器，则这些新颖的算法包括降低受所选择的扩展器影响的节点的投票能力。一种方法使用与散布器距离线性的缩减因子，我们将其称为VoteRank-LRed。另一种方法使用一个指数关于距离传播者距离的指数，我们称之为VoteRank-XRed。通过将这些方法应用于引文网络，我们能够证明VoteRank-LRed在测试引用网络上比原始VoteRank更有效地选择影响扩展器时的性能提高。
使用感染的隔室模型预测选举
原文标题： Forecasting elections using compartmental models of infections
地址： http://arxiv.org/abs/1811.01831
作者： Alexandria Volkening, Daniel F. Linder, Mason A. Porter, Grzegorz A. Rempala
摘要： 为了预测政治选举，大众民意调查人员收集民意调查并将他们的信息与历史趋势，国民经济和在职人员等基本数据相结合。这个过程很复杂，并且包括许多主观选择（例如，在识别可能的选民，估计投票率和量化其他不确定性来源时），导致预测在源之间有所不同，即使他们使用相同的基础轮询数据。为了揭示选举预测（以美国为例），我们从动态系统的角度制定了预测选举的框架。通过一种借鉴流行病学思想的简单方法，我们展示了如何将疾病传播的区域模型与公共民意调查数据相结合，以预测州一级的州长，参议院和总统选举。我们对2012年和2016年美国种族的结果大体上与流行民意测验者的结果一致，我们使用我们的新模型来探索关于不确定性的主观选择如何影响结果。我们的目标是开辟新的途径来改善预测选举的方式，增加对流行新闻来源报道结果的理解，并举例说明使用动态系统进行数据驱动预测的一个有趣例子。我们通过预测2018年11月6日美国中期选举中的参议院和州长竞选结束。
来自可靠和不可靠媒体的健康相关新闻文章之间的差异
原文标题： Differences between Health Related News Articles from Reliable and Unreliable Media
地址： http://arxiv.org/abs/1811.01852
作者： Sameer Dhoju, Md Main Uddin Rony, Naeemul Hassan
摘要： 在这项研究中，我们研究了由可靠和不可靠的媒体发布的一系列与健康相关的新闻文章。我们的分析表明，可靠和不可靠的媒体机构开展健康新闻的方式存在结构性，主题性和语义性差异。我们认为，这项研究的结果将有助于对抗健康虚假信息问题。
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。
