Arxiv网络科学论文摘要8篇(2018-08-30)

• 能源整合的集合多样性和随机化的力量;
• 新闻机构的可信度和社交媒体活动对受众参与的影响;
• 用户级聚合对基于词汇的人群级预测的显著效益;
• 带有细粒度字对齐的改进语义感知网络嵌入;
• PS-Sim：参与式传感数据可扩展模拟的框架;
• Twitter上的僵尸网络广告检测;
• 复杂网络的双曲嵌入和社区结构之间的类比表征;
• 通过评估用户的可信度来限制假新闻在社交媒体平台上的传播;

能源整合的集合多样性和随机化的力量

原文标题： Power of Ensemble Diversity and Randomization for Energy Aggregation

地址： http://arxiv.org/abs/1808.09555

作者： David Métivier, Ilia Luchnikov, Michael Chertkov

摘要： 我们研究了一系列不同（非均匀）恒温控制负载的集合，以在区级能源系统中提供需求响应（DR）服务。假设整体中的每个负载都配备有随机数发生器，当负载离开舒适区时，以泊松率 r 开启或关闭加热/冷却加热/冷却。集合多样性通过载荷的确定性动力学中的不均匀性/无序来建模。从统计物理学的角度来看，该集合代表了由DR驱动远离其自然稳定状态的非平衡系统。通过在DR使用之后更快地混合到稳定状态来恢复整体的能力是有利的。分析了聚合器控制水平，命令设备降低速率 r 和相空间振荡确定性动态之间的权衡。我们发现存在一个临界值 r_c ，对应于最有效的混合和分叉点，其中整体从 r> r_c 的振荡放松转变为 r

新闻机构的可信度和社交媒体活动对受众参与的影响

原文标题： Impact of News Organizations' Trustworthiness and Social Media Activity on Audience Engagement

地址： http://arxiv.org/abs/1808.09561

作者： Bhavtosh Rath, Jisu Kim, Jisu Huh, Jaideep Srivastava

摘要： 新闻机构越来越多地使用社交媒体与受众联系，旨在提高他们对新闻的关注和参与度。鉴于新闻媒体的订阅率和受众信任度不断下降，新闻机构必须了解有助于他们与受众关系的因素。利用315个美国报业组织及其受众的Twitter数据，本研究采用多元回归分析来检验关键新闻组织特征对受众群体参与新闻的影响：（1）社交媒体信任得分（TSM）算法计算的可信度; （2）推文数量; （3）推特使用的熟练程度。结果显示，新闻机构的可信度和Twitter活动水平对其受众的新闻参与度有显著影响。还提出了测量新闻组织的可信度和受众新闻参与度的方法，以及用于从大规模数据集计算它们的可扩展算法。

用户级聚合对基于词汇的人群级预测的显著效益

原文标题： The Remarkable Benefit of User-Level Aggregation for Lexical-based Population-Level Predictions

地址： http://arxiv.org/abs/1808.09600

作者： Salvatore Giorgi, Daniel Preotiuc-Pietro, Anneke Buffone, Daniel Rieman, Lyle H. Ungar, H. Andrew Schwartz

摘要： 基于社交媒体文本的临近预报承诺提供对社区级结果的不引人注意且接近实时的预测。这些结果通常与人有关，但数据通常在不考虑每个社区的Twitter人群中的用户的情况下进行汇总。本文描述了一种使用用户聚合的Twitter语言构建社区级模型的简单而有效的方法。四个不同的美国县级任务的结果，跨越人口统计，健康和心理结果显示预测准确性的大幅度和持续改善（例如，从中等收入预测的Pearson r = .73到.82或r = .37到.47，生活满意度预测）超过聚合所有推文的标准方法。我们制作了汇总和匿名的社区级数据，这些数据源自370亿条推文 - 其中超过10亿条被映射到县，可用于研究。

带有细粒度字对齐的改进语义感知网络嵌入

原文标题： Improved Semantic-Aware Network Embedding with Fine-Grained Word Alignment

地址： http://arxiv.org/abs/1808.09633

作者： Dinghan Shen, Xinyuan Zhang, Ricardo Henao, Lawrence Carin

摘要： 近年来，网络嵌入在大规模网络中学习每个顶点的低维表示，已经引起了相当多的关注。对于广泛的应用，网络中的顶点通常伴随着丰富的文本信息，例如用户简档，纸张摘要等。我们建议通过匹配所有顶点对的文本序列之间的重要单词，将语义特征结合到网络嵌入中。我们引入逐字对齐框架来测量字对之间嵌入的兼容性，然后通过简单而有效的聚合函数自适应地累积这些对齐特征。在实验中，我们在下游任务的三个真实世界基准上评估所提出的框架，包括链路预测和多标签顶点分类。结果表明，我们的模型大大优于最先进的网络嵌入方法。

