• 意见形成与个性化推荐之间的闭环;
• 稳健的最密集子图发现;
• 增长网络中社区检测的最佳时间尺度;
• 社会困境中墨守成规和基于回报的模仿之间的竞合关系;

意见形成与个性化推荐之间的闭环

原文标题： The closed loop between opinion formation and personalised recommendations

地址： http://arxiv.org/abs/1809.04644

作者： Wilbert Samuel Rossi, Jan Willem Polderman, Paolo Frasca

摘要： 在社交媒体中，推荐系统负责将用户引导到相关内容。为了增强用户的参与度，推荐系统使其输出适应用户的预期反应，这反过来又受到推荐内容的影响。在这项工作中，我们模拟了一个与在线新闻聚合器交互的单个用户，目的是明确用户意见的演变和内容的个性化推荐之间的反馈循环。我们假设用户对某个问题有一个标量意见：这种意见受到所有收到的新闻的影响，这些新闻的特点是手头问题的二元位置。用户具有确认偏差，即对确认其当前意见的新闻的偏好。同时，我们假设推荐者的目标是最大化用户点击次数（作为其参与度的衡量标准）：为了实现其目标，推荐者必须在探索用户的偏好和利用它们之间做出妥协。在为推荐系统的有效性及其对意见的影响定义合适的指标后，我们进行了广泛的数值模拟和模型的数学分析。我们发现个性化内容和确认偏差确实影响了意见的演变：这些影响的程度与推荐者的有效性本质上相关。我们还表明，通过调整推荐算法中的随机性量，可以减少推荐系统对意见的影响。

稳健的最密集子图发现

原文标题： Robust Densest Subgraph Discovery

地址： http://arxiv.org/abs/1809.04802

作者： Atsushi Miyauchi, Akiko Takeda

摘要： 密集子图发现是图挖掘中的一个重要原语，它在不同的领域具有广泛的应用。在最密集的子图问题中，给定一个无向图 G =（V，E），边权重向量 w =（we） {e \ in E} ，我们的目标是找到 S \ subseteq V 最大化密度，即 w（S）/ | S | ，其中 w（S）是由 S 引起的子图中边的权重之和。尽管最密集的子图问题是密集子图发现最充分研究的优化问题之一，但存在隐含的强假设;假设所有边的权重都准确地称为输入。在实际应用中，通常情况下我们只有边权重的不确定信息。在这项研究中，我们为边权重的不确定性下的密集子图发现提供了框架。具体而言，我们使用稳健优化理论解决了这种不确定性问题。首先，我们制定我们的基本问题，强健的最密集子图问题，并提出一个简单的算法。然后，我们使用边权重采样oracle对采样oracle建立强大的最密集子图问题来模拟密集子图发现，并提出一种具有强大理论性能保证的算法。使用合成图和流行的真实图表的计算实验证明了我们提出的算法的有效性。

增长网络中社区检测的最佳时间尺度

原文标题： Optimal timescale of community detection in growing networks

地址： http://arxiv.org/abs/1809.04943

作者： Matus Medo, An Zeng, Yi-Cheng Zhang, Manuel S. Mariani

摘要： 许多社会，经济和信息系统可以表示为随时间增长的网络，这使得开发和验证分析其结构的方法具有挑战性。静态方法是有限的，因为它们错过了关于系统动态的基本信息。另一方面，基于数据的多层时间表示的方法缺乏关于如何将输入时间戳数据划分为层的明确指导。我们专注于流行的社区检测问题，该问题旨在通过将其节点划分为有意义的组来简化给定网络的描述。我们使用多层质量函数在合成和真实数据集上显示导致最佳社区的层的时间持续时间与系统的固有老化时间尺度紧密相关。时间信息的使用导致对真实网络的社区结构产生截然不同的结论，这对我们目前对不断增长的网络的大规模组织的理解提出了挑战。我们的研究结果指出了理解生成观测网络的动态过程的时间尺度的重要性，以便正确评估其结构模式。

社会困境中墨守成规和基于回报的模仿之间的竞合关系

原文标题： Competition and partnership between conformity and payoff-based imitations in social dilemmas

地址： http://arxiv.org/abs/1809.05079

作者： Attila Szolnoki, Xiaojie Chen

摘要： 向收入较高收益的合作伙伴学习是演化博弈论中经常使用的工作假设。替代动力学规则之一是当焦点选手更喜欢遵循当地社区中多数人的策略选择时，这通常被称为整合驱动的策略更新。在这项工作中，我们假设两种策略学习方法都存在并在共同演化模型的框架内争夺空间。我们的研究结果表明，支付驱动型策略学习方法的存在变得排除了高级别的收益和/或高诱惑值，这些价值代表了雪崩的博弈困境。然而，一般而言，所提到的策略学习方法的竞争可以用于扩大仅合作者占优势的参数空间。这种合作的成功基于合作者参与者的强制协调，揭示了后一种战略的好处。有趣的是，基于支付和基于整合的合作者参与者可以形成针对叛逃者的有效联盟，这也可以扩展狩猎博弈区域中完全合作者解决方案的参数空间。我们的工作强调，策略的协同演化和学习方法等个体特征可以提供在静态模型中无法观察到的新型模式形成机制，因此仍然隐藏在传统模型中。

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。