- 带模糊的社交联系的异构专业社会网络表示学习;
- 从图信号进行中心性排名的盲推理;
- 社会网络相关主题舆论动态;
- 使用基于MPI的自适应采样将近似介数计算拓展至十亿条边;
- 选举人工智能：2019阿根廷初级和总统选举的案例;
- 使用高斯不确定性模型的非贝叶斯社会学习;
带模糊的社交联系的异构专业社会网络表示学习
原文标题： Representation Learning in Heterogeneous Professional Social Networks with Ambiguous Social Connections
地址： http://arxiv.org/abs/1910.10763
作者： Baoxu Shi, Jaewon Yang, Tim Weninger, Jing How, Qi He
摘要： 网络表示已经显示出了各种任务，包括分类，聚类，并链路预测的范围内提高性能。然而，大多数的模型或者专注于中型，同构网络或需要由用户来提供辅助输入的显著量。此外，一些作品已经研究了不明确的社会关系现实世界的异类社会网络网络表示，而且往往不完整的。在目前的工作中，我们研究了在异构职业社会网络（HPSNs），这是不完整的，有模糊的社会关系学低维节点交涉的问题。我们提出所谓Star2Vec一般异构网络表示学习模式，学习和实体的嵌入人共同使用社交连接强度感知偏随机游走与节点结构扩展功能相结合。在LinkedIn上的经济实验图表和Facebook的网络显示，Star2Vec优于对成员产业现有方法和社交圈分类，技能和标题集群，成员实体链路预测可公开获得的快照。我们还进行了大规模的案例来证明培训了LinkedIn的经济图的Star2Vec的嵌入的实际应用，如接下来的职业生涯的举动，另一份职业生涯的建议，和一般的实体相似性搜索。
从图信号进行中心性排名的盲推理
原文标题： Blind Inference of Centrality Rankings from Graph Signals
地址： http://arxiv.org/abs/1910.10846
作者： T. Mitchell Roddenberry, Santiago Segarra
摘要： 我们研究的中心地位盲排名的问题，我们的目标是完全由节点的观察，即推断节点的特征向量中心排名中，没有关于网络的拓扑信息。我们正式确定这些节点观察作为图信号，并将它们model作为底层（未观察到）网络上的网络处理的输出。一个简单的谱算法来估计相关联的邻接矩阵的特征向量主导，从而用作用于中心性排名的主体。该算法的有限速率性能分析被提供，其中，我们发现在正确地排列所需的图信号数的下界（具有高可能性）的兴趣的两个节点。然后，我们专注我们的一般分析密集 ER图，其中，现有的图论结果可以利用的具体情况。最后，我们通过在合成和真实世界的网络数值实验，制作特别强调网络功能如何影响性能了算法。
社会网络相关主题舆论动态
原文标题： Opinion Dynamics on Correlated Subjects in Social Networks
地址： http://arxiv.org/abs/1910.10960
作者： Alessandro Nordio, Alberto Tarable, Carla Fabiana Chiasserini, Emilio Leonardi
摘要： 了解集体信仰的演变是至关重要的，以获得政治动向以及对社会的品味和意见的见解。特别是，它是关键开发的分析模型，可以预测信仰动态和捕捉的不同主题的观点的相互依存关系。在本文中，我们解决这个问题也占了可以在个人的敌对态度的情况下出现的个人意见之间的意见演化的个体内生过程，以及排斥作用。使用平均场的方法，我们表征通过多维Fokker-Planck方程一个人口众多的个人意见的时间演变，我们确定在其下保持稳定的条件。最后，我们得出稳态意见配送为一体的个人性格和现有的社会互动的功能。我们的计算结果表明：在不同的社会群体的集体信念有趣的动态，他们突出相关科目与敌对态度的影响，以及个人。
使用基于MPI的自适应采样将近似介数计算拓展至十亿条边
原文标题： Scaling Betweenness Approximation to Billions of Edges by MPI-based Adaptive Sampling
地址： http://arxiv.org/abs/1910.11039
作者： Alexander van der Grinten, Henning Meyerhenke
摘要： 居间中心是在网络分析中最流行的顶点中心地位的措施之一。因此，许多（串行和并行）算法，以计算或近似介已经设计。最近算法的进步已经使得能够在共享存储器架构中非常有效地接近介。然而，最好的共享内存的算法仍然可以采取的运行时间对于大图的小时，尤其是对于具有高直径或当需要小的相对误差的曲线图。在这项工作中，我们提出了介近似所述状态的最先进的共享存储器算法的基于MPI的概括。这个算法是基于自适应采样;我们的并行策略可以以相同的方式被应用到自适应采样算法的其他问题。自适应采样相位 - - 只在一个16节点的集群上的实验中，我们的基于MPI的实施考虑到我们的并行化时的焦点是通过16.1x的比状态的最先进的共享存储器实现更快的一个因素。有关完整的算法，我们得到的平均值（GEOM。意思）加速比7.4倍的系数对现有技术的状态。对于一些以前非常具有挑战性的投入，这种加速要高得多。其结果是，我们的算法是第一个近似的图中介中心，在不到十分钟的高精度数十亿的边。
选举人工智能：2019阿根廷初级和总统选举的案例
原文标题： Artificial intelligence for elections: the case of 2019 Argentina primary and presidential election
地址： http://arxiv.org/abs/1910.11227
作者： Zhenkun Zhou, Hernan A. Makse
摘要： 我们采用基于机器学习，大数据分析和网络理论的方法来处理数百万张贴在Twitter消息来预测选举结果。该模型已经通过预测在总统毛里西奥·马克里候选人阿尔贝托·费尔南德斯的较大差异胜利实现在2019 8月11日，在阿根廷目前主要总统选举准确结果;结果是没有在该国的传统民意调查机构的能够预测，并导致了主要债券市场崩溃。我们应用模型到即将举行的阿根廷总统选举于2019年10月27，得到以下结果：费尔南德斯47.5％，马克里30.9％和第三方21.6％。我们的方法改善了其基于与少数由应答率不断下降的困扰，目前落在低个位数的个人的直接相互作用传统的轮询方法。他们提供了可不仅适用于预测的选举，但发现在社会的任何趋势，比如，人们认为气候变化，政治或教育一个可靠的轮询方法。
使用高斯不确定性模型的非贝叶斯社会学习
原文标题： Non-Bayesian Social Learning with Gaussian Uncertain Models
地址： http://arxiv.org/abs/1910.11251
作者： James Z. Hare, Cesar Uribe, Lance Kaplan, Ali Jadbabaie
摘要： 非贝叶斯社会学习理论的顺序通信，并通过从他们的观察可能性更新更新对世界的未知状态的信仰提供了一组主体在社会网络互动的分布式推理的框架。通常情况下，假定可能性的模型精确地知道。然而，在许多情况下，模型从稀疏训练数据，由于缺乏数据的可用性，收集/校准的成本高，通信网络内的限制，和/或操作环境的高动态的生成。最近，社会学习理论扩展到办理类别模型的模型不确定性。在本文中，我们介绍了高斯不确定模型的理论和研究的主体网络产生的信仰的性质。我们发现，即使是训练数据的有限数量的非贝叶斯社会学习就可以实现网络中的所有主体将收敛到一个共识，认为可证明标识给定一组先验信息的世界状态的最佳估计。
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.cn （提供RSS订阅）进行同步更新。个性化论文阅读与推荐请访问 https://arxiv.complexly.cn 平台。