- 局部决定全局：大规模社会网络中有影响力扩散者的识别和量化;
- 美国社会化媒体对极权、党派和垃圾消息的消费;
- AspEm：异构信息网络不同方面的嵌入学习;
- 语言网络的形态空间;
- 符号网络分割;
- 算法偏差放大了意见偏见：一种有界的置信模型;
- 财富不平等的最优控制动力学模型;
- 识别噪声网络中有影响力的扩散者;
- 种族多样性增加科学影响力;
- 真实与理论网络中的隐藏对称性;
局部决定全局：大规模社会网络中有影响力扩散者的识别和量化
原文标题： Local Determines Global: Identification and Quantification of Influential Spreaders in Large Scale Social Networks
地址： http://arxiv.org/abs/1509.03484
作者： Yanqing Hu, Shenggong Ji, Yuliang Jin, Ling Feng, H. Eugene Stanley, Shlomo Havlin
摘要： 衡量和优化大数据在线社会网络中影响力的传播对于设计虚假信息监控和病毒式营销的有效策略非常重要。由于社会网络信息的病毒传播是一个全球性的过程，人们普遍认为，测量节点的影响和优化病毒传播需要整个网络信息。通过将统计物理学中的扩散动力学映射到粘结渗流上，我们发现在许多随机扩展事件中，信息扩散仅发生在两个分离良好的阶段中的一个阶段：具有少量受影响节点的局部受限阶段和全局病毒扩展阶段与整个网络节点的固定部分相对于初始扩展器和实现是不变的。全球和当地的阶段显然是分开的，这使我们能够通过一个小的特征性感染大小来区分它们。因此，在不需要关于全球网络结构的信息的情况下，可以基于该局部特征感染大小准确地测量任何节点对整个网络的全球影响。这激发了一个有效的算法，其具有恒定的时间复杂度，以处理最佳种子播种机选择的长期存在问题，其性能非常接近真正的最佳值。
美国社会化媒体对极权、党派和垃圾消息的消费
原文标题： Polarization, Partisanship and Junk News Consumption over Social Media in the US
地址： http://arxiv.org/abs/1803.01845
作者： Vidya Narayanan, Vlad Barash, John Kelly, Bence Kollanyi, Lisa-Maria Neudert, Philip N. Howard
摘要： 什么样的社交媒体用户阅读垃圾新闻？在唐纳德·特朗普总统首次发表国情咨文之前的三个月里，我们检查了最重要的垃圾新闻来源的分布情况。利用持续发布极端主义，煽情主义，阴谋论，蒙面评论，假新闻和其他形式的垃圾新闻的政治新闻和信息的来源清单，我们发现这些内容的分布在整个意识形态范围内均匀分布。我们证明：（1）在推特上，特朗普的支持者网络分享最广泛的已知垃圾新闻来源，并流传比所有其他团体放在一起更多的垃圾新闻; （2）在脸书上，与共和党网页截然不同的极端硬右版页面分享最广泛的已知垃圾新闻来源，并传播比所有其他受众群体更多的垃圾新闻; （3）平均而言，Twitter上垃圾新闻的观众分享比Facebook公共页面上的观众更多的已知垃圾新闻来源。
AspEm：异构信息网络不同方面的嵌入学习
原文标题： AspEm: Embedding Learning by Aspects in Heterogeneous Information Networks
地址： http://arxiv.org/abs/1803.01848
作者： Yu Shi, Huan Gui, Qi Zhu, Lance Kaplan, Jiawei Han
摘要： 异构信息网络（HIN）在现实世界的应用中无处不在。由于HIN中的异质性，类型边可能不完全对齐。为了捕捉语义的微妙之处，我们提出了方面的概念，每个方面都是代表一个潜在语义方面的单元。同时，网络嵌入已经成为学习网络表示的强大方法，其中学习到的嵌入可以用作各种下游应用程序中的特征。因此，我们有动力提出一种新的嵌入式学习框架--- AspEm ---基于多个方面来保存HIN中的语义信息。 AspEm不是将信息保存在一个语义空间中，而是分别封装有关每个方面的信息。为了选择方面的嵌入目的，我们进一步为AspEm设计一个基于数据集范围统计的解决方案。为了证实AspEm的功效，我们用两种类型的应用 - 分类和链路预测对两个实词数据集进行了实验。实验结果表明，通过考虑多个方面，AspEm可以超越基线网络嵌入学习方法，其中方面可以以无监督的方式从给定的HIN中选择。
