最近几周不在国内，更新或有延迟。
- 电力基础设施网络的生成图模型;
- “TenisRank”：基于PageRank的网球选手新排名;
- 在线社交媒体中提高潜在用户模型;
- 单向随机增长与重置;
- 量化多重网络中的层相似性：一项系统研究;
- KIBS创新型社交媒体创业网络;
- 社交曝光协同过滤：一种模块化的社会推荐方法;
- LATTE：面向应用的网络嵌入;
- 了解在线社会网络的服务整合：数据驱动的研究;
- 比特币网络的Google矩阵;
- 具有优先增长的短程记忆模式;
电力基础设施网络的生成图模型
原文标题： A generative graph model for electrical infrastructure networks
地址： http://arxiv.org/abs/1711.11098
作者： Sinan G. Aksoy, Emilie Purvine, Eduardo Cotilla-Sanchez, Mahantesh Halappanavar
摘要： 我们提出了一个用于电力基础设施网络的生成图模型，它解释了节点和边类型的异质性。为了说明这个模型的设计，我们分析了从美国东部互联，德克萨斯州互联和波兰传输系统电网得到的电网图的特性。在这些数据集中，我们发现由相同电压水平的节点引起的子图表现出对于小世界网络非典型的共享结构性质，包括低局部聚类，大直径和大平均距离。另一方面，我们发现由不同电压类型的变压器边连接节点引起的子图包含更有限的结构，主要由小的不相交的星图组成。我们提出的模型的目标是通过分两个阶段来匹配这些内部和内部网络属性：我们首先为每个电压水平生成子图，然后生成连接这些子图的变换器边。模型的第一阶段采用中random随机图模型，将期望的顶点度和期望的直径作为输入，而模型的第二阶段基于更简单的随机星图生成过程。我们通过将多次运行的输出与上述实际数据进行比较来测试模型的性能。在几乎所有测试类别中，我们发现我们的模型比中model模型更能准确地再现数据中显而易见的异常混合特性。我们还包括图表可视化比较，以及边删除弹性的简要分析。最终，我们的模型可以用来生成合成图数据，测试假设和不同规模的算法，并作为基础模型，在其之上可以追加进一步的电网属性，器件模型和与其他网络的相互依赖性。
“TenisRank”：基于PageRank的网球选手新排名
原文标题： "TenisRank": A new ranking of tennis players based on PageRank
地址： http://arxiv.org/abs/1711.11122
作者： Alex Aronson
摘要： 鉴于所有网球支持者都需要获得排名，ATP排名受到球员的不断抱怨，同时也让新球员受益于一场精彩的比赛，以便能够开始进步他们的事业。而且，如果我们完全基于职位，那么ATP排名不足以预测谁将成为一场比赛的胜者。为了解决这些问题，创建一个新的排名的想法，可以表明什么是一个新的比赛开始之前的球员胜利的真正机会出现。基于Larry Page和Sergey Brin生成的PageRank方法，我们创建了一个专门使用比赛特征生成数据的新排名。根据4万场比赛的历史，我们打算评估新方法与其他现有排名相比如何进行评估，以分析我们是否确实获得了改进和真实的反思。一旦我们获得了排名，我们打算通过一个样本博弈来评估那些有争议的玩家的排名以及这样的博弈的特点，以便能够指出排名更好的玩家获得博弈的准确概率。
在线社交媒体中提高潜在用户模型
原文标题： Improving Latent User Models in Online Social Media
地址： http://arxiv.org/abs/1711.11124
作者： Adit Krishnan, Ashish Sharma, Hari Sundaram
摘要： 现代社交平台的特点是存在与文本内容的发布，共享和消费相关的丰富的用户行为数据。用户在复杂而动态的社交环境中与内容互相交互，同时随着时间的推移而不断变化。为了有效地表征用户并预测他们将来的行为，有必要克服几个挑战。行为数据的内容异质性和时间不一致导致用户级的严重稀疏性。在本文中，我们提出了一个新的相互增强的框架，同时分区和学习用户的潜在活动配置文件。我们提出了一种灵活的用户分区方法来有效地发现罕见的行为，并解决用户级别的稀疏性问题。我们广泛地评估了来自真实平台（包括Q＆A网络和交互式在线课程（MOOC））的海量数据集的建议框架。我们的研究结果表明，在不同的任务范围内，最先进的行为模型（15％平均）显著增加，而对于交互数据有限的用户，我们的收益进一步放大。所提出的算法适合于并行化，在数据集的大小上线性地伸缩，并且为用户行为的不同方面提供灵活性。
