• 模块度和边采样;
• 通过异构图神经网络为基于会话的推荐建模多粒度用户意图演变;
• 一种联合社​​区检测和正交群同步的谱方法;
• 你会为挑战而跳舞吗？预测用户参与 TikTok 挑战;
• 用于大规模稀疏图推荐系统的属性图神经网络;
• 多重随机化设计;
• 块建模引导的图卷积神经网络;
• 无向复杂网络的控制核心;
• 在 2018 年博尔索纳罗获胜后，2022 年是否可行？;
• 腐败经济学;

模块度和边采样

原文标题： Modularity and edge sampling

地址： http://arxiv.org/abs/2112.13190

作者： Colin McDiarmid, Fiona Skerman

摘要： 假设在一个大顶点集上有一个未知的底层图G，我们只能测试一部分可能的边来检查它们是否存在于G中。如果 G 具有高模块化，观察到的图 G’ 是否可能具有高模块化？我们看到，在温和条件下，在我们随机测试边的自然模型中，情况确实如此。我们发现 q^(G’) geq q^(G)-varepsilon 的概率至少为 1-varepsilon，只要 G’ 中的预期数边足够大。类似地，q^(G’) leq q^(G)+varepsilon 的概率至少为 1-varepsilon，在 G’ 的预期平均度数足够大的更强条件下。此外，在这种更强的条件下，为 G’ 找到一个好的分区有助于我们为 G 找到一个好的分区。

通过异构图神经网络为基于会话的推荐建模多粒度用户意图演变

原文标题： Modeling Multi-granularity User Intent Evolving via Heterogeneous Graph Neural Networks for Session-based Recommendation

地址： http://arxiv.org/abs/2112.13197

作者： Jiayan Guo, Yaming Yang, Xiangchen Song, Yuan Zhang, Yujing Wang, Jing Bai, Yan Zhang

摘要： 基于会话的推荐旨在基于当前会话中的先前动作来预测用户的下一个动作。主要的挑战是在整个会话中捕捉真实和完整的用户偏好。最近的工作利用图结构来表示整个会话，并采用图神经网络对会话信息进行编码。这种建模选择已被证明是有效的，并取得了显著的效果。然而，大多数现有研究仅独立考虑会话中的每个项目，并没有从高级角度刻画会话语义。这种限制通常会导致严重的信息丢失并增加在会话中刻画远程依赖项的难度。直观地，与单个项目相比，会话片段，即一组本地连续的项目，能够提供现有方法难以刻画的补充用户意图。在这项工作中，我们建议学习多粒度连续用户意图单元以提高推荐性能。具体来说，我们创造性地提出了多粒度意图异构会话图，它刻画了不同粒度意图单元之间的交互并减轻了长期依赖的负担。此外，我们提出了 Intent Fusion Ranking 模块来组合来​​自各种粒度用户意图的推荐结果。与目前仅利用单个项目的意图的方法相比，IFR 受益于不同粒度的用户意图，以生成更准确和全面的会话表示，从而最终提高推荐性能。我们对五个基于会话的推荐数据集进行了广泛的实验，结果证明了我们方法的有效性。

一种联合社​​区检测和正交群同步的谱方法

原文标题： A Spectral Method for Joint Community Detection and Orthogonal Group Synchronization

地址： http://arxiv.org/abs/2112.13199

作者： Yifeng Fan, Yuehaw Khoo, Zhizhen Zhao

摘要： 社区检测和正交群同步都是科学和工程中各种重要应用的基本问题。在这项工作中，我们考虑了社区检测和正交组同步的联合问题，旨在恢复社区并同时执行同步。为此，我们提出了一种简单的算法，该算法包括一个谱分解步骤，然后是一个分块列枢轴 QR 分解 (CPQR)。所提出的算法是有效的，并且与数据点的数量呈线性关系。我们还利用最近开发的“留一法”技术为集群成员的精确恢复和正交变换的稳定恢复建立近乎最优的保证。数值实验证明了我们算法的效率和功效，并证实了我们对其的理论表征。

你会为挑战而跳舞吗？预测用户参与 TikTok 挑战

原文标题： Will You Dance To The Challenge? Predicting User Participation of TikTok Challenges

