• 社会网络分析在评估闭环供应链风险和网络弹性中的应用;
• 一种在复杂网络中刻画渗流的采样引导的无监督学习方法;
• 知识图谱中有更多模式吗？探索知识图谱嵌入的邻近模式;
• 价格预期凯利机制的稳健性;
• Twitter 上词共现网络中的情感和结构;
• 在线极端主义意识形态的认知科学;
• COVID-19 错误信息调查：数据集、检测技术和未解决的问题;
• 面部特征与议会中的点名投票有关吗？使用 fWHR 研究政治表现;
• 多元模拟：通过模拟理解假设和可能的世界;
• 一维民事暴力模型中的相图;
• 优化城市交通限制：针对 SARS-CoV-2 的多主体系统 (MAS);
• 非属性图上的深度欺诈检测;
• 团渗流方法：内存高效的几乎精确的社区;

社会网络分析在评估闭环供应链风险和网络弹性中的应用

原文标题： Application of Social Network Analysis in Evaluating Risk and network resilience of Closed-Loop-Supply-Chain

地址： http://arxiv.org/abs/2110.00652

作者： Sara Akbar Ghanadian, Saeed Ghanbartehrani

摘要： 闭环供应链 (CLSC) 网络因其积极的环境影响和减少浪费而成为行业和学术研究中的一个有吸引力的话题。由于设施类型的多样性和它们之间的复杂关系，CLSC 网络的性能评估具有挑战性。在这项研究中，提出了一个基于社会网络分析 (SNA) 的框架来评估网络的各个组件并确定其中断会影响整个网络的关键设施。建议的 SNA 指标应用于基于真实数据的 CLSC 网络案例研究，并呈现结果及其解释。根据结果​​提供了实用的建议和可操作的指南，以减轻已识别的风险并提高网络的灵活性和弹性。 SNAinSCM R 包在 GitHub 上开发和共享，以促进所讨论指标的计算和可视化

一种在复杂网络中刻画渗流的采样引导的无监督学习方法

原文标题： A sampling-guided unsupervised learning method to capture percolation in complex networks

地址： http://arxiv.org/abs/2110.00658

作者： Sayat Mimar, Gourab Ghoshal

摘要： 机器学习技术在经典和量子系统中的使用导致了对有序和无序相进行分类以及揭示关键现象中的转变点的新技术。努力将这些方法扩展到复杂网络中的动态过程是一个活跃的研究领域。网络渗透是衡量结构故障的弹性和鲁棒性的指标，也是传播过程的代表，在社会、技术和基础设施系统中有着广泛的应用。一个特别的挑战是在面对嘈杂的数据时识别网络中渗透集群的存在。在这里，我们考虑键渗透，并引入了一种采样方法，该方法使用洋葱分解（k-core 的改进版本）在微观尺度上利用此类网络的核心-外围结构。通过在洋葱谱的特定层中选择在渗透过程中遵循类似轨迹的节点子集，可以通过无监督聚类方法将渗透阶段与非渗透阶段区分开来。初始步骤的准确性对于提取具有丰富信息内容的样本至关重要，这些样本随后用于通过混淆方案（一种最近引入的学习方法）预测关键转变点。该方法避免了丢失数据或噪声测量的困难，因为它允许从核心和外围以及中间层采样节点。我们验证了我们的采样策略在一系列合成网络拓扑以及两个真实案例研究中的有效性：美国国内机场网络的整合时间，以及在美国三大州。这里提出的方法允许识别经验时变网络中的相变。

知识图谱中有更多模式吗？探索知识图谱嵌入的邻近模式

原文标题： Is There More Pattern in Knowledge Graph? Exploring Proximity Pattern for Knowledge Graph Embedding

