最近几周不在国内，更新或有延迟。

• 基于迁移流动的美国乡村树状图/区域划分;
• 随机消防员问题;
• 通过非对称链路聚类信息改进基于局部聚类的top-L链路预测方法;
• 自偏转对具有位置分配功能的完全不对称简单排除过程的影响;
• 学习用户偏好激励分享经济的探索;
• 二元意见动态的预算分配;
• Twitter上主题 - 演员网络的自动分析：社会语义网络分析的新方法;
• 通过对呼叫数据记录进行数据挖掘来识别用户习惯;
• 用于多路复用网络的节点和层特征向量中心性;

基于迁移流动的美国乡村树状图/区域划分

原文标题： Dendrogram/Regionalization of U. S. Counties Based upon Migration Flows

地址： http://arxiv.org/abs/1207.0437

作者： Paul B. Slater

摘要： 根据1995 - 2000年间的跨省流动，我们取得了美国3107个县级单位的“等级区域化”。所采用的方法是在2009年PNAS信件arXiv：0904.4863中描述的两阶段（双标准化和强分量有向图）分层聚类）算法。在arXiv：0907.2393，arXiv：0903.3623和arXiv：0809.2768中讨论了区域化的各种特征（例如，国际化与省级方面）。然而，由于树状图繁琐（38页）的性质，这个有趣的树结构不容易检查（但看到这个http URL）。在这里，我们直接展示了这个树状图 - 可以很容易地找到具体利益的个别县。采用序数标度 - 而不是最初派生的双重标准化值的基本标度 - 其中分组/特征更为直接明显。

随机消防员问题

原文标题： The Stochastic Firefighter Problem

地址： http://arxiv.org/abs/1711.08237

作者： Guy Tennenholtz, Constantine Caramanis, Shie Mannor

摘要： 传染病传播的动态是决定风险和提供遏制风险的关键。我们研究网络中个体的顺序接种。在消防员问题的原始（确定性）版本中，某个图的某个节点发生了火灾。在每个时间步，b节点可以由消防员保护，然后火蔓延到火灾节点的所有不受保护的邻居。当火势不再蔓延时，过程结束。我们将消防员的问题扩展到感染是随机的概率环境。我们制定一个简单的政策，只接种感染节点的邻居，对正规树和一般图最佳的预算足够大。我们推导出计算受感染个体预期数量上限和下限的方法，并提供预期遏制所需预算的估算。我们在树，d维网格和Erd \ H {o} s R \ {e} nyi图上明确地计算这些值。最后，我们构建了一种依赖于状态的预算分配策略，并且证明了其在实际网络中经常预算分配的优越性。

通过非对称链路聚类信息改进基于局部聚类的top-L链路预测方法

原文标题： Improving local clustering based top-L link prediction methods via asymmetrical link clustering information

地址： http://arxiv.org/abs/1711.08243

作者： Zhihao Wu, Youfang Lin, Yiji Zhao, Hongyan Yan

摘要： 网络可以代表广泛的复杂系统，如社会，生物和技术系统。链路预测是网络分析中最重要的问题之一，近来引起了广泛的研究兴趣。已经提出了许多链路预测方法来用各种工艺来解决这个问题。我们可以注意到，聚类信息在解决链路预测问题中起着重要的作用。在以前的文献中，我们发现节点聚类系数在许多链路预测方法中频繁出现。然而，节点聚类系数限于描述不同本地网络中共同邻居的角色，因为它不能区分不同节点对不同节点对的不同聚类能力。在本文中，我们将焦点从节点转移到链路，并提出了非对称链路聚类（ALC）系数的概念。此外，我们通过ALC的概念改进了三种基于节点聚类的链路预测方法。实验结果表明，基于ALC的方法优于基于节点聚类的方法，特别是在食物网，仓鼠友谊和互联网上取得显著改善。此外，与其他方法相比，基于ALC的方法的性能在全球化和个性化的前L链路预测任务中都是非常稳定的。

自偏转对具有位置分配功能的完全不对称简单排除过程的影响

原文标题： Effect of self-deflection on a totally asymmetric simple exclusion process with functions of site-assignments

地址： http://arxiv.org/abs/1711.08252

作者： Satori Tsuzuki, Daichi Yanagisawa, Katsuhiro Nishinari

摘要： 这项研究提出了一个完全不对称的简单排除过程在单通道车道上沿着维修站的功能。系统模型试图通过随机选择维修区中的一个空位点并将其保留给粒子，以一定概率将新粒子插入到最左边的位置。此后，颗粒在其行进过程中仅被导向停在现场。最近，系统被确定为显示自偏转效应，其中站点使用分布自发地偏向最左边的站点，并且当站点使用分布略偏向最右边站点时，吞吐量变为最大，而不是精确地均匀分布。我们的精确分析描述了这种偏转效应，并与模拟显示出很好的一致性。

学习用户偏好激励分享经济的探索

原文标题： Learning User Preferences to Incentivize Exploration in the Sharing Economy

