- Zipf，Heaps和Taylor规律是由相邻的可能扩展决定的;
- 在线社会网络中活跃交友的近似算法;
- 连环杀手谋杀案之间时间间隔的统计研究;
- ATP：保持非对称传递性的有向图嵌入;
Zipf，Heaps和Taylor规律是由相邻的可能扩展决定的
原文标题： Zipf's, Heaps' and Taylor's laws are determined by the expansion into the adjacent possible
地址： http://arxiv.org/abs/1811.00612
作者： Francesca Tria, Vittorio Loreto, Vito D. P. Servedio
摘要： Zipf，Heaps和Taylor规律在创新过程发挥作用的许多不同系统中无处不在。它们共同代表了一系列引人注目的风格化事实，涉及整体统计数据，创新率以及书面文本和城市，生态系统和股票市场等多种系统波动的尺度。文献中已经提出了许多建模方案来解释这些法律，但是最近才引入了一个建模框架，该框架解释了这些规律的出现，而没有从其他规律中推断出其中一个法则或没有临时假设。该建模框架基于相邻可能空间的概念及其在其边界被探索时动态重构的关键特征，即，以新事件的发生为条件。在这里，我们说明了这种方法，并展示了这个简单的建模框架如何通过改进的Polya的urn模型实例化，能够在一个独特的自洽方案中重现Zipf，Heaps和Taylor规律。此外，相同的建模方案包含其他不太常见的演化定律（Hoppe模型和Dirichlet过程）作为特定情况。
在线社会网络中活跃交友的近似算法
原文标题： An Approximation Algorithm for Active Friending in Online Social Networks
地址： http://arxiv.org/abs/1811.00643
作者： Guangmo (Amo) Tong, Weili Wu, Ding-Zhu Du
摘要： 在现代在线社会网络中，用户之间的关系通常通过发送和接受邀请来开发。现有的朋友推荐服务提供朋友推荐，但他们无法帮助用户与目标用户建立在线朋友。在本文中，我们通过有条不紊地发送邀请来调查活跃的朋友问题，旨在引导用户与目标用户建立友谊。我们考虑突出的线性阈值模型，并提出了一个处理一般图结构的 O（sqrt {n}） - 近似算法。通过鼓励实验结果对理论上的算法进行了理论分析和支持。
连环杀手谋杀案之间时间间隔的统计研究
原文标题： Statistical study of time intervals between murders for serial killers
地址： http://arxiv.org/abs/1811.00664
作者： M.V. Simkin, V.P. Roychowdhury
摘要： 我们研究了1,012名美国连环杀手的2,837次谋杀间隔（冷静期）的分布情况。根据10-10,000天的幂律，分布顺利。权力法则切断了谋杀间隔与人类生命长度相当的地方。否则，分布中没有其他特征尺度。特别是，我们没有看到任何特征狂欢杀手间隔或序列杀手间隔，但只看到缺乏任何特征的单调平滑分布。这表明连环杀手和狂欢杀手之间仅存在数量差异，代表由相同潜在现象产生的不同样本。长达十年的谋杀间隔不是异常现象，而是由相同的幂律分布所描述的罕见事件，因此不一定需要怀疑，正如最近一起涉及被称为“连环杀手”的连环杀手所做的那样。严峻的沉睡者。“这项大规模的研究支持了先前研究的结论，涉及三个多产的连环杀手，以及相关的神经网络模型，可以解释观察到的幂律分布。
ATP：保持非对称传递性的有向图嵌入
原文标题： ATP: Directed Graph Embedding with Asymmetric Transitivity Preservation
地址： http://arxiv.org/abs/1811.00839
作者： Jiankai Sun, Bortik Bandyopadhyay, Armin Bashizade, Jiongqian Liang, P. Sadayappan, Srinivasan Parthasarathy
摘要： 有向图已被广泛用于社区问答应服务（CQA）中，以模拟CQA图中不同类型节点之间的不对称关系，例如问题，答案，用户。非对称传递是有向图的基本属性，因为它可以在下游图推理和分析中发挥重要作用。问题难度和用户专业知识遵循不对称传递性的特征。保持这些属性，同时将图缩小到较低维向量嵌入空间，一直是最近研究的焦点。在本文中，我们解决了具有非对称传递性保留的有向图嵌入的挑战，然后利用所提出的嵌入方法来解决CQA中的基本任务：如何在具有适当专业知识和对CQA的兴趣的用户中适当地路由和分配新发布的问题。该技术通过依赖于对这些图中的核心可达性和隐式层次进行操作的非线性变换，自然地结合了图层次结构和可达性信息。随后，该方法推动了基于因子分解的方法，为图中的每个节点生成两个嵌入向量，以捕获不对称传递性。大量实验表明，我们的框架在两个不同的现实世界任务中始终如一地显著优于最先进的基线：链路预测，问题难度估计以及Stack Exchange等在线论坛中的专家发现。特别是，我们的框架可以支持针对新发布的问题（训练期间看不见的节点）的归纳嵌入学习，因此可以正确地将这些类型的问题路由并分配给CQA中的专家。
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。