- Twitter Moodifier：向Twitter用户提供情感意识;
- 我应该多久访问一次我的在线社会网络？;
- 隐私保护链路预测与潜在几何网络模型;
- 复杂网络中的社区结构：挑战和机遇;
- 基于角色嵌入的Reddit网络时态分析;
Twitter Moodifier：向Twitter用户提供情感意识
原文标题： Tweet Moodifier: Towards giving emotional awareness to Twitter users
地址： http://arxiv.org/abs/1907.11741
作者： Belen Saldias, Rosalind W. Picard
摘要： 过去几年来，在线社会网络中的情绪感染一直备受关注。以前的研究主要集中在寻找嗜同性大气中影响传染的证据。然而，这些研究忽视了用户对他们在线分享和消费的情绪的认识。在本文中，我们提供了一个Twitter用户实验，旨在帮助他们更好地了解他们在这个社会网络上体验到的情感。我们推出了Tweet Moodifier（T-Moodifier），这是一款Google Chrome扩展程序，可让Twitter用户过滤并在其新闻Feed中明确（通过彩色视觉标记）情感内容。我们比较了55名参与者和5089名公众“朋友”之间的行为变化。比较期从安装T-Moodifier之前的两周到之后的一周。结果表明，使用T-Moodifier可能有助于Twitter用户提高他们的情绪意识：能够获得有关其帖子的情感统计数据的T-Moodifier用户产生的中性内容的百分比显著更高。这种行为改变表明人们在使用增加影响反映的实时机制时可能会表现得不同。此外，经验后，那些完成调查前和调查后的人可以更自信地断言他们在Twitter上分享和感知的主要情绪。这表明T-Moodifier有效地让用户反思他们的新闻Feed。
我应该多久访问一次我的在线社会网络？
原文标题： How often should I access my online social networks?
地址： http://arxiv.org/abs/1908.04811
作者： Eduardo Hargreaves, Daniel Sadoc Menasché, Giovanni Neglia
摘要： 在线社会网络的用户面临着一个难题，即在没有足够的时间或注意力预算的情况下总是被告知。用户在在线社会网络上的保留具有重要意义，包括经济，心理和基础设施方面。在本文中，我们提出以下问题：用户访问社会网络的最佳速率是多少？为了回答这个问题，我们提出了一种分析模型来确定社会网络的访问（VoA）价值。在本文考虑的简单设置中，VoA被定义为用户访问网络和获取新内容的机会。显然，VoA取决于源生成内容的速率以及社会网络强加的过滤。然后，我们提出了一个优化问题，其中用户的效用相对于VoA增长，但是受到访问网络所产生的成本的影响。使用提议的框架，我们提供有关最佳访问率的见解。我们的结果使用Facebook数据进行参数化，表明该方法的预测能力。
隐私保护链路预测与潜在几何网络模型
原文标题： Privacy Preserving Link Prediction with Latent Geometric Network Models
地址： http://arxiv.org/abs/1908.04849
作者： Abir De, Soumen Chakrabarti
摘要： 链路预测是社会网络分析中的一项重要任务，具有从图搜索到推荐的各种应用。通常的范例是向每个节点建议当前非邻居的节点的排序列表，作为未来链接的最可能候选者。由于对隐私的担忧日益增加，用户（节点）可能更愿意将他们的部分或全部连接保密。大多数链路预测启发式算法（例如公共邻居，Jaccard系数和Adamic-Adar）可能会在进行预测时泄露私人链接信息。我们提出了D P L P，这是一个通用框架，用于在排名目标下保护这些流行启发式的差异隐私。在最近引入的潜在节点嵌入模型下，我们还分析了隐私和链路预测实用程序之间的权衡。使用八种不同的实际图表和几种链路预测启发式的广泛实验表明，D P L P可以比几种替代方案更有效地在隐私和预测性能之间进行权衡。
复杂网络中的社区结构：挑战和机遇
原文标题： On community structure in complex networks: challenges and opportunities
地址： http://arxiv.org/abs/1908.04901
作者： Hocine Cherifi, Gergely Palla, Boleslaw K. Szymanski, Xiaoyan Lu
摘要： 社区结构是网络系统的众多实际应用中遇到的最相关的功能之一。尽管过去几十年来在这个主题上开展大型跨学科科学界的巨大努力，但仍需要进行更多的调查，以便更好地了解其结构和动态对网络系统的影响。在这里，我们在第一部分回顾了社区生成模型的工作及其在为社区检测算法建立坚实基础中的作用。我们讨论了基于模块化最大化的模块化和算法。然后，我们将概述随机区块模型及其不同变体以及模型中社区结构的推断。以下部分重点介绍时间演进网络，其中现有节点和链接可以消失，并且可以并行引入新节点和链接。在这种情况下提取社区是一个有趣且非平凡的问题，在过去十年中引起了相当大的兴趣。我们简要讨论了最近在该领域取得的重大进展。在上一节中，我们讨论了针对模块化网络中有影响力的流行病传播者所必需的免疫策略。他们的主要目标是从整个网络中选择和免疫一小部分人来控制讨论过程。多年来出现了各种策略，提出了在具有重叠和非重叠社区结构的网络中免疫节点的不同方法。我们首先讨论随机策略，这些策略需要很少或根本不需要有关网络拓扑的信息，但会牺牲性能。然后，我们引入确定性策略，这些策略已被证明在控制疫情爆发方面非常有效，但需要完整的网络知识。
基于角色嵌入的Reddit网络时态分析
原文标题： Temporal Analysis of Reddit Networks via Role Embeddings
地址： http://arxiv.org/abs/1908.05192
作者： Siobhan Grayson, Derek Greene
摘要： 受自然语言处理领域的历时词汇分析的启发，我们提出了一种方法，使用图嵌入方法从社会网络中发现关于用户角色的时间见解。具体来说，我们将角色嵌入算法struc2vec应用于展示来自流行的在线社交新闻聚合网站Reddit的“忠诚”或“流浪”特征的社会网络的集合。对于每个subreddit，我们提取九个月的数据并在连续的时间窗口上创建网络角色嵌入。然后，我们可以通过对齐生成的时间嵌入空间来比较和对比用户角色随时间的变化。特别是，我们分析了Reddit上忠诚和流浪社区的个人和社区层面的时间角色嵌入。
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。