• 谱排序;
• 一种监测恐怖分子网络的新型图分析方法;
• 电力基础设施弹性面对灾害影响空间分布的敏感性;
• 网络流行病传播动力学的协同效应;
• 消息立场分类的半监督方法;
• 衡量广告对LinkedIn Feed的长期影响;
• 潜在空间模型的精确恢复;
• 犯罪集中了还是我们只是使用了错误的指标？;
• 随机二元意见模型;
• 利用概念兴趣检测社会网络中的局部社区结构;
• 识别和分析社交媒体中的加密货币操纵;
• 使用具有动态结构的深度学习从推文中进行高分辨率家庭位置预测;
• 用于朋友推荐的异构边嵌入;

谱排序

原文标题： Spectral Ranking

地址： http://arxiv.org/abs/0912.0238

作者： Sebastiano Vigna

摘要： 我们综述谱排序的历史，这是将线性映射理论（特别是特征值和特征向量）应用于不代表几何变换，而是实体之间的某种关系的矩阵的技术的总称。虽然最近以Google的PageRank算法的大量新闻报道而闻名，谱排序是在一个多世纪以前设计的，并且已经在锦标赛排名，心理学，社会科学，文献计量学，经济学和选择理论中进行了研究。我们描述了先前学者在精确和现代数学术语中给出的贡献：一路上，我们展示了如何以一般方式表达阻尼排名，例如Katz指数，作为扰动矩阵的主要特征向量，然后在Drazin上使用结果通过限制过程返回主导特征向量。结果表明谱排序的正则化定义，其根据边界条件为一般矩阵产生唯一向量。

一种监测恐怖分子网络的新型图分析方法

原文标题： A Novel Graph Analytic Approach to Monitor Terrorist Networks

地址： http://arxiv.org/abs/1902.02836

作者： Kaustav Basu, Chenyang Zhou, Arunabha Sen, Victoria Horan Goliber

摘要： 世界各地的恐怖袭击事件已成为几乎所有国家政府关注的主要问题。美国国务院反恐局保留了一份包含全世界66个恐怖主义组织的名单。积极监督大量组织及其成员，需要执法机构提供大量资源。通常，执法机构没有足够的资源来有效监督这些组织及其成员。关于欧洲近期多次发生恐怖主义袭击事件，据观察，袭击的肇事者是在执法机关的可疑数据库中，但由于资源的原因，在袭击发生时没有受到主动监视。当局的限制。由于各个国家的可疑数据库非常庞大，并且需要大量的技术和人力资源来监视数据库中的嫌疑人，因此监视数据库中的所有嫌疑人可能是不可能完成的任务。在本文中，我们提出了一种新的恐怖网络监测方法，该方法将大大减少执法机关的资源需求，但仍然提供了在嫌疑人积极策划恐怖袭击时唯一识别嫌疑人的能力。该方法依赖于这样的假设：当一个人积极参与策划恐怖袭击时，他/她的朋友/同事将会对个人计划有所了解。因此，即使个人未被当局主动监视，但是个人的朋友/同事是，但是可以唯一地识别计划攻击的个人。我们将我们的技术应用于各种现实世界的恐怖网络数据集，并展示我们的方法的有效性。

电力基础设施弹性面对灾害影响空间分布的敏感性

原文标题： The Sensitivity of Electric Power Infrastructure Resilience to the Spatial Distribution of Disaster Impacts

地址： http://arxiv.org/abs/1902.02879

作者： Benjamin Rachunok, Roshanak Nateghi

摘要： 在面对自然灾害时，可靠地评估能源基础设施的复原力是研究人员，政府官员和社区成员所关注的一个突出问题。在这里，我们探讨了飓风和其他自然灾害造成的破坏空间分布对配电系统恢复能力的影响。我们发现，纳入有关灾害影响空间分布的信息对估算基础设施恢复能力具有重要意义。具体而言，与空间分布的灾害引起的中断的估计基础设施弹性指标相关的不确定性远高于先前方法所确定的。我们提出了一个受主要登陆飓风影响的配电网的案例研究。我们表明，灾难中断的改进特征极大地改变了电网恢复的方式，包括紧急系统属性的变化，如抗毁性。我们的工作表明，由于缺乏对中断空间结构的考虑，以前评估关键基础设施弹性的方法可能会夸大与估计的网络恢复相关的信心。

网络流行病传播动力学的协同效应

原文标题： Synergistic Effects in Networked Epidemic Spreading Dynamics

地址： http://arxiv.org/abs/1902.02954

作者： Masaki Ogura, Wenjie Mei, Kenji Sugimoto

摘要： 在这篇简介中，我们研究了在复杂网络中发生的流行病传播动态。我们专门研究了协同作用的影响，其中节点之间的多个相互作用导致组合效应大于它们各自效应的简单总和。在这种情况下，我们根据矩阵的特征值得出协同易感感染 - 易感模型的增长率的上界，该矩阵的大小与网络中节点的数量成二次方。在我们的推导中，我们既不限制我们关注特定类的复杂网络（如格子），也不使用平均场近似技术，这在文献中经常进行。通过对经验人类和动物社会网络的模拟，数值地说明了我们的理论结果的有效性。

