“半岛体育APP”Arxiv网络科学论文摘要20篇(2020-11-12)

动态网络中的自适应社区搜索;用低资源语言检测社交媒体利用;权衡欧洲和美国COVID-19死亡率的庞大突然变化;形貌在线社会网络中用户动态的基本方程的闭式解;基于自发对称破缺观点的在线社会网络极化模型;思量外部刺激共识的在线社会网络中火红现象的新模型;通过社交媒体举行实时知识聚合，在快速盛行信息流传中面临的挑战和机缘;使用贝叶斯信息融合技术从众包Waze数据中检测紧迫事件;Intentonomy：一个数据集和对人类意图明白的研究;UTLDR：基于主体的框架，用于对感染病和公共干预举行建模;迈向以边为中心的网络嵌入;解读芝加哥COVID-19大盛行期间犯罪趋势中社区层面的变化;科学期刊中出书物数量的重尾漫衍;在Instagram上表征和检测赞助的网红文章;人群在反制错误信息中的作用：以COVID-19信息盛行病为例;在不明白网络微观结构的情况下影响社会网络的动态;平衡选民模型中守旧和破坏性的增长;小观察事件检测;将OpenStreetMap与知识图谱链接-对与模式无关的自愿性地理信息的链接发现;Twitter情绪曲线模型;动态网络中的自适应社区搜索原文标题： Adaptive Community Search in Dynamic Networks地址： http://arxiv.org/abs/2011.05353作者： Ioanna Tsalouchidou, Francesco Bonchi, Ricardo Baeza-Yates摘要： 社区搜索是一个经由充实研究的问题，给定一个静态图和一组极点查询，就需要找到一个包罗查询极点的内聚（或麋集）子图。在本文中，我们研究了时间动态网络中的社区搜索问题。我们适应时间设置 emph network inefficiency的观点，该观点基于解决方案中所有极点之间的成对最短路径距离。

为此，我们界说 emph 最短路径路径距离：由用户界说的参数控制的时空维度的线性组合。因此，我们界说了 textsc 最小时间效率子图问题，并证明它是 NPhard。我们开发了一种算法，该算法使用了将时态网络仔细转换为静态有向图和加权图的方法，以及一些最新的近似算法来查找最小有向Steiner树。

最后，我们将框架归纳综合为流式设置，在该流式设置中，含时图的新快照连续不停到达，而且我们的目的是为含时图的滑动时间窗口对应的社区提供搜索解决方案。用低资源语言检测社交媒体利用原文标题： Detecting Social Media Manipulation in Low-Resource Languages地址： http://arxiv.org/abs/2011.05367作者： Samar Haider, Luca Luceri, Ashok Deb, Adam Badawy, Nanyun Peng, Emilio Ferrara摘要： 社交媒体被居心用于恶意目的，包罗政治利用和虚假信息。大多数研究都集中在高资源语言上。可是，恶意行为者会在各个国家和语言（包罗资源匮乏的语言）之间共享内容。

在这里，我们观察在资源匮乏的语言情况中是否可以检测到恶意行为者，以及在何种水平上可以检测到恶意行为者。我们发现，在2016年美国总统大选后，Twitter镇压了滋扰行动，这是他在他加禄语中公布的大量帐户被暂停的原因。通过联合文本嵌入和迁移学习，我们的框架可以以有希望的准确性检测在Tagalog中发帖的恶意用户，而无需事先明白或培训使用该语言的恶意内容。

我们首先划分学习每种语言的嵌入模型，即高资源语言（英语）和低资源语言（塔加洛语）。然后，我们学习两个潜在空间之间的映射以转移检测模型。我们证明晰所提出的方法大大优于包罗BERT在内的最新模型，而且在训练数据很是有限的情况中（在处置惩罚检测在线平台中的恶意行为时的规范）设置具有显着的优势。