地址： http://arxiv.org/abs/2112.13384

作者： Lynnette Hui Xian Ng, John Yeh Han Tan, Darryl Jing Heng Tan, Roy Ka-Wei Lee

摘要： TikTok 是一种流行的新社交媒体，用户通过短视频剪辑表达自己。平台上一种常见的交互形式是参与“挑战”，即供用户迭代的歌曲和舞蹈。挑战传播可以通过复制范围来衡量，即用户上传他们参与挑战的视频。 TikTok 平台的独特之处在于挑战内容和用户偏好都在不断发展，需要挑战和用户代表相结合。本文通过预测用户的参与来研究 TikTok 挑战的社会传染性。我们提出了一种新颖的深度学习模型 deepChallenger，以学习和结合来自过去视频的潜在用户和挑战表示，以执行此用户挑战预测任务。我们收集了来自 ForYouPage、应用程序登陆页面上 12 个热门挑战的 7,000 多个视频以及来自 1303 个用户的 10,000 多个视频的数据集。进行了大量实验，结果表明我们提出的 deepChallenger (F1=0.494) 在预测任务中优于基线 (F1=0.188)。

用于大规模稀疏图推荐系统的属性图神经网络

原文标题： Attributed Graph Neural Networks for Recommendation Systems on Large-Scale and Sparse Graph

地址： http://arxiv.org/abs/2112.13389

作者： Yifei Zhao, Mingdong Ou, Rongzhi Zhang, Meng Li

摘要： 结构化数据中的链路预测是许多应用程序的重要问题，尤其是对于推荐系统。现有方法侧重于如何基于基于图的结构学习节点表示。高维稀疏边特征没有得到充分利用。由于平衡精度和计算效率对于现实世界中的推荐系统很重要，大规模稀疏图中的多级特征表示仍然缺乏有效和高效的解决方案。在本文中，我们提出了一种关于图神经网络的实用解决方案，称为属性图卷积网络（AGCN），以在将图神经网络应用于大规模稀疏网络时结合边属性。我们将链路预测问题表述为子图分类问题。我们首先提出了一种有效的两级投影，将拓扑结构分解为节点-边对，并将它们投影到相同的交互特征空间中。然后我们应用多层 GCN 来组合投影的节点-边对来刻画拓扑结构。最后，将两个单元的池化表示作为分类器的输入来预测概率。我们对两个工业数据集和一个公共数据集进行了离线实验，并证明 AGCN 优于其他优秀的基线。此外，我们还在闲鱼和速卖通上的重要场景中部署了 AGCN 方法。在在线系统中，AGCN 在在线指标上实现了 5% 以上的改进。

多重随机化设计

原文标题： Multiple Randomization Designs

地址： http://arxiv.org/abs/2112.13495

作者： Patrick Bajari, Brian Burdick, Guido W. Imbens, Lorenzo Masoero, James McQueen, Thomas Richardson, Ido M. Rosen

摘要： 在这项研究中，我们引入了一类新的实验设计。在经典的随机对照试验 (RCT) 或 A/B 测试中，随机选择的一组单元（例如，个人、土地或经历）的子集被分配给处理（处理 A），其余的的人口被分配到控制治疗（治疗 B）。治疗组平均结果的差异是对治疗平均效果的估计。然而，激励我们的研究的是，现代实验的环境通常不同，结果和治疗分配由多个人群索引。例如，结果可能由买家和卖家、内容创建者和订阅者、司机和乘客，或旅行者、航空公司和旅行社编制索引，这些指数的处理可能会有所不同。跨群体单位之间的相互作用可能会产生溢出或干扰。例如，卖方的行为可能取决于买方的待遇分配，反之亦然。这会使在经典 RCT 中作为平均治疗效果估计量的均值的简单比较无效。我们为多个群体相互作用的环境提出了新的实验设计。我们展示了这些设计如何让我们研究经典随机实验无法回答的干扰问题。最后，我们开发了新的统计方法来分析这些多重随机化设计。

块建模引导的图卷积神经网络

原文标题： Block Modeling-Guided Graph Convolutional Neural Networks

地址： http://arxiv.org/abs/2112.13507

作者： Dongxiao He, Chundong Liang, Huixin Liu, Mingxiang Wen, Pengfei Jiao, Zhiyong Feng

摘要： 图卷积网络 (GCN) 已显示出探索图表示的巨大潜力。然而，GCN 聚合机制无法推广到具有异质性的网络，其中大多数节点都有来自不同类别的邻居，这通常存在于现实世界的网络中。为了使 GCN 的传播聚合机制同时适用于同质性和异质性（甚至它们的混合），我们在 GCN 的框架中引入了块建模，使其能够实现“块引导的分类聚合”，并自动学习不同类别的邻居对应的聚合规则。通过将块建模合并到聚合过程中，GCN 能够根据同质性和异质性邻居的同质度来区分地聚合来自同质和异质邻居的信息。我们将我们的算法与处理异质性问题的最新方法进行了比较。实证结果表明，我们的新方法在异嗜数据集中优于现有方法，同时在同嗜数据集中保持竞争性能。