消息立场分类的半监督方法

原文标题： A semi-supervised approach to message stance classification

地址： http://arxiv.org/abs/1902.03097

作者： Georgios Giasemidis, Nikolaos Kaplis, Ioannis Agrafiotis, Jason R. C. Nurse

摘要： 社交媒体传播正变得越来越普遍;一些有用的，一些是虚假的，无论是无意还是恶意。越来越多的谣言每天涌入社交网​​络。以自主方式确定其准确性是一个非常活跃和具有挑战性的研究领域，提出了各种方法。然而，大多数模型依赖于确定组成信息对谣言的立场，这一特征被称为“人群的智慧”。尽管已经提出了几种有监督的机器学习方法来解决消息站立分类问题，但是这些方法存在许多缺点。在本文中，我们认为半监督学习比监督模型更有效，并使用两种基于图的方法来证明它。这不仅在分类准确性方面，而且在速度和可扩展性方面同样重要。我们使用标签传播和标签传播算法，并对从Twitter收集的72个谣言和数十万条消息的数据集进行实验。我们将两个可用数据集的结果与现有技术进行比较，以展示我们的算法在实时应用的准确性，速度和可扩展性方面的性能。

衡量广告对LinkedIn Feed的长期影响

原文标题： Measuring Long-term Impact of Ads on LinkedIn Feed

地址： http://arxiv.org/abs/1902.03098

作者： Jinyun Yan, Birjodh Tiwana, Souvik Ghosh, Haishan Liu, Shaunak Chatterjee

摘要： 有机更新（来自会员网络）和赞助商更新（或广告，来自广告商）共同组成LinkedIn上的新闻源。新闻源是会员的默认主页，吸引他们参与，为他们带来价值并帮助LinkedIn成长。饲料的参与和收入是两个关键但往往相互冲突的目标。因此，设计一个良好的Revenue-Engagement权衡（RENT）机制以在Feed中混合广告非常重要。在本文中，我们设计实验来了解成员的行为随着时间的推移如何在不同的广告体验下发展。这些体验因广告密度而异，而广告质量（由相关模型确保）保持不变。我们的实验是在随机成员桶上进行的，我们使用两种实验设计来测量各种处理的短期和长期影响。根据前三个月的数据，我们发现长期影响的规模远小于我们申请中的短期影响。此外，我们观察到不同的成员群组（基于用户活动水平）适应和随时间的不同反应。

潜在空间模型的精确恢复

原文标题： Exact Recovery in the Latent Space Model

地址： http://arxiv.org/abs/1902.03099

作者： Chuyang Ke, Jean Honorio

摘要： 我们分析了两个社区精确恢复对称潜在空间模型（LSM）的充分必要条件。在LSM中，每个节点与一些概率分布之后的潜在向量相关联。我们表明使用半定规划方法可以实现精确恢复。

犯罪集中了还是我们只是使用了错误的指标？

原文标题： Is crime concentrated or are we simply using the wrong metrics?

地址： http://arxiv.org/abs/1902.03105

作者： Rafael Prieto Curiel

摘要： 犯罪高度集中在少数地方，由少数罪犯犯下，并受到少数受害者的伤害。近几十年来，犯罪集中已成为一个公认的事实，然而，在如何衡量这种犯罪集中程度方面知之甚少，因此该指标考虑到犯罪一般来说频率较低的事实，波动，高度集中，具有一定程度的随机性。在这里，审查了最常用的犯罪集中指标。具有完全随机性的空模型用于在不同浓度度量之间进行比较，这允许针对不同的犯罪率构建针对每个度量的灵敏度分析。结果表明，大多数衡量犯罪集中程度的方法实际上只表明犯罪很少或有波动，但不能作为比较不同地区，犯罪类型或跨时间犯罪集中程度的方法。 。

随机二元意见模型

原文标题： Stochastic Binary Opinion Model

地址： http://arxiv.org/abs/1902.03107

作者： Serap Tay Stamoulas, Muruhan Rathinam

摘要： 我们研究了一个随机二元意见模型，其中一组中的代理人被认为在每个时刻持有0或1的意见。小组中的代理人根据小组的意见配置和他/她的个性更新他/她的意见。考虑到具有意见1作为连续时间马尔可夫过程的代理人的数量，我们分析了与群体个性相关的大人口规模的长期概率。特别是，我们关注的是“平衡”问题，即当一种观点占主导地位时，两种观点的数量几乎相等，而不是“支配地位”。

利用概念兴趣检测社会网络中的局部社区结构

原文标题： Detecting Local Community Structures in Social Networks Using Concept Interestingness