权衡欧洲和美国COVID-19死亡率的庞大突然变化原文标题： Large sudden change measured in European and US COVID-19 death rates地址： http://arxiv.org/abs/2011.05368作者： Frank Van Bussel摘要： 通过将Covid-19流传的隔室ODE模型拟合到美国各州和欧洲国家的累积病例和死亡数据，我们发现在美国大部门地域，病例死亡率似乎降低了至少80％，而至少90％在欧洲大部门地域。这些变化比实证研究中所陈诉的变化更大，更快，例如，从2020年3月至2020年8月，纽约市医院系统的道德下降了18％[1]。令人惊讶的是，我们陈诉的下降与其他模型参数（例如接触率）或其他尺度州/国家指标（例如人口密度，GDP和年事中位数）没有强相关性。

险些所有淘汰量都发生在4月中旬至6月中旬之间，这出乎意料地与释放许多州和国家的禁区导致新病例激增的时间相对应。研究了造成这种下降的几种可能原因，例如治疗方法的改善，戴口罩，泛起新的病毒株以及熏染患者的人口统计可能发生变化，但鉴于现在可获得的证据，没有任何一种方法律人信服。形貌在线社会网络中用户动态的基本方程的闭式解原文标题： Closed-Form Solutions of the Fundamental Equation That Describes User Dynamics in Online Social Networks地址： http://arxiv.org/abs/2011.05391作者： T. Ikeya, Masaki Aida摘要： 基于网络颠簸方程的振荡模型可以形貌在线社会网络中的用户动态。

用户动态的基本方程式可以引入到振荡模型中，以明确形貌某些特定网络结构发生的用户动态的因果关系。此外，思量到在线社会网络的稀疏性，设计了一种新的基本形式的基本方程。在本文中，我们导出了新的基本方程的闭式解。

此外，我们发现新的基本方程的闭合形式解可以生成原始颠簸方程的一般解。基于自发对称破缺观点的在线社会网络极化模型原文标题： Polarization Model of Online Social Networks Based on the Concept of Spontaneous Symmetry Breaking地址： http://arxiv.org/abs/2011.05393作者： Masaki Aida, Ayako Hashizume, Chisa Takano, Masayuki Murata摘要： 信息网络的普及不仅使人们更容易会见种种信息源，而且大大增强了小我私家流传信息的能力。可是，不幸的是，在线社会网络中的离间问题讲明，不停生长的信息网络情况纷歧定支持社会上的相互明白。

由于带有特定偏见的信息仅分发给喜欢它的社区，因此增强了将社会划分为各个对立的群体的能力。这种现象称为极化。有须要明白极化的机制，以建设可以反抗极化的技术。

本文先容了一种基于自发对称破坏观点的明白极化的基本模型。我们的出发点是形貌在线社会网络中用户动态的振荡模型。思量外部刺激共识的在线社会网络中火红现象的新模型原文标题： A New Model of Flaming Phenomena in Online Social Networks that Considers Resonance Driven by External Stimuli地址： http://arxiv.org/abs/2011.05404作者： Tomoya Kinoshita, Masaki Aida摘要： 在线社会网络中以火焰状现象为代表的爆炸性用户动态有时可能会对现实生活发生负面影响。

为了实时接纳措施防止在线燃烧现象，有须要对其界说特征举行建模。基于形貌网络上用户动态的振荡模型，先前的事情讲明，当表现网络结构的矩阵的某些特征值是非实数时，就会泛起在线燃烧。本文思量了由周期性外部刺激驱动的网络共振，并提出了一个燃烧模型，纵然所有矩阵的本征值都是实数，该模型也可以燃烧。

此外，我们形貌了一种视察在线燃烧预兆以触发预防措施的理论框架。通过社交媒体举行实时知识聚合，在快速盛行信息流传中面临的挑战和机缘原文标题： Challenges and Opportunities in Rapid Epidemic Information Propagation with Live Knowledge Aggregation from Social Media地址： http://arxiv.org/abs/2011.05416作者： Calton Pu, Abhijit Suprem, Rodrigo Alves Lima摘要： 由于AI / ML模型不行预测，因此迅速生长的形势（例如COVID-19大盛行）是AI / ML模型的重大挑战。大盛行伸张的最可靠指标是测试呈阳性的病例数。可是，测试既不完整（由于未测试的无症状病例），也很晚（由于与初始接触事件之间的滞后，症状恶化和测试效果）。

