• DP-GCN：基于连通性和拓扑结构卷积的节点分类，用于风险卖家检测;
• 复杂网络中的量子链路预测;
• 随机网络中耦合动态中的拓扑转换;
• 基于可解释机器学习框架识别 Twitter 机器人：美国 2020 年选举案例研究;
• 运输过程对流行病阈值的影响;
• 揭示荷兰非法公司服务提供商行业的规模：网络方法;
• 社交媒体回声室综述：描述、检测和缓解;
• 在暴力冲突和其他高度不确定的情况下采取集体行动;

DP-GCN：基于连通性和拓扑结构卷积的节点分类，用于风险卖家检测

原文标题： DP-GCN: Node Classification Based on Both Connectivity and Topology Structure Convolutions for Risky Seller Detection

地址： http://arxiv.org/abs/2112.04757

作者： Chen Zhe, Aixin Sun

摘要： 支付网络包含卖家和买家之间的交易。检测此类支付网络上有风险（或不良）的卖家对于支付服务提供商的风险管理和法律合规性至关重要。在这项研究中，我们将此任务制定为节点分类任务。具体来说，我们的目标是通过分析其属性和/或交互来预测支付网络中每个卖家的标签。位于支付网络不同部分的节点可以具有相似的本地拓扑结构。这种局部拓扑结构揭示了卖家的业务角色，例如供应商、代销商或零售商。我们注意到许多现有的基于图的节点分类解决方案只考虑节点的连通性，而不考虑节点局部拓扑结构之间的相似性。受业务需求的启发，我们提出了一个双路径图卷积网络，名为 DP-GCN，用于节点分类。 DP-GCN 同时考虑节点连通性和拓扑结构相似性。所提出的模型由三个主要模块组成：（i）用于刻画节点之间连接关系的 C-GCN 模块，（ii）用于刻画节点之间拓扑结构相似性的 T-GCN 模块，以及（iii）多头自注意模块以对齐两个属性。我们根据不同的基线在七个基准数据集上评估 DP-GCN。我们还提供了在 PayPal（领先的支付服务提供商之一）的三个大型支付网络上运行 DP-GCN 的案例研究。实验结果证明了DP-GCN的有效性和实用性。

复杂网络中的量子链路预测

原文标题： Quantum Link Prediction in Complex Networks

地址： http://arxiv.org/abs/2112.04768

作者： João P. Moutinho, André Melo, Bruno Coutinho, István A. Kovács, Yasser Omar

摘要： 预测物理、生物、社会或技术网络中的新链接具有重大的科学和社会影响。基于网络的链路预测方法利用网络中的拓扑模式来推断新的或未观察到的链接。在这里，我们提出了一种用于链路预测的量子算法 QLP，该算法使用量子游走基于偶数和奇数长度路径来推断未知链路。通过从量子测量中采样新链接，QLP 避免了明确计算网络中所有成对分数的需要。我们研究 QLP 的复杂性并讨论在哪些情况下可以实现比经典链路预测方法的多项式加速。此外，对真实世界数据集的测试表明，QLP 至少与最先进的经典链路预测方法一样精确，无论是在交叉验证测试中还是在实验验证的蛋白质-蛋白质相互作用的预测中。

随机网络中耦合动态中的拓扑转换

原文标题： Topological transition in a coupled dynamic in random networks

地址： http://arxiv.org/abs/2112.04874

作者： Paulo Freitas Gomes, Henrique Almeida Fernandes, Ariadne de Andrade Costa

摘要： 在这项工作中，我们研究了 Saeedian et al. (Scientific Reports 2019 textbf9:9726) 提出的模型中的拓扑转换，该模型考虑了节点和链接状态的耦合动力学，在已知网络上作为随机几何图（RGG）。在这种方法中，每个节点都有两个文化状态，每个链接也有两个状态。有六种可能的配对组合（两个节点由一个链接连接），其中一半被归类为令人满意的组合，另一半是不满意的组合。模型的控制参数决定了链接和节点更新的概率。该系统呈现两个阶段：当所有节点对都满足时达到吸收阶段，另一方面，当网络中既有满足节点对又有不满足节点时，则存在活跃阶段。我们发现，除了不满足对密度之外，分类系数也可以作为模型的一个阶参数。此外，分类系数给出了网络拓扑转换特征的直观图。我们还计算了组件和文化域，以添加关于网络拓扑转换的另一种观点。

基于可解释机器学习框架识别 Twitter 机器人：美国 2020 年选举案例研究

原文标题： Identification of Twitter Bots based on an Explainable ML Framework: the US 2020 Elections Case Study

地址： http://arxiv.org/abs/2112.04913

作者： Alexander Shevtsov, Christos Tzagkarakis, Despoina Antonakaki, Sotiris Ioannidis

摘要： Twitter 是最受欢迎的社会网络之一，吸引了数百万用户，同时也刻画了相当大比例的在线讨论。它提供了一个带有短消息的简单使用框架和一个高效的应用程序编程接口 (API)，使研究社区能够研究和分析这个社会网络的几个方面。但是，Twitter 使用简单可能会导致各种机器人进行恶意处理。恶意处理现象在网络话语中扩大，特别是在选举期间，除了用于传播和交流目的的合法机器人外，其目标是操纵舆论和选民朝着某个方向、特定意识形态或政党发展。本文重点介绍基于标记的 Twitter 数据识别 Twitter 机器人的新型系统的设计。为此，使用极限梯度提升 (XGBoost) 算法采用监督机器学习 (ML) 框架，其中通过交叉验证调整超参数。我们的研究还部署了 Shapley Additive Explanations (SHAP)，通过使用基于博弈论的 Shapley 值计算特征重要性来解释 ML 模型预测。与最近最先进的 Twitter 机器人检测方法相比，对不同 Twitter 数据集的实验评估证明了我们的方法在机器人检测准确性方面的优越性。

