社会网络中利润驱动的团队分组;
在线社会网络中的谣言立场分类：最新技术、前景和未来挑战;
你会用你的意见感染我吗？;
通过随机游走学习浏览维基百科;
为什么是仇恨言论？可解释仇恨语音检测的掩蔽基本原理预测;
城市交通;
未来不同：大型预训练语言模型在预测任务中失败;
依赖于上下文的行为在网络中的传播动态;
从信息到肯定：技术产品评论下YouTube评论对回声室效应的调查;
GLINKX：同质和异质图的可扩展统一框架;
验证 SARS-CoV-2 样感染传播的随机模型：机会和限制;
用于建模社交媒体帐户行为的通用语言;
社会网络中利润驱动的团队分组
原文标题： Profit-Driven Team Grouping in Social Networks
地址： http://arxiv.org/abs/1605.03205
作者： Shaojie Tang, Jing Yuan, Tao Li, Yao Wang
图片
摘要： 在本文中，我们研究了社会网络中利润驱动的团队分组问题。我们考虑人们拥有不同技能的环境，并且这些人之间的兼容性由社会网络刻画。此外，还有一系列任务，其中每项任务都需要一组特定的技能，并在完成后产生利润。个人可以作为 emphteams 相互协作以完成一组任务。我们的目标是找到一组团队，使他们能够完成的任务的总利润最大化。任何可行的分组必须满足以下条件：（i）每个团队都具备分配给它的任务所需的所有技能，（ii）属于同一团队的个人在社会上兼容，以及（iii）没有个人超负荷。我们将此称为 textscTeamGrouping 问题。我们分析了这个问题的计算复杂度，然后提出了一种基于线性规划的近似算法来解决它及其变体。尽管我们专注于团队分组，但我们的结果适用于可以表述为覆盖分解问题的广泛优化问题。
在线社会网络中的谣言立场分类：最新技术、前景和未来挑战
原文标题： Rumor Stance Classification in Online Social Networks: The State-of-the-Art, Prospects, and Future Challenges
地址： http://arxiv.org/abs/2208.01721
作者： Sarina Jami, Iman Sahebi, Mohammad M. Sabermahani, Seyed P. Shariatpanahi, Aresh Dadlani, Behrouz Maham
摘要： 互联网作为一种无处不在的技术的出现促进了社交媒体作为交流、内容共享和信息传播的领先虚拟平台的快速发展。尽管彻底改变了向人们传递新闻的方式，但这项技术也带来了不可避免的缺点。其中一个缺点是社交媒体平台加速了谣言的传播，这可能会引起怀疑和恐惧。因此，在谣言被广泛使用之前，必须揭穿谣言。多年来，已经进行了许多研究来开发有效的谣言验证系统。此类研究的一个方面侧重于谣言立场分类，这涉及利用用户对谣言帖子的观点来更好地预测谣言真实性的任务。在谣言验证中依靠用户立场变得非常重要，因为它导致了模型性能的显著改进。在本文中，我们对复杂在线社会网络（OSN）中的谣言立场分类进行了全面的文献综述。特别是，我们对这些方法进行了详尽的描述并比较了它们的性能。此外，我们引入了可用于此目的的多个数据集，并强调了它们的局限性。最后，讨论了挑战和未来方向，以激发进一步的相关研究工作。
你会用你的意见感染我吗？
原文标题： Will you infect me with your opinion?