社交媒体可以通过更快，更高的笼罩率来增补物理测试数据，但它们却面临着另一个挑战：大量的噪音，错误信息和虚假信息。我们相信，只要满足两个条件，社交媒体就可以成为大盛行的良好指标。第一个（真正的新颖性）是从无法预测的情况中描画新的，以前未知的信息。

第二个（事实与虚构）是可证实事实与错误信息和虚假信息的区别。满足这两个条件的社交媒体信息称为实时知识。

我们将基于证据的知识获取（EBKA）方法用于通过社交媒体资源与权威资源的集成来收集，过滤和更新实时知识。只管数量有限，可是来自权威泉源的可靠培训数据可以过滤错误信息并描画真正的新信息。我们形貌了实现EBKA的EDNA / LITMUS工具，将Twitter和Facebook等社交媒体与WHO和CDC等权威资源集成在一起，建立和更新了有关COVID-19大盛行的实时知识。

使用贝叶斯信息融合技术从众包Waze数据中检测紧迫事件原文标题： Emergency Incident Detection from Crowdsourced Waze Data using Bayesian Information Fusion地址： http://arxiv.org/abs/2011.05440作者： Yasas Senarath, Saideep Nannapaneni, Hemant Purohit, Abhishek Dubey摘要： 这些年来，随着都会化历程的生长，紧迫事件的数量有所增加。这种模式使有限的资源使紧迫服务不堪重负，需要优化响应流程。这部门是由于传统的应急服务的“反映式”方法来收集有关事件的数据，在这种情况下，源将呼叫紧迫号码（例如美国的911），从而延迟并限制了潜在的最佳响应。

Waze之类的众包平台为开发快速，“主动”的方法提供了时机，可通过众包生成的视察陈诉收集有关事件的数据。可是，陈诉泉源的可靠性和所陈诉事件的时空不确定性对这种主动方法的设计提出了挑战。

因此，本文提出了一种使用嘈杂的众包Waze数据举行紧迫事件检测的新方法。我们提出了一种基于贝叶斯理论的有原则的盘算框架，用于对人群生成的陈诉的可靠性及其跨时空和时间事件检测的集成的不确定性举行建模。使用从Waze收集的数据以及美国田纳西州纳什维尔的官方报道的事件举行的广泛实验讲明，我们的方法可以胜过F1评分和AUC的强基准。

这项事情的应用提供了一个可扩展的框架，可以合并差别的噪声数据源以举行主动的事件检测，从而改善和优化我们社区中的应急响应操作。Intentonomy：一个数据集和对人类意图明白的研究原文标题： Intentonomy: a Dataset and Study towards Human Intent Understanding地址： http://arxiv.org/abs/2011.05558作者： Menglin Jia, Zuxuan Wu, Austin Reiter, Claire Cardie, Serge Belongie, Ser-Nam Lim摘要： 一幅图像价值一千个单词，转达的信息超出了其中的视觉内容。

在本文中，我们研究了社交媒体图像背后的意图，旨在分析视觉信息如何促进人们对意图的识别。为了实现这一目的，我们引入了一个意图数据集Intentonomy，该数据集包罗涵盖种种日常场景的14K图像。这些图像用28种意向种别手动注释，这些意向种别来自社会意理学分类法。然后，我们系统地研究常用的视觉信息（即工具和上下文）是否以及在多大水平上有助于人类的念头明白。

凭据我们的发现，我们举行了进一步的研究，以量化在训练意图分类器时到场工具和上下文分类以及以标签形式的文本信息的影响。我们的研究效果定量和定性地展现了视觉和文本信息在预测意图时如何发生可视察的效果。

UTLDR：基于主体的框架，用于对感染病和公共干预举行建模原文标题： UTLDR: an agent-based framework for modeling infectious diseases and public interventions地址： http://arxiv.org/abs/2011.05606作者： Giulio Rossetti, Letizia Milli, Salvatore Citraro, Virginia Morini摘要： 如今，由于SARS-CoV-2大盛行，盛行病建模越来越受到来自差别研究领域的研究人员的关注。确实，关于盘算盛行病学的大量文献为分析研究和针对预测性和形貌性情景形貌的新颖模型的界说提供了坚实的基础。