语言网络的形态空间
原文标题： The morphospace of language networks
地址： http://arxiv.org/abs/1803.01934
作者： Luís F Seoane, Ricard Solé
摘要： 语言可以被描述为具有不同定性属性和复杂性的交互对象的网络。这些网络包括语义，句法或语音层次，并且已经发现提供语言复杂性及其演进的新图像。一般的方法是从信息论的角度考虑语言，包含说话者，听话者和嘈杂的频道。后者通常被编码成矩阵，将用于通信的信号与在现实世界中发现的含义相联系。大多数语言演化研究都以某种方式处理这种理论上的缺陷，并探讨了沟通矩阵中不同形式选择的结果，这种选择有点优化了沟通。这个框架自然地引入了调解通信代理的网络，但是没有对可能的语言图的基础景观进行系统分析。在这里我们提供一个通用代码的通用模型的网络属性的详细分析，揭示了一个相当复杂和异构的语言网络形态空间。此外，我们使用英语单词的策划数据来定位和评估这种语言形态空间中的真实语言。我们的研究结果表明，人类语言的结构非常简单，除非在词汇中引入了粒子，并具有指定任何其他概念的能力。这些结果进一步细化并首次与经验数据相辅相成，这是围绕\ {em \ {最小努力语}}框架的持久理论传统。
符号网络分割
原文标题： Partitioning signed networks
地址： http://arxiv.org/abs/1803.02082
作者： V.A. Traag, P. Doreian, A. Mrvar
摘要： 符号网络自然会出现在冲突或仇恨明显的环境中。在本书中，我们将回顾一些有关符号网络的文献，特别是在分区方面。大部分的工作是建立在所谓的结构平衡理论之上的。我们涵盖结构平衡理论的基本数学原理。该理论为分区提供了一种自然的表达方式。我们简单地将此与其他基于社区检测的分区方法进行比较。最后，我们分析了一个国际联盟和冲突网络，并讨论了我们调查结果对结构平衡理论的影响。
算法偏差放大了意见偏见：一种有界的置信模型
原文标题： Algorithmic bias amplifies opinion polarization: A bounded confidence model
地址： http://arxiv.org/abs/1803.02111
作者： Alina Sîrbu, Dino Pedreschi, Fosca Giannotti, János Kertész
摘要： 通过在线媒体平台到达我们的信息流不是通过信息内容或相关性来优化，而是通过流行度和接近目标来优化。这通常是为了最大化平台使用而执行的。作为一个副作用，这引入了一种算法偏差，这被认为会加剧社会争论的两极分化。为了研究这一现象，我们修改了有界置信度的众所周知的连续舆论动态模型，以解决算法偏差并研究其后果。在原始模型的最简单版本中，随机选择讨论参与者对，并且如果它们处于固定的容忍水平内，则他们的意见彼此更接近。我们修改讨论合作伙伴的选择规则：选择意见已经彼此接近的个人的可能性增大，从而模拟了表明与类似同事交流的在线媒体行为。因此，我们观察到：a）极化趋势增加，这种趋势也出现在原始模型预测收敛的条件下，以及b）达到渐近状态收敛速度的急剧减慢，这使得该系统极不稳定。初期人口分散，极化增加。
财富不平等的最优控制动力学模型
原文标题： Kinetic models for optimal control of wealth inequalities
地址： http://arxiv.org/abs/1803.02171
作者： Bertram Düring, Lorenzo Pareschi, Giuseppe Toscani
