• YouTube上的合作：从无监督检测到对视频和频道流行度的影响;
• 社交媒体和营销方面的意见建模;
• #ILookLikeAnEngineer：使用基于社交媒体的标签活动来更好地理解工程多样性问题;
• 整合社会网络;
• 建模社会网络中的竞争性营销策略;
• 网络上的权力分配博弈：计算问题;
• 记忆对舆论动态的影响;
• 信息在双层网络中传播的双重转换;
• 跨不同网络类别的中心性度量之间的一致性和差异;
• 迭代随机投影的十亿级网络嵌入;
• 网络社区优先级;
• 利用快速神经网络初筛预测电网的连续性;

YouTube上的合作：从无监督检测到对视频和频道流行度的影响

原文标题： Collaborations on YouTube: From Unsupervised Detection to the Impact on Video and Channel Popularity

地址： http://arxiv.org/abs/1805.01887

作者： Christian Koch, Moritz Lode, Denny Stohr, Amr Rizk, Ralf Steinmetz

摘要： YouTube是流式传输用户生成视频的最流行平台之一。如今，专业的YouTubers被组织在所谓的多频道网络（MCN）中。这些网络提供诸如品牌交易，设备和战略建议等服务，以换取YouTubers的收入份额。获得更多用户以及收入的主要策略是与其他YouTube用户合作。然而，YouTube上的合作尚未经过详细的定量研究。本文旨在通过以下贡献缩小这一差距。首先，我们收集了一个YouTube数据集，涵盖7,942个频道的三个月内的视频统计数据。其次，我们为YouTube视频中以前未知数量的人提供协作检测设计框架。我们将此框架用于使用基于深度神经网络（DNN）的方法作为CATANA来分析YouTube视频中的协作。第三，我们分析了大约2.4年的视频内容，并使用CATANA回答研究问题，为YouTube和MCN提供高效协作战略指导。因此，我们专注于（i）协作频率和合作伙伴选择性，（ii）多频道网络对频道合作的影响，（iii）协作频道类型，以及（iv）合作对视频和频道流行度的影响。我们的研究结果显示，在许多情况下，协作在观众和新近吸引的合作频道用户方面都显著受益，与非协作视频相比，经常显示出超过100％的受欢迎程度增长。

社交媒体和营销方面的意见建模

原文标题： Opinion modeling on social media and marketing aspects

地址： http://arxiv.org/abs/1805.01892

作者： G. Toscani, A. Tosin, M. Zanella

摘要： 我们介绍和讨论了社会网络中意见形成的动力学模型，其中分配函数依赖于代理人的观点和连通性。随后，意见形成模型与描述通过社会网络在网上传播产品受欢迎程度的动态模型相结合。基础动力学模型的数值实验表明，与社交媒体网站上的标签的一些测量趋势具有良好的定性一致性，并说明公司如何利用网络结构充分获得其产品的广告。

#ILookLikeAnEngineer：使用基于社交媒体的标签活动来更好地理解工程多样性问题

原文标题： #ILookLikeAnEngineer: Using Social Media Based Hashtag Activism Campaigns as a Lens to Better Understand Engineering Diversity Issues

地址： http://arxiv.org/abs/1805.01971

作者： Aqdas Malik, Aditya Johri, Rajat Handa, Habib Karbasian, Hemant Purohit

摘要： 每年都会投入大量时间和资源来改善各个联邦和州机构，私人/非营利组织和基金会的工程内部多样性。尽管数十年的投资，努力还没有产生期望的回报 - 在STEM劳动力需求增加的时候，少数群体的参与仍然滞后。近年来出现了一种新的数据流 - 包括Twitter，Facebook和Instagram在内的在线社会网络，它们是社交行为和公众态度的关键传感器。现在美国近87％的人口参与某种形式的社交媒体活动。因此，社交网站已成为社交活动的强大指标，社交媒体数据已经显示出对研究许多问题的重大承诺，包括公共卫生沟通，政治活动，人道主义危机和行动主义。我们认为，社交媒体数据同样可以用来更好地理解和改善工程多样性。作为一个案例研究来说明这种方法的可行性，我们提出了一项运动调查结果，#ILookLikeAnEngineer（使用Twitter数据 - 19,354个原始推文和29,529转推），旨在提高工程工作场所的性别多样性。该运动为全面增加多样性和与相关观众建立联系的新方式提供了持续的动力。我们的分析表明，与STEM相关的多样化举措吸引了包括个人，大公司，媒体和社区利益团体在内的各种实体的声音。

整合社会网络

原文标题： Integration in Social Networks

地址： http://arxiv.org/abs/1805.02039

作者： Josue Ortega

摘要： 考虑几个不相交的社会网络。什么是最小数量的桥梁（即属于不同社会网络的节点之间的边）或中心节点（那些是桥接端点的那些节点），以便每两个节点通过长度最多为$ k $的路径连接起来？答案只取决于$ k = 2 $的社会网络的大小，并且不取决于每个社会网络的大小$ k \ geq 3 $。我们的研究结果为社会网络提供了平等的机会衡量标准，这些衡量标准易于计算和验证，并且可以用来比较各种现实生活中的社会网络的整合程度。