地址： http://arxiv.org/abs/2208.13426
作者： Krzysztof Domino, Jarosław Adam Miszczak
摘要： 意见形成是在人类社区中观察到的最迷人的现象之一，从理论和实践的角度来看，预测和控制这一过程的动态的能力是很有趣的。尽管有许多复杂的意见形成模型，但它们往往缺乏与现实生活数据的联系，并且仍然存在需要解释的社会学过程。为理解决这个问题，我们提出了一个模型来描述意见形成的动态，该模型模拟了病毒或疾病在人群中传播的过程。引入的模型是由具有三种可能渠道的疾病传播模型推动的——直接接触、间接接触和与“受污染”元素的接触。我们证明了“污染”元素的存在，在在线社区的情况下，可以表示为在互联网上发布的内容，对意见形成过程有相当大的影响。我们认为，通过使用通过被动元素传播意见的简单机制，引入的模型捕捉了复杂社区中意见形成的有意义的元素。所提出的工作为制定管理社会以及物理或技术系统的普遍规律迈出了一步。
通过随机游走学习浏览维基百科
原文标题： Learning to Navigate Wikipedia by Taking Random Walks
地址： http://arxiv.org/abs/2211.00177
作者： Manzil Zaheer, Kenneth Marino, Will Grathwohl, John Schultz, Wendy Shang, Sheila Babayan, Arun Ahuja, Ishita Dasgupta, Christine Kaeser-Chen, Rob Fergus
摘要： 基于网络的智能主体的基本能力是寻找和获取新信息。互联网搜索引擎可靠地找到正确的附近，但顶部结果可能与所需目标相距几个链接。一种补充方法是通过超链接导航，采用理解本地内容并选择使其更接近目标的链接的策略。在本文中，我们表明随机采样轨迹的行为克隆足以学习有效的链接选择策略。我们在具有 38M 节点和 387M 边的 Wikipedia 图版本上演示了该方法。该模型能够分别在 96% 和 92% 的时间内有效地在节点 5 和 20 步之间导航。然后，我们在下游事实验证和问答任务中使用生成的嵌入和策略，结合基本的 TF-IDF 搜索和排名方法，它们是最先进方法的竞争结果。
为什么是仇恨言论？可解释仇恨语音检测的掩蔽基本原理预测
原文标题： Why Is It Hate Speech? Masked Rationale Prediction for Explainable Hate Speech Detection
地址： http://arxiv.org/abs/2211.00243
作者： Jiyun Kim, Byounghan Lee, Kyung-Ah Sohn
摘要： 在仇恨言论检测模型中，除了检测性能偏差和可解释性，我们还应该考虑两个关键方面。仇恨言论不能仅根据特定单词的存在来识别：该模型应该能够像人类一样推理并且可以解释。为了提高这两个方面的性能，我们提出了掩蔽基本原理预测（MRP）作为中间任务。 MRP 是一项任务，通过参考周围的标记及其未掩盖的基本原理来预测被掩盖的人类基本原理——作为人类判断依据的句子片段。由于模型基于 MRP 的基本原理学习其推理能力，因此它在偏见和可解释性方面稳健地执行仇恨言论检测。所提出的方法通常在各种指标上都达到了最先进的性能，证明了它对仇恨言论检测的有效性。
城市交通
原文标题： Urban Mobility
地址： http://arxiv.org/abs/2211.00355
作者： Laura Alessandretti, Michael Szell
摘要： 在本章中，我们从复杂性科学的角度讨论城市交通。首先，我们概述了支持这种方法的数据集，例如手机记录、基于位置的社会网络跟踪或来自安装在车辆上的传感器的 GPS 轨迹。然后，我们回顾了对人类运动属性的经验和理论理解，包括旅行距离和时间的分布、轨迹的熵以及位置探索和利用之间的相互作用。接下来，我们解释了个人流动性的生成和预测模型，以及由于可预测性的内在限制而导致的局限性。最后，我们从系统的角度讨论城市交通，包括拼车、多式联运和可持续交通等全系统挑战。
未来不同：大型预训练语言模型在预测任务中失败
原文标题： The future is different: Large pre-trained language models fail in prediction tasks
地址： http://arxiv.org/abs/2211.00384
作者： Kostadin Cvejoski, Ramsés J. Sánchez, César Ojeda
摘要： 在对下游监督任务进行微调时，大型预训练语言模型 (LPLM) 已显示出惊人的成功。然而，众所周知，当训练期间使用的数据与推理时使用的数据之间存在分布变化时，它们的性能可能会急剧下降。在本文中，我们关注随时间自然变化的数据分布，并介绍了四个新的 REDDIT 数据集，即 WALLSTREETBETS、ASKSCIENCE、THE DONALD 和 POLITICS 子 reddit。首先，我们凭经验证明，在预测主题分布随时间变化的子 reddit 的未来帖子的受欢迎程度时，LPLM 可以显示平均性能下降约 88%（在最好的情况下！）。然后，我们介绍了一种简单的方法，该方法利用神经变分动态主题模型和注意力机制来推断回归任务的时间语言模型表示。在预测未来帖子的受欢迎程度时，我们的模型在最坏情况下仅显示性能下降约 40%（在最佳情况下为 2%），而仅使用 LPLM 参数总数的约 7% 并提供可解释的表示洞察现实世界的事件，例如 2021 年的 GameStop 短暂挤压