为了简化对扩散建模的会见，在已往的十年中，已经提出了几种编程库和工具：可是，就我们所知，没有一个明确地设计为允许其用户将公共干预集成到他们的模型中。在这项事情中，我们先容了UTLDR，该框架可以模拟几种公共干预措施（及其组合）对盛行历程的生长的影响。UTLDR支持逐步设计隔离模型并通过庞大的交互网络拓扑对其举行仿真。

此外，它允许整合有关分析人群的外部信息（例如年事，性别，地理分配和流动性模式点），并使用它来对设计模型举行分层和完善。引入框架后，我们提供一些案例研究来强调其灵活性和表达能力。迈向以边为中心的网络嵌入原文标题： Toward Edge-Centric Network Embeddings地址： http://arxiv.org/abs/2011.05650作者： Giuseppe Pirrò摘要： 现有的网络嵌入方法解决了学习低维节点表现的问题。

可是，还可以从边互连节点对的边看到网络。本文的主要目的是先容以边为中心的网络嵌入。我们提出了一种称为ECNE的方法，该方法取代直接盘算节点嵌入，而是通过依赖线图的观点联合边加权机制来盘算边嵌入，以保留线图中原始图的动态。

我们还提出了一种称为ECNE-LP的链路预测框架，该框架给出了目的链接（u，v），该链接首先收集节点u和v之间的路径，然后将边直接嵌入这些路径中，最后将它们汇总以预测a的存在链接。我们证明，ECNE和ECNE-LP都能为最新技术带来利益。解读芝加哥COVID-19大盛行期间犯罪趋势中社区层面的变化原文标题： Disentangling Community-level Changes in Crime Trends During the COVID-19 Pandemic in Chicago地址： http://arxiv.org/abs/2011.05658作者： Gian Maria Campedelli, Serena Favarin, Alberto Aziani, Alex R. Piquero摘要： 使用都会级时间序列举行的最新研究讲明，在世界各地实施COVID-19围堵政策后，几起犯罪案件有所淘汰。

这项事情使用芝加哥社区一级的数据，旨在加深我们对公共干预如何在更精致的空间规模内影响犯罪运动的明白。该分析依赖于两步法。

首先，它预计了芝加哥通过结构贝叶斯时间序列对四种犯罪种别（即爆窃，殴打，与毒品有关的犯罪和抢劫）接纳的社会疏远和就地安置政策对社区的因果影响。一旦模型检测到趋势变化的偏向，幅度和显著性，就可以使用Firth的Logistic回归来观察与分析第一步中发现的具有统计意义的犯罪率下降相关的因素。统计效果首先讲明，犯罪趋势的变化因社区和犯罪类型而异。

这讲明，除了汇总模型的效果之外，还存在着以发散模式为特征的庞大画面。其次，回归模型在与重大犯罪淘汰相关的相关因素上提供了混淆的发现：跨犯罪的几种关系具有相反的偏向，人口是与重大犯罪稳定和努力相关的唯一因素。科学期刊中出书物数量的重尾漫衍原文标题： Heavy-tailed distribution of the number of publications within scientific journals地址： http://arxiv.org/abs/2011.05703作者： Robin Delabays, Melvyn Tyloo摘要： 科学家社区的特点是他们需要在同行评审的期刊上揭晓文章，以避开著名格言的“死亡”一面。因此，险些所有研究人员都撰写了一些科学文章。

学术出书物至少代表了对作为社会团体的科学界举行研究的两个利益。首先，他们证明晰科学家之间某种形式的关系（互助，指导，遗产等等），对确定和分析社会群体很有资助。其次，它们中的大多数记载在大型数据库中，易于会见，而且包罗许多相关信息，从而简化了科学界的定量和定性研究。

除了从社会科学的看法出发，明白推动知识生长的基本动力，尤其是科学出书物的生长，可以通过识别科学的优劣做法，有助于保持高水平的研究。在本手稿中，我们试图通过对同行评审期刊中出书物的统计分析来增进这种明白。即，我们讲明作者在给定期刊上揭晓的文章数量漫衍是重尾的，但其尾部比幂定律轻。

