最近几周不在国内，更新或有延迟。
- 主稳定方程，用于多路网络中的完整，层内和层间同步;
- 一种基于边连通性的分层图分解的近似算法;
- 用户何时在Twitter上更改他们的个人资料信息？;
- BL-MNE：新兴的异构社会网络通过广泛的学习嵌入自动编码器;
- BL-ECD：基于广泛学习通过分层结构融合的企业社区检测合;
- 基于位置的社会网络中的兴趣点推荐方法：旅行到一个新的地理区域;
- 利用地面实况数据进行社区检测算法评估;
- 使用基于演化因果矩阵和马尔可夫链的多用途仿真程序模拟干预结果;
- 社会资本的类型及相关网络措施;
- 定时器：误差有界的SVD在动态网络上重新启动;
- 在位于地理位置的Twitter数据中的尺度规则;
- 社会网络中的意见影响和演化：一个马尔可夫代理模型;
- 城市空间环境下的多尺度熵;
- 复制和分化网络的度分布的主方程;
主稳定方程，用于多路网络中的完整，层内和层间同步
原文标题： Master stability functions for complete, intra-layer and inter-layer synchronization in multiplex networks
地址： http://arxiv.org/abs/1611.09110
作者： Longkun Tang, Xiaoqun Wu, Jinhu Lü, Jun-an Lu, Raissa M. D'Souza
摘要： 同步现象在各学科中具有广泛的兴趣，并且越来越多地对多路复用网络设置感兴趣。在这里，我们展示了如何将主稳定性函数（一种用于分析单个网络上的同步的着名框架）扩展到具有不同层内和层间耦合函数的某些类别的多路复用网络。我们推导出三个主稳定性方程，分别确定完全同步，层内同步和层间同步的必要区域。我们明确地计算了这三个区域，对于R（o）ssler振荡器的双层网络的情况，并且显示出区域的重叠决定了所达到的同步的类型，特别是如果层间或层内耦合功能使得层间或层内同步区域为空，不管耦合强度如何，都不能实现完全同步，而且对于任何给定的节点动力学和网络结构，层内和层间的出现同步主要取决于一个层内和跨层的节点的耦合函数，我们的数学分析要求层内和层间的拉普拉斯算子通勤，但是我们表明这只是一个充分而不是必要的条件，结果可以更一般地应用。
一种基于边连通性的分层图分解的近似算法
原文标题： A Near-optimal Algorithm for Edge Connectivity-based Hierarchical Graph Decomposition
地址： http://arxiv.org/abs/1711.09189
作者： Lijun Chang
摘要： 在图分析中的许多应用的驱动下，近来已经广泛地研究了用于给定用户$ k $的图$ G $的$ k $ -edge连接组件（$ k $ -ECC）的计算问题。在本文中，我们研究构建基于边连通性的图分解的层次结构的问题，它紧凑地表示所有可能的$ k $值的图的$ k $ -ECC。这是基于每个$ k $ -ECC完全包含在$（k-1）$ - ECC中的事实。与现有的以自下而上或自上而下的方式进行计算的方法相比，我们提出了一个基于二进制搜索的框架，它调用$ k $ -ECC计算算法作为黑箱。假设$ T_ {kecc}（G）$是计算$ G $的所有$ k $ -ECC的特定$ k $值的时间复杂度。我们证明了我们框架的时间复杂度为$ {\ cal } \ big（（\ log \ delta（G））\ times T_ {kecc}（G）\ big）$，其中$ \ delta（G）$是$ G $的简并度并且等于$ G $的所有子图的最小顶点度中的最大值。由于$ \ delta（G）$对于真实世界的图通常很小，所以这个时间复杂度是对数因子最优的。
用户何时在Twitter上更改他们的个人资料信息？
原文标题： When Do Users Change Their Profile Information on Twitter?
