- 使用潜在图卷积网络进行复杂多图的端到端学习;
- 当你的朋友成为卖家:社交商务网站北电的实证研究;
- GitHub生态系统的大规模多主体数据驱动模拟;
- 基于闲言碎语的普适推荐系统信息传播;
- 在世界-地球系统模型中使用深度强化学习发现可持续管理战略;
- FCNHSMRA_HRS:使用资源分配方法改善电影混合推荐系统的性能;
- CUPCF:在协同过滤中结合用户首选项以获得更好的推荐;
使用潜在图卷积网络进行复杂多图的端到端学习
原文标题: End-to-End Learning from Complex Multigraphs with Latent Graph Convolutional Networks
地址: http://arxiv.org/abs/1908.05365
作者: Floris Hermsen, Peter Bloem, Fabian Jansen, Wolf Vos
摘要: 我们研究了复杂多图的端到端学习问题,两个顶点之间可能存在大量边,每条边都标有丰富的信息。此类图表的示例包括金融交易,通信网络或机场之间的航班。我们提出了潜在图卷积网络(L-GCN),它可以成功地将信息从这些边标签传播到潜在邻接张量,之后可以执行进一步的传播和下游任务,例如节点分类。我们在模拟金融交易网络中的欺诈的两个合成数据集上评估模型的若干变体的性能,以确保模型必须利用边标签以实现良好的分类性能。我们发现允许基于每个邻居的非线性交互可以显著提高性能,同时在归纳设置中也显示出有希望的结果。
当你的朋友成为卖家:社交商务网站北电的实证研究
原文标题: When Your Friends Become Sellers: An Empirical Study of Social Commerce Site Beidian
地址: http://arxiv.org/abs/1908.05409
作者: Hancheng Cao, Zhilong Chen, Fengli Xu, Tao Wang, Yujian Xu, Lianglun Zhang, Yong Li
摘要: 过去几年见证了基于强关系的社交商务的出现和非凡的成功。嵌入在社交网站中的这些电子商务平台将普通人转变为卖家,在那里他们在在线社会网络中向他们的朋友和家人做广告和销售产品。这些网站可以在短时间内获得数百万用户,并且正在以更快的速度快速增长。然而,人们对这些社会商业如何发展成为社会关系和经济交易的混合物知之甚少。在本文中,我们首次对中国发展最快的社交商务网站之一北电的全面数据进行了测量研究,该网站涉及1180万用户。我们首先分析了北电平台的拓扑结构,并强调了它的分散性。然后,我们通过邀请级联来研究网站的快速增长及其增长机制。最后,我们调查了北电的购买行为,我们专注于用户接近度和忠诚度,这有助于网站的高转换率。作为强关系和经济逻辑之间相互作用的结果,新兴社交商务在网络结构,动态和用户行为方面表现出与所有已知社会网络和电子商务的重大财产偏差。据我们所知,这项工作是对新兴社交商务平台的网络特征和动态的第一次定量研究。
GitHub生态系统的大规模多主体数据驱动模拟
原文标题: Massive Multi-Agent Data-Driven Simulations of the GitHub Ecosystem
地址: http://arxiv.org/abs/1908.05437
作者: Jim Blythe, John Bollenbacher, Di Huang, Pik-Mai Hui, Rachel Krohn, Diogo Pacheco, Goran Muric, Anna Sapienza, Alexey Tregubov, Yong-Yeol Ahn, Alessandro Flammini, Kristina Lerman, Filippo Menczer, Tim Weninger, Emilio Ferrara
摘要: 模拟和预测行星尺度的技术社会系统会带来沉重的计算和建模挑战。 DARPA SocialSim计划面临的挑战是使用大规模多智能体模拟来模拟大型协作软件开发生态系统GitHub的发展。我们描述了性能最佳的模型和基于主体的仿真框架,我们目前正在扩展这些模型以模拟其他行星级技术社会系统。挑战问题测量参与者的能力,给出GitHub上30个月的用户活动元数据,使用基于主体的模拟,通过应用于基本事实的各种指标来预测下个月的活动。挑战需要扩展到大约300万个主体商的模拟,产生3000万个行动,使用商品硬件对600万个存储库进行操作。最佳地使用数据来预测主体人的下一步行动也很重要。我们描述了挑战中一个获胜团队所使用的主体框架和数据分析。基于各种机器学习和统计方法测试了六种不同的主体模型。虽然没有一种方法在每个度量标准上都被证明是最准确的,但是最广泛成功的方法是从每个主体的动作和存储库的固定概率分布中采样。这些主体成功的两个原因是他们使用每个主体的不同特征,并且GitHub用户相对缓慢地改变他们的行为。
基于闲言碎语的普适推荐系统信息传播
原文标题: On Gossip-based Information Dissemination in Pervasive Recommender Systems
地址: http://arxiv.org/abs/1908.05544
作者: Tobias Eichinger, Felix Beierle, Robin Papke, Lucas Rebscher, Hong Chinh Tran, Magdalena Trzeciak