单向随机增长与重置
原文标题： Unidirectional Random Growth with Resetting
地址： http://arxiv.org/abs/1711.11331
作者： Tamas S Biro, Zoltan Neda
摘要： 我们审查和分类随机过程没有详细的平衡条件。我们得到平稳的分布，并用Kullback-Leibler公式之外的广义熵散度来研究它们的稳定性。研究了一个简单的局部增长率随机模型，并将其应用于各种网络，科学引文和Facebook的受欢迎程度，高能粒子反应中的强子收益，收入和财富分配，生物多样性和聚居区大小分布。
量化多重网络中的层相似性：一项系统研究
原文标题： Quantifying layer similarity in multiplex networks: a systematic study
地址： http://arxiv.org/abs/1711.11335
作者： Piotr Bródka, Anna Chmiel, Matteo Magnani, Giancarlo Ragozini
摘要： 计算层相似性是表征复用网络的重要方式，因为各种静态属性和动态过程取决于层之间的关系。我们提供了一个分类和实验评估方法来比较复用网络中的层次。我们的分类包括系统化和扩展现有的方法，并辅之以一套如何运用的实用指南。
KIBS创新型社交媒体创业网络
原文标题： KIBS Innovative Entrepreneurship Networks on Social Media
地址： http://arxiv.org/abs/1711.11403
作者： José N. Franco-Riquelme, Isaac Lemus-Aguilar, Joaquín Ordieres-Meré
摘要： 在文献中，关于创新创业的社交媒体的使用分析在文献中很少受到关注，特别是在知识密集型商业服务（KIBS）的背景下。因此，本文着重于通过文本挖掘和情感分析技术来弥补这些差距，以识别这些公司在其社交媒体上所反映的创新创业精神。最后，我们使用数据解释技术（如聚类和主题建模），根据11个西班牙和意大利顾问KIBS Twitter用户名和关键词，对23.483个职位进行定量分析，结果和分析结果。本文认为，在企业对企业（B2B）公司中，社交媒体的感知潜力与社会背景下的创业行为之间存在显著的差距。
社交曝光协同过滤：一种模块化的社会推荐方法
原文标题： Collaborative Filtering with Social Exposure: A Modular Approach to Social Recommendation
地址： http://arxiv.org/abs/1711.11458
作者： Menghan Wang, Xiaolin Zheng, Yang Yang, Kun Zhang
摘要： 本文关注如何有效利用社交信息来改进建议。大多数现有的社交推荐系统假定人们与他们的社交朋友具有相似的偏好。但是，由于各种网络朋友的动机和网络社会网络的动态性，这可能不会成立。受到最近基于因果过程的推荐的启发，即第一个模型用户接触项目，然后使用这些风险来指导评级预测，我们利用社交信息来捕获用户风险，而不是用户偏好。我们假设人们从他们的在线朋友那里获得产品的信息，而且他们不需要分享类似的偏好，这种偏好限制性较小，并且更接近现实。在这个新的假设下，在本文中，我们提出一种新的推荐方法（命名为SERec），以将社交曝光整合到协作过滤中。我们提出了两种实施SERec的方法，即社会正规化和社会助推，每种方法都有不同的构建社会风险的方法。在四个真实世界的数据集上进行的实验表明，我们的方法优于最先进的N建议方法。进一步的研究比较了两种方法的鲁棒性和可扩展性。
LATTE：面向应用的网络嵌入
原文标题： LATTE: Application Oriented Network Embedding
地址： http://arxiv.org/abs/1711.11466
作者： Jiawei Zhang, Limeng Cui, Yanjie Fu
