• 基于距离的可达性指数;
• 在具有一般初始分布的多路网络中的意见形成;
• 混合策略纳什均衡的不连续对称N玩家博弈;
• 大型属性图表示学习;
• 基于结构平衡理论的符号网络建模;
• 动态社会平衡和通过同质和影响机制的融合评估;
• 从全局尺度到各个城市的动态;
• 小心脚下：通过注意学习图嵌入;
• 使用模块化和映射方程的简单分布式图聚类;
• 解决网络信息不对称：新的基于熵的排名指数;
• 量化网络上的瞬态扩展动力学;
• 关于社会网络中用户建模兴趣和专业知识的热点话题;

基于距离的可达性指数

原文标题： Distance-based accessibility indices

地址： http://arxiv.org/abs/1507.01465

作者： László Csató

摘要： 本文尝试为网络开发适合的可访问性索引，其中每个链路都具有这样的值，使得较小的数字优选为距离，成本或旅行时间。称为距离和的度量的特征是三个独立的属性：匿名性，适当选择的独立性公理和优势保护，这要求不同于任何其他节点的节点至少是可访问的。我们认为在某些应用中需要消除独立性。因此，将提出广义距离和一系列无障碍指数。它是线性的，考虑除距离之外的顶点的可访问性，并且取决于参数以便控制其与距离和的偏差。广义距离和是匿名的，如果其参数满足足够的条件，则满足优势保留。两个详细的例子表明它能够反映链接中断的可访问性的脆弱性。

在具有一般初始分布的多路网络中的意见形成

原文标题： Opinion formation in multiplex networks with general initial distributions

地址： http://arxiv.org/abs/1710.09371

作者： Chris G. Antonopoulos, Yilun Shang

摘要： 在本文中，我们研究了多个网络的意见动态，其中代理人以有界信心相互作用。也就是说，如果他们的意见没有不同于一个特定的门槛，两个邻居个人将只会交换意见和妥协。在文献中，代理人通常被认为具有均匀的置信界限。在这里，我们研究了具有各自特征的结构化网络的分析和数字意见演变，具有各自的置信阈值和一般的初始意见分布。我们明确地确定了在长期共识行为发生相变的关键阈值。为此，代理的交互拓扑首先通过$ D $维数格子$ Z ^ D $描述为$ D \ ge1 $，然后在某些规则条件下扩展到通用多路复用网络。我们的结果揭示了临界阈值与意见初始分布之间的量化关系。最后，进行数值模拟以说明代理在不同网络拓扑中的共识行为，包括常规格，小世界和无标度网络。

混合策略纳什均衡的不连续对称N玩家博弈

原文标题： Mixed-strategy Nash equilibrium for a discontinuous symmetric $N$-player game

地址： http://arxiv.org/abs/1710.09462

作者： H.J.Hilhorst, C.Appert-Rolland

摘要： 我们认为一个博弈，每个玩家必须找到一个更大胆的策略之间的妥协，这种策略会使他被淘汰的风险很高，而且更谨慎的一个策略会降低他的最终成绩。对于两个对称的球员，这场比赛最初是由德雷舍（Dresher）在1961年制定的，他们在两个对手之间建立了一个决斗。比赛也是对运动比赛的描述感兴趣。我们在这里将双人博弈延伸到任意数量的N $对称玩家。我们表明有一个混合策略的纳什均衡，并找到其确切的分析表达式，我们分析特别是在大$ N $的限制，其中平均场行为发生。以$ N = 2 $的原始博弈作为一般情况的奇异限制。

大型属性图表示学习

原文标题： Representation Learning in Large Attributed Graphs

地址： http://arxiv.org/abs/1710.09471

作者： Nesreen K. Ahmed, Ryan A. Rossi, Rong Zhou, John Boaz Lee, Xiangnan Kong, Theodore L. Willke, Hoda Eldardiry

摘要： 图（网络）无处不在，并允许我们对实体（节点）和它们之间的依赖关系（边）进行建模。从图数据学习有用的特征表示在许多机器学习任务的心脏和成功之中，如分类，异常检测，链路预测等等。许多现有技术使用随机游走作为学习特征的基础或估计用于下游预测任务的图模型的参数。示例包括最近的节点嵌入方法，如DeepWalk，node2vec以及基于图的深度学习算法。然而，这些方法使用的简单随机游走与节点的身份基本相关。这有三个主要的缺点。首先，这些方法是固有的转换性的，并不概括为看不见节点和其他图。其次，对于大图不切实际的每个节点学习特征向量，它们不是空间有效的。第三，大多数这些方法不支持归因图。为了使这些方法更普遍适用，我们提出了一个基于归因随机游走概念的框架，该框架不依赖于节点标识，而是基于学习函数$ \ Phi：\ mathrm {\ rm \ bf x} \ rightarrow w $将节点属性向量$ \ mathrm {\ rm \ bf x} $映射到$ w $类型。这个框架可以作为推广现有方法的基础，如DeepWalk，node2vec以及利用传统随机游走的许多其他以前的方法。

