• 来自合作伙伴和人群的意义概化：分层推理支持网络上惯例的形成;
• MAGNN：元路径汇总图神经网络用于异构图嵌入;
• 我知道你来自哪里：社交媒体源对人工智能模型性能的影响;
• 利用社交媒体帖子的自动定位类型分类;
• FastGAE：快速、可扩展和有效的带随机子图解码的图自动编码器;

来自合作伙伴和人群的意义概化：分层推理支持网络上惯例的形成

原文标题： Generalizing meanings from partners to populations: Hierarchical inference supports convention formation on networks

地址： http://arxiv.org/abs/2002.01510

作者： Robert D. Hawkins, Noah D. Goodman, Adele E. Goldberg, Thomas L. Griffiths

摘要： 语言习惯的一个关键特性是它们持有超过音箱的整个社会，让我们即使我们以前从来没有见过的人有效的沟通。与此同时，我们的很多语言使用的是合作伙伴特定的：我们知道的话，可以通过基于本地共同点，不同的人不同的理解。这给的约定账户形成了挑战。究竟怎么做主体使推理飞跃，社会各界广泛预期，同时保持合作伙伴的具体知识？我们建议会议的分层贝叶斯模型来解释如何扬声器和听众似乎抽象掉含义跨合作伙伴共享。为了评估我们的模型预测，我们进行了一项实验，参与者起到了扩展的自然语言交流的博弈，在一个小社区不同的合作伙伴。我们研究整个合作伙伴推广的若干措施，并找到当地适应的关键签名以及集体收敛。这些结果表明，当地的合作伙伴，具体的学习不仅与全球公约的形成兼容，但是当与一个强大的分层电感耦合机制可以方便吧。

MAGNN：元路径汇总图神经网络用于异构图嵌入

原文标题： MAGNN: Metapath Aggregated Graph Neural Network for Heterogeneous Graph Embedding

地址： http://arxiv.org/abs/2002.01680

作者： Xinyu Fu, Jiani Zhang, Ziqiao Meng, Irwin King

摘要： 大量真实世界的图或网络本质上是异质的，包括节点类型和关系类型的多样性。异质图嵌入是异构图表的嵌入丰富的结构和语义信息到低维节点表示。现有的模型通常在异构图表定义多个metapaths捕获复合关系和导引邻居选择。然而，这些模型将其省略节点内容的特点，沿Meta路丢弃的中间节点，或只考虑一个Meta路。为了解决这三个限制，我们提出了一个名为Meta路汇总图表神经网络（MAGNN）的新模式，以提高最终性能。具体而言，采用MAGNN三个主要部件，即，该节点的内容转换到包封输入节点属性，帧内Meta路聚集掺入中间语义节点和-Meta路间聚集到消息从多个metapaths结合。在三个节点分类，节点群集，和链路预测表明MAGNN实现比状态的最先进的基线更准确的预测结果的真实世界异构图数据集了广泛的实验。

我知道你来自哪里：社交媒体源对人工智能模型性能的影响

原文标题： I Know Where You Are Coming From: On the Impact of Social Media Sources on AI Model Performance

地址： http://arxiv.org/abs/2002.01726

作者： Qi Yang, Aleksandr Farseev, Andrey Filchenkov

摘要： 如今，社会网络在人类的日常生活至关重要的作用，而不再单纯用业余时间支出有关。事实上，与朋友和同事即时沟通已经成为我们的日常交往中给人的多个新的社会网络类型出现加薪的重要组成部分。通过参加这样的网络中，个人产生从不同的角度描述了他们的活动，例如数据点的群众，可以进一步用于应用程序，如个性化推荐或用户分析。然而，在机器学习模型的性能不同的社交媒体网络的影响还没有全面的研究尚。特别是，从多个社会网络模型的多模态数据的文献相对比较少，这也启发我们，深入了解进入正题在这个初步研究。具体而言，在这项工作中，我们会从不同社会网络的多模态数据被学习时，学习不同的机器学习模型的性能。我们的初步实验结果表明，社会网络的选择会影响性能和数据源的正确选择是至关重要的。

利用社交媒体帖子的自动定位类型分类

原文标题： Automatic Location Type Classification From Social-Media Posts

地址： http://arxiv.org/abs/2002.01846

作者： Elad Kravi, Benny Kimelfeld, Yaron Kanza, Roi Reichart

摘要： 我们从社交媒体文章介绍了自动定位类型划分的问题。我们的目标是正确的一组贴在小半径围绕给定的位置，其对应的位置类型，例如，学校，教堂，餐馆或博物馆的消息联系起来。我们提供的与贴在缘相近微博相关联的位置的数据集。我们探索两种方法的问题：（1）管线方法，其中每个消息首先分类，然后与消息集相关联的位置被从单独的消息标签推断;和（b）在各个消息被同时处理的联合方法，得到所需的位置类型。我们的研究结果表明共同方法的优越性。此外，我们表明，由于问题，在弱相关的消息被联合处理，以产生一个最终标签的独特结构，简单的线性分类跑赢大盘已显示出在以前的文本分类任务优良的深神经网络的替代品。

FastGAE：快速、可扩展和有效的带随机子图解码的图自动编码器

原文标题： FastGAE: Fast, Scalable and Effective Graph Autoencoders with Stochastic Subgraph Decoding

地址： http://arxiv.org/abs/2002.01910

作者： Guillaume Salha, Romain Hennequin, Jean-Baptiste Remy, Manuel Moussallam, Michalis Vazirgiannis

摘要： 图表自动编码（AE）和自动编码变（VAE）是强大的节点嵌入方法，但是从可扩展性问题的影响。在本文中，我们介绍FastGAE，一个总体框架，以规模图AE和VAE到大图以百万计的节点和边。我们的策略，基于节点采样和子解码，同时保持甚至提高性能显著加速图AE和VAE的培训。我们证明FastGAE的众多真实世界的图效能，大幅跑赢现有的几个方案，以规模图AE和VAE。

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。个性化论文阅读与推荐请访问 https://arxiv.complexly.cn 平台。