- COVID-19：首个公开的冠状病毒Twitter数据集;
- LAXARY：创伤后应激障碍评估的可信可解释Twitter分析模型;
- 谱图注意力网络;
- 按需出行中的动态定价导致的异常供应短缺;
- TraLFM：交通轨迹数据的潜变量建模;
- TTDM：下一个位置预测的旅行时差模型;
COVID-19：首个公开的冠状病毒Twitter数据集
原文标题： COVID-19: The First Public Coronavirus Twitter Dataset
地址： http://arxiv.org/abs/2003.07372
作者： Emily Chen, Kristina Lerman, Emilio Ferrara
摘要： 在撰写本文时，新型冠状病毒（COVID-19）大流行已经给世界许多国家的公民，资源和经济带来了巨大压力。社会疏远措施，旅行禁令，自我隔离和业务倒闭正在改变全球社会的结构。随着人们被迫离开公共场所，有关这些现象的大量讨论现在都在网上进行，诸如Twitter等社交媒体平台。在本文中，我们描述了自2020年1月22日以来一直在不断收集的多语言冠状病毒（COVID-19）Twitter数据集。我们正在将数据集提供给研究社区（https://github.com/echen102/COVID-19-TweetID）。我们希望我们的贡献将能够在前所未有的比例和影响的行星级流行病爆发的背景下研究在线对话动态。该数据集还可以帮助跟踪科学的冠状病毒不实信息和未经证实的谣言，或者有助于理解恐惧和恐慌，这无疑是更多的事情。最终，该数据集可能有助于实现明智的解决方案并制定有针对性的政策干预措施来应对这一全球危机。
LAXARY：创伤后应激障碍评估的可信可解释Twitter分析模型
原文标题： LAXARY: A Trustworthy Explainable Twitter Analysis Model for Post-Traumatic Stress Disorder Assessment
地址： http://arxiv.org/abs/2003.07433
作者： Mohammad Arif Ul Alam, Dhawal Kapadia
摘要： 退伍军人的心理健康是一个重大的国家问题，因为大量退伍军人正在从最近的伊拉克战争和在阿富汗的持续军事存在中返回。尽管现有的大量工作已经使用黑盒机器学习技术调查了基于Twitter帖子的创伤后应激障碍（PTSD）评估，但是由于缺乏临床可解释性，这些框架无法为临床医生所信任。为了获得临床医生的信任，我们探讨了一个大问题，Twitter帖子可以提供足够的信息来填充临床医生传统上信任的PTSD临床评估调查吗？为了回答上述问题，我们提出了LAXARY（基于语言分析的可证明查询）模型，该模型是一种新颖的可解释人工智能（XAI）模型，用于使用改进的语言查询和单词计数（LIWC）分析来检测和表示Twitter用户的PTSD评估。 。首先，我们使用经过临床验证的调查工具来收集来自真实Twitter用户的临床PTSD评估数据，并使用PTSD评估调查结果开发PTSD语言词典。然后，我们使用PTSD语言词典以及机器学习模型来填充调查工具，以检测PTSD状态及其相应Twitter用户的强度。我们对210位经过临床验证的资深Twitter用户进行的实验评估为PTSD分类及其强度估算提供了有希望的准确性。我们还评估了我们开发的PTSD语言词典的可靠性和有效性。
谱图注意力网络
原文标题： Spectral Graph Attention Network
地址： http://arxiv.org/abs/2003.07450
作者： Heng Chang, Yu Rong, Tingyang Xu, Wenbing Huang, Somayeh Sojoudi, Junzhou Huang, Wenwu Zhu
摘要： 最近已经提出了用于表示学习的图神经网络（GNN）的变体，并在各个领域取得了丰硕的成果。其中，图注意力网络（GAT）首先采用自注意力策略来学习空间域中每个边的注意力权重。但是，学习边的注意仅关注图的局部信息，并且极大地增加了参数的数量。在本文中，我们首先介绍对图谱域的关注。因此，我们提出了谱图注意力网络（SpGAT），该网络学习有关加权滤波器和图小波基的不同频率分量的表示。这样，SpGAT可以有效地捕获图的全局模式，并且学习的参数比GAT少得多。我们在半监督节点分类任务中全面评估了SpGAT的性能，并验证了在谱域中学习注意力的有效性。
