• 用于文本网络嵌入的深度神经信息融合架构;
• 大型网络中的扩散;
• 学术母亲：育儿参与模型及其对学术生产力和表现的影响;
• CheckThat 2021的无假新闻：使用 BERT 检测假新闻;
• 熵与层次聚类：表征不同空间文化中城市肌理的形态;
• 用于推荐的图趋势网络;
• Gettr 社会网络的早期观察;

用于文本网络嵌入的深度神经信息融合架构

原文标题： A Deep Neural Information Fusion Architecture for Textual Network Embeddings

地址： http://arxiv.org/abs/1908.11057

作者： Zenan Xu, Qinliang Su, Xiaojun Quan, Weijia Zhang

摘要： 文本网络嵌入旨在学习网络中每个节点的低维表示，以便网络中的结构和文本信息都可以在表示中得到很好的保留。传统上，结构和文本嵌入是由模型学习的，很少考虑它们之间的相互影响。在本文中，提出了一种深度神经架构来有效地将两种信息融合为一种表示。所提出架构的新颖性体现在新定义的目标函数、结构和文本特征的互补信息融合方法以及文本特征提取的互门机制等方面。实验结果表明，所提出的模型在所有三个数据集上都优于比较方法。

大型网络中的扩散

原文标题： Diffusion in large networks

地址： http://arxiv.org/abs/2010.09256

作者： Michel Grabisch, Agnieszka Rusinowska, Xavier Venel

摘要： 我们研究了在一个可数无限的社会中的扩散现象，该社会中的个人与网络中的邻居互动。在给定的时间，每个人要么是活跃的，要么是不活跃的。扩散由两个特征驱动：网络结构和由聚合函数表示的扩散机制。我们区分两种扩散机制（概率性、确定性）并关注两种类型的聚合函数（严格的、布尔的）。在严格的聚合函数下，社会不会发生两极分化，它的状态向着无限多活跃和无限多非活跃主体的混合，或向同质社会演进。在布尔聚合函数下，扩散过程变得具有确定性，Morris (2000) 的传染模型成为我们框架的一个特例。然后会发生极化。我们的动态还允许在这两种情况下循环。网络结构与这些问题无关，但对于建立不可约性很重要，代价是丰富性假设：网络应该包含无限多的复杂恒星，并有足够的空间来存储局部配置。我们的模型可以通过局部协调博弈给出博弈论解释，其中每个玩家将在随机邻域中应用最佳响应策略。

学术母亲：育儿参与模型及其对学术生产力和表现的影响

原文标题： The academic motherload: Models of parenting engagement and the effect on academic productivity and performance

地址： http://arxiv.org/abs/2108.05376

作者： Derrick G.E., Chen P-Y., van Leeuwen T., Lariviere V., Sugimoto C.R

摘要： 研究生产力的性别差异有据可查，主要是通过获得育儿假和与儿童相关的责任来解释的。这些解释是基于这样一种假设，即女性承担大部分育儿责任，并在孩子出生时休假。围绕育儿的社会动态不断变化，父亲越来越多地在育儿中发挥积极作用。这需要一种更细致入微的方法来理解养育子女对男性和女性的影响。本研究使用对 11,226 名学术父母的全球调查，调查了父母参与（领导、双重（共享）和卫星教养）和合作伙伴类型对男性和女性研究生产力和影响的衡量标准的影响。它还分析了不同程度的育儿假对学术生产力的影响。结果表明，男性和女性的育儿惩罚是育儿活动参与程度的函数。担任领导角色的男性会受到类似的惩罚，但女性更有可能担任主要育儿角色，并在时间和任务上更加投入。休育儿假与更高的生产力水平相关，但美国样本在 6 个月时失去生产力优势，非美国样本在 12 个月时失去生产力优势。这些结果表明，与仅存在儿童相比，父母参与是解释学业生产力性别差异的一个更有力的变量，政策应该考虑到这一因素。