建模社会网络中的竞争性营销策略

原文标题： Modelling Competitive marketing strategies in Social Networks

地址： http://arxiv.org/abs/1805.02081

作者： Rahul Goel, Anurag Singh, Fakhteh Ghanbarnejad

摘要： 在竞争性营销中，有大量的生产同一产品的参与者。每家公司都致力于广泛传播其产品信息，以便其产品将成为潜在买家的热门产品。更受欢迎的是公司的产品，公司的收入就越高。开发了一个模型，其中两个玩家竞争在大型网络中传播信息。玩家同时选择其初始种子节点，并根据独立级联模型（ICM）扩散信息。玩家的主要目标是选择种子节点，以便他们将信息传播到社会网络中尽可能多的节点。信息传播速度在信息传播过程中也起着非常重要的作用。社会网络中的任何节点都将受到一个或一个或多个信息的影响。我们还通过改变信息传播速度分析了不同隔室中节点的多少部分发生了变化。最后，建立了博弈论模型，以获得基于球员最佳反应函数的纳什均衡。该模型基于霍特林的选举竞争模型。

网络上的权力分配博弈：计算问题

原文标题： The Power Allocation Game on A Network: Computation Issue

地址： http://arxiv.org/abs/1805.02138

作者： Yuke Li, Jiahua Yue, Fengjiao Liu, A. Stephen Morse

摘要： 在本文中，提出了两个算法，其目标是生成在\ cite {分配}中首先开发的功率分配博弈均衡集合。基于第一种算法，纯策略纳什均衡集的几何性质将被证明是凸多面体的集合。第二种是基于仿真的算法，是为了克服第一种算法在生成均衡集合，然后基于集合进行策略相关预测方面的缺点。第二种算法将有用地应用于真实世界的案例研究，该案例研究借鉴了当前朝鲜与包括美国和中国在内的一些主要参与者之间的危机。

记忆对舆论动态的影响

原文标题： Impact of memory on opinion dynamics

地址： http://arxiv.org/abs/1805.02169

作者： Arkadiusz Jędrzejewski, Katarzyna Sznajd-Weron

摘要： 我们调查了基于主体人的意见动态模型，其中包含两种社会反应：一致性和独立性。符合性与Sznajd模型或$ q $ -voter模型类似地引入到模型中，这意味着只有一致的团队才会对个人施加同伴压力。与以前版本的$ q $ -voter模型相比，这种新颖性是每个代理拥有的内存和外部噪音$ T $，它们起着社会温度的作用。每个代理人都有自己对过去经验的回忆，这些经历与独立或遵守社会成本和利益有关。如果一个代理人因为独立而获得更多的奖励，那么他们就会比独立者更倾向于独立，反之亦然。我们将显示，取决于社会温度$ T $，系统自发地组织成两个政权之一。在某个临界社会温度$ T_c $以下，社会中的所有代理人都会获得个人特征（所谓的人员状态）。他们中的一些人成为永久性的顺从者，其他人开始独立行事。这意味着最初同质群体变得异质化，并且代理人对社会影响的反应也不同。对于$ T> T_c $，具有相等概率的所有代理独立行为或符合同伴压力（所谓情境状态）。人与情境状态之间的这种政权变化，提醒了退化与终止疾病的想法，也影响了公众舆论。对于个人主义社会而言，获得了特别有意义的结果，其中公众舆论是$ T $的非单调函数，这意味着存在社会最佳协议温度最高的社会温度。

信息在双层网络中传播的双重转换

原文标题： Double transition of information spreading in a two-layered network

地址： http://arxiv.org/abs/1805.02270

作者： Jiao Wu, Muhua Zheng, Wei Wang, Huijie Yang, Changgui Gu

摘要： 在联网个体人口信息传播研究方面取得了很大进展。过去许多研究中的一个共同点是，最终可接受的尺寸与传输概率的相图中只有一个转变。然而，其他因素是否改变了这种现象学仍在争论中，特别是对于通过许多渠道和平台传播信息的情况。在本研究中，我们采用两层网络来表示多个信道的相互作用，并提出一个SAR（敏感 - 接受 - 恢复）信息传播模型。有趣的是，我们的模型显示了一种新颖的双重转变，包括连续转变和随后的不连续转变，这种转变源自网络两层之间的两次爆发。此外，我们还发现，关键因素是两层之间的耦合度较弱，采用阈值较大，两层之间的度分布差异较大。然后，开发了一个基于边的分区理论，它充分解释了所有数值结果。我们的发现对于理解现实生活中信息的二次爆发可能具有重要意义。

跨不同网络类别的中心性度量之间的一致性和差异

原文标题： Consistency and differences between centrality metrics across distinct classes of networks