摘要： 我们在简单的市场经济中引入和讨论财富分配动力学模型的最优控制策略，以尽量减少人口中财富密度的变化。我们的分析基于对微观代理人动态的模型预测控制近似，并导致对税收和再分配政策采取另一种理论方法。它表明，一般来说，控制能够修改对应Boltzmann动力学方程的平稳解的帕累托指数，并且这种修改可以被准确量化。还讨论了之前基于福克 - 普朗克模型与税收再分配政策和目前方法之间的联系。
识别噪声网络中有影响力的扩散者
原文标题： Identifying influential spreaders in noisy networks
地址： http://arxiv.org/abs/1803.02253
作者： Şirag Erkol, Ali Faqeeh, Filippo Radicchi
摘要： 当关于系统的结构和动态的先验知识是不完整或错误的时候，我们考虑识别网络上传播过程中最有影响的节点的问题。具体而言，我们执行数值分析，其中根据先前信息确定顶部扩散器集合，其中，先前信息是由一定程度的噪音人为改变的。然后，我们通过测量其在真实系统中的传播影响来衡量所选集合的最优性。虽然我们发现，当先验知识完整且没有错误时，顶部传播者的识别是最佳的，但我们还发现，使用噪音信息识别的顶部传播者的质量并不一定随着噪音水平的增加而降低。例如，我们表明通常可以通过在网络结构中添加合成误差来补偿有关动态参数的错误信息。此外，我们表明，在一些动态的制度下，甚至完全失去对网络结构的先验知识可能比依靠某些但不完整的信息更好。
种族多样性增加科学影响力
原文标题： Ethnic Diversity Increases Scientific Impact
地址： http://arxiv.org/abs/1803.02282
作者： Bedoor K AlShebli, Talal Rahwan, Wei Lee Woon
摘要： 受到多样性的众多社会和经济利益的启发，我们分析了超过900万篇论文和600多万名跨越24个研究领域的科学家，以了解研究影响与五种多样性之间的关系，反映了（i）种族，（ii） ，（iii）性别，（iv）隶属关系和（v）学术年龄。对于每种类型，我们研究群体多样性（即一组论文作者的异质性）和个体多样性（即科学家的整套合作者的异质性）。值得注意的是，在所考虑的所有类型中，我们发现种族多样性是该领域科学影响力最强的预测因子（分别为群体和个体种族多样性分别为0.77和0.55）。此外，为了区分种族多样性与其他混杂因素的影响，我们分析了一个基线模型，其中作者族群随机化，同时保留所有其他特征。我们发现，与随机基线模型相比，实际数据中种族多样性与影响之间的关系更强，无论出版年份，每篇论文的作者数量以及每位科学家的合作者数量如何。最后，我们使用粗略的精确匹配来推断因果关系，从而将不同论文和科学家的科学影响与紧密匹配的对照组进行比较。与其他结果一致，我们发现种族多样性一贯导致更高的科学影响。
真实与理论网络中的隐藏对称性
原文标题： Hidden Symmetries in Real and Theoretical Networks
地址： http://arxiv.org/abs/1803.02328
作者： Dallas Smith, Benjamin Webb
摘要： 对称性在真实网络中无处不在，通常表征网络特性和功能。在这里我们提出一个称为\ emph {latent symmetry}的网络对称性的推广，它是标准对称概念的延伸。它们是根据网络缩减版本中的标准对称性来定义的。潜在对称性的一个独特方面是每一个都与\ emph {size}相关联，这提供了一种讨论网络中多个尺度的对称性的方法。我们能够演示一些包含潜在对称性的网络（图）的例子，包括一些真实的网络。在数值实验中，我们表明，当与非网络（Erd {\ H o} s-R 'enyi）图相比时，在使用优先连接构建的图中发现潜在对称性更加频繁，网络增长是标准模型。最后，我们证明，如果网络中的顶点是潜在对称的，那么它们必须具有相同的特征向量中心性，类似于标准意义上的对称顶点。这表明，真实网络中存在的潜在对称可以用于这些网络中相同的结构和功能标准对称。我们从这些事实和观察得出结论：在实际网络中存在\ emph {潜在对称性}，并提供关于网络潜在超出标准对称性的有用信息，因为它们可以出现在多个尺度上。
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。