基于结构平衡理论的符号网络建模

原文标题： Signed Network Modeling Based on Structural Balance Theory

地址： http://arxiv.org/abs/1710.09485

作者： Tyler Derr (1), Charu Aggarwal (2), Jiliang Tang (1) ((1) Michigan State University, (2) IBM T. J. Watson Research Center)

摘要： 已经显示网络建模，特别是生成模型，提供关于底层网络结构的大量信息，以及其构建背后的许多其他好处。最近对于更好地理解和建模网络的兴趣有了相当大的增加，但绝大多数的这项工作是针对无符号的网络。然而，许多网络可以具有正向和负向链接（或签名网络），特别是在在线社交媒体中，并且由于增加的复杂性，它们固有地具有在未签名网络中找不到的属性。具体来说，网络中的正负链接比和有符号三角形的分布是对符号网络唯一的属性，需要明确建模。这是因为它们的基础动力学不是随机的，而是受到社会理论的控制，如结构平衡理论，它松散地指出，社交网络中的用户将喜欢涉及较少紧张的三合一关系。因此，我们提出了一种基于结构平衡理论和无符号过渡中卢模型的模型，用于符号网络的建模。我们的模型引入了两个参数，能够帮助维持平衡三角形的正向链接比例和比例。在三个真实世界签名的网络上的实证实验证明了基于社会理论设计特定于签名网络的模型的重要性，以在生成合成网络时获得更好的维护签名网络属性的性能。

动态社会平衡和通过同质和影响机制的融合评估

原文标题： Dynamic Social Balance and Convergent Appraisals via Homophily and Influence Mechanisms

地址： http://arxiv.org/abs/1710.09498

作者： Wenjun Mei, Pedro Cisneros-Velarde, Noah E. Friedkin, Francesco Bullo

摘要： 社会平衡理论描述了签署的有向社会评估网络拓扑的允许和禁止配置。在本文中，我们提出两个离散时间的动态系统，解释评估网络如何从最初的不平衡配置向社会平衡发展。这两种模式分别基于两种不同的社会心理机制：同性恋机制和影响机制。我们的主要理论贡献是对这两个模型进行三个步骤的综合分析。首先，我们建立了人际关系评估的良好态度和有限的演变。第二，我们将平衡点的特征描述如下：对于两个模型，每个均衡网络由满足结构平衡的任意数量的完整子图组成。第三，在技术条件下，我们将评估网络融合到满足结构平衡的最终均衡网络中。除了我们的理论分析之外，我们还提供数值证据表明，我们的收敛技术条件适用于两种模型中的通用初始条件。最后，采用基于同质的模式，我们提出了地方冲突的调解和全球化，盟国的竞争以及单一派对的渐近形成的数值结果。

从全局尺度到各个城市的动态

原文标题： From global scaling to the dynamics of individual cities

地址： http://arxiv.org/abs/1710.09559

作者： Jules Depersin, Marc Barthelemy

摘要： 已经提出尺度是分析复杂系统的特性的有力工具，特别是对于描述各种属性如何随人口变化的城市而言。在广泛的城市数据集上进行尺度的实证研究显示出非常明显的非线性行为，其统计效度和意义最近成为许多辩论的焦点。我们在这里讨论另一个方面，这些尺度形式对个别城市的影响，以及如何在城市人口变化时预测城市的行为。我们从1982 - 2014年度的101个美国城市的数据集中，就交通拥堵的情况说明了这一讨论。我们表明，通过聚集不同城市和不同年份的所有可用数据获得的尺度形式确实显示出非线性行为，但与个体城市人口增长的动态似乎无关。换句话说，一个特定城市的拥堵造成的延误并不仅仅取决于它的人口，也不取决于以前的历史。这种强大的路径依赖性禁止存在对所有城市有效的简单尺度形式，并表明我们不能总是为许多不同系统聚集数据。更一般来说，这些结果也挑战了使用横向数据来理解城市的纵向系列。

