- 理解联盟：社交网站互操作性的分析框架;
- 本福特法则在古典音乐中的涌现;
- 职业转变和轨迹：计算案例研究;
- 恐慌传染和消退动态;
- 利用社会信号改进矩阵分解的项目推荐;
- 通过社会网络分析检测网络威胁：简要综述;
- 简单的活动驱动模型;
- 空间网络集合中大的代数连通性波动意味着来自节点位置信息的预测优势;
理解联盟：社交网站互操作性的分析框架
原文标题： Understanding Federation: An Analytical Framework for the Interoperability of Social Networking Sites
地址： http://arxiv.org/abs/1805.06474
作者： Antonio Tapiador, Samer Hassan
摘要： 虽然社会网络已经成为Web中的一个显著特征，但完全的互操作性尚未达成。这项工作探讨了跨社交网站的互操作性的主要模式，对应于我们发现互操作性的层。在此基础上，介绍了一种新的SNS互操作性分析框架。使用所提出的框架比较七种代表性的互操作性SNS技术。分析揭示了在解决相同问题的解决方案中压倒性的差异和分散。虽然有一些解决方案达成了共识并被广泛采用（例如在对象ID中），但仍存在多个中心问题，远远没有被广泛标准化（例如，在个人资料表示中）。此外，在隐私控制或数据同步等明显有待改进的地方，已经确定了几个领域。
本福特法则在古典音乐中的涌现
原文标题： Emergence of Benford's Law in Classical Music
地址： http://arxiv.org/abs/1805.06506
作者： Azar Khosravani, Constantin Rasinariu
摘要： 我们分析了由巴赫，贝多芬，莫扎特，舒伯特和柴可夫斯基组成的大量经典音乐作品，并发现了与数学的惊人联系。对于每个作曲家，我们提取每张音符在每一个音符中播放的时间间隔，并发现相应的数据集是Benford分布的。值得注意的是，对数分布不仅用于前导数字，而且用于所有数字。
职业转变和轨迹：计算案例研究
原文标题： Career Transitions and Trajectories: A Case Study in Computing
地址： http://arxiv.org/abs/1805.06534
作者： Tara Safavi, Maryam Davoodi, Danai Koutra
摘要： 从人工智能到网络安全到硬件设计，众所周知计算研究推动了许多重要的技术和社会进步。然而，人们对这些创新背后的人们的长期职业发展路径知之甚少。他们的职业生涯对计算研究的发展有什么启示？哪些机构在这个领域是最重要的，是什么原因？对计算职业轨迹的洞察能否帮助预测雇主保留率？在本文中，我们使用富含专业信息的大型新数据集分析了几十年的博士后计算职业生涯，并提出了一个多用途的职业网络模型R ^ 3，它捕捉时间职业动态。通过R ^ 3，我们跟踪重要组织的计算研究历史，分析行业，学术界和政府之间的职业流动，并为个人职业转型建立强大的预测模型。我们的研究是同类研究中的第一个，它是理解计算机研究事业的起点，并且可以在专业计算技术需求远远超过供应的时候告知雇主招聘和保留机制。
恐慌传染和消退动态
原文标题： Panic contagion and the evacuation dynamics
地址： http://arxiv.org/abs/1805.06573
作者： F.E. Cornes, G.A. Frank, C.O. Dorso
摘要： 恐慌可能会像传染病在社会群体中那样以类似的方式传播到人群中。没有暴露于恐慌源的人可能会表达恐惧，提醒其他人即将发生危险。这种社会机制启动了疏散过程，同时影响了人们逃跑的方式。我们研究了恐慌传染的现实生活情况，并在社会力量模型的背景下再现了这些情况。根据恐慌蔓延的结果，我们得出了可能出现两个撤离计划的结论。两种方案都表现出不同的疏散模式，并且在拥挤事件的可用现实生活记录中定性可见。我们能够通过拓扑参数来量化这些模式。我们进一步调查了如果危险源停止恐慌蔓延逐渐停止。
利用社会信号改进矩阵分解的项目推荐
原文标题： Leveraging Social Signal to Improve Item Recommendation for Matrix Factorization