地址： http://arxiv.org/abs/2110.00720

作者： Ren Li, Yanan Cao, Qiannan Zhu, Xiaoxue Li, Fang Fang

摘要： 关系模式建模是以前知识图谱嵌入工作的核心焦点，它表示一个实体如何通过某种显式关系在语义上与另一个实体相关。然而，总是忽略实体之间更自然和直观的相关性，即一个实体在语义上如何接近另一个实体，而不考虑任何显式关系。我们将知识图中的这种语义现象称为邻近模式。在这项工作中，我们探讨了如何定义和表示邻近模式的问题，以及如何利用它来帮助知识图嵌入。首先，我们根据统计共享查询定义任意两个实体的邻近度，然后我们构建派生图结构并从全局视图表示邻近度模式。此外，利用原始知识图谱，我们设计了一个 Chained couPle-GNN (CP-GNN) 架构，将两种模式（图谱）深度融合在一起，可以编码更全面的知识嵌入。在 FB15k-237 和 WN18RR 数据集上进行评估，CP-GNN 在知识图谱完成任务中取得了最先进的结果，尤其可以提高包含多个答案实体的复杂查询的建模能力，证明了引入接近度的有效性模体。

价格预期凯利机制的稳健性

原文标题： On The Robustness of Price-Anticipating Kelly Mechanism

地址： http://arxiv.org/abs/1602.01930

作者： Yuedong Xu, Zhujun Xiao, Tianyu Ni, Jessie Hui Wang, Xin Wang, Eitan Altman

摘要： 价格预期凯利机制（PAKM）是在通信网络和计算系统中为战略用户分配可分割资源的最广泛使用的策略之一。用户被认为是自私的，也是良性的，每个人都最大限度地利用分配资源的个人效用减去他对网络运营商的支付。然而，在许多应用程序中，用户可以使用他的支付来减少他对手的效用，从而扮演了行为不端的角色。行为不端的用户会在多大程度上损害或影响良性用户和网络运营商的性能仍然是个谜。在这项工作中，我们制定了一个由有限数量的良性用户和一个行为不端的用户组成的非合作博弈。这个行为不端的用户的恶意被他愿意支付以换取良性用户公用事业单位退化的交易。网络运营商通过价格预期凯利机制为所有用户分配资源。我们提出了关于良性用户的总效用和总净效用以及网络运营商在三种不同场景下的收入的六个重要性能指标：有和没有行为不端的用户，以及最大值。我们通过推导这些指标的上限和下限来量化 PAKM 对行为不当行为的稳健性。使用新方法，所有理论界限都适用于任意的良性用户群体。我们的研究揭示了两个重要的见解：i）性能界限对行为不端的用户在特定范围内的支付意愿非常敏感； ii) 网络运营商在行为不端的用户面前获得更多收入，这可能会抑制其针对行为不端的行为的对策。

Twitter 上词共现网络中的情感和结构

原文标题： Sentiment and structure in word co-occurrence networks on Twitter

地址： http://arxiv.org/abs/2110.00587

作者： Mikaela Irene Fudolig, Thayer Alshaabi, Michael V. Arnold, Christopher M. Danforth, Peter Sheridan Dodds

摘要： 我们使用单词共现网络探索政治推文中上下文和幸福度得分之间的关​​系，其中网络中的节点是单词，边的权重是语料库中两个连接的单词共同出现的推文数量。发生。特别是，我们考虑了带有imwithher和 crookedhillary标签的推文，它们都与希拉里克林顿在 2016 年的总统竞选有关。然后我们通过与空模型进行比较来分析网络属性和词得分，以分离网络结构和分数分布。发现中性词占主导地位，大多数词，无论极性如何，都倾向于与中性词同时出现。我们没有观察到正面和负面词之间的任何得分同质性。然而，当我们执行网络骨干时，社区检测结果是具有有意义的叙述的词组，并且每个组中词的幸福度得分对应于其各自的主题。因此，虽然我们在节点或边级别观察到幸福分数和共现之间没有明确的关系，但以社区为中心的方法可以隔离语料库中竞争情绪的主题。