CheckThat 2021的无假新闻：使用 BERT 检测假新闻

原文标题： NoFake at CheckThat! 2021: Fake News Detection Using BERT

地址： http://arxiv.org/abs/2108.05419

作者： Sushma Kumari

摘要： 已经进行了大量研究来揭穿和分析假新闻。许多研究人员在去年研究了假新闻检测，但许多研究人员仅限于社交媒体数据。目前，多个事实检查员正在以各种格式发布他们的结果。此外，多个事实检查员对假新闻使用不同的标签，因此很难制作通用的分类器。通过合并类，可以增强机器模型的性能。此域分类将有助于对文章进行分组，这将有助于节省分配声明验证的手动工作。在本文中，我们提出了基于 BERT 的分类模型来预测领域和分类。我们还使用了经过事实核查的文章中的其他数据。我们使用额外的训练数据实现了任务 3A 的宏观 F1 分数为 83.76 %，任务 3B 的宏观 F1 分数为 85.55 %。

熵与层次聚类：表征不同空间文化中城市肌理的形态

原文标题： Entropy and hierarchical clustering: characterising the morphology of the urban fabric in different spatial cultures

地址： http://arxiv.org/abs/2108.05550

作者： E. Brigatti, V. M. Netto, F.N.M. de Sousa Filho, C. Cacholas

摘要： 在这项工作中，我们开发了一种基于块熵外推法估计二维序列的香农熵的通用方法。我们应用这种方法来分析世界不同文化和地区城市的空间配置。研究结果表明，这种方法可以识别城市之间的相似性，为识别和分类不同的城市形态产生准确的结果。基于此度量的层次聚类分析也提出了关于城市形态能否体现与不同文化身份、历史进程和地理区域相关的特征的新问题。

用于推荐的图趋势网络

原文标题： Graph Trend Networks for Recommendations

地址： http://arxiv.org/abs/2108.05552

作者： Wenqi Fan, Xiaorui Liu, Wei Jin, Xiangyu Zhao, Jiliang Tang, Qing Li

摘要： 推荐系统旨在为用户提供个性化服务，并在我们的日常生活中发挥着越来越重要的作用。推荐系统的关键是根据用户的历史在线行为（例如点击、添加到购物车、购买等）预测用户与商品交互的可能性。为了利用这些用户-商品交互，越来越多的人考虑考虑将用户-项目交互作为用户-项目二部图，然后通过图神经网络 (GNN) 在图中执行信息传播。鉴于 GNN 在图表示学习中的强大功能，这些基于 GNN 的推荐方法显著提高了推荐性能。尽管取得了成功，但大多数现有的基于 GNN 的推荐系统忽略了由不可靠行为（例如，随机/诱饵点击）引起的交互的存在，并统一处理所有交互，这可能导致次优和不稳定的性能。在本文中，我们调查了现有基于 GNN 的推荐方法的缺点（例如，非自适应传播和非鲁棒性）。为理解决这些缺点，我们提出了用于推荐的图趋势网络 (GTN)，其原则性设计可以刻画交互的自适应可靠性。提出了全面的实验和消融研究，以验证和理解所提出框架的有效性。我们的实现和数据集可以在发布后发布。

Gettr 社会网络的早期观察

原文标题： An Early Look at the Gettr Social Network

地址： http://arxiv.org/abs/2108.05876

作者： Pujan Paudel, Jeremy Blackburn, Emiliano De Cristofaro, Savvas Zannettou, Gianluca Stringhini

摘要： 本文介绍了美国前总统唐纳德特朗普团队推出的新型社会网络平台 Gettr 的首次数据驱动分析。除此之外，我们发现该平台上的用户大量讨论政治，重点关注美国的特朗普竞选活动和巴西的博尔索纳罗竞选活动。自推出以来，平台上的活动一直在稳步减少，尽管经过验证的用户和早期采用者的核心不断发帖并成为其核心。最后，尽管毒性随着时间的推移而增加，但平均毒性水平仍低于最近在 Gab 和 4chan 等其他边社会网络上观察到的毒性水平。总体而言，我们对这个新社区进行了首次定量分析，观察到缺乏有机参与和活动。

声明：Arxiv文章摘要版权归论文原作者所有，机器翻译后由本人进行校正整理，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。