- 四重平衡论:带不均衡三角形的全局最小;
- 时间约束自适应影响力最大化;
- 基于网络分析北美城市公共交通系统;
- 拓扑数据分析的空间应用:城市、雪花、随机结构和蜘蛛受影响的结网;
- 使用机器学习算法理解大萧条;
- 量化Twitter的极化:提名卡瓦诺;
- 谁抛弃了公交?;
- 属性多关系注意力网络用于事实查证网址推荐;
四重平衡论:带不均衡三角形的全局最小
原文标题: Quartic Balance Theory: Global Minimum With Imbalanced Triangles
地址: http://arxiv.org/abs/2001.01719
作者: A. Kargaran, M. Ebrahimi, M. Riazi, A. Hosseiny, G. R. Jafari
摘要: 在签署的网络第一次模拟三重互动提出了Heider的平衡理论,说明两个人之间,友谊或敌意各方的关系,依赖于第三人。该模型的哈密顿有一个隐含的假设,即所有的三元组是独立的,这意味着每个黑社会,被平衡或不平衡的那种状态,是无效的给他人。这种独立性强制网络已经完全平衡的最终状态。然而,存在的证据表明,真正的网络部分平衡提高的是什么机制防止系统被完美平衡的问题。我们的建议是要考虑其溶解黑社会的独立性四次互动。我们采用平均场的方法来研究这些系统的热行为,其中温度是一个参数,允许主体商的随机行为。我们表明,在一定的温度下,平衡与不平衡的黑社会之间的对称性自发地打破,我们有一个不连续的相变。作为结果的稳定性出现下述情形之一相似的平衡或不平衡黑社会支配,因此系统获得了两个新的不平衡的稳定状态。在此模型中,临界温度依赖于节点的数目,这是在热平衡理论线性相关的所述第二功率。我们的模拟是由平均场方法得到的结果是一致的。
时间约束自适应影响力最大化
原文标题: Time-constrained Adaptive Influence Maximization
地址: http://arxiv.org/abs/2001.01742
作者: Guangmo Tong, Ruiqi Wang, Chen Ling, Zheng Dong, Xiang Li
摘要: 公知的影响最大化问题的目的是通过选择之前的扩散过程适当种子用户最大化在社会网络中的一个信息级联的影响。在它的自适应版本,其他种子用户可以观察某些扩散后的结果来选择。在另一方面,社会计算任务往往对时间要求严格,因此只影响导致初期是值得的,它可以通过强制执行时间限制自然建模。在本文中,我们提出的时间约束自适应影响最大化问题的分析。我们表明,新的问题是存在的问题组合地不同,而目前的技术,如子模块最大化和自适应子模是不幸的是不适用的。在理论方面,我们提供计算最优策略的硬度结果和下界所述自适应间隙。对于实际的解决方案,从基础到高级,我们设计了一系列的播种实现高效率和可扩展性的政策。最后,我们通过调查基于真实世界的数据集大量的模拟所提出的解决方案。
基于网络分析北美城市公共交通系统
原文标题: Network-Based Analysis of Public Transportation Systems in North American Cities
地址: http://arxiv.org/abs/2001.01838
作者: Abbas Masoumzadeh, Tilemachos Pechlivanoglou
摘要: 一个全面的数据分析系统的信息和北美的公共交通系统比较提取实现。该系统是基于运输系统的网络的表示,并且利用从图论中以复杂的域特定测量所建立的性能度量和算法的跨度。由于大数据系统的性质和可扩展性的要求,许多启发式的优化和近似已经在系统中考虑。与数据专门人口密度图的其他来源也集成在系统中执行。正式的评估以使系统的子组件进行确认近似有合理的精度。在四个城市,旧金山,波士顿,多伦多和洛杉矶的比较结果批准了大数据的方法来公共交通系统的比较可以成功地揭示潜在的异同。
拓扑数据分析的空间应用:城市、雪花、随机结构和蜘蛛受影响的结网
原文标题: Spatial Applications of Topological Data Analysis: Cities, Snowflakes, Random Structures, and Spiders Spinning Under the Influence
地址: http://arxiv.org/abs/2001.01872
作者: Michelle Feng, Mason A. Porter
摘要: 空间网络在社会,地理,物理和生物的应用无处不在。要了解他们的大尺度结构,大力发展,使一个直接探测的空间结构和动力学影响的方法是很重要的。从历史上看,代数拓扑提供了一个框架,严格的定量描述的空间的全局结构,且最近在拓扑数据分析(TDA)的进步已经给学者,用于分析网络数据的新的透镜。在本文中,我们研究各种空间网络---包括合成和天然的人---使用新的拓扑方法,我们最近分析空间网络而开发的。我们证明我们的方法是能够捕捉到有意义的数量,与依赖于上下文的细节,在空间网络,从而有效地洞察这些网络的结构,包括根据自己的拓扑结构表征他们的新方法。说明我们在各种精神药物的影响下被蜘蛛纺城市,雪花,和网综合网络,对他们的动态,街道网络的例子这些想法。
