- 社交卡片可能提供对Web存档集合的更好理解;
- 巴西城市枪械凶杀案的尺度率特征;
- 电动汽车及其对网络负荷的影响;
- 近视反馈的自适应影响最大化;
- HyperBagGraph DataEdron：多媒体数据集的丰富浏览体验;
- 超越个性化：创造者平等和消费者满意的社会内容推荐;
社交卡片可能提供对Web存档集合的更好理解
原文标题： Social Cards Probably Provide For Better Understanding Of Web Archive Collections
地址： http://arxiv.org/abs/1905.11342
作者： Shawn M. Jones, Michele C. Weigle, Michael L. Nelson
摘要： 由各种研究人员使用，网络档案馆藏已成为宝贵的证据来源。如果研究人员看到他们没有创建的网络档案馆藏，他们如何知道什么是内部的，以便他们可以将其用于自己的研究？搜索引擎结果和社交媒体链接表示为代理，底层页面的易于消化的小摘要。搜索引擎和社交媒体具有不同的焦点，因此产生与网络档案不同的代理。搜索引擎代理帮助用户回答“这个链接是否满足我的信息需求？”社交媒体代理人帮助用户决定“我应该点击这个吗？”我们的用例略有不同。我们假设一组代理人一起用于总结一个集合。我们希望帮助用户回答“基础集合包含什么？”的问题。但是我们应该使用哪种代理？通过Mechanical Turk参与者，我们可以相互评估六种不同的代理类型。我们发现代理的类型不影响完成我们向参与者呈现的任务的时间。特别感兴趣的是社交卡，通常在社交媒体上找到的代理人，以及浏览器缩略图，在浏览器中呈现的网页的屏幕截图。分别为 p = 0.0569 和 p = 0.0770 ，我们发现与浏览器缩略图并排配对的社交卡和社交卡可能比流行的Archive-It网站目前使用的代理提供更好的收藏理解归档平台。我们衡量用户与每个代理人的互动，并发现用户与社交卡的互动少于其他类型。这项研究的结果对我们的Web档案摘要工作，实时网络策划平台，社交媒体等有影响。
巴西城市枪械凶杀案的尺度率特征
原文标题： Scaling properties of firearm homicides in Brazilian cities
地址： http://arxiv.org/abs/1905.11483
作者： Airton Deppman
摘要： 最近研究城市生活和基础设施若干方面的定量方法表明，规模属性可以让人们了解城市基础设施和城市人类活动的许多特征。在这项工作中，针对巴西城市枪械凶杀案的数据进行了基于城市网络复杂性的分析。由于巴西人口和城市的多样性，这是对最近提出的理论的有趣测试。获得了作为城市人口函数的凶杀案数量的超线性幂律行为，其指数为 beta = 1.15 。测试了分形结构可以在城市以及大型网络中形成的假设，表明在连接多个城市的网络中确实可以发现自相似性。
电动汽车及其对网络负荷的影响
原文标题： Electric Vehicles and their Effect on Network Load
地址： http://arxiv.org/abs/1905.11654
作者： Victor L. Knoop
摘要： 公路车队的组成正在从燃料动力车转变为插电式混合动力车（PHEV）和电动车（EV）。这些车辆的（电气）范围是有限的，导致所谓的“范围焦虑”。首先，这导致了较短路线的偏好。其次，（PH）EV具有从制动再生能量的能力，这使得具有许多加速和减速的路线对于（PH）EV的驾驶员而言不如对于具有内燃机（ICE）的车辆的驾驶员那样不具吸引力。本文结合了这一点，并且由于能耗较低，增加驾驶员可能更喜欢较低的速度限制。将这些元素与道路特征进行比较。结果发现，与ICE车辆驾驶员相比，高速公路通常不太适合（PH）EV的驾驶员，他们更喜欢二级公路或城镇的较短路线。这将影响基础道路网络的使用，从而影响拥堵，排放和安全。在网络设计中需要考虑向基础道路网络的转变。
近视反馈的自适应影响最大化
原文标题： Adaptive Influence Maximization with Myopic Feedback
地址： http://arxiv.org/abs/1905.11663
作者： Binghui Peng, Wei Chen
摘要： 我们在独立级联模型下研究具有近视反馈的自适应影响最大化问题：从社会网络逐个顺序地选择k个节点作为种子，并且每个选择的种子返回它激活的直接邻居作为可用于以后选择的反馈，并且目标是最大化预期的激活节点总数，称为影响范围。我们证明了自适应差距，即最优自适应影响扩散与最优非自适应影响扩散之间的比率，最多为4且至少为e /（e-1），并且相对于最佳自适应影响的近似比率非自适应贪婪和自适应贪心算法的传播至少是 frac 1 4（1 - frac 1 e），最多是 frac e ^ 2 + 1 （e + 1）^ 2 <1 - frac 1 e。此外，当考虑所有图时，非自适应贪婪算法的近似比率不比自适应贪婪算法的近似比率差。我们的结果证实了Golovin和Krause（2011）关于自适应贪婪与近视反馈的恒定近似比率的长期开放猜想，并且它还表明适应性贪婪可能不会在近视反馈下带来太多益处。
HyperBagGraph DataEdron：多媒体数据集的丰富浏览体验
原文标题： The HyperBagGraph DataEdron: An Enriched Browsing Experience of Multimedia Datasets
地址： http://arxiv.org/abs/1905.11695
作者： Xavier Ouvrard, Jean-Marie Le Goff, Stéphane Marchand-Maillet
摘要： 传统的逐字浏览器根据搜索引擎执行的排名以线性方式返回信息，该排名对于冲浪者可能不是最佳的。后者可能需要评估所检索信息的相关性，特别是当他想要探索多方面信息空间的其他方面时。例如，在多媒体数据集中，诸如关键词，作者，出版物类别，组织和图的不同方面可能是有意义的。方面同步可视化有助于深入了解检索到的信息并呼吁进一步搜索。 Facets是共生网络，由HyperBag-Graphs建模 - 多个集合的系列 - 实际上不仅与出版物本身相关，而且与任何选择的参考相关联。这些引用允许在数据集内导航并执行可视查询。我们在此探讨基于Arxiv搜索的科学出版物的案例。
超越个性化：创造者平等和消费者满意的社会内容推荐
原文标题： Beyond Personalization: Social Content Recommendation for Creator Equality and Consumer Satisfaction
地址： http://arxiv.org/abs/1905.11900
作者： Wenyi Xiao, Huan Zhao, Haojie Pan, Yangqiu Song, Vincent W. Zheng, Qiang Yang
摘要： 现代社交媒体平台中的有效内容推荐应该有利于创作者为他们和消费者带来真正的好处，以帮助他们获得真正有趣的内容。在本文中，我们提出了一个称为社交探索注意网络（SEAN）的模型用于内容推荐。 SEAN使用个性化内容推荐模型来鼓励个人兴趣驱动推荐。此外，SEAN允许个性化因素在社会网络上关注用户的高阶朋友，以提高推荐结果的准确性和多样性。从流行的分散式内容分发平台Steemit构建两个数据集，我们将SEAN与最先进的CF和基于内容的推荐方法进行比较。实验结果证明了SEAN在推荐平等的基尼系数和推荐性能的F1得分方面的有效性。
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。