地址： http://arxiv.org/abs/1711.09251
作者： Jinsei Shima, Mitsuo Yoshida, Kyoji Umemura
摘要： 我们可以看到个人资料信息，如姓名，描述和位置，以便在社交媒体上了解用户。但是，这个配置文件信息并不总是固定的。如果用户的生活发生变化，配置文件信息将会改变。在这项研究中，我们关注用户的个人资料信息变化，并分析在Twitter上这些变化的时间和原因。结果表明，日本用户在4月份的情况信息变化的高峰期出现了，但全年对于英语用户没有观察到这样的趋势。我们的分析还表明，英语用户在他们的生日中最常改变他们的名字，而日本用户改变他们的名字，因为他们的Twitter参与和活动随着时间而减少。
BL-MNE：新兴的异构社会网络通过广泛的学习嵌入自动编码器
原文标题： BL-MNE: Emerging Heterogeneous Social Network Embedding through Broad Learning with Aligned Autoencoder
地址： http://arxiv.org/abs/1711.09409
作者： Jiawei Zhang, Congying Xia, Chenwei Zhang, Limeng Cui, Yanjie Fu, Philip S. Yu
摘要： 网络嵌入的目的是将网络数据投影到一个低维特征空间中，其中节点表示为一个独特的特征向量，网络结构可以有效地保留下来。近年来，越来越多的在线应用服务站点可以表现为庞大而复杂的网络，这对于传统的机器学习算法来说是非常具有挑战性的。将复杂的网络数据有效地嵌入到低维特征表示中既可以节省数据存储空间，又可以使传统的机器学习算法适用于处理网络数据。如果网络结构稀疏，网络嵌入性能就会大大降低，就像新兴的网络连接很少。在本文中，我们建议学习基于宽泛学习设置的目标新兴网络的嵌入表示，其中新兴网络与其他外部成熟网络同时对齐。为了解决这个问题，本文引入了一个新的嵌入框架，即“基于eMbEdding的深度自动编码器”（DIME）。 DIME在广泛学习的基础上处理统一分析的多元化的链接和属性，引入多重排序的归属异构社会网络概念对网络结构进行建模。本文引入了一组元路径，通过异构链路和属性信息定义用户间的各种连接。网络中的用户之间的亲密度被定义为元接近度分数，将被输入DIME以学习用户在新兴网络中的嵌入向量。已经在现实世界对齐的社会网络上进行了大量的实验，证明了DIME在学习新兴网络嵌入向量中的有效性。
BL-ECD：基于广泛学习通过分层结构融合的企业社区检测
原文标题： BL-ECD: Broad Learning based Enterprise Community Detection via Hierarchical Structure Fusion
地址： http://arxiv.org/abs/1711.09411
作者： Jiawei Zhang, Limeng Cui, Philip S. Yu, Yuanhua Lv
摘要： 公司里的员工可以分成不同的社区，那些经常交往的人会被认为是亲密的朋友，并且被分在同一个社区。在企业环境下，（1）公司内部资源和（2）在线企业社会网络（ESN）都可以获得大量有关员工的信息。每个信息来源同时也包含多个类别的员工社交活动。在本文中，我们建议在广泛学习的同时在线和在线信息源的基础上检测公司员工的社区，这个问题正式被称为“基于远程学习的企业社区检测”（ BL-Ecd）问题。为了解决这个问题，本文介绍了一个名为“HeterogeneoUs Multi-sOurce ClusteRing”（幽默）的新型基于广泛学习的社区检测框架。基于本文介绍的各种企业社会亲密度测度，Humor分别基于每个社会化活动来检测一组员工的微观社区结构。为了获得公司员工（全球）一致的社区结构，Humor通过两个广泛的学习阶段进一步融合了这些微观社区结构：（1）微观社区结构的内部融合，以获得在线和本地一致的社区（2）线上和线下社区相互融合，实现员工的（全球）一致的社区结构。在真实世界的企业数据集上进行的大量实验证明，我们的方法可以很好地解决BL-Ecd问题。
基于位置的社会网络中的兴趣点推荐方法：旅行到一个新的地理区域
原文标题： Point of Interest Recommendation Methods in Location Based Social Networks: Traveling to a new geographical region
地址： http://arxiv.org/abs/1711.09471
作者： Billy Zimba, Samson Chibuta, David Chisanga, Fredah Banda, Jackson Phiri
