• 网络中的混合模式和个体差异;
• 开源俄罗斯Twitter数据的无监督机器学习揭示了全球范围和运营特征;
• 通过社会媒体数据类型不同组合估计意见形成阈值;
• GI-OHMS：检测重叠社区的图推理;
• 检测以太坊区块链网络中的机器人活动;
• h_alpha：量化个人科学领导力的指标;
• 多次博弈中意图识别的功能动力学;

网络中的混合模式和个体差异

原文标题： Mixing patterns and individual differences in networks

地址： http://arxiv.org/abs/1810.01432

作者： George T. Cantwell, M. E. J. Newman

摘要： 我们研究网络中的混合模式，这意味着不同类型的节点倾向于彼此连接。已经广泛研究了节点混合的现象，其中节点更喜欢连接到与其自身相似的其他节点，但是在这里我们进一步研究如何以及在何种程度上相似的节点可以具有不同的偏好。例如，友谊网络中的许多人可能更喜欢与他们自己大致相同年龄的朋友，但是一些人可能对年长或年幼的朋友表现出偏好。我们引入了一种网络模型，该模型捕获了这种类型的协变性方差，以及期望最大化算法，以使其适合观察到的网络数据。拟合使我们能够对各个节点的偏好进行最佳估计，定义量化个体差异的度量，即使在没有传统的分类结构的情况下也能进行敏感的群落检测，并准确预测未标记或部分标记的网络中的缺失数据。

开源俄罗斯Twitter数据的无监督机器学习揭示了全球范围和运营特征

原文标题： Unsupervised Machine Learning of Open Source Russian Twitter Data Reveals Global Scope and Operational Characteristics

地址： http://arxiv.org/abs/1810.01466

作者： Christopher Griffin, Brady Bickel

摘要： 我们开发并使用了一系列统计方法（无监督机器学习），从Twitter提供的数据集中提取相关信息，这些数据集涉及据称试图影响2016年美国总统选举的俄罗斯巨魔。这些无监督的统计方法允许快速识别（i）巨魔群体内的新兴语言群落，（ii）操作的跨国范围和（iii）可用于未来识别的巨魔的操作特征。使用自然语言处理，多元学习和傅立叶分析，我们确定了一项不仅包括2016年美国大选，还包括法国国民以及德国地方和国家选举的行动。我们展示了由此产生的巨魔人口由具有共同但明确定制的行为特征的用户组成。

通过社会媒体数据类型不同组合估计意见形成阈值

原文标题： Opinion Formation Threshold Estimates from Different Combinations of Social Media Data-Types

地址： http://arxiv.org/abs/1810.01501

作者： Derrik E. Asher, Justine Caylor, Casey Doyle, Alexis R. Neigel, Gyorgy Korniss, Boleslaw K. Szymanski

摘要： 被动消费与主题相关的可量化的社交媒体信息可以使个人形成意见。如果有大量的这些人被激励从他们最近建立的意见中采取行动，那么就可以独立于信息的准确性引起运动或舆论转变。鉴于社交媒体在现代社会中无处不在，我们必须了解社交媒体数据导致意见形成的门槛。本研究通过向2222名参与者询问他们需要被动消费以形成意见的各种社交媒体数据类型（即图像，视频和/或消息）的数量来估计人口意见形成阈值。从三个方面评估意见形成，1）数据类型，2）背景和3）来源。这项工作为估计通过社交媒体信息影响人口所需的数据量提供了理论基础。

GI-OHMS：检测重叠社区的图推理

原文标题： GI-OHMS: Graphical Inference to Detect Overlapping Communities

地址： http://arxiv.org/abs/1810.01547

作者： Nasheen Nur, Wenwen Dou, Xi Niu, Siddharth Krishnan, Noseong Park

摘要： 在复杂网络中发现社区是复杂系统社区中最近引起关注的主题。由于大规模网络（如在线社会网络）的动态和快速发展的特性，社区节点之间更强大的本地和全球互动的概念变得越来越难以捕捉。在本文中，我们提出了一种新的图推理方法 - GI-OHMS（观察隐藏变量合并种子网络中的图推理）来解决重叠社区检测的问题。我们的方法的新颖之处在于将复杂而密集的感兴趣网络转变为观察隐藏的合并种子（OHMS）网络，该网络保留了网络的重要社区属性。我们进一步利用图推理方法（贝叶斯马尔可夫随机场）来提取社区。我们方法的优越性在于两个主要观察结果：1）提取的OHMS网络排除了许多较弱的连接，从而导致更高的推理精度2）图推理步骤在较小的网络上运行，因此具有低得多的执行时间。我们证明我们的方法优于OSLOM，DEMON和LEMON等其他基线算法的准确性。为了进一步缩短执行时间，我们提供了多线程实现，并且与最先进的算法相比，可以显著提高速度。