地址： http://arxiv.org/abs/1805.02375

作者： Stuart Oldham, Ben Fulcher, Linden Parkes, Aurina Arnatkeviciute, Chao Suo, Alex Fornito

摘要： 网络中不同节点的作用通常通过中心性分析推断出来，中心性分析旨在量化节点通过网络连接影响或受其影响的可能性。已经提出了许多不同的中心性措施，但是它们提供多余或独特信息的程度，或者是否使用多重中心性度量来定义节点角色是有利的，尚不清楚。在这里，我们评估了11个网络中量化的15个不同中心性测量值之间的相关性，研究这些相关性如何与网络密度和全局拓扑结构的变化相关联，并根据它们的中心性集群来确定不同的节点角色。我们发现中心性度量通常是正相关的，但这些相关性的强度因网络而异，并且这种变化与网络的模块性和主要化差距有关。基于中心性分值的节点聚类表明大多数网络都包含一个假定的核心，其中包含几乎所有度量都得分较高的节点。我们的研究结果揭示了形成中心性测量之间相关性模式的拓扑约束，并展示了广泛的比较性中心性如何能够为网络中节点角色的解释提供信息。

迭代随机投影的十亿级网络嵌入

原文标题： Billion-scale Network Embedding with Iterative Random Projection

地址： http://arxiv.org/abs/1805.02396

作者： Ziwei Zhang, Peng Cui, Haoyang Li, Xiao Wang, Wenwu Zhu

摘要： 网络嵌入最近引起了相当多的研究注意。然而，现有的方法无法处理十亿级网络，因为它们在计算上很昂贵，同时很难通过分布式计算方案加速。为了解决这些问题，我们提出了RandNE，一种新颖且简单的亿比例网络嵌入方法。具体而言，我们提出了一种高斯随机投影方法，将网络映射到低维嵌入空间，同时保留节点之间的高阶近似。为了减少时间复杂度，我们设计了一个迭代投影程序来避免显式计算高阶近似值。理论分析表明，我们的方法是非常有效的，并且对计算中没有任何通信成本的分布式计算方案很友好。我们展示了RandNE在网络重建和先进方法网络重建和多个数据集上的链路预测任务方面的功效，这些数据集具有数千到数十亿个节点和边。

网络社区优先级

原文标题： Prioritizing network communities

地址： http://arxiv.org/abs/1805.02411

作者： Marinka Zitnik, Rok Sosic, Jure Leskovec

摘要： 发现网络中的模块化结构对于促进对生物学，物理学，工程学和技术中的复杂系统的理解是至关重要的。社区检测提供了一种计算方式来将候选模块识别为假设，然后需要进行实验验证。然而，检测社区的验证需要昂贵而耗时的实验方法，如湿生物实验室中的诱变。因此，只有有限数量的社区可以通过实验验证，因此确定选择哪个社区进行下游验证和实验非常重要。在这里，我们开发CRank，这是一种自动化方法，用于确定网络社区的优先级并确定最有前景的进行进一步实验。 CRank有效评估每个社区的结构特征的稳健性和强度，然后结合这些特征获取社区优先级。 CRank可以与任何社区检测方法一起使用并扩展到大型网络。它只需要网络结构提供的信息，不需要任何额外的元数据或标签。但是，CRank可用时，可以合并特定于域的信息以进一步提升性能。对许多不同的和重要的生物网络的实验表明，所提出的方法有效地优先考虑社区，与社区排序的基线排序相比，社区优先级提高近50倍。总而言之，CRank代表了一种基于网络的方法来识别高质量的社区，即使是在监督元信息不可用的科学前沿领域。

利用快速神经网络初筛预测电网的连续性

原文标题： Anticipating contingengies in power grids using fast neural net screening

地址： http://arxiv.org/abs/1805.02608

作者： Benjamin Donnot (TAU, LRI), Isabelle Guyon (TAU, LRI, UP11), Marc Schoenauer (TAU, LRI), Antoine Marot, Patrick Panciatici

摘要： 我们一直在解决保持高压输电网络安全的问题。这要求流经所有线路的电力保持低于某个标称热限制值，高于此限制线路可能会融化，破坏或造成其他损坏。目前的做法包括执行确定性的“N-1”可靠性标准，即通过运行缓慢但准确的物理网格模拟器，预测任何最终的单线断开（无论其原因可能）是否超过热限制。新的概念框架正在呼唤基于概率风险的安全标准，并需要新的方法来评估风险。为了解决这个困难的评估问题，我们在本文中讨论了快速排序高阶偶然事件（包括所有线路断开对）的问题，以更好地优化仿真。我们提出了一种基于神经网络的新方法，它按推测严重程度的降序排列“N-1”和“N-2”偶然事件。我们证明了一个经典的基准问题，即与单独考虑所有“N-1”情况相比，意外事件的残余风险显著降低，无需额外的计算成本。我们评估说，我们的方法可以扩展到法国高压电网规模的电网（超过1000条电力线）。

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。