摘要： 基于位置的社会网络中的推荐系统主要利用社交和地理影响来制定个性化兴趣点（POI）建议。社交影响力是基于匹配的访问历史从社会网络朋友或类似用户获得的，而地理影响是从在不同POI登记时的地理足迹用户离开获得的。然而，当用户移动到他们几乎没有活动历史的新的区域时，这种方法可能会失败。我们提出一个位置感知的POI推荐系统，主要建立在用户偏好的基础上;用户评论和POI类别。我们在Yelp数据集上评估我们的算法，实验结果表明我们的算法达到了更好的精度。
利用地面实况数据进行社区检测算法评估
原文标题： Community detection algorithm evaluation with ground-truth data
地址： http://arxiv.org/abs/1711.09472
作者： Jebabli Malek, Cherifi Hocine, Cherifi Chantal, Hamouda Atef
摘要： 社区结构对于理解复杂的网络至关重要。因此，为了开发高效的社区检测算法，需要付出巨大的努力。不幸的是，这些算法的公平评估问题是一个蓬勃发展的问题。如果地面实况社区结构可用，则使用各种基于聚类的度量来将其与这些算法发现的度量进行比较。但是，在节点级别定义的这些度量对整个社区结构的变化相当不敏感。为了克服这些限制，我们建议利用“社区图”（其中节点是社区，链接代表它们的相互作用）的拓扑特征来评估算法。为了说明我们的方法，我们使用一组具有已知先验社区结构的现实世界网络对重叠的社区检测算法进行综合分析。与传统度量相比，结果提供了对其相对性能的更好的理解。而且还表明应该更加重视社区结构的拓扑结构。我们还调查了社区结构的拓扑特性与替代评估方法（质量度量和聚类度量）之间的关系。很明显，他们对社区结构提出了不同的看法，为了评估社区检测算法的有效性，他们必须结合起来。
使用基于演化因果矩阵和马尔可夫链的多用途仿真程序模拟干预结果
原文标题： Simulating outcomes of interventions using a multipurpose simulation program based on the Evolutionary Causal Matrices and Markov Chain
地址： http://arxiv.org/abs/1711.09490
作者： Hyemin Han, Kangwook Lee, Firat Soylu
摘要： 预测干预措施的长期结果对于可能长期影响我们社会的教育和社会决策过程是必要的。然而，由于缺乏时间和资源，基于来自大规模实验的数据进行这样的预测可能是具有挑战性的。为了解决这个问题，基于演化因果矩阵和马尔可夫链的计算机模拟可以用来预测相对较小规模实验室数据的长期结果。在本文中，我们介绍实施计算机模拟模型的Python类，并介绍了一些试点实施，演示了如何利用模型来预测不同干预措施的结果。我们还介绍了具有真实实验数据的类结构模拟模块和基于社会心理学理论制定的假设数据。在本研究中开发和测试的课程为研究人员和从业人员提供了一种可行和实用的方法来前瞻地模拟干预结果。
社会资本的类型及相关网络措施
原文标题： A Typology of Social Capital and Associated Network Measures
地址： http://arxiv.org/abs/1711.09504
作者： Matthew O. Jackson
摘要： 我提供了一个社会资本的类型学，把它分解成七种更基本的资本形式：信息资本，经纪资本，协调和领导资本，架桥资本，有利资本，声誉资本和社区资本。我讨论如何使用不同的基于网络的措施来识别大多数这些社会资本形式。
定时器：误差有界的SVD在动态网络上重新启动
原文标题： TIMERS: Error-Bounded SVD Restart on Dynamic Networks
地址： http://arxiv.org/abs/1711.09541
作者： Ziwei Zhang, Peng Cui, Jian Pei, Xiao Wang, Wenwu Zhu
摘要： 奇异值分解（SVD）是各种网络应用中普遍使用的方法，如链路预测和网络参数表征。提出了增量SVD方法来处理动态网络中新变化的节点和边。然而，增量式SVD方法由于近似增量更新而不可避免地遭受严重的误差积累。 SVD重启是重新设置聚合错误的一种有效方法，但何时重启动态网络的SVD在文献中并未涉及。在本文中，我们提出TIMERS，理论上指示SVD的最大误差有界重新启动，这是一种新的方法，它可以优化地设置重启时间，以便及时减少误差累积。具体而言，我们监视增量更新的重建损失与SVD模型中的最小损失之间的差值。为了降低监测的复杂度，理论上给出了动态网络SVD最小损耗的下界，并用该界限代替了监测中的最小损失。通过设置最大容忍误差作为阈值，当边界超过这个阈值时，我们可以自动触发SVD重启。我们证明了我们方法的时间复杂度与局部动态变化的数量成线性关系，不同类型的动态网络。我们对几个合成和真实的动态网络进行了广泛的实验。实验结果表明，在确定重启次数时，我们所提出的方法在动态网络重建的最大误差方面比现有方法显著地降低了27％到42％。在确定可容忍的最大误差时，我们的方法将重启次数减少了25％到50％。
在位于地理位置的Twitter数据中的尺度规则
