• SPAN：动态图的子图预测注意网络;
• 离散选择中的选择集混杂;
• 风暴中没有平静：调查 QAnon 网站关系;
• 比较美国、印度和巴西的 COVID-19 感染和死亡率动态;
• 验证日常社交媒体的情绪宏观;

SPAN：动态图的子图预测注意网络

原文标题： SPAN: Subgraph Prediction Attention Network for Dynamic Graphs

地址： http://arxiv.org/abs/2108.07776

作者： Yuan Li, Chuanchang Chen, Yubo Tao, Hai Lin

摘要： 本文提出了一种预测动态图中子图的新模型，这是传统链路预测的扩展。这个提出的端到端模型直接学习从当前快照中的子图结构到下一个快照中的子图结构的映射，即子图中多个节点之间的边存在性。一种名为cross-attention with twin-tower module的新机制旨在协同集成节点属性信息和拓扑信息以学习子图演化。我们将我们的模型与几种最先进的方法进行比较，分别用于多个现实世界同构和异构动态图中的子图预测和子图模式预测。实验结果表明，我们的模型在这两项任务中都优于其他模型，增益从 5.02% 增加到 10.88%。

离散选择中的选择集混杂

原文标题： Choice Set Confounding in Discrete Choice

地址： http://arxiv.org/abs/2105.07959

作者： Kiran Tomlinson, Johan Ugander, Austin R. Benson

摘要： 偏好学习中的标准方法涉及根据个人从一组离散的备选方案（选择集）做出的选择（选择）数据来估计离散选择模型的参数。虽然有许多针对个人偏好的模型，但现有的学习方法忽略了选择集分配如何影响数据。通常，选择集本身受个人偏好的影响；例如，从在线零售商处选择产品的消费者通常会看到来自推荐系统的选项，这些选项取决于有关消费者偏好的信息。忽略这些分配机制会误导选择模型对偏好做出有偏见的估计，我们将这种现象称为选择集混杂；我们证明了在广泛使用的选择数据集中存在这种混淆。为理解决这个问题，我们将因果推理的方法应用于离散选择设置。我们使用选择器的协变量进行逆概率加权和/或回归控制，在某些假设下存在选择集混淆的情况下准确地恢复个人偏好。当此类协变量不可用或不足时，我们会开发利用结构化选择集分配来改进预测的方法。我们证明了我们的方法在现实世界选择数据上的有效性，例如，表明对选择集混杂的考虑使得在酒店预订和通勤交通中观察到的选择更符合理性效用最大化。

风暴中没有平静：调查 QAnon 网站关系

原文标题： No Calm in The Storm: Investigating QAnon Website Relationships

地址： http://arxiv.org/abs/2106.15715

作者： Hans W. A. Hanley, Deepak Kumar, Zakir Durumeric

摘要： QAnon 是一种极右翼阴谋论，其追随者主要在网上组织起来。在这项工作中，我们使用来自互联网上两个最大的 QAnon 温床 Voat 和 8kun 的网络爬虫来构建超链接图。然后，我们使用此图来识别、理解和学习在线传播 QAnon 内容的网站。我们策划了迄今为止最大的以 QAnon 为中心的网站列表，从中我们记录了 QAnon 网站的类型、它们的托管服务提供商以及它们的受欢迎程度。我们进一步分析了 QAnon 网站与在线主流新闻和错误信息的联系，突出了错误信息网站在传播阴谋中发挥的巨大作用。最后，我们利用观察到的 QAnon 和错误信息站点之间的关系来构建随机森林分类器，以区分错误信息和真实新闻站点，在测试集上获得 0.98 AUC 的性能。我们的结果展示了研究互联网上的阴谋和错误信息的新的有效方法。

比较美国、印度和巴西的 COVID-19 感染和死亡率动态

原文标题： Comparing the dynamics of COVID-19 infection and mortality in the United States, India, and Brazil

地址： http://arxiv.org/abs/2108.07565

作者： Nick James, Max Menzies, Howard Bondell

摘要： 本文比较和对比了 COVID-19 在受大流行影响最严重的三个国家的传播和影响：美国（美国）、印度和巴西。这三个国家都具有联邦结构，其中各个州在很大程度上决定了对大流行的反应。因此，我们对这三个国家的各个州进行了广泛的分析，以确定每个国家的相似性模式。首先，我们将病例和死亡轨迹中的结构相似性和异常分析为多元时间序列。接下来，我们研究了这三个国家及其州的不同病毒爆发浪潮的持续时间。最后，我们调查了病例和死亡之间适当的时间偏移，作为不同爆发波的函数。在所有这些分析中，我们始终如一地揭示了美国和印度各州之间更具特征性的不同行为，而巴西各州在其波浪行为和病例和死亡之间的变化进程方面表现出较少的结构。

验证日常社交媒体的情绪宏观

原文标题： Validating daily social media macroscopes of emotions

地址： http://arxiv.org/abs/2108.07646

作者： Max Pellert, Hannah Metzler, Michael Matzenberger, David Garcia

摘要： 为了在宏观层面研究情感，情感科学家广泛使用了社交媒体文本的情感分析。然而，这种方法在抽样偏差和测量误差方面可能会遇到一系列方法问题。迄今为止，社交媒体情绪是否可以衡量在整个在线社区的宏观层面上聚合的日常情绪时间动态，尚未得到验证。我们在一家在线报纸上进行了一项大规模调查，以收集其用户的每日情感状态自我报告，并将这些报告与同一在线平台上用户讨论的情绪分析汇总结果进行比较。此外，我们使用 Twitter 文本作为同一社区情绪的宏观范围预先注册了我们的研究副本。对于这两个平台，我们发现文本分析结果与自我报告情绪水平之间以及两种测量的日间变化之间存在很强的相关性。我们进一步表明，有监督和无监督的文本分析方法的组合是衡量情绪聚合的最准确方法。我们在研究新的 COVID-19 病例数与情绪之间的关联时说明了这种社交媒体宏观的应用，表明使用调查数据时的关联强度与使用社交媒体数据时的关联强度是可比的。我们的研究结果表明，可以使用社交媒体文本跟踪在线平台用户情感状态的宏观动态，在无法获得或难以收集自我报告的数据时作为调查的补充。

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。