最近几周不在国内，更新或有延迟。
- 扩散范围和有效性在多路网络中的作用;
- 随机切换反应速率的循环Lotka-Volterra模型中的生存行为;
- 龙王阶段在优先依附和失败模型中的分类;
- 利用人群来检测和减少假新闻和错误信息的传播;
- 齐达内诚实还是消息灵通？欧足联如何避免一场严重的丑闻;
- TweetIT-分析Twitter用户的主题以获得最大的关注;
- 超网络的结构深度嵌入;
- 用于学习Twitter意识形态倾向的联合非负矩阵分解;
- 社交媒体，金钱和政治：2016年美国国会周期的竞选金融;
- 通过利用他们的社交关系来推断用户的偏好;
- 复杂网络中离散时间流行病过程的链接方程;
扩散范围和有效性在多路网络中的作用
原文标题： Roles of the spreading scope and effectiveness in spreading dynamics on multiplex networks
地址： http://arxiv.org/abs/1604.05209
作者： Ming Li, Run-Ran Liu, Dan Peng, Chun-Xiao Jia, Bing-Hong Wang
摘要： 与单一网络相比，复用网络在个体之间的传播过程带来两个主要的影响。首先，病原体或信息一次可以通过不同的层次传递给更多的人，扩大了传播范围。其次，通过不同的层次，个人也可以同时将病原体或信息传递给同一个人，这使得传播更加有效。为了解传播范围和有效性的不同作用，我们提出了一个链路重叠的多传播网络的传染病模型，每个传播的传播有效性以及传播渠道的多样性（传播范围）可以通过重叠的数量来控制链接。我们发现，对于泊松分布来说，增加疫情范围（第一个效应）比提高流行概率（第二个效应）更有效率，以促进传播过程。然而，对于幂律分布，这两个因素对传播动力学的影响变得复杂。提高流行概率使病原体或谣传在有限系统中更容易爆发。但在此之后，疫情扩大范围的扩大仍然更为有效。本文给出了理论结果和合理解释，表明疫情范围可能在传播动力学中起重要作用。
随机切换反应速率的循环Lotka-Volterra模型中的生存行为
原文标题： Survival behavior in the cyclic Lotka-Volterra model with a randomly switching reaction rate
地址： http://arxiv.org/abs/1711.08966
作者： Robert West, Mauro Mobilia, Alastair M. Rucklidge
摘要： 我们研究随机切换再生 - 捕食率对非空间循环Lotka-Volterra模型的生存行为的影响，也称为零和岩石剪刀博弈，用于比喻描述三者之间的循环竞争种类。在人口众多且数量有限的地区，人口动荡（内部噪音）驱使两种物种在有限的时间内灭绝，而生殖 - 捕食率最低的物种最有可能成为幸存者（“最弱的法则”）。在这里，我们通过假设在给定的静态环境中“最强的物种”（最快繁殖/最早）的繁殖 - 捕食率随机地在两个对应于越来越不利的外部条件的值之间切换来模拟环境（外部）噪音。我们研究环境和人口学噪声对物种生存概率和平均灭绝时间的联合效应。尤其是我们研究生存概率是否遵循最弱的规律，分析它们对外界噪声强度和转换率的依赖关系。值得注意的是，平均而言，当灭绝之前有一定数量的开关时，反应速率开关的物种捕食者的生存概率典型地随着外部噪声强度而非单调地变化（关于临界噪声强度）。我们还概述了与所有反应速度在明显不同时间范围内切换的情况的关系。
龙王阶段在优先依附和失败模型中的分类
原文标题： Classification of dragon-king phases in preferential attachment and failure models
地址： http://arxiv.org/abs/1711.09890
作者： Sandro Lera, Didier Sornette
摘要： 考虑优先连接模式的新案例。网络中已经存在的节点获取到新节点的链接的概率与其固有适应度和度数的乘积成正比。我们通过优先删除来丰富这个已经知道的模型，这个模型随机地以与它们对一些指数的适应度成比例的概率去除节点。在“正常”条件下，得到的节点度分布是渐近幂律（无标度状态）。我们得到一个相变的精确条件，在这个条件之后，一个或几个节点捕捉无限网络（龙王政权）中所有链路的有限部分。通过近似地通过β密度“参数化”适应度分布的空间，然后我们展示将这两个区域分开的相图。
利用人群来检测和减少假新闻和错误信息的传播
原文标题： Leveraging the Crowd to Detect and Reduce the Spread of Fake News and Misinformation
地址： http://arxiv.org/abs/1711.09918
作者： Jooyeon Kim, Behzad Tabibian, Alice Oh, Bernhard Schoelkopf, Manuel Gomez-Rodriguez