此外，我们在数据中视察到一些异常现象，这些异常现象指出了学术出书历程的潜在动态。在Instagram上表征和检测赞助的网红文章原文标题： Characterising and Detecting Sponsored Influencer Posts on Instagram地址： http://arxiv.org/abs/2011.05757作者： Koosha Zarei, Damilola Ibosiola, Reza Farahbakhsh, Zafar Gilani, Kiran Garimella, Noel Crespi, Gareth Tyson摘要： 近年来，泛起了一种新的广告运动形式：涉及所谓的社交媒体影响者的那些运动。这些有影响力的人会接受款项，以换取通过他们的社交媒体提要来推广产物。

只管这组成了一种新的有趣的营销形式，但它也引发了许多问题，尤其是与透明度和羁系有关的问题。例如，有时可能不清楚哪些帐户是正式影响者，或者什至组成影响者/广告。

这对于建设影响者的完整性并确保遵守广告法例很是重要。我们收集了涵盖数以千计的帐户广告产物的大规模Instagram数据集，并凭据他们所笼罩的用户数量建立了一个分类。然后，我们对这些帐户宣传的产物类型，其潜在影响力以及从其关注者那里获得的到场度举行详细分析。凭据我们的发现，我们训练机械学习模型以区分赞助内容和非赞助内容，并确定人们发生赞助帖子而没有正式标志它们的情况。

我们的发现为明白未被充实研究的在线影响者空间迈出了第一步，这可能对研究人员，营销人员和决议者有用。人群在反制错误信息中的作用：以COVID-19信息盛行病为例原文标题： The Role of the Crowd in Countering Misinformation: A Case Study of the COVID-19 Infodemic地址： http://arxiv.org/abs/2011.05773作者： Nicholas Micallef, Bing He, Srijan Kumar, Mustaque Ahamad, Nasir Memon摘要： 专业人士的事实检查被视为抵制错误信息的重要防御手段。

虽然事实检查很重要且影响很大，但事实检查的可见度可能有限，可能无法到达目的受众，例如深陷南北极分化社区的人。在泛起错误信息的平台上使用的相关公民（即人群）可以在流传事实检查信息和应对错误信息的流传方面发挥关键作用。为了探讨这种情况，我们在Twitter平台上举行了数据驱动的错误信息研究，重点研究了与COVID-19大盛行相关的推文，分析了错误信息的流传，专业事实检查以及人群对盛行误导的反映关于COVID-19的声明。在这项事情中，我们整理了一组旨在挑战或反驳它们的虚假声明和陈述的数据集。

我们训练了一个分类器来建立155468个与COVID-19相关的推文的新数据集，其中包罗33237个虚假声明和33413个反驳论点。我们的发现讲明，专业事实核查推文的数量和规模有限。相反，我们视察到错误信息推文的激增会导致快速响应，并相应地增加了反驳此类错误信息的推文。更重要的是，我们在人群反驳推文的方式上发现了截然差别的差异，有些推文似乎是看法，而另一些则包罗详细证据，例如与知名泉源的链接。

我们的事情提供了一些看法，以明白一些用户如何在社交平台中有机地敷衍错误信息，以及他们在扩大专业事实检查中所饰演的角色，这些看法可能会导致开发工具和机制，从而可以使有关公民有能力攻击错误信息。可以在此http URL中找到代码和数据在不明白网络微观结构的情况下影响社会网络的动态原文标题： Influencing dynamics on social networks without knowledge of network microstructure地址： http://arxiv.org/abs/2011.05774作者： Matthew Garrod, Nick S. Jones摘要： 基于社会网络的信息运动可用于促进有益的康健行为缓和解南北极分化（例如，有关气候变化或疫苗的问题）。

基于网络的干预计谋通常依赖于对网络结构的全面明白。由于可用性和隐私问题，在很大水平上不行能或不希望获得人口级此外社会网络数据。

获得有关小我私家属性（例如年事，收入）的信息更容易，这些信息配合提供了小我私家的看法及其社会网络位置。使用基于统计力学的看法形成模型，我们讲明可以在不完全明白网络结构的情况下有效地影响网络动态。特别是，使用粗粒度网络数据，外部协变量和状态的点预计的影响计谋都可以胜过基线模型。我们的事情提供了一种可扩展的方法来影响大图上的Ising系统，并在存在情况（社交）场的情况下首次探索Ising影响问题。