地址： http://arxiv.org/abs/1711.08331

作者： Christoph Hirnschall, Adish Singla, Sebastian Tschiatschek, Andreas Krause

摘要： 我们在分享经济中研究平台，并讨论激励用户探索否则不会被选择的选项的需求。例如，像Airbnb这样的租赁平台通常依靠客户评论来向用户提供关于不同选项的相关信息。然而，通常很大一部分选项没有任何可用的评论。这样的选择经常被忽视，作为可行的选择，反过来也不可能被评估，造成恶性循环。平台可以通过提供金钱激励来选择不同的选项来吸引用户偏离他们的偏好选择。为了有效地学习提供的最优激励，我们考虑用户偏好中的结构信息，并引入一种新颖的算法 - 协调在线学习（CoOL） - 以结构化信息为学习模型作为凸约束。我们对算法的性能提供了正式的保证，并在用户研究中测试了我们的方法的可行性以及Airbnb上的公寓数据。我们的研究结果表明，我们的方法非常适合于学习适当的激励措施，并增加对被调查平台的探索。

二元意见动态的预算分配

原文标题： Budget Allocation in Binary Opinion Dynamics

地址： http://arxiv.org/abs/1711.08365

作者： Susana Rey (1), Patricio Reyes (2), Alonso Silva (1) ((1) LINCS, (2) ITMATI)

摘要： 在这篇文章中，我们研究了预算的分配，以促进一组代理人的意见。我们假设他们的意见动态是基于众所周知的选民模式。我们感兴趣的是随着时间的推移最有效地使用预算来操纵社会网络。我们使用贴现马尔可夫决策过程的理论来解决这个问题。我们的贡献可概括如下：（1）我们引入了我们的情况下的贴现马尔可夫决策过程，（2）我们提出相应的贝尔曼方程，（3）我们通过反向编程来解决贝尔曼方程。这项工作是为社会网络中的预算分配提供一个扎实的方法。

Twitter上主题 - 演员网络的自动分析：社会语义网络分析的新方法

原文标题： Automated Analysis of Topic-Actor Networks on Twitter: New approach to the analysis of socio-semantic networks

地址： http://arxiv.org/abs/1711.08387

作者： Iina Hellsten, Loet Leydesdorff

摘要： 社交媒体数据为大量文本文档的自动分析提供了越来越多的机会。到目前为止，已经开发了自动化工具来解决辩论参与者之间的社会网络，或者分析这些辩论的内容。对在网上辩论中形成社会语义网络的共生演员（参与者）和主题（内容）进行映射的关注较少。我们提出了一种新的自动化方法，它使用了共同处理的主题和参与者的整个矩阵方法。我们展示与里约+20会议一大套英文的Twitter信息进行分析的新方法的优势，在2012年6月（72077个微博），以及禽流感的荷兰语Twitter消息的小数据集与2015-2017年有关的家禽养殖（2,139条推文）。我们讨论我们的方法的理论，方法和实质意义，也讨论其他社交媒体数据的分析。

通过对呼叫数据记录进行数据挖掘来识别用户习惯

原文标题： Identifying user habits through data mining on call data records

地址： http://arxiv.org/abs/1711.08398

作者： Filippo Maria Bianchi, Antonello Rizzi, Alireza Sadeghian, Corrado Moiso

摘要： 在本文中，我们提出了一个框架，用于识别与移动运营商的通用用户相关的伪匿名呼叫数据记录（CDR）中的模式和规律。我们面临的挑战性任务是通过使用无监督的聚类分析程序，并且不包括模型中有关应用上下文的任何先验知识，自动从可用数据中获取有意义的信息。采用集群挖掘结果来了解用户的习惯并绘制其特征描述文件。我们提出两个数据挖掘程序的实现;第一个是基于一个新的集群和知识发现系统LD-ABCD，能够检索集群，同时自动发现每个返回的集群最适合的相异度量（局部度量）。第二种方法是基于众所周知的子集群算法PROCLUS。被分析的数据集包含只有很少特征的记录，因此，我们展示了如何生成额外的字段来描述隐藏在数据中的隐含信息。最后，我们提出了一个有效的数据挖掘过程结果的图表示，分析人员可以很容易地理解和使用它来实际应用。

用于多路复用网络的节点和层特征向量中心性

原文标题： Node and layer eigenvector centralities for multiplex networks

地址： http://arxiv.org/abs/1711.08448

作者： Francesco Tudisco, Francesca Arrigo, Antoine Gautier

摘要： 基于特征向量的中心性度量是网络科学中最受欢迎的中心度量。其基本思想是直观的，在标准的单层网络框架下，数学描述是非常简单的。而且，一些有效的计算工具可用于计算。在维数方面向上移动，过去已经做了很多努力来描述一个基于特征向量的中心性度量，它将Bonacich指数推广到多重网络的情况。在这项工作中，我们提出了一个特征向量中心性的新定义，该定义依赖于描述网络的张量定义的多齐次映射的Perron特征向量。证明这种中心性的存在性和唯一性是在复杂网络的非常温和的假设下得到保证的。提出了广泛的数值研究来测试新引入的中心性度量，并将其与其他现有的基于特征向量的中心性进行比较。

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://netsci.complexly.cn （提供RSS订阅）进行同步更新。