摘要： 在线社交网站正在尝试以下众筹流程来减少假消息和错误信息的传播：每当用户通过Feed获得故事时，她就可以将故事标记为错误信息，并且如果故事收到足够的标志，它被发送到可信的第三方进行事实核查。如果这个当事方把这个故事标识为错误信息，那么它就被标记为有争议的。然而，由于曝光次数不确定，实际检查成本高以及标志与曝光之间的折衷，上述程序需要仔细的推理和智能算法，据我们所知，这些算法迄今尚不存在。在本文中，我们首先使用标记时间点过程的框架来引入上述过程的灵活表示。然后，我们开发一个可扩展的在线算法Curb，选择发送哪些故事进行事实检查，以及何时这样做，以有效地减少错误信息的传播，并提供可证实的保证。在这样做的时候，我们需要解决具有跳跃的随机微分方程的一个新的随机最优控制问题，这是独立的。从Twitter和微博上收集的两个真实世界的数据集的实验表明，我们的算法可能能够有效地减少假新闻和错误信息的传播。
齐达内诚实还是消息灵通？欧足联如何避免一场严重的丑闻
原文标题： Was Zidane honest or well-informed? How UEFA barely avoided a serious scandal
地址： http://arxiv.org/abs/1711.09973
作者： László Csató
摘要： 欧足联1996欧洲杯预选赛被认为违反了防守策略。事实证明，一支队伍可以通过较低的努力取得更好的成绩：为了在亚军中取得更好的地位，可能会达成一些目标，从而避免危险的淘汰。我们表明，这不仅是一个无关紧要的情况，而且由于法国有动机在与以色列的最后一场比赛中踢出两个自己的目标，所以这种情况有一定的边际可能性。
TweetIT-分析Twitter用户的主题以获得最大的关注
原文标题： TweetIT- Analyzing Topics for Twitter Users to garner Maximum Attention
地址： http://arxiv.org/abs/1711.10002
作者： Dhanasekar Sundararaman, Priya Arora, Vishwanath Seshagiri
摘要： Twitter是一种微博服务，是当今最流行的通讯平台，以短信形式称为Tweets。用户使用Twitter来发布他们的内容，以表达对信息新闻或日常对话观点的担忧。当这个表达出现时，他们是由全球的用户分布网络经历的，而不仅仅是对话者。根据喜欢的形式推特的影响，转发和追随者的百分比增加为用户考虑一个时间窗口，我们计算每个推特的选定用户配置文件的关注因子。这个因素用于从每个用户配置文件中选择前1000个Tweets，以形成一个文档。主题建模然后应用于此文档以确定用户在Tweets后面的意图。在主题建模之后，在包含建模主题的BBC新闻数据集与正在评估的用户文档之间确定相似性。最后，我们确定用户的主要词汇，使我们能够找到引起关注并最近公布的主题。这个实验是通过使用来自约500个跨越政治，娱乐，体育等的Twitter个人资料的超过1.1M个推文来执行的，并且有数百个BBC新闻文章。结果表明，我们的分析是有效的，使我们能够找到的主题，将作为一个建议，为用户在未来获得更高的人气评价。
超网络的结构深度嵌入
原文标题： Structural Deep Embedding for Hyper-Networks
地址： http://arxiv.org/abs/1711.10146
作者： Ke Tu, Peng Cui, Xiao Wang, Fei Wang, Wenwu Zhu
摘要： 网络嵌入最近在数据挖掘中引起了很多关注。现有的网络嵌入方法主要集中在具有成对关系的网络上。然而，在现实世界中，数据点之间的关系可能超越了两两之间的关系，也就是说，三个或更多个对象被包含在由超边限表示的每个关系中，从而形成超网络。这些超网络对于现有的网络嵌入方法来说是一个巨大的挑战，因为超分割是不可分解的，也就是说，超分割中的任何节点子集都不能形成另一个超分割。这些不可分解的超帧在异构网络中特别常见。在本文中，我们提出了一种新的深度超网络嵌入（DHNE）模型来嵌入具有不可分解超帧的超网络。更具体地说，我们从理论上证明，在现有方法中常用的嵌入空间中的任何线性相似性度量都不能维持超网络中的不可分性性质，因此提出了一种新的深度模型来实现非线性元组相似度函数，同时保留局部和形成的嵌入空间中的全局近似值。我们对四种不同类型的超网络进行了广泛的实验，包括GPS网络，在线社会网络，药物网络和语义网络。实证结果表明，我们的方法可以显著和一贯地胜过最先进的算法。
用于学习Twitter意识形态倾向的联合非负矩阵分解
原文标题： Joint Non-negative Matrix Factorization for Learning Ideological Leaning on Twitter
地址： http://arxiv.org/abs/1711.10251
作者： Preethi Lahoti, Kiran Garimella, Aristides Gionis