PS-Sim：参与式传感数据可扩展模拟的框架

原文标题： PS-Sim: A Framework for Scalable Simulation of Participatory Sensing Data

地址： http://arxiv.org/abs/1808.09801

作者： Rajesh P Barnwal, Nirnay Ghosh, Soumya K Ghosh, Sajal K Das

摘要： 智能手机和参与式传感（PS）范式的出现为普适计算的新变种铺平了道路。在PS中，人类用户执行感知任务并生成通知，通常代替激励。这些通知是实时的，大容量的和多模式的，最终由PS平台融合以生成摘要。 PS的一个主要限制是由于缺乏积极参与而导致的通知稀疏性，从而抑制了研究界的大规模现实生活实验。另一方面，研究界总是需要基础事实来验证所提出的模型和算法的功效。大多数PS应用涉及人类移动性和报告生成之后感测相邻环境中的任何感兴趣的事件。这项工作试图通过开发一个名为PS-Sim的位置敏感数据模拟框架来研究和实证模拟人类参与行为和事件发生分布。从广泛的实验中已经观察到，PS-Sim生成的合成数据在PS应用中复制了真实的参与和事件发生行为，这可以在缺乏真实性的情况下考虑用于验证目的。作为概念验证，我们使用来自车辆交通管理应用程序的真实数据集来训练PS-Sim中的模型，并将模拟数据与同一数据集的其他部分进行交叉验证。

Twitter上的僵尸网络广告检测

原文标题： Botnet Campaign Detection on Twitter

地址： http://arxiv.org/abs/1808.09839

作者： Jeremy Fields

摘要： 这是一种在Twitter上检测机器人子集的方法，充其量只是研究不足。这种方法通用性足以适应大多数（如果不是全部）社会网络。这个重点关注的机器人子集是那些可以逃避大多数（如果不是全部）当前检测方法的机器人。这仅仅是因为他们几乎没有与他们相关的信息，可以进行分析以做出决定。虽然任何社交媒体网站上的任何帐户本身都有与之相关的信息，但很容易融入大多数仅仅是“潜伏者”的用户 - 那些只消费内容但却没有贡献的用户。如果某个帐户不执行任何操作，您如何确定该帐户是否为机器人？当他们采取行动时，发现将为时已晚。唯一的解决方案是实时或接近实时的检测算法。

复杂网络的双曲嵌入和社区结构之间的类比表征

原文标题： Characterizing the analogy between hyperbolic embedding and community structure of complex networks

地址： http://arxiv.org/abs/1808.09862

作者： Ali Faqeeh, Saeed Osat, Filippo Radicchi

摘要： 我们证明了网络的社区结构可以用作嵌入具有双曲几何的隐藏空间的粗略版本。该发现来自对几个真实世界和合成网络的系统分析。我们利用这个类比来重新解释最初通过网络双曲线嵌入在社区结构方面获得的结果。首先，我们表明可以通过调整不同层的社区结构之间的相关性来控制多路复用网络的稳健性。其次，我们为网络导航部署了一个高效的贪婪协议，该协议利用基于社区结构的路由表。

通过评估用户的可信度来限制假新闻在社交媒体平台上的传播

原文标题： Limiting the Spread of Fake News on Social Media Platforms by Evaluating Users' Trustworthiness

地址： http://arxiv.org/abs/1808.09922

作者： Oana Balmau, Rachid Guerraoui, Anne-Marie Kermarrec, Alexandre Maurer, Matej Pavlovic, Willy Zwaenepoel

摘要： 今天的社交媒体平台能够非常快速地传播真实和虚假新闻。已经提出了一些基于其内容自动检测这种“虚假”新闻的方法，但很难就真实性的普遍标准达成一致（一旦知道可以被对手绕过）。此外，显然不可能让人检查每个新闻项目。在本文中，我们提供了一种限制虚假新闻传播的机制，而不是基于内容。它可以作为社交媒体平台上的插件实现。原则如下：事实检查员团队审查少量新闻项目（最受欢迎的新闻项目），这使得能够估计每个用户分享虚假新闻项目的倾向。然后，使用贝叶斯方法，我们估计未来新闻项目的可信度，并相应地处理那些通过某个“不可信赖”阈值的新闻项目。然后，我们在大型Twitter图上评估此技术的有效性和开销。我们表明，让几千名用户接触到一个给定的新闻项，可以非常精确地估计其可靠性。因此，我们识别出超过99％的假新闻没有误报。性能影响非常小：第90百分位延迟的诱导开销小于3％，而用户操作的吞吐量小于8％。

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。