在线极端主义意识形态的认知科学

原文标题： The Cognitive Science of Extremist Ideologies Online

地址： http://arxiv.org/abs/2110.00626

作者： Chloe Perry, Simon DeDeo

摘要： 极端主义意识形态正在在线论坛中找到新家。这些既是真正信徒的地方，也是好奇的新人的招募场所。为了理解新人如何在线学习意识形态，我们研究了一种名为“红色药丸”的新型性别歧视意识形态的 Reddit 档案。与社会科学中长期存在的假设相匹配，我们的方法将意识形态分解为两个组成部分：“行为” ‘维度，关注纠正对自我和他人的行为，以及一个“解释性”维度，统一解释世界观。然后我们建立一个模型，说明新成员如何驾驭潜在的概念结构。这揭示了大量人口快速离开的“游客”和一小部分加入该团体并停留更长数量级的“居民”。新来者被行为成分所吸引，以饮食等自助主题的形式、锻炼和成瘾。然而，解释将它们留在原地，将游客变成居民。它们具有强大的效果：采用解释可以使中位数参与的持续时间增加一倍以上，并且可以解释他出现了一个长尾高功率订婚者。预测参与时间最长的最具粘性的解释是关于地位等级的。

COVID-19 错误信息调查：数据集、检测技术和未解决的问题

原文标题： A Survey of COVID-19 Misinformation: Datasets, Detection Techniques and Open Issues

地址： http://arxiv.org/abs/2110.00737

作者： A.R. Sana Ullah, Anupam Das, Anik Das, Muhammad Ashad Kabir, Kai Shu

摘要： 在 COVID-19 等大流行期间，社交媒体和其他平台上错误信息的易燃增长可能会对人们的身心稳定造成重大损害。为了检测此类错误信息，研究人员一直在应用各种机器学习 (ML) 和深度学习 (DL) 技术。本研究的目的是系统地审查、评估和综合使用不同 ML 和 DL 技术检测 COVID-19 错误信息的最新研究文章。在相关书目数据库中进行了结构化的文献搜索，以确保调查仅以可重复和高质量的研究为中心。我们审查了通过关键字搜索找到的 260 篇文章中符合纳入标准的 43 篇论文。我们调查了完整的 COVID-19 错误信息检测管道。特别是，我们识别了各种 COVID-19 错误信息数据集，并审查了不同的数据处理、特征提取和分类技术以检测 COVID-19 错误信息。最后，讨论了使用机器学习技术检测 COVID-19 错误信息的挑战和局限性以及未来的研究方向。

面部特征与议会中的点名投票有关吗？使用 fWHR 研究政治表现

原文标题： Do Facial Trait Correlates with Roll Call Voting in Parliament? Using fWHR to Study Performance in Politics

地址： http://arxiv.org/abs/2110.00780

作者： Rahul Goel, Tymofii Brik, Rajesh Sharma

摘要： 研究表明，人们会根据自己的容貌来识别和选择领导者。然而，考虑到领导者的表现与其面部特征之间的相关性，实证结果是混合的。本文通过关注政治领导人面部特征的两个先前未充分研究的方面增加了辩论：（i）先前的研究侧重于选​​举成功和政治家在选举后忽略其实际日常表现的成就动力； (ii) 先前的研究分析了个别政治家，忽略了可能影响其表现的社会环境背景。我们通过分析从拉达 4（2002-06）到拉达 9（2019 年至今）连续六届最高拉达投票支持法案的乌克兰议员 (MPs) 来解决这些问题，以研究政治家的表现，这被定义为- 议员之间的投票或合作对同一法案进行投票。简单来说，我们分析政治家在投票时是否倾向于跟随领导人。这种召集他人选票的能力被解释为更好的表现。为了衡量性能，我们提出了一种名为“衡量性能的特征重要性（FIMP）”的通用方法，该方法可用于各种场景。使用 FIMP，我们的数据表明，国会议员的投票不受其同事的面部宽高比 (fWHR) 较高或较低的影响，这是一种流行的面部特征衡量标准。

多元模拟：通过模拟理解假设和可能的世界

原文标题： Multiversal Simulacra: Understanding Hypotheticals and Possible Worlds Through Simulation

地址： http://arxiv.org/abs/2110.00811

作者： Michael D. Ekstrand

摘要： 推荐系统研究涉及推荐系统行为和影响的许多方面，而不仅仅是其有效性，模拟可以成为揭示这些影响的有力工具。在这篇简短的立场文件中，我确定了模拟特别适合解决的特定研究类型以及模拟类型的层次结构。