原文标题： Scaling laws in geo-located Twitter data
地址： http://arxiv.org/abs/1711.09700
作者： Rudy Arthur, Hywel Williams
摘要： 我们观察并报告人口密度与Twitter使用之间的系统关系。微博的数量，用户的数量和单位面积的人口数量与幂律相关，指数大于1，相互之间在一定的空间范围内是一致的。这意味着人口密度可以准确预测Twitter活动。而且这个趋势可以用来识别偏离趋势的“异常”区域。分析地理标记和地点标记的推文表明，地理标记的推文在用户类型和内容方面是不同的。我们的发现对Twitter数据的空间分析以及对Twitter用户群中的人口偏差有所了解。
社会网络中的意见影响和演化：一个马尔可夫代理模型
原文标题： Opinion influence and evolution in social networks: a Markovian agents model
地址： http://arxiv.org/abs/1711.09802
作者： P. Bolzern, P. Colaneri, G. De Nicolao
摘要： 本文研究了社会网络平台对过滤算法集体意见的影响。为此，提出了一种用于意见动态的随机多智能体模型，其明确说明了集中式调整社会网络内的个体之间的交互强度。每个个人意见的演变都是由一个马尔可夫链来描述的，马尔可夫链的转换率受影响参数的影响，受邻居的意见影响。这个模型的性质是在一般的环境中以及在有趣的特殊情况下进行研究的。一般的结果是社会网络的整体模型就像一个高维的马尔可夫链，这对于蒙特卡洛模拟是可行的。在假设相同的代理人和无偏的影响下，模型可以被边化，这意味着影响强度影响共享某种意见的个人数量的变化，而不是期望。此外，在所谓的同伴装配的情况下进行了详细的分析，其描述了图的交互完全连接的相同代理之间的二元意见的演变。它表明，同行会议可以被集中到一个诞生 - 死亡链，可以给一个完整的分析表征。分析结果和模拟实验都被用来突出特定集体行为的出现，取决于相互作用的强度参数。
城市空间环境下的多尺度熵
原文标题： Multiscale Entropy in the Spatial Context of Cities
地址： http://arxiv.org/abs/1711.09817
作者： Martin Barner, Clémentine Cottineau, Carlos Molinero, Hadrien Salat, Kiril Stanilov, Elsa Arcaute
摘要： 熵把一个系统中元素的快速，微观的行为与慢，宏观状态联系起来。我们建议用它来解释，如复杂性理论所暗示的那样，个体的小规模决策是如何形成城市的。为此，我们通过多尺度方法，通过互相依赖的联系状态，提供了反映不同地方之间相互作用的城市熵的第一种解释。通过模拟模式，我们发现如果一个系统的元素在多个尺度上相互作用，空间系统中的结构复杂性可能是最可能的配置。在观察1875年至2005年西伦敦函数分布的案例研究中，我们可以部分地解释观测到的多中心蔓延，这是由于与空间随机扩散，紧凑混合使用增长或完全隔离模式相比，更高熵的结果。这项工作有助于理解为什么城市形态复杂，并描述了熵和复杂性之间的一致关系，解释了文献中的矛盾。最后，因为我们评估了城市形态对城市可能使用方式的限制，所以总体思维框架可以用来调整城市规划，以适应规划实践中潜在假设的不确定性。
复制和分化网络的度分布的主方程
原文标题： Master equation for the degree distribution of a Duplication and Divergence network
地址： http://arxiv.org/abs/1711.09844
作者： Vítor Sudbrack, Leonardo G. Brunnet, Rita M. C. de Almeida, Ricardo M. Ferreira, Daniel Gamermann
摘要： Duplication-Divergence模型描述的网络增长为自然网络的演化动态提出了一个简单的总体思路。特别是当应用于蛋白质 - 蛋白质相互作用网络时，它是众所周知的Barab \ asi-Albert模型的替代方案。在这项工作中，我们推导了一个通过复制和发散生长网络的节点度分布的主方程，我们得到一个表达式的总数和节点分布的度数分布的函数。使用代数工具，我们调查度分布的渐近行为。分析结果表明，如果总突变率大于0.5，则网络节点平均度收敛，否则发散。将原始和重复的节点突变率作为独立的参数对这个结果没有影响。但是，这些参数的差异会导致收敛速度和不同程度的分布。这些参数越是不同，分布的尾部就越密集。我们比较所获得的解决方案与模拟网络。这些结果与派生表达式的期望值非常一致。所开发的方法是研究网络增长动态的其他模型的有力工具。
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。