通过使用强情况场可以简化网络动力学控制的视察，我们的发现为使用社会网络理论的看法举行公共宣传运动提供了可能性，而无需举行昂贵或侵入性的数据收集。平衡选民模型中守旧和破坏性的增长原文标题： Balancing conservative and disruptive growth in the voter model地址： http://arxiv.org/abs/2011.05780作者： Robert J. H. Ross, Walter Fontana摘要： 我们关注的是增长的实施方式如何决议不停增长的自组织历程中预期的状态变化数量。

思量到这个问题，我们在一个一维增长的格子上研究了投票者模型的两个版本。我们的主要效果断言，通过平衡增长的守旧力和破坏力，无论增长率趋于零还是极限，在发现吸收状态之前状态变化的预期数量都是相同的。这些效果说明晰增长如何控制自我组织的成本，因此与增长活性物质的物理学有关。小观察事件检测原文标题： Small Survey Event Detection地址： http://arxiv.org/abs/2011.05801作者： Debanjan Datta摘要： 有关使用Twitter举行事件检测的小型观察。

这项事情首先界说问题陈述，然后总结和整理差别的研究事情以解决问题。将OpenStreetMap与知识图谱链接-对与模式无关的自愿性地理信息的链接发现原文标题： Linking OpenStreetMap with Knowledge Graphs — Link Discovery for Schema-Agnostic Volunteered Geographic Information地址： http://arxiv.org/abs/2011.05841作者： Nicolas Tempelmeier, Elena Demidova摘要： 在诸如Wikidata和DBpedia之类的盛行知识图中描画的地理实体的表现形式通常是不完整的。OpenStreetMap（OSM）是公然提供的自愿性地理信息的富厚泉源，具有增补这些表现形式的庞大潜力。可是，知识图实体和OSM节点之间的身份链接仍然很少。

由于缺少严格的架构以及OSM中用户界说的节点表现的异构性，因此在这些设置中的链接发现问题特别具有挑战性。在本文中，我们提出OSM2KG-一种新颖的链接发现方法，用于预测知识图中的OSM节点与地理实体之间的身份链接。OSM2KG方法的焦点是一种新颖的OSM节点潜在表现，它可以在嵌入中描画语义节点的相似性。

OSM2KG接纳这种潜在表现来训练监视模型举行链路预测，并使用OSM和知识图之间的现有链接举行训练。我们在多个OSM数据集以及Wikidata和DBpedia知识图中举行的实验讲明，OSM2KG可以可靠地发现身份链接。OSM2KG显着优于现有的基准和最新的链路发现方法，与性能最佳的基准相比，F1得分提高了22.45％。Twitter情绪曲线模型原文标题： A model for the Twitter sentiment curve地址： http://arxiv.org/abs/2011.05933作者： Giacomo Aletti, Irene Crimaldi, Fabio Saracco摘要： 由于Twitter的消息简练（特别适合政治口号）和消息的快速流传，因此它是最常用的政治通信在线平台之一。

特别是当争论激起用户的情感时，Twitter上的内容将以极快的速度共享，因此，如果最重要的是研究推文情绪，以预测讨论的生长和相对叙述的记载。在本文中，我们提供了一个模型，该模型能够再现与特定主题和时期相关的推文情绪的动态，并凭据视察到的已往对未来帖子的情绪举行预测。该模型是P ‘olya缸的最新变体，在arXiv：1906.10951和arXiv：2010.06373中引入和研究，其特征在于“局部”增强，即主要基于最新视察效果的增强机制，预测平均值的随机连续颠簸。特别地，后一个特征能够描画情绪曲线中的趋势颠簸。

只管建议的模型很是通用，而且也可以在其他情况下使用，可是它已在多个Twitter数据集上举行了测试，而且与尺度的P’olya urn模型相比，具有更高的性能。此外，在差别数据集上的差别体现突出了对公共事件的差别情感敏感性。

声明：Arxiv文章摘要版权归论文原作者所有，机械翻译后由本人举行校正整理，未经同意请勿随意转载。本系列在民众号“网络科学研究速递”（netsci）和小我私家博客举行同步更新。

本文来源：半岛体育APP-www.belajarmengajidewasa.com