摘要： 人们正在以传统的新闻来源以一种非常快的速度转向在线新闻。然而，网上新闻消费背后的技术推动内容确认了用户的现有观点。这种现象导致了对反对意见的不同意见和不容忍。因此，一个关键的问题是在社交媒体上对信息过滤泡沫进行建模，并设计消除它们的方法。在本文中，我们使用机器学习的方法在Twitter上学习自由保守的意识形态空间，并展示如何使用学习的潜在空间来解决过滤器泡沫问题。我们将学习社交媒体用户和媒体来源的自由保守意识形态空间的问题建模为受限的非负矩阵分解问题。我们的模型将社会网络结构和内容消费信息结合在一个具有共同潜在因素的联合分解问题中。我们验证了我们的模型和解决方案在一个包含有争议话题的真实世界的Twitter数据集上，并且表明我们能够通过超过90％纯度的意识形态来区分用户。当应用于媒体来源时，我们的方法估计的意识形态得分高度相关（Pearson相关系数为0.9）与地面真实意识形态得分。最后，通过说明如何利用学习的意识形态潜在空间来开发可以帮助用户扩散信息过滤泡沫的探索性和交互式界面，最后展示了我们的模型在实际场景中的实用性。
社交媒体，金钱和政治：2016年美国国会周期的竞选金融
原文标题： Social Media, Money, and Politics: Campaign Finance in the 2016 US Congressional Cycle
地址： http://arxiv.org/abs/1711.10380
作者： Lily McElwee, Taha Yasseri
摘要： 随着社会媒体对公民和政治人物的渗透深入，迫切需要了解主要平台的政治运用是否具有选举影响力。特别是关于运动使用的文献很少，常常描述政治人物的参与策略，或者试图量化社交媒体参与对政治学习，参与或投票的影响。尽管在美国政治中被公认的重要性，但是很少有人考虑到竞选筹款的意义。本文是第一个量化社交媒体竞选的财务收益。我们利用来自Facebook和Twitter，Google Trends，维基百科页面浏览量和联邦选举委员会（FEC）捐赠记录的候选人数据，分析了所有108名候选人获得的社交媒体内容和活动资金的主题和数量之间的关系2016年美国参议院大选。通过应用无监督的学习方法来确定平台上候选内容的主题，我们发现，在控制在职人员，州人口和寻找候选人的信息时，更频繁地发布总体内容和问题相关内容与更高的捐赠收入相关，但是当考虑到捐款的数量而不是捐款的价值时，与竞选有关的内容比后者有更强的作用。
通过利用他们的社交关系来推断用户的偏好
原文标题： Inferring users' preferences through leveraging their social relationships
地址： http://arxiv.org/abs/1711.10399
作者： Xiaofang Deng, Leilei Wu, Xiaolong Ren, Chunxiao Jia, Yuansheng Zhong, Linyuan Lü
摘要： 推荐系统从用户的历史活动和个人档案中推断出用户的喜好，在过去的几年中取得了巨大的成功。现有的大部分作品都是基于网购平台的购物记录中的用户，对象或者两者的相似性。然而，这些方法在已知信息有限的情况下正面临着瓶颈。极端的情况是如何向新用户推荐产品，即所谓的冷启动问题。在线社会网络的兴起使我们有机会打破玻璃天花板。羽毛的鸟群聚集在一起。亲密的朋友可能有类似的选择产品的隐藏模式，朋友的建议更可靠。在本文中，我们将个人的社会关系融入到推荐系统中，并基于用户社会网络和用户项目二分网络组合网络中的大规模扩散过程，提出了一种称为社交质量扩散（SMD）的新方法。结果表明，SMD算法比纯粹在双边网络上的质量扩散（MD）具有更高的推荐精度。特别是对于小用户来说，这种改进是惊人的。而且，SMD为冷启动问题提供了一个很好的解决方案。新用户的推荐准确度显著高于传统的基于流行度的算法。这些结果可能会对更好的个性化推荐系统和信息服务的新设计有所启发。
复杂网络中离散时间流行病过程的链接方程
原文标题： Link equations for discrete-time epidemic processes in complex network
地址： http://arxiv.org/abs/1711.10443
作者： Joan T. Matamalas, Alex Arenas, Sergio Gómez
摘要： 复杂网络中的流行传播由于其实际意义而被深入研究。预测疫情蔓延对于执行遏制运动至关重要。绝大多数文献集中在根据流行病确定节点状态的努力上，而“链接状态”则很少受到关注。链接的状态告知从疾病传播到感染个体的可能性。这些状态依赖于网络的完整结构，而且从节点状态的知识来看，它的确定并不简单。特别是，我们对其在离散时间流行病中的计算方法感到疑惑，这是世界范围内基本上所有的大规模流行病模拟的方法。在这里，我们面对这个挑战，并提出一套离散时间控制方程，可以被封闭和分析，评估链接对复杂网络中的传播过程的贡献。我们在合成网络和真实网络中验证了我们的方法，从而更好地确定临界阈值。此外，我们的方法允许基于链路去激活的流行病争夺的新方案优于以前的方法。
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。