• 扩大学习范围对无标度网络合作演化的影响;
• 识别大型高速公路网络中高度相关的路段组;
• 在科学合作中量化团队化学;
• EvoKG：联合建模事件时间和网络结构以在时间知识图上进行推理;
• CommerceMM：具有全方位检索的大规模商务多模态表示学习;
• 在 2020 年美国选举年，COVID-19 推文情绪的变化趋势与投票偏好有关;
• Facebook-Cambridge Analytica 数据丑闻后信息隐私问题的地区差异;

扩大学习范围对无标度网络合作演化的影响

原文标题： Effect of expanding learning scope on the evolution of cooperation in scale-free networks

地址： http://arxiv.org/abs/2202.07211

作者： Masaaki Inaba, Eizo Akiyama

摘要： 我们研究扩大选择博弈和学习（适应）合作伙伴的范围如何影响无标度网络上公共产品博弈合作的演变。我们展示了以下三个结果。 （一）扩大博弈伙伴选择范围抑制合作。 (ii) 扩大学习伙伴的选择范围，在合作演化困难的情况下促进合作。 (iii) 当合作更可能演变时，选择学习伙伴的范围稍微扩大会导致合作率显著下降，但进一步扩大范围会导致合作率恢复。尽管 (i) 可以通过以中心为中心的机制来解释，但众所周知的促进无标度网络合作的动态、(ii) 和 (iii) 是由迄今为止很少提及的完全不同的机制引起的。

识别大型高速公路网络中高度相关的路段组

原文标题： Identifying strongly correlated groups of sections in a large motorway network

地址： http://arxiv.org/abs/2202.07644

作者： Shanshan Wang, Michael Schreckenberg, Thomas Guhr

摘要： 在高速公路网络中，不同链路之间的相关性，即（不同）高速公路部分之间的相关性非常重要。仅理解单个高速公路上的通量和速度是不够的，相反，它们的相关性分别决定或反映了整个网络的功能和动态。这些相关性是时间相关的，因为网络上的动态是高度非平稳的，因为它在白天和一周内变化很大。相关性对于检测交通网络中的故障风险是必不可少的。发现与易受攻击的路线相关性较低的替代路线有助于使交通网络变得健壮并避免崩溃。因此，尤其需要识别多组强相关的路段。为此，我们采用了优化的k-means 聚类方法。一个主要成分是某些相关矩阵的谱信息，其中网络的主要集体运动已被移除。我们在德国北莱茵-威斯特法伦州 (NRW) 的大型高速公路网络中确定了高度相关的路段组。这些组根据谱和地理特征以及不同时间段的交通阶段对高速公路路段进行分类。组在真实拓扑（即路线图）上的表示和可视化，为高速公路网络的动态提供了新的结果。我们的方法非常通用，也可以应用于其他相关的复杂系统。

在科学合作中量化团队化学

原文标题： Quantifying team chemistry in scientific collaboration

地址： http://arxiv.org/abs/2202.07252

作者： Gangmin Son, Jinhyuk Yun, Hawoong Jeong

摘要： 团队化学是理解协作人类行为的圣杯，但它的定量理解仍然没有定论。为了揭示科学合作中团队化学的存在和机制，我们重建了 560,689 名科学家个人和 1,026,196 名科学家二人组的发表历史。我们确定了团队及其成员之间的能力差异，使我们能够以一种与先前的协作经验和固有随机性相抵触的方式来评估团队的化学反应。此外，我们的网络分析揭示了一种重要的模块化结构，使我们能够预测以前从未合作过的科学家之间的团队化学反应。在通常被认为是成功合作的关键的六种个人特征中，研究兴趣是团队化学相关性最高的成分，但这些特征的多样性并不能完全解释团队化学。我们的研究结果可能会通过配对匹配的科学家来释放隐藏的合作潜力。

EvoKG：联合建模事件时间和网络结构以在时间知识图上进行推理

原文标题： EvoKG: Jointly Modeling Event Time and Network Structure for Reasoning over Temporal Knowledge Graphs

地址： http://arxiv.org/abs/2202.07648

作者： Namyong Park, Fuchen Liu, Purvanshi Mehta, Dana Cristofor, Christos Faloutsos, Yuxiao Dong