检测以太坊区块链网络中的机器人活动

原文标题： Detecting Bot Activity in the Ethereum Blockchain Network

地址： http://arxiv.org/abs/1810.01591

作者： Morit Zwang, Shahar Somin, Alex ‘Sandy’ Pentland, Yaniv Altshuler

摘要： 以太坊区块链网络是一个分散的平台，支持智能合约执行和以太（ETH）[1]的交易，它是指定的加密货币。以太坊是第二大最受欢迎的加密货币，市值超过1000亿美元，每天有成千上万的交易被数十万个独特的钱包执行。每天新生成数万个这样的钱包。以太坊平台使任何人都可以免费自由打开多个新钱包[2]，从而产生大量由同一实体控制的钱包。该属性使得以太坊网络成为软件机器人（机器人）活动的繁殖空间。机器人的存在在不同的数字技术中很普遍，并且有各种方法来检测它们的活动，例如规则库，聚类，机器学习等等[3,4]。在这项工作中，我们演示了如何使用网络理论方法实现机器人检测。

h_alpha：量化个人科学领导力的指标

原文标题： h_alpha: An index to quantify an individual’s scientific leadership

地址： http://arxiv.org/abs/1810.01605

作者： J. E. Hirsch

摘要： alpha人是一个群体中的主导者。我们将论文的alpha作者定义为论文的作者，其中所有共同作者中的最高 h -index，以及作为论文创作或共同撰写的科学家的alpha论文科学家，他/她是alpha作者。对于大多数但不是所有文献中的论文，只有一个alpha作者。我们将科学家的 h_alpha 指数定义为科学家的 h -core中的论文数量（即有助于科学家的 h -index的论文集），这位科学家是alpha 作者。我们还将科学家的h’_alpha索引定义为此科学家的alpha论文的数量，其中大于h’_alpha引用。 h_alpha 和h’_alpha包含类似的信息，而h’_alpha在概念上更具吸引力，从现有数据库中获取更难，因此目前的实际兴趣较小。我们建议h_alpha和/或h’_alpha指数，或论文中讨论的其他变体，对科学家的h-index量化他/她的科学成就是有用的补充，这纠正了h-index的固有缺点，它无法区分具有不同合作关系模式的作者。高 h 指数与高 h_alpha / h比率相结合是科学领导力的标志。

多次博弈中意图识别的功能动力学

原文标题： Functional Dynamics by Intention Recognition in Iterated Games

地址： http://arxiv.org/abs/1810.01740

作者： Yuma Fujimoto, Kunihiko Kaneko

摘要： 意图识别是智能代理的重要特征。在与他人的互动中，他们试图阅读他人的意图并制作他人的形象，以便相应地选择他们的行为。虽然玩家根据这些意图选择行动的方式已经在博弈论中得到了研究，但是如何通过相互阅读他人的意图将意图的动态变化纳入博弈论中尚未被探索。我们提出了一种新颖的博弈论形式，其中玩家通过迭代博弈阅读他人的意图并改变自己的意图。在这里，意图作为另一个人的行为和相应的自己的行动作为因变量的函数给出，而意图的相互识别表示为功能动力学。结果表明，当他/她识别对方的意图时，玩家不会受到任何劣势，而功能动态达到均衡，其中两个玩家的意图都被优化。这些涵盖了经典的纳什和斯塔克尔伯格均衡，但我们在这项研究中扩展它们：根据相互认可的程度存在新的均衡。而且，每个玩家识别对方的程度也可以不同。该公式适用于资源竞争，双寡头和囚徒困境博弈。例如，在获得资源的依赖玩家依赖的能力的资源竞赛博弈中，优秀玩家的识别导致对另一方的利用，而劣等玩家的识别导致双方玩家的收益增加的合作。

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。