一维民事暴力模型中的相图

原文标题： Phase diagram in the one-dimensional civil violence model

地址： http://arxiv.org/abs/2110.00835

作者： Ignacio Ormazábal, Felipe Urbina, Félix A. Borotto, Hernán F. Astudillo

摘要： 民事暴力模型是基于主体的模拟社会抗议过程，其中警察部队恢复公共秩序。警察和公民的互动产生了尚未从社会物理学方法中进行任何分析的动态。我们提出了数值模拟来表征一维民事暴力模型在静止状态下的特性。为此，我们考虑 Moore 邻域和随机邻域上的短程和长程相互作用、Potts-like 能量函数，并构建相图。我们发现了与意见模型中观察到的类似的有序-无序阶段。这些结果是在其他维度和拓扑中研究该模型并考虑社会抗议动态的其他复杂性的第一种方法。

优化城市交通限制：针对 SARS-CoV-2 的多主体系统 (MAS)

原文标题： Optimizing Urban Mobility Restrictions: a Multi-Agent System (MAS) for SARS-CoV-2

地址： http://arxiv.org/abs/2110.01006

作者： Simone Azeglio, Matteo Fordiani

摘要： 可以通过使用动态过程作为网络结构上的相互作用来模拟传染病。在这里，我们介绍了多主体系统 (MAS) 领域的技术，以解释 SARS-CoV-2 大流行的社会动态的个体层面特征。我们假设一个考虑了多伦多大都市区丰富的空间人口统计数据、每小时流动数据和每日传染信息的 MAS 模型可以解释重要的新兴行为。为了研究这个假设，我们使用我们选择的建模框架设计了 GAMA，这是一个精确的环境，可以调整以重现移动和医疗保健数据，在我们的案例中来自 TomTom 的 API 和多伦多的开放数据。我们观察到一些有趣的传染现象直接受到流动性限制和宵禁政策的影响。我们得出的结论是，虽然我们的模型能够重现非平凡的新兴属性，但需要大规模模拟来进一步研究不同参数的作用。最后，提供这样一个端到端的模型对于决策者将他们的结果与过去的战略进行比较以便为未来的措施制定更好的计划至关重要。

非属性图上的深度欺诈检测

原文标题： Deep Fraud Detection on Non-attributed Graph

地址： http://arxiv.org/abs/2110.01171

作者： Chen Wang, Yingtong Dou, Min Chen, Jia Chen, Zhiwei Liu, Philip S. Yu

摘要： 欺诈检测问题通常被表述为图上的机器学习问题。最近，图神经网络 (GNN) 在欺诈检测方面表现出良好的性能。大多数先前方法的成功很大程度上依赖于丰富的节点特征和高保真标签。然而，在大规模工业问题中，标记数据很少，特别是对于不时出现新模式的欺诈检测。同时，由于隐私和其他限制，节点功能也受到限制。在本文中，提出了两项​​改进：1）我们设计了一种刻画结构信息的图转换方法，以促进非归因欺诈图上的 GNN。 2）我们提出了一种新颖的图预训练策略，通过对比学习来利用更多未标记的数据。在大规模工业数据集上的实验证明了所提出的欺诈检测框架的有效性。

团渗流方法：内存高效的几乎精确的社区

原文标题： Clique percolation method: memory efficient almost exact communities

地址： http://arxiv.org/abs/2110.01213

作者： Alexis Baudin, Maximilien Danisch, Sergey Kirgizov, Clémence Magnien, Marwan Ghanem

摘要： 大型现实世界图中相关节点组的自动检测，即社区检测，在许多领域都有应用，在过去的二十年里受到了很多关注。旨在寻找重叠社区（其中一个节点可以属于多个社区）的最流行方法可能是集团渗透方法 (CPM)。这种方法将社区的概念形式化为 k-cliques 的最大联合，它们可以通过一系列相邻的 k-cliques 相互到达，其中两个 cliques 当且仅当它们在 k- 上重叠时才相邻1 节点。尽管付出了很多努力，但 CPM 还没有扩展到 k 中等值的大图。最近的工作表明，对于 k 的中等值，可以在非常大的现实世界图中有效地列出所有 k-cliques。我们以这项工作为基础，扩大每千次展示费用。在第一种算法面临内存限制的情况下，我们提出了另一种算法 CPMZ，它提供了一种接近于精确算法的解决方案，使用更多的时间但更少的内存。

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。