地址： http://arxiv.org/abs/1805.06594
作者： Ze Wang, Hong Li
摘要： 虽然在过去的十年中，推荐系统在工业界和学术界都得到了全面的研究，但目前大多数推荐系统都存在以下问题：1）用户项矩阵的数据稀疏性严重影响推荐系统的质量。因此，大多数传统的推荐系统方法都无法处理评分较少的用户，这在推荐系统中称为冷启动问题。 2）传统的推荐系统假定用户是独立分布的，忽略了用户之间的社会关系。然而，在现实生活中，由于社会网络服务（如脸书和推特）的指数增长，不同用户之间的社交联系对推荐系统任务起着重要作用。在这项工作中，为了通过整合用户社会网络信息来提供更好的推荐系统，我们提出了一个具有用户社交连接约束的矩阵分解框架。实际数据集上的实验结果表明，所提出的方法在MAE和RMSE方面的性能明显优于最先进的方法，特别是对于冷启动用户。
通过社会网络分析检测网络威胁：简要综述
原文标题： Detecting cyber threats through social network analysis: short survey
地址： http://arxiv.org/abs/1805.06680
作者： Lyudmyla Kirichenko, Tamara Radivilova, Anders Carlsson
摘要： 本文考虑了用于检测网络威胁的社会网络分析基本方法的简短调查。介绍了社会网络威胁的主要类型。描述了涉及社会网络分析的图论和数据挖掘的基本方法。考虑社会网络分析的典型安全任务，例如网络社区检测，社区领导人检测，网络检测专家，文本信息聚类等。
简单的活动驱动模型
原文标题： Simplicial Activity Driven Model
地址： http://arxiv.org/abs/1805.06740
作者： Giovanni Petri, Alain Barrat
摘要： 许多复杂的系统在网络方面找到了一种方便的表示：通过元素的成对相互作用而形成的结构。他们的演变常常由时态网络来描述，其中两个节点之间的链接被描述互动如何随时间变化的事件序列所取代。特别是，活动驱动（AD）模型已被广泛考虑，因为其定义的简单性允许分析见解和各种改进。然而，对于许多生物学和社会学系统而言，基本的相互作用涉及多于两个元素，而单纯的复合体等结构更适合描述这种现象。在这里，我们提出了一个简单活动驱动（SAD）模型，其中构件块是代表多代理交互的节点单体，而不是一组二进制交互。我们将得到的系统与具有相同事件数量的AD模型进行比较。我们强调由此产生的结构差异，并通过分析和数值显示，单纯结构导致模拟疾病传播或社会传染的范式过程的结果存在重大差异。
空间网络集合中大的代数连通性波动意味着来自节点位置信息的预测优势
原文标题： Large algebraic connectivity fluctuations in spatial network ensembles imply a predictive advantage from node location information
地址： http://arxiv.org/abs/1805.06797
作者： Matthew Garrod, Nick S. Jones
摘要： 随机几何图（RGG）集合由其节点位置的无序分布来定义。我们研究这种随机性如何驱动这些图的动态特性中样本间的波动。我们研究代数连通性的分布性质，它是一个与扩散和同步时间尺度有关的图属性。我们使用数值模拟来提供RGG集合的代数连通性分布的第一个特征。我们发现代数连接可以显示相对于其平均值大约30美元/％$的波动，即使对于相对较大的RGG合奏（$ N = 10 ^ 5 $）也是如此。我们证明，导致这些波动的因素在不同的维度，边界条件和节点分布选择的RGG合奏之间有所不同。我们还发现波动的行为是非单调的，作为关键系统参数的函数，其幅度随系统大小而增加。我们分析了代数连通性和各种图结构特性之间的集合内相关性，并且证明了图的最小度和密度不均匀性的集合波动都可以推动代数连通性的波动。我们还推导了RGG的期望代数连通性的封闭形式表达式，其具有用于一般维数的周期性边界条件。
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。