运输过程对流行病阈值的影响

原文标题： The influence of a transport process on the epidemic threshold

地址： http://arxiv.org/abs/2112.04951

作者： Christian Kuehn, Jan Mölter

摘要： 通过在个人之间产生超越其直接社会环境的短暂接触，交通可以对流行病的传播产生深远的影响。在这项工作中，我们考虑了存在传输过程时的流行动态，该过程产生了多重网络模型。除了静态层之外，（多重）流行病网络还包含第二个动态层，其中任意两个个体在他们在单独的传输网络上执行的随机游走期间占据同一站点的时间连接。我们开发了随机网络模型的平均场描述，并研究了运输过程对流行阈值的影响。我们表明，任何运输过程通常都会降低流行阈值，因为它会产生额外的连接。相比之下，考虑到分数阶随机游走在某种意义上是人类流动的更现实模型，我们发现这些非局部运输动态与经典局部随机游走相比提高了流行阈值。我们还在现实的交通网络（慕尼黑地铁网络）上测试我们的模型，并在一系列场景中仔细比较平均场解决方案与随机轨迹。

揭示荷兰非法公司服务提供商行业的规模：网络方法

原文标题： Uncovering the Size of the Illegal Corporate Service Provider Industry in the Netherlands: a Network Approach

地址： http://arxiv.org/abs/2112.05019

作者： Javier Garcia-Bernardo, Joost Witteman, Marilou Vlaanderen

摘要： 洗钱、恐怖主义融资、逃税或腐败等经济犯罪几乎总是涉及使用公司实体。此类实体由企业服务提供商 (CSP) 定期注册和管理。鉴于这种助长经济犯罪的潜力，荷兰的 CSP 行业受到严格监管，CSP 需要获得运营许可。无证经营是违法的。在本文中，我们开发了一种分类方法，根据与许可 CSP 的相似性来检测潜在的非法 CSP。相似性是根据他们在董事、公司和地址网络中的位置以及这些实体的特征来计算的。我们手动注释了潜在非法 CSP 的样本，并估计非法 CSP 占 CSP 总数的 45%，管理着 CSP 管理的所有公司的 15–30%。我们的分析为监管机构提供了一个工具，以提高检测和预防经济犯罪，并可扩展到侦查其他非法活动。

社交媒体回声室综述：描述、检测和缓解

原文标题： A Survey on Echo Chambers on Social Media: Description, Detection and Mitigation

地址： http://arxiv.org/abs/2112.05084

作者： Faisal Alatawi, Lu Cheng, Anique Tahir, Mansooreh Karami, Bohan Jiang, Tyler Black, Huan Liu

摘要： 社交媒体上的回声室是一个重大问题，可能会导致许多负面后果，最近影响对 COVID-19 的反应。回声室宣扬有关该病毒的阴谋论，并被发现与疫苗犹豫、不遵守口罩规定以及社交疏远的做法有关。此外，回声室的问题与其他相关问题有关，如政治两极分化和错误信息的传播。回声室被定义为一个用户网络，在这个网络中，用户只与支持他们先前存在的信念和观点的观点进行互动，他们排斥和诋毁其他观点。本次调查旨在从社交计算的角度研究社交媒体上的回声室现象，并为可能的解决方案提供蓝图。我们调查相关文献以理解回声室的属性以及它们如何影响个人和整个社会。此外，我们展示了导致回声室形成的算法和心理机制。这些机制可以表现为两种形式：（1）社交媒体推荐系统的偏见和（2）内部偏见，如确认偏见和同质性。虽然减轻内部偏见非常具有挑战性，但已经付出了巨大的努力来减轻推荐系统的偏见。这些推荐系统利用我们自己的偏见来个性化内容推荐，以保持我们的参与度，以便观看更多广告。因此，我们进一步研究了回声室检测和预防的不同计算方法，主要基于推荐系统。

在暴力冲突和其他高度不确定的情况下采取集体行动

原文标题： Collective action in violent conflicts and other highly uncertain situations

地址： http://arxiv.org/abs/2112.05088

作者： Jeroen Bruggeman, Don Weenink

摘要： 个人不愿意为公共产品而合作，尤其是对于涉及暴力对抗的风险项目，他们可能会受到伤害，而其他人则是搭便车。合作可以通过规范、激励、声誉和针对风险情况的培训来促进，这需要时间来发展并依赖于监控和通过团队网络进行可靠的信息传输。然而，未经训练的业余爱好者参与即兴街头斗殴、在灾难中营救受害者，并参与反对专制政权的抗议活动，而这些机制基本上没有这些机制。一个反映合作和背叛的不对称回报的 Ising 模型表明，在高度不确定性下，由攻击性对手等情境动荡引起的激动足以开始合作。在动荡的临界水平，只是少数偶然的合作者会导致其他人之间爆发合作。然而，如果无条件叛逃者的比例高于临界阈值，则不会发生爆发，这一点由街头暴力的视频数据证实。该模型还解释了为什么在较大的群体中，暴力子群体通常较小，而较大的群体有更好的获胜机会。最后，我们讨论如何通过结合通常的机制来解释模型的泛化，以解释合作而不混乱。

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。