地址： http://arxiv.org/abs/1902.03109

作者： Mohamed-Hamza Ibrahim, Rokia Missaoui, Abir Messaoudi

摘要： 社会网络分析的一个关键挑战是设计一个有效和准确的社区检测程序，作为发现内在结构和提取相关信息的手段。在本文中，我们引入了一种称为（COIN）的新策略，该策略利用COncept INterestingness度量来检测基于网络概念格构造的社区。因此，与现成的社区检测算法不同，COIN利用从形式概念分析继承的相关概念特征来发现实质的局部结构。在COIN的第一阶段，我们提取了捕捉社会网络中所有派系和桥梁的形式概念。在第二阶段，我们使用稳定性指数来消除社区之间的嘈杂桥梁，然后渗透相关的相邻集团。我们在几个真实世界社会网络上的实验表明，COIN可以比现有的突出算法更快速地检测社区，例如Edge betweenness，Fast greedy modularity和Infomap。

识别和分析社交媒体中的加密货币操纵

原文标题： Identifying and Analyzing Cryptocurrency Manipulations in Social Media

地址： http://arxiv.org/abs/1902.03110

作者： Mehrnoosh Mirtaheri, Sami Abu-El-Haija, Fred Morstatter, Greg Ver Steeg, Aram Galstyan

摘要： 近年来，对作为金融交易媒介的加密货币，数字或虚拟货币的兴趣大大增加。围绕这些货币的匿名性使投资者特别容易受到欺诈 - 例如“抽水和倾销”骗局 - 其目标是人为地夸大货币的感知价值，在欺诈者出售其持有者之前诱使受害者投资。由于Twitter和Telegram等社交平台提供的速度和相对匿名性，社交媒体已经成为诈骗者的首选平台，他们希望散布关于他们试图提供的加密货币的虚假炒作。在这项工作中，我们提出并评估一种计算方法，该方法可以通过在社交媒体平台上组合信息来自动识别泵和转储诈骗。我们还开发了一种多模态方法来预测特定泵试验是否成功。最后，我们分析了加密货币相关推文中机器人的流行程度，并观察了泵尝试期间机器人活动的显著增加。

使用具有动态结构的深度学习从推文中进行高分辨率家庭位置预测

原文标题： High-resolution home location prediction from tweets using deep learning with dynamic structure

地址： http://arxiv.org/abs/1902.03111

作者： Meysam Ghaffari, Ashok Srinivasan, Xiuwen Liu

摘要： 对人们家庭位置的高分辨率预测在不同领域有用，包括农业，交通和公共卫生。这里的目标是获得足够大的群体子集的归属位置的准确估计，以随后在应用域的模型中使用。传统数据来源，如人口普查和调查，具有相当长的时间滞后，无法捕捉季节性趋势。最近有兴趣使用社交媒体数据来克服这种限制。但是，这些数据通常很稀疏，噪音很大，用户的家庭位置只是几个登记位置之一。由于这些限制，以前的许多研究都针对粗糙的空间分辨率，例如在时区，州和城市层面。这对于重要应用来说是不够的。例如，防止流行病的病媒控制将受益于200米的分辨率。最近的工作使用Twitter元数据上的支持向量分类器进行此类分辨率，对于具有100米分辨率的76％测试群体子集，获得70％的准确度。相比之下，我们为这个问题开发了一个深度学习模型，应用了第一阶段的随机森林和第二阶段的两个完全连接的深度神经网络组成的动态结构。我们在30％的测试人群中获得了超过90％的成绩。鉴于Twitter的庞大用户群，这是一个足够大的子集，可用于我们所针对的建模应用程序。我们相信，对于整个样本及其子集，从Twitter数据中获得的高分辨率归属位置预测获得的最高精度。这项工作的主要贡献在于开发一种深度学习解决方案，该解决方案使用动态结构来处理稀疏和嘈杂的社交媒体数据，从而从Twitter数据中获得准确的高分辨率家庭位置。

用于朋友推荐的异构边嵌入

原文标题： Heterogeneous Edge Embeddings for Friend Recommendation

地址： http://arxiv.org/abs/1902.03124

作者： Janu Verma, Srishti Gupta, Debdoot Mukherjee, Tanmoy Chakraborty

摘要： 我们在社会网络上使用边嵌入提出了朋友推荐系统（链路预测的应用）。大多数真实世界的社会网络是多图，其中在一对用户之间可以存在不同类型的关系（例如，聊天，友谊）。现有的网络嵌入技术不利用来自不同边类型的信号，因此在这种网络中的链路预测上执行不充分。我们提出了一种挖掘网络表示的方法，该方法有效地利用了多图中的异质性。我们在真实的，活跃的社会网络上评估我们的模型，其中部署该系统以便为数百万用户推荐朋友。我们的方法在准确性和用户满意度方面优于Hike社会网络上的各种最先进的基线。

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。