无向复杂网络的控制核心

原文标题： Control core of undirected complex networks

地址： http://arxiv.org/abs/2112.13576

作者： Zhengzhong Yuan, Jingwen Li, Chen Zhao, Li Hu, Zhesi Shen

摘要： 随着复杂网络的发展，近十年来许多研究人员更加关注复杂网络的控制研究。尽管一些理论突破使我们能够识别所有驱动程序节点，但我们仍然缺乏一种有效的方法来识别驱动程序节点并理解单个节点在控制大型复杂网络中的作用。在这里，我们应用叶子去除过程（LRP）来寻找无向网络的子结构，该子结构被视为原始网络的控制核心。基于严格的数学证明，LRP得到的控制核心与原始网络具有相同的可控性，并且至少包含一组驱动节点。通过这种方法，我们系统地研究了控制核心相对于原始网络的不同平均程度（langle k rangle）的结构特性。我们在应用 LRP 时用节点密度 (n_textcore) 和链接密度 (l_textcore) 来表征控制核心，我们研究了 langle k rangle on n_textcore 和 l_textcore 在两个人工网络中：无向 Erd”os-R’enyi (ER) 随机网络和无向无标度 (SF) 网络。我们发现在两个典型的无向网络中，n_textcore 和 l_textcore 都随着 langle k rangle 的增加而非单调变化。借助核心渗透理论，我们可以提供n_textcore 和 l_textcore 作为 langle k rangle 的函数的理论预测。然后，我们认识到在控制核心中找到驱动节点的效率要高得多与原始网络相比，n_textD、原始网络的可控性和n_textcore，无论langle k rangle如何增加。

在 2018 年博尔索纳罗获胜后，2022 年是否可行？

原文标题： After 2018 Bolsonaro victory, is a 2022 remake feasible?

地址： http://arxiv.org/abs/2112.13713

作者： Nuno Crokidakis, Serge Galam

摘要： 我们提出了一个模型来描述从 1985 年独裁统治到现在的巴西政治投票趋势的演变。我们考虑一个人口分为两个投票组，左派和右派。每组包括三种主体，敏感的、不灵活的和激进的。虽然敏感者可能会改变他们的左派或右派投票，但顽固派和激进派不会。排除与激进分子的政治互动，我们发现了一组配对互动参数，它们再现了从 1989 年到 2014 年（不包括 2018 年）过去总统选举的所有投票结果。投票组，可以产生 Bolsonaro 2018 年的胜利。民粹主义团体的最初填充是由于敏感者和激进分子之间的互动障碍被打破了，这种障碍已经盛行了几十年。一些相互作用的敏感/激进对将敏感重新塑造成民粹主义者。这种从敏感到民粹的状态转变，让民粹可以与左右敏感的人进行互动，从而为民粹群体创造了额外的填充来源。该过程显示为 Bolsonaro 产生了 2018 年 55%。从 2018 年的选票分布来看，我们评估了参数变化，这些变化恢复了最近的 2021 年民意调查，结果卢拉以 ⁶⁴⁄₃₆ 的比分战胜了博尔索纳罗。我们还对博尔索纳罗在 2018 年大选中获胜提出了另一种解释。目的是重现所有选举结果（1989 年至 2018 年）和 2021 年的民意调查。对于 2018 年的选举和 2021 年的民意调查，我们比较了有和没有民粹主义者的两种情景的结果。关于 2018 年博尔索纳罗获胜的两种可能情景，我们讨论了假设的卢拉/博尔索纳罗 2022 年第二轮投票以及在 2022 年让卢拉或博尔索纳罗获胜的要求。这两种情景都是可行的。

腐败经济学

原文标题： Corruptomics

地址： http://arxiv.org/abs/2112.13780

作者： José R. Nicolás-Carlock, Issa Luna-Pla

摘要： 腐败研究必须发展以适应现代世界的复杂性。在这里，我们提出了腐败分析中需要解决的三个主要问题：腐败现象本身及其背景的复杂性、分析描述的复杂性以及不同学科提出的观点的复杂性。在这方面，我们认为复杂系统和网络科学的跨学科框架代表了一种有前途的分析方法，可以在这一努力中取得进展。此外，目前在这个方向上的研究工作表明，21 世纪腐败研究新的跨学科学科的曙光。

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。