• 交通流演化动力学的一般研究框架及其性质分析;
• 恐怖分子网络的涌现性质、渗流与社会叙事;
• 使用分类器估计在线社会网络中的组属性;
• 在没有排序或集聚经济的情况下提高规模报酬;
• 用于研究社交媒体中极化政治事件的用户建模流程;
• 使用SVD和k-means增强社会网络中事件检测的关键字关联：Twitter案例研究;
• 利用扰动和合并在现实世界网络中识别有影响力的传播者;
• 非回溯循环拓扑视角的图距离;
• 有上下文的随机块模型;
• 三种超图特征向量中心性;
• 语言中带上情绪会让你感觉更好吗？从在线数据中测量情绪的分钟级动态;
• 容易被错误的信息影响？去核查！;

交通流演化动力学的一般研究框架及其性质分析

原文标题： General Research Framework and its Properties Analysis of Traffic Flow Evolutionary Dynamics

地址： http://arxiv.org/abs/1807.09349

作者： Xingguang Chen

摘要： 本文旨在研究交通流向稳定性的条件和交通网络需求时变下的均衡稳定性。提出了采用演化博弈理论和动态系统稳定性理论进行流动力学演化的一般框架。实现了多组多标准旅行选择流演化动态模型。

恐怖分子网络的涌现性质、渗流与社会叙事

原文标题： Emergent Properties of Terrorist Networks, Percolation and Social Narrative

地址： http://arxiv.org/abs/1807.09357

作者： Maurice Passman, Philip V. Fellman

摘要： 在本文中，我们已经开始尝试开发和理解构成第四代战争的驱动机制。我们从努力通过使用阈值型渗透模型从复杂性角度理解这些事件的驱动因素的角度来实现这一点。我们建议通过分形操作级别模型将此战略级别模型与战术级别大数据，行为，统计预测相结合，并构建允许动态预测的分层框架。我们的初步研究集中在这一战略层面，即渗透模型。我们从这项初步研究得出的主要结论是，极端主义恐怖主义事件不仅仅受到社会地理位置内支持人口规模的驱动，而且还取决于东道国人口参与的意识形态因素。这种参与通过社会的社会，政治和心理结构，不仅有助于恐怖主义分子积极参与社会，而且还直接促成并增加恐怖主义事件发生的可能性。我们的计算表明了伊斯兰极端主义恐怖主义事件，穆斯林和非穆斯林人口中的意识形态之间的联系，这些意识形态促进了这些恐怖主义事件（如反犹太复国主义）和针对犹太人口的反犹太主义暴力事件。在未来的一篇论文中，我们希望扩展所做的工作，以构建一个预测模型，并将我们的计算扩展到其他形式的恐怖主义，如美国境内的右翼原教旨主义恐怖主义事件。

使用分类器估计在线社会网络中的组属性

原文标题： Estimating group properties in online social networks with a classifier

地址： http://arxiv.org/abs/1807.09406

作者： George Berry, Antonio Sirianni, Nathan High, Agrippa Kellum, Ingmar Weber, Michael Macy

摘要： 我们考虑在为节点标签使用分类器时获得社会网络中组属性的无偏估计的问题。对这个问题的推断由于两个因素而变得复杂：网络未知并且必须被爬行，甚至高性能分类器提供对组比例的偏差估计。我们建议并评估AdjustedWalk以解决此问题。这是一个三步过程，它包括：1）从任意节点开始走图; 2）在walk中的节点上学习分类器; 3）对分类标签进行事后调整。步行步骤提供在节点和边上进行推断所必需的信息，而调整步骤在估计组比例时校正分类器偏差。该过程以额外方差为代价提供去偏差估计。我们在四个任务上评估AdjustedWalk：属于少数群体的节点比例，高度节点中少数群体的比例，群内边的比例，以及Coleman的同质性指数。模拟和经验图表显示，与各种情况下的最佳基线相比，此程序表现良好，同时表明低回忆分类器的方差增加可能很大。

在没有排序或集聚经济的情况下提高规模报酬

原文标题： Increasing returns to scale without sorting or agglomeration economies

地址： http://arxiv.org/abs/1807.09424

作者： Andres Gomez-Lievano, Vladislav Vysotsky, Jose Lobo

摘要： 我们表明，在没有任何类型的分类或聚集效应的情况下，系统的，可预测的和可测量的方式可以人为地出现增加规模报酬（IRS）现象。这与零假设缺乏IRS的惯例相矛盾。我们表明，当对数生产率的方差与样本中最小观察的对数大小具有相同的数量级时，零假设应该是IRS的存在。我们的分析结果通过模拟和适用于哥伦比亚各城市工资的实际数据得到验证。这种效应可能会掩盖实际尺寸生产力溢价，我们提供了一种统计测试方法。

用于研究社交媒体中极化政治事件的用户建模流程

原文标题： A User Modeling Pipeline for Studying Polarized Political Events in Social Media