按需出行中的动态定价导致的异常供应短缺
原文标题： Anomalous supply shortages from dynamic pricing in on-demand mobility
地址： http://arxiv.org/abs/2003.07736
作者： Malte Schröder, David-Maximilian Storch, Philip Marszal, Marc Timme
摘要： 动态定价方案越来越多地应用于各个行业，以保持需求和供应的自组织平衡。但是，在整个复杂的动力学系统中，存在着可能会破坏其功能的意外的集体状态。在这里，我们揭示了动态定价是如何引发而不是防止需求不平衡的。结合博弈论和按需乘车服务的动态定价数据的时间序列分析，我们解释了这种明显的矛盾。我们得出一个阶段图，该阶段图展示了动态定价如何以及在什么条件下激励打车司机的集体行动，从而导致异常的供应短缺。通过分解全球137个地点的乘车服务价格时间序列中的不同时间尺度，我们确定了反映这些异常供应短缺的价格动态特征模式。我们的研究结果揭示了动态定价方案在哪些情况下会加剧异常的供应短缺，从而为动态定价的监管提供系统的见解，尤其是在公共交通系统中。
TraLFM：交通轨迹数据的潜变量建模
原文标题： TraLFM: Latent Factor Modeling of Traffic Trajectory Data
地址： http://arxiv.org/abs/2003.07780
作者： Meng Chen, Xiaohui Yu, Yang Liu
摘要： 定位设备（例如，GPS）的广泛使用已经引起了大量的人体运动数据，通常以轨迹的形式。了解人员流动模式可能会使许多基于位置的应用程序受益。在本文中，我们通过潜在因子建模提出了一种称为TraLFM的新型生成模型，以挖掘交通轨迹下的人员流动模式。 TraLFM基于以下三个主要观察结果：（1）人体移动方式由轨迹位置序列反映； （2）人员流动方式因人而异； （3）人类的流动方式往往是周期性的，并且会随着时间而变化。因此，TraLFM以统一的方式对顺序因素，个人因素和时间因素的联合作用进行建模，并为诸如潜在因素分析和下一个位置预测之类的许多应用带来了新的视角。我们对两个真实的数据集进行了全面的经验研究，实验结果证实，在这些应用中，TraLFM的性能明显优于最新方法。
TTDM：下一个位置预测的旅行时差模型
原文标题： TTDM: A Travel Time Difference Model for Next Location Prediction
地址： http://arxiv.org/abs/2003.07781
作者： Qingjie Liu, Yixuan Zuo, Xiaohui Yu, Meng Chen
摘要： 下一位置预测对于许多基于位置的应用程序非常重要，并为企业和政府提供了必要的情报。在现有研究中，进行下一个位置预测的常用方法是基于条件概率学习具有大量历史轨迹的顺序过渡。不幸的是，由于时间和空间的复杂性，这些方法（例如，马尔可夫模型）仅使用刚通过的位置来预测下一个位置，而不考虑轨迹中所有通过的位置。在本文中，我们试图通过考虑从查询轨迹中所有经过的位置到候选下一个位置的旅行时间来提高预测性能。特别是，我们提出了一种新颖的方法，称为旅行时差模型（TTDM），该方法利用最短旅行时间与实际旅行时间之间的差异来预测下一个位置。此外，我们通过线性插值将TTDM与Markov模型集成在一起，以生成一个联合模型，该联合模型计算到达每个可能的下一个位置的概率并返回排名最高的结果。我们已经在两个真实的数据集上进行了广泛的实验：车辆通过记录（VPR）数据和滑行轨迹数据。实验结果表明，与现有解决方案相比，预测精度有了显著提高。例如，与Markov模型相比，VPR数据的top-1准确性提高了40％，而Taxi数据则提高了15.6％。
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。