小心脚下：通过注意学习图嵌入

原文标题： Watch Your Step: Learning Graph Embeddings Through Attention

地址： http://arxiv.org/abs/1710.09599

作者： Sami Abu-El-Haija, Bryan Perozzi, Rami Al-Rfou, Alex Alemi

摘要： 图嵌入方法表示连续向量空间中的节点，从图中保存信息（例如通过抽样随机散列）。这些方法有许多超参数（如随机游走长度），必须为每个图手动调整。在本文中，我们用随机游走超参数替换了可通过反向传播自动学习的可训练参数。特别是，我们在转移矩阵的幂级数上学习了一种新颖的关注模型，指导随机游走来优化上游目标。与以前的注意力模型不同，我们提出的方法仅将注意参数用于数据（例如，随机游走），而不是由模型用于推论。我们尝试链路预测任务，因为我们的目标是产生最佳保存图结构的嵌入，将其概括为不可见的信息。我们通过一整套真实世界的数据集，包括社会，协作和生物网络来改善最先进的技术。增加对随机游走的关注可以将我们尝试的数据集的误差减少20％至45％。此外，我们学习的注意参数对于每个图都是不同的，如果我们手动调整现有方法，我们自动找到的值与超参数的最佳选择一致。

使用模块化和映射方程的简单分布式图聚类

原文标题： Simple Distributed Graph Clustering using Modularity and Map Equation

地址： http://arxiv.org/abs/1710.09605

作者： Michael Hamann, Ben Strasser, Dorothea Wagner, Tim Zeitz

摘要： 我们研究大规模的分布式图聚类。给定一个无向加权图，我们的目的是将节点划分为称为集群的不相交集合。每个集群应包含许多内部边。此外，群集之间应该只有很少的边。我们研究了这种内部密集的外部稀疏原则的两个确定的形式：模块化和映射方程。我们提出两个版本的简单分布式算法来优化这两种测量。它们基于Thrill，这是一个实现扩展MapReduce模型的分布式大数据处理框架。 DSLM-Mod和DSLM-Map两种测量方法的算法略有不同。适应他们类似的质量措施很容易。在广泛的实验研究中，我们展示了我们的算法在真实世界和合成图聚类基准图上的出色表现。

解决网络信息不对称：新的基于熵的排名指数

原文标题： Tackling information asymmetry in networks: a new entropy-based ranking index

地址： http://arxiv.org/abs/1710.09656

作者： Paolo Barucca, Guido Caldarelli, Tiziano Squartini

摘要： 信息是社会经济系统中的代理商的宝贵资产，信息的很大一部分涉及代理商之间的联系网络。事实上，代理人建立的不同相互联系模式实际上可能导致网络结构知识的不对称性;因为这需要量化相关系统性质（例如，负债网络中的金融传染风险）的能力不同，所以能够提供更好的（否则）不可接近的网络属性估计的代理最终具有竞争优势。在本文中，我们首次解决了网络拓扑中信息不对称的量化问题。为此，我们定义了一个新颖的索引 - InfoRank - 旨在测量每个节点所拥有的信息的质量，计算基于节点特定信息的集合的香农熵。此外，我们在（不可访问的）网络结构的重建精度方面测试了我们的新颖排名程序的性能，并表明它在识别“最有信息”的节点方面胜过其他流行的中心性措施。最后，我们讨论网络信息不对称的社会经济影响。

量化网络上的瞬态扩展动力学

原文标题： Quantifying Transient Spreading Dynamics on Networks

地址： http://arxiv.org/abs/1710.09687

作者： Justine Wolter, Benedict Lünsmann, Xiaozhu Zhang, Malte Schröder, Marc Timme

摘要： 网络上的传播现象对于各种自然和技术系统的集体动态至关重要，从信息在基因调控网络传播到神经回路，或从流行病学到供应网络的扰动。然而，网络之间的局部干扰如何传播尚未定量了解。在这里我们分析在给定工作点附近的确定性网络动力系统中的通用扩展动力学。标准动力系统理论并没有明确地提供瞬时，扩展信号的到达时间和振幅的测量，因为它集中在不变集，不变量度和其他与瞬态行为相关的数量。我们在这里改变观点，并为确定性动力学引入有效的期望值，以制定明确量化在一个网络单位发起的扰动何时以及如何强烈影响任何其他的理论的理论。该理论提供了明确的定时和幅度信息作为初始扰动和响应单元以及整个网络拓扑的相对位置的函数。

关于社会网络中用户建模兴趣和专业知识的热点话题

原文标题： Klout Topics for Modeling Interests and Expertise of Users Across Social Networks

地址： http://arxiv.org/abs/1710.09824

作者： Sarah Ellinger, Prantik Bhattacharyya, Preeti Bhargava, Nemanja Spasojevic

摘要： 本文介绍了Klout Topics，一个轻量级的本体，用于描述社会媒体用户的兴趣和专长的话题。 Klout主题旨在：让人可读和消费者友好;涵盖多个知识领域的深度;并通过知识库实体提升数据可扩展性。我们讨论为什么本体论非常适合于文本标签和兴趣建模应用程序，以及它如何与可用的替代方法进行比较。我们展示了对社交媒体兴趣集合的覆盖面，以及如何用于模拟Klout.com上超过780万社交媒体用户的兴趣的例子。最后，我们打开外部使用的本体。

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。