地址： http://arxiv.org/abs/1807.09459

作者： Roberto Napoli, Ali Mert Ertugrul, Alessandro Bozzon, Marco Brambilla

摘要： 本文介绍了一个用户建模管道，用于分析社交媒体上关于两极化政治事件（例如公共民意调查）的讨论和意见。该管道采用四步法。首先，抓取社交媒体帖子和用户元数据。其次，应用过滤机制来过滤垃圾邮件发送者和僵尸程序用户。作为第三步，从有效用户中提取人口统计信息，即性别，年龄，种族和位置信息。最后，预测用户关于分析事件的政治极性。在这项工作的范围内，我们提出的管道适用于两个公民投票情景（西班牙加泰罗尼亚独立和意大利伦巴第自治），以评估该方法在收集人口统计数据正确见解方面的表现。社交媒体用户和基于用户共享的意见预测民意调查结果。实验表明，该方法可有效预测加泰罗尼亚案的政治趋势，但不适用于伦巴第案。在各种动机中，我们注意到一般来说Twitter反对公民投票的用户比支持投票的用户更具代表性。

使用SVD和k-means增强社会网络中事件检测的关键字关联：Twitter案例研究

原文标题： Enhancing keyword correlation for event detection in social networks using SVD and k-means: Twitter case study

地址： http://arxiv.org/abs/1807.09561

作者： Ahmad Hany Hossny, Terry Moschou, Grant Osborne, Lewis Mitchell, Nick Lothian

摘要： 由于内容的嘈杂性和所使用的大多数单词的微弱信号，从推文中提取文本特征是一个具有挑战性的过程。在本文中，我们提出使用奇异值分解（SVD）和聚类来增强推文中文本特征的信号，以改善与事件的相关性。所提出的技术将SVD应用于每个特征的时间序列向量，以对特征/日计数矩阵进行因式分解，以确保特征向量的独立性。然后，应用k-means聚类来构建查找表，该查找表将每个聚类的成员映射到聚类中心。查找表用于将原始数据中的每个特征映射到其集群的质心，然后我们计算每个集群中所有特征的术语频率向量与集群质心的术语 - 频率向量之和。为了测试该技术，我们在将簇成员的矢量与质心矢量相加之前和之后计算了簇质心与黄金标准记录（GSR）矢量的相关性。该方法适用于多种相关技术，包括Pearson，Spearman，距离相关和Kendal Tao。实验还考虑了特征的不同单词形式和长度，包括关键词，n-gram，skip-gram和词袋。随着最高相关分数从0.3增加到0.6，相关结果显著增强，平均相关分数从0.3增加到0.4。

利用扰动和合并在现实世界网络中识别有影响力的传播者

原文标题： Perturb and Combine to Identify Influential Spreaders in Real-World Networks

地址： http://arxiv.org/abs/1807.09586

作者： Antoine J.-P. Tixier, Maria-Evgenia G. Rossi, Fragkiskos D. Malliaros, Jesse Read, Michalis Vazirgiannis

摘要： 最近的研究表明，图简并算法将网络分解为尺寸减小和密度增加的嵌套子图层次，在检测网络中良好的扩展器方面非常有效。然而，还已知图的基于简并的分解对于网络结构的小扰动是不稳定的。在机器学习中，通过使用诸如装袋（引导聚合）之类的Perturb和组合（P＆C）策略，可以极大地改善不稳定分类和回归方法（例如完全成长的决策树）的性能。因此，我们提出了网络的P＆C程序，其中：（1）创建给定图的许多扰动版本，（2）将节点评分函数分别应用于每个图（例如基于简并的图），以及（3）组合结果。我们在识别大型社会网络中有影响力的传播者以及小词共现网络中有影响力的词（关键词）的任务上进行实际的实验。我们使用k-core，广义k-core和PageRank算法作为顶点评分函数。在每种情况下，与使用在原始图表上计算的分数相比，使用聚合分数带来显著改进。最后，偏差 - 方差分析表明我们的P＆C程序主要通过减少偏差来工作，因此，它应该能够改善所有顶点评分函数的性能，而不仅仅是不稳定的函数。

非回溯循环拓扑视角的图距离

原文标题： Graph Distance from the Topological View of Non-backtracking Cycles

地址： http://arxiv.org/abs/1807.09592

作者： Leo Torres, Pablo Suarez-Serrato, Tina Eliassi-Rad

摘要： 无论是相互比较网络还是随机期望，测量不相似性对于理解研究中的复杂现象至关重要。然而，确定网络之间的结构差异是一个定义不明确的问题，因为没有规范的方法来比较两个网络。实际上，许多现有的网络比较方法在启发式，效率，可解释性和理论上的完整性方面存在差异。因此，具有基于理论上稳健的第一原理并且可以在复杂网络中普遍存在的特征解释的距离概念将允许在不同网络之间进行有意义的比较。在这里，我们基于代数拓扑中的“长度谱”函数引入理论上合理且有效的图距离新度量，其通过考虑它们的非回溯周期来比较两个无向，未加权图的结构。我们通过所谓的非回溯矩阵的特征值的行为来展示该距离如何与诸如轮毂和三角形的存在之类的结构特征相关，并且我们展示了其在实际和合成数据集中区分网络的能力。通过对非回溯周期的拓扑解释，这项工作提出了拓扑数据分析在复杂网络研究中的新应用。

