Arxiv网络科学论文摘要5篇(2017-05-11)

• 汽车销售动态背后的最大熵原理;
• 挖掘目标属性子空间和大型归属网络中目标社区的集合;
• 挖掘应用感知社区组织与社会网络中有关属性的扩展特征子空间;
• 基于动态不对称链路影响的网络中有影响力的扩散者的准确排名;
• 背景知识的分层在线学习，用于移动大众化中的性能最大化;

汽车销售动态背后的最大熵原理

地址： http://arxiv.org/abs/1705.03458

作者： A. Hernando, D. Villuendas, M. Sulc, R. Hernando, R. Seoane, A. Plastino

摘要： 我们分析了新车每月销售的详尽数据。该套是西班牙10年西班牙销售超过6500种不同的车型配置，从2007年1月至2017年1月，共售出10万辆汽车。我们发现，对于每月市场份额高于0.1％的型号配置，在物流动力学下，销售成为可扩展的，符合格拉斯比例增长规律。值得注意的是，销售总额的分布遵循对动态平衡成比例增长的系统的最大熵原理的预测。我们也遇到相关联的动力学是非马尔可夫型的，即系统的腐蚀记忆或惯性约5年。因此，汽车销售在一定时期内是可预测的。我们表明，动力学的主要特征可以通过基于郎之万方程的结构来描述。这个结构包含了汽车销售预测模型应该遵循的基本原则。

挖掘目标属性子空间和大型归属网络中目标社区的集合

地址： http://arxiv.org/abs/1705.03590

作者： Peng Wu, Li Pan

摘要： 社区检测为各种应用（如营销和产品推荐）提供了宝贵的帮助。为普通网络设计的传统社区检测方法可能无法在具有属性信息的归属网络上检测具有同质属性的社区。大多数最近的属性社区检测方法可能无法捕获特定应用程序的要求，并且无法为特定应用程序的一组必需社区挖掘。在本文中，我们旨在检测目标子空间中的一组目标社区，其具有一些具有重要权重的重点属性，满足特定应用的要求。为了改善大学的问题，我们在极端情况下解决了这个问题，只提供了任何潜在目标社区中的两个样本节点。提出了目标子空间和社区挖掘（TSCM）方法。在TSCM中，样本信息扩展方法被设计为将两个样本节点扩展到一组样本节点，从该组样本节点推断目标子空间。然后根据目标子空间定位和挖掘一组目标社区。合成数据集的实验表明，我们的方法和应用对现实世界数据集的有效性和效率显示了其应用价值。

挖掘应用感知社区组织与社会网络中有关属性的扩展特征子空间

地址： http://arxiv.org/abs/1705.03592

作者： Peng Wu, Li Pan

摘要： 社交网络是具有节点属性的典型归属网络。与传统的属性社区检测问题不同，旨在获取网络中的整个社区，我们研究了针对具体相关属性挖掘应用感知社区组织的面向应用的问题。相关属性是根据用户事先提出的​​任何应用的要求来指定的。应用感知社区组织w.r.t.有关属性由包含这些相关属性的特征子空间的社区组成。除了有关的属性，每个必需社区的特征子空间可能包含一些其他相关属性。特征子空间的所有相关属性联合描述和确定嵌入在这样的子空间中的社区。因此，问题包括两个子问题，即如何扩展相关属性的集合以完成特征子空间，以及如何挖掘嵌入在扩展子空间中的社区。通过优化称为子空间适应度的质量函数共同解决了两个子问题。提出了一种称为ACM的算法。为了定位可能属于应用感知社区组织的社区，由具有相似关联属性的节点组成的网络主干的内聚部分被检测并设置为社区种子。所有关联属性的集合被设置为所有社区种子的初始子空间。然后迭代地对每个社区种子及其属性子空间进行调整，以优化子空间适应度。综合数据集的广泛实验证明了我们在现实世界网络中的方法和应用的有效性和效率，显示出其应用价值。

基于动态不对称链路影响的网络中有影响力的扩散者的准确排名

地址： http://arxiv.org/abs/1705.03668

作者： Ying Liu, Ming Tang, Younghae Do, Pak Ming Hui

摘要： 我们提出了一种有效和准确的措施来分摊扩散者，并确定在网络中传播流程中有影响力的人员。虽然边缘确定节点之间的连接，但是它们在传播中的具体作用应该被明确地考虑。连接节点i和j的边缘对于从i到j和从j扩展到i的重要性可能不同。关键问题是，节点j在被i感染到边缘之后是否会接触到我本身无法直接到达的其他节点。需要根据节点i和j的邻域调用表示边缘重要性的两个不相等权重wij和wji。来自节点的总非对称方向权重导致了一种量化了节点在扩展过程中的影响的新颖度量。 s-shell分解方案进一步向节点分配一个s-shell索引或加权核心。基于si和加权核心的排名的有效性和准确性通过将其应用于九个现实世界网络来证明。结果表明，它们通常基于节点度和k-shell指数优于排名，同时保持较低的计算复杂度。我们的工作是了解和控制疾病传播，谣言，信息，趋势和网络创新的关键一步。

背景知识的分层在线学习，用于移动大众化中的性能最大化

地址： http://arxiv.org/abs/1705.03822

作者： Sabrina Müller, Cem Tekin, Mihaela van der Schaar, Anja Klein

摘要： 在移动用户群中，移动用户完成外部人员智能任务。移动众包需要适当的任务分配策略，因为不同的工作人员在接受率和质量方面可能会有不同的表现。任务分配具有挑战性，因为工作人员的表现（i）可能会根据工作人员的当前情况和任务背景而波动，（ii）不是先验知之，而是必须随着时间的推移而被了解。然而，学习上下文特定的工作人员绩效需要访问上下文信息，哪些工作人员不能向中央实体授予。此外，评估员工绩效可能需要昂贵的质量评估。在本文中，我们提出了一种上下文感知分层在线学习算法，解决了移动众包中性能最大化的问题。在我们的算法中，工作人员的移动设备中的本地控制器（LC）定期观察其工作人员的上下文，接受或拒绝任务的决定以及完成任务的质量。根据这些观察结果，LC定期估计其工作人员的上下文具体绩效。然后，移动众包流程平台（MCSP）根据从LC收到的性能估算来选择工作人员。这种分层方法使LC能够学习具体的上下文工作人员绩效，并使其能够选择合适的员工。此外，我们的算法在本地保留了工作环境，并保持了所需质量评估的数量。我们证明我们的算法收敛于最优任务分配策略。此外，该算法在基于合成和实际数据的实验中胜过更简单的任务分配策略。

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。本系列在个人博客网络科学研究速递 进行同步更新，并提供RSS订阅。