摘要: 普适计算系统采用分布式和嵌入式设备,以便随时随地提升,通信和处理数据。当然,其最突出的设备是智能手机,因为其广泛的扩散,不断增长的计算能力和无线网络功能。在这种情况下,我们重新审视数字化口碑的实施,建议在离线和直接邻近的智能手机之间交换项目偏好。以这种方式协作和分散地收集数据有两个好处。首先,它允许附加例如位置敏感的上下文信息,以便丰富收集的项目偏好。 %增强了设备上的建议。其次,模型构建不需要网络连接。尽管有这些好处,但这种方法自然会引发数据隐私和数据稀缺问题。为了解决这两个问题,我们提出了一种传播和过滤方法,这种方法可以转换传统的方法,即从分散的领域到普遍的推荐系统,找到相似的同伴并相互交换项目偏好。此外,我们在原型移动应用程序上提供了初步结果,该应用程序实现了所提出的设备到设备信息交换。平均ad-hoc连接延迟25.9秒,可靠连接成功率在6米以内,是该方法技术可行性的基础。
在世界-地球系统模型中使用深度强化学习发现可持续管理战略
原文标题: Deep reinforcement learning in World-Earth system models to discover sustainable management strategies
地址: http://arxiv.org/abs/1908.05567
作者: Felix M. Strnad, Wolfram Barfuss, Jonathan F. Donges, Jobst Heitzig
摘要: 越来越复杂的非线性世界 - 地球系统模型被用于描述生物物理地球系统的动态以及人类社会的社会经济和社会文化世界及其相互作用。在这些模型中确定可持续未来的途径,为决策者和广大公众提供信息,例如:导致强有力地减缓危险的人为气候变化的途径,是气候研究和更广泛的地球系统科学领域中具有挑战性和广泛研究的任务。当需要考虑避免违反行星边界和社会基础的限制时,这个问题尤其困难。在这项工作中,我们建议将最近开发的机器学习技术,即深度强化学习(DRL)与世界 - 地球系统中轨迹的经典分析相结合。基于主体 - 环境接口的概念,我们开发了一种通常能够在地球系统的可变可管理环境模型中行动和学习的主体。我们通过将DRL算法应用于两个风格化的World-Earth系统模型来展示我们框架的潜力。从概念上讲,我们从而探索找到新的全球治理政策的可行性,这些政策导致一个受某些行星和社会经济边界约束的安全和公正的运营空间。人工智能主体了解到,对可再生能源征收碳排放和补贴的具体组合的时机对于找到长期可持续的世界 - 地球系统轨迹至关重要。
FCNHSMRA_HRS:使用资源分配方法改善电影混合推荐系统的性能
原文标题: FCNHSMRA_HRS: Improve the performance of the movie hybrid recommender system using resource allocation approach
地址: http://arxiv.org/abs/1908.05608
作者: Mostafa Khalaji, Nilufar Mohammadnejad
摘要: 推荐系统是能够向用户提供最合适的服务和产品的系统。通过特定的方法和技术,推荐系统尝试识别最合适的项目,例如信息和商品的类型,并提出最接近用户的品味。基于一组用户的评级提供活动用户建议的协同过滤是用于在推荐系统中找到相同品味的人的最简单且最易理解和成功的模型之一。在该模型中,随着用户和电影数量的增加,系统具有可扩展性。另一方面,当关于评级的信息很少时,重要的是改善系统的性能。本文提出了一种基于FNHSM_HRS结构的电影混合推荐系统,采用资源分配方法FCNHSMRA_HRS。 FNHSM_HRS结构基于启发式相似性度量(NHSM)以及模糊聚类。在所提出的系统中使用模糊聚类方法改善了可扩展性问题并提高了系统建议的准确性。所提出的系统基于协同过滤,并且通过使用启发式相似性度量并应用资源分配方法,提高了系统的性能,准确性和精度。使用基于MovieLens数据集的MAE,Accuracy,Precision和Recall指标的实验结果表明,系统的性能得到了提高,并且与FNHSM_HRS和使用其他相似性度量来寻找相似性的协同过滤方法相比较的建议的准确性得到了提高
CUPCF:在协同过滤中结合用户首选项以获得更好的推荐
原文标题: CUPCF: Combining Users Preferences in Collaborative Filtering for Better Recommendation
地址: http://arxiv.org/abs/1908.05609
作者: Mostafa Khalaji, Nilufar Mohammadnejad
摘要: 如何在朋友和熟人的意见和品味之间做出最佳决定?因此,推荐系统用于解决这些问题。常用算法使用相似性度量来预测活动用户对特定项目的品味。根据冷启动和数据稀疏性问题,这些系统无法预测和建议用户的特定项目。在本文中,我们介绍一种新的推荐系统,能够找到用户偏好并在此基础上提供建议。我们提出的称为CUPCF的系统是协同过滤中的两个相似性度量的组合,以解决数据稀疏性问题和差预测(高预测误差率)问题以获得更好的推荐。基于MovieLens数据集的实验结果表明,结合用户最近邻居的偏好,提出的系统错误率与一些最先进的推荐方法相比有所提高。此外,结果表明CUPCF的效率。系统的最大改进误差率为15.5%,CUPCF的精度,精度和召回的最大值分别为0.91402,0.91436和0.9974。
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。