有上下文的随机块模型

原文标题： Contextual Stochastic Block Models

地址： http://arxiv.org/abs/1807.09596

作者： Yash Deshpande, Andrea Montanari, Elchanan Mossel, Subhabrata Sen

摘要： 我们提供了第一个信息论紧密分析推断潜在社区结构给出一个稀疏图与高维节点协变量，与相同的潜在社区相关联。我们的工作在没有节点协变量的潜在社区结构检测方面的最新理论突破和使用多种启发式方法将节点协变量与推断图组合的大量实证工作之间架起了桥梁。我们分析的紧密性特别暗示了将不同信息来源结合起来的信息论必要性。我们的分析适用于大度网络以及模型的高斯版本。

三种超图特征向量中心性

原文标题： Three hypergraph eigenvector centralities

地址： http://arxiv.org/abs/1807.09644

作者： Austin R. Benson

摘要： 特征向量中心性是一种标准的网络分析工具，用于确定由图表示的连接系统中实体的重要性（或排名）。然而，许多复杂的系统和数据集具有自然的多向交互，更通过超图更加忠实地建模。在这里，我们将图特征向量中心性的概念扩展到均匀超图。传统的图特征向量中心性由邻接矩阵的正特征向量给出，其在一些温和条件下保证由Perron-Frobenius定理存在。超图的自然表示是超矩阵（通俗地说，是张量）。使用最近建立的Perron-Frobenius理论进行张量，我们开发了超图的三个张量特征向量中心，每个都有不同的解释。我们通过分析由n-gram频率构建的超图，堆栈交换上的共同标记以及在患者急诊室访问中观察到的药物组合，显示这些中心可以揭示关于真实世界数据的不同信息。

语言中带上情绪会让你感觉更好吗？从在线数据中测量情绪的分钟级动态

原文标题： Does putting your emotions into words make you feel better? Measuring the minute-scale dynamics of emotions from online data

地址： http://arxiv.org/abs/1807.09725

作者： Rui Fan, Ali Varamesh, Onur Varol, Alexander Barron, Ingrid van de Leemput, Marten Scheffer, Johan Bollen

摘要： 对情感标记的研究，即将你的感受置于文字中，表明它可以减弱积极和消极情绪。在这里，我们通过分析他们明确报告强烈情绪之前和之后的情感内容，跟踪成千上万Twitter用户的个人情绪演变。我们的结果揭示了情绪及其表达如何在一分钟的时间分辨率上演变。虽然积极情绪的表达之前是正价的短暂而急剧的增加，然后是短暂的衰退到正常水平，但负面情绪的积累速度更慢，接着是先前水平的急剧逆转，与先前的减弱效果的发现相匹配。影响标签。我们估计，从发作到消逝，正面和负面情绪持续约1.25和1.5小时。对男性和女性受试者进行的单独分析表明，情绪动态可能存在性别差异。

容易被错误的信息影响？去核查！

原文标题： Vulnerable to Misinformation? Verifi!

地址： http://arxiv.org/abs/1807.09739

作者： Alireza Karduni, Isaac Cho, Ryan Wesslen, Sashank Santhanam, Svitlana Volkova, Dustin Arendt, Samira Shaikh, Wenwen Dou

摘要： 我们提供Verifi2，一个可视化分析系统，支持调查社交媒体上的错误信息。一方面，社交媒体平台通过民主化信息共享来赋予个人和组织权力。另一方面，即使是消息灵通且经验丰富的社交媒体用户也容易受到错误信息的影响。为了解决这个问题，从多个学科出现了各种模型和研究来检测和理解错误信息的影响。但是，仍然缺乏直观且易于使用的工具，可帮助社交媒体用户区分错误信息和经过验证的新闻。在本文中，我们介绍了Verifi2，这是一个可视化分析系统，它使用最先进的计算方法来突出文本，社会网络和图像的显著特征。通过在Verifi2中通过多个协调视图在源级别上探索新闻，用户可以与表征错误信息的复杂维度进行交互，并对比真实和可疑新闻媒体在这些维度上的不同之处。为了评估Verifi2，我们采访了数字媒体，新闻，教育，心理学和计算方面的专家，他们研究错误信息。我们的采访显示Verifi2有可能成为错误信息的教育工具。此外，我们的访谈结果突出了打击错误信息问题的复杂性，并要求可视化社区开展更多工作。

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。