摘要： 近年来，许多研究工作提出将网络化数据嵌入到低维特征空间中。利用嵌入特征向量，可以有效地重构原始网络结构，直接应用经典学习算法，更重要的是学习到的嵌入表示也可以广泛应用于外部应用。然而，由于嵌入过程与外部任务的分离，大多数现有嵌入模型的学习嵌入结果对于具有特定目标的应用任务（例如社区检测与信息扩散）可能是有效的。另外，现在的网络数据已经变得越来越复杂，既可能涉及异构结构，也可能涉及多种多样的网格，现有的均匀网络嵌入模型很少能够很好的处理。本文将研究面向应用的异构网络嵌入问题。与现有的工作截然不同，除了网络结构的保存外，还应将外部应用的目标纳入目标函数。为了解决这个问题，本文提出了一种新的网络嵌入框架，即“应用程序网络嵌入”（Latte）模型。在Latte中，我们引入了一个称为“归属异构社会网络”的新概念来模拟网络中可用的不同结构和属性信息。同时，可以应用异构网络结构来计算节点“扩散接近度”分数，该分数捕获本地和全球网络结构。此外，Latte通过将自编码器模型扩展到异构网络场景来学习网络表示特征向量，还可以有效地将网络嵌入和外部应用任务相结合。
了解在线社会网络的服务整合：数据驱动的研究
原文标题： Understanding Service Integration of Online Social Networks: A Data-Driven Study
地址： http://arxiv.org/abs/1711.11484
作者： Fei Li (1), Yang Chen (1), Rong Xie (1), Fehmi Ben Abdesslem (2), Anders Lindgren (2) ((1) School of Computer Science, Fudan University, (2) RISE SICS)
摘要： 在线社会网络（OSN）广泛采用跨站点链接功能。此功能允许用户将其一个OSN上的帐户链接到其他OSN上的帐户。因此，用户可以使用所链接的账户登录，在这些账户之间共享内容并从中导入朋友。它导致了不同OSN的服务集成。这种集成不仅为用户管理不同OSN账户提供了便利，而且也为采用跨站点链接功能的OSN带来影响。在本文中，我们根据从一个流行的OSN中收集的用户数据调查这种影响。我们对其社交图进行了深入分析，发现跨站点链接功能带来的服务整合能够改变中等社交图结构，吸引大量新用户。但是，几乎没有任何新用户成为媒体中的高影响力用户。为了解决这个问题，我们只建立一个基于机器学习的模型来预测Medium中基于他们的Twitter数据的高影响力用户。该模型获得了0.942的高F1分数和在0.986的曲线下面积（AUC）高的区域。基于此，我们设计了一个系统来协助新的OSN通过跨站点链接功能来识别和吸引其他已建立OSN的高影响力用户。
比特币网络的Google矩阵
原文标题： Google matrix of Bitcoin network
地址： http://arxiv.org/abs/1711.11499
作者： Leonardo Ermann, Klaus M. Frahm, Dima L. Shepelyansky
摘要： 从2009年开始到2013年4月，我们构建和研究了比特币交易的Google矩阵。比特币网络拥有多达数百万比特币用户，我们呈现其主要特征，包括PageRank和CheiRank概率分布， Google矩阵的特征值谱和相关的特征向量。我们发现谱有一个不同寻常的圆形结构，我们把它归结为其成员之间已有的隐藏的节点社区。我们发现，整个时期的交易基尼系数接近于统一，表明网络财富的主要部分被一小部分用户所占有。
具有优先增长的短程记忆模式
原文标题： A short-ranged memory model with preferential growth
地址： http://arxiv.org/abs/1711.11534
作者： Ana L. Schaigorodsky, Juan I. Perotti, Nahuel Almeira, Orlando V. Billoni
摘要： 在这项工作中，我们引入了优化增长的Yule-Simon模型的一个变种，通过引入一个有限核来模拟有界记忆的影响。我们通过将分析参数与广泛的数值模拟相结合来描述模型的特性。特别是，我们分别通过将模型动力学映射到相应的马尔可夫链和分支过程来分析寿命和流行度分布。这些分布遵循幂指数，其定义指数在生态学报告的经验数据范围内。有趣的是，通过改变创新率，这个简单的不平衡模型表现出许多连续相变的特征，在临界点附近，它产生了具有幂律流行性，寿命和事件间时间分布的时间序列，以及非平凡的时间相关性，例如类似于太阳耀斑活动的突发动力学。我们的研究结果表明，创新与遗忘率之间的适当平衡可以为许多复杂系统中常见的许多性质提供解释框架。
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。