摘要： 我们如何在时间知识图（TKG）上进行知识推理？ TKG 表示有关实体及其关系的事实，其中每个事实都与时间戳相关联。对 TKG 进行推理，即从时间演化的 KG 中推断出新的事实，对于许多应用程序提供智能服务至关重要。然而，尽管可以表示为 TKG 的现实世界数据普遍存在，但大多数方法都侧重于对静态知识图谱的推理，或者无法预测未来事件。在本文中，我们提出了一个问题公式，它统一了对 TKG 进行有效推理所需解决的两个主要问题，即建模事件时间和不断发展的网络结构。我们提出的方法 EvoKG 在一个有效的框架中联合建模这两个任务，该框架通过循环事件建模捕捉 TKG 中不断变化的结构和时间动态，并基于时间邻域聚合框架对实体之间的交互进行建模。此外，EvoKG 使用基于神经密度估计的灵活高效机制实现了事件时间的准确建模。实验表明，EvoKG 在有效性（时间和链路预测准确率分别提高 77% 和 116%）和效率方面优于现有方法。

CommerceMM：具有全方位检索的大规模商务多模态表示学习

原文标题： CommerceMM: Large-Scale Commerce MultiModal Representation Learning with Omni Retrieval

地址： http://arxiv.org/abs/2202.07247

作者： Licheng Yu, Jun Chen, Animesh Sinha, Mengjiao MJ Wang, Hugo Chen, Tamara L. Berg, Ning Zhang

摘要： 我们介绍了 CommerceMM——一种多模态模型，能够对与给定内容（图像、文本、图像+文本）相关的商业主题提供多样化和精细的理解，并能够泛化到广泛的任务，包括多模态分类、图像-文本检索、查询到产品检索、图像到产品检索等。我们遵循预训练 + 微调训练机制，并针对图像-文本对提出 5 个有效的预训练任务。为了通过文本到多模式、图像到多模式和多模式到多模式映射来包含更常见和多样化的商业数据，我们提出了另外 9 个新的跨模式和跨对检索任务，称为 Omni-Retrieval pre-训练。预训练以有效的方式进行，对于组合的 14 个任务只有两次前向/后向更新。大量的实验和分析表明了每项任务的有效性。当结合所有预训练任务时，我们的模型在微调后在 7 个与商业相关的下游任务上实现了最先进的性能。此外，我们提出了一种新的模态随机化方法，可以在不同的效率约束下动态调整我们的模型。

在 2020 年美国选举年，COVID-19 推文情绪的变化趋势与投票偏好有关

原文标题： Shifting Trends of COVID-19 Tweet Sentiment with Respect to Voting Preferences in the 2020 Election Year of the United States

地址： http://arxiv.org/abs/2202.07587

作者： Megan Doman, Jacob Motley, Hong Qin, Mengjun Xie, Li Yang

摘要： COVID-19 相关政策在美国 2020 年选举年被广泛政治化，导致观点两极分化。 Twitter 用户在 2020 年选举年的参与度特别高。在这里，我们调查了在选举日之前的一段时间内，与 COVID-19 相关的推文是否与州一级的整体选举结果相关。我们观察到与 COVID-19 相关的推文的平均情绪与两周内的大众投票之间的相关性较弱，并且趋势逐渐变得相反。然后，我们比较了支持共和党（红色州）或民主党（蓝色州）的州之间与 COVID-19 相关的推文的平均情绪。我们发现，在封锁之初，蓝色州的情绪比红色州积极得多。然而，红州的情绪在 2020 年夏季逐渐变得更加积极，并一直持续到选举日。

Facebook-Cambridge Analytica 数据丑闻后信息隐私问题的地区差异

原文标题： Regional Differences in Information Privacy Concerns After the Facebook-Cambridge Analytica Data Scandal

地址： http://arxiv.org/abs/2202.07075

作者： Felipe González-Pizarro, Andrea Figueroa, Claudia López, Cecilia Aragon

摘要： 尽管全球对数据隐私的关注日益增加，但他们目前的大部分理论理解都是基于在少数国家进行的研究。先前的工作认为，人们的文化背景可能会影响他们的隐私问题；因此，我们可以期待来自世界不同地区的人们以不同的方式将它们概念化。我们收集并分析了关于西班牙语和英语#CambridgeAnalytica 丑闻的大规模推文数据集，以开始探索这一假设。我们采用词嵌入和定性分析来确定存在哪些信息隐私问题，并在强调这些问题时描述语言和区域差异。我们的结果表明，可以将相关概念（例如法规）添加到当前的信息隐私框架中。我们还观察到英语比西班牙语更强调数据收集。此外，与正在研究的其他地区相比，来自北美的数据对意识的关注范围更窄。我们的结果要求对全球数据隐私问题进行更多样化的数据来源和细致入微的分析。

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。