使用机器学习算法理解大萧条
原文标题: Understanding the Great Recession Using Machine Learning Algorithms
地址: http://arxiv.org/abs/2001.02115
作者: Rickard Nyman, Paul Ormerod
摘要: 尼曼和奥梅罗德(2017年)显示,随机森林的机器学习技术已经给衰退的早期预警的潜力。运用方法一小部分金融变量和复制尽可能真正的事前预测的情况下,在此期间自1990年以来的四步超前预测的准确性是明显优于那些实际上是由专业预测人士提出。在这里,我们通过检查每个解释变量,以2000年代末的大衰退所作出的贡献分析扩展。我们分列私营部门债务到其家庭和非金融企业的组件。我们发现,家庭和非金融企业债务是经济大萧条的关键因素。我们发现在解释模式有相当程度的非线性。相比之下,公共部门债务占GDP的比例似乎已经取得了非常小的贡献。它没有在大衰退期间大幅上涨,但是这是因为急剧下降的经济活动,而不是它是一个原因造成的。我们得到了美国和英国这两个相似的结果。
量化Twitter的极化:提名卡瓦诺
原文标题: Quantifying Polarization on Twitter: the Kavanaugh Nomination
地址: http://arxiv.org/abs/2001.02125
作者: Kareem Darwish
摘要: 本文地址极化量化,特别是因为它涉及到布雷特·卡瓦诺的提名到美国最高法院,他与1881年以来共和党(GOP)和民主(DNC)参议员十分勉强的事后确认的按党派划线高票表决通过。在本文中,我们研究有关的Twitter用户之间的提名政治极化。要做到这一点,我们准确地同时使用半监督和监督分类识别超过128000个的Twitter用户对卡瓦纳夫提名的立场。接下来,我们量化不同群体之间的两极分化是谁,他们转推和主题标签,他们使用的术语。我们修改现有的极化量化措施,使它们更有效率,更有效。我们还表征支持谁,反对提名用户之间的两极分化。
谁抛弃了公交?
原文标题: Whos Ditching the Bus?
地址: http://arxiv.org/abs/2001.02200
作者: Simon J. Berrebi, Kari E. Watkins
摘要: 本文采用四个城市停止级乘客计数数据,以了解2012年和2018年与乘客下降相关的本地特性之间的全国范围内的公交车乘客下降波特兰,迈阿密,明尼阿波利斯/圣保罗和亚特兰大进行评估。泊松模型解释乘客作为横截面,并且作为面板及其变化。同时控制频率,就业和人口变化,与当地的社会人口统计特征的相关使用从美国社区调查的数据调查。改变巴士乘客邻里社会人口的影响正在使用纵向雇主家庭动态数据建模。在一个时间点,与非白,carless的高比例,最显著的街区,高中学历的居民是最有可能有高的乘客。随着时间的推移,白人社区正在失去在所有四个城市的最乘客。地方以高浓度的居民具有大专以上学历,并没有获得一辆汽车也失去了乘客在两个城市的速度更快。在控制了城市内的迁移,即使符号和这些结果的意义保持一致。虽然公交车乘客跨特色街区下降,这些结果表明,根本原因一定是主要影响的白色公交乘客出行行为。邻里社会的人口统计变化,然而,被认为是在大多数城市谦虚,不太可能导致全国范围内的乘客危机。在迈阿密,周边公交车站白人居民的比例增加可能是加剧了下降的因素。
属性多关系注意力网络用于事实查证网址推荐
原文标题: Attributed Multi-Relational Attention Network for Fact-checking URL Recommendation
地址: http://arxiv.org/abs/2001.02214
作者: Di You, Nguyen Vo, Kyumin Lee, Qiang Liu
摘要: 打击假新闻,研究人员主要集中在检测假新闻,并内置记者和维护事实查证网站(例如,Snopes.com和Politifact.com)。然而,假消息的传播有了很大的通过社交媒体网站推广,而这些事实查证网站都没有得到充分利用。为了克服这些问题和补充打击假新闻现有的方法,在本文中,我们提出了一个深刻的学习基于事实查证网址推荐系统在社会媒体网站,如Twitter和Facebook的假新闻减缓的影响。特别是,我们提出的框架包括一个多关系周到模块和异构图关注网络学习用户的URL对,用户 - 用户对,URL,URL对之间复杂/语义关系的。在现实世界的数据集上,我们提出的框架优于国家的最先进的8推荐模型广泛的实验,至少达到3〜5.3%的改善。
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。