依赖于上下文的行为在网络中的传播动态
原文标题： Spreading dynamics in networks under context-dependent behavior
地址： http://arxiv.org/abs/2211.00435
作者： Giulio Burgio, Sergio Gómez, Alex Arenas
摘要： 某些系统的组成单元能够定义一个“上下文”，改变其他单元的行为，间接修改后者之间发生的（直接）相互作用。受“间接修改”机制的推动——因为它们被称为生态学——在真实系统中确定，我们提出了一个与上下文相关的传播的最小模型，其中，在交互过程中，主体要么主动改变（阻碍/支持）传播，要么不依赖于它在合作者中观察到的行为。现在的同行。考虑到主体分为两种行为类型的人群，编码不同的内在倾向以采取主动行为，我们提供了一种平均场理论，能够参数化任意大小的组内任何类型的混合模式 - (dis)assortativity。作为一个应用程序，我们考虑了一种流行病传播模型，该模型在依赖于上下文的情况下采用诸如戴口罩之类的预防行为。假设个人成对和三合会聚集，我们描述了与群体的大小和类型组成分布相关的基本繁殖数和流行状态的丰富现象学。我们证明，接触组织的这些特征的变化主要取决于社会学因素（诱导积极行为和类型的比例），其次是技术因素（预防效果），从而促进或阻碍流行病的传播。更一般地说，我们的工作提供了一种为异构混合下的过程建模高阶上下文的方法，并重申高阶交互如何导致与仅基于成对信息的预期发生显著偏差，从而为一系列复杂的系统。
从信息到肯定：技术产品评论下YouTube评论对回声室效应的调查
原文标题： From Information to Affirmation: An Investigation on the Echo Chamber Effect from YouTube Comments under Technology Product Reviews
地址： http://arxiv.org/abs/2211.00483
作者： Hongrui Jin
摘要： 社交媒体可能会创建回声室，通过重复暴露相似的概念来重申用户的信念和观点。虽然回音室的形成和影响已经在 Twitter、Facebook 和 Reddit 等基于线程的平台上进行了深入研究，但我们将注意力转移到 YouTube 上的产品评论讨论上。本文通过定量内容分析 (QCA) 和情绪分析 (SA) 的组合方法在选定的选定 YouTube 视频 (n=10) 下检查 YouTube 评论 (n=2500)。我们通过强调与评论论证和情绪相关的回声室效应的形成来结束本文。
GLINKX：同质和异质图的可扩展统一框架
原文标题： GLINKX: A Scalable Unified Framework For Homophilous and Heterophilous Graphs
地址： http://arxiv.org/abs/2211.00550
作者： Marios Papachristou, Rishab Goel, Frank Portman, Matthew Miller, Rong Jin
摘要： 在图学习中，关于受图启发的架构存在两个主要的归纳偏差：一方面，高阶交互和消息传递在同质图上运行良好，并被 GCN 和 GAT 所利用。然而，这样的架构不能轻易地扩展到大型现实世界图。另一方面，使用自我特征和邻接嵌入的浅层（或节点级）模型在异质图中运行良好。在这项工作中，我们提出了一种新颖的可扩展浅层方法——GLINKX——它可以在同质图和异质图上工作。 GLINKX 利用 (i) 新颖的单一标签传播，(ii) 自我/节点特征，(iii) 知识图嵌入作为位置嵌入，(iv) 节点级训练，以及 (v) 低维消息传递。形式上，我们证明了新的错误界限并证明了 GLINKX 的组件是正确的。在实验上，我们展示了它在几个同质和异质数据集上的有效性。
验证 SARS-CoV-2 样感染传播的随机模型：机会和限制
原文标题： Verifying a stochastic model for the spread of a SARS-CoV-2-like infection: opportunities and limitations
地址： http://arxiv.org/abs/2211.00605
作者： Marco Roveri, Franc Ivankovic, Luigi Palopoli, Daniele Fontanelli
摘要： 人们对使用随机模型对 SARS-CoV-2 感染等疾病的传播进行建模和分析的兴趣日益浓厚。这些模型通常进行定量分析，通常不使用形式验证方法进行验证，也不利用在形式验证中开发的策略综合和分析技术。在本文中，我们采用马尔可夫随机模型来传播类似 SARSCoV-2 的感染。该模型的状态表示处于不同健康状况的受试者数量。所考虑的模型考虑了可能对疾病传播产生影响的不同参数，并揭示了可用于控制它的各种决策变量。我们表明，在最先进的模型检查器中对问题进行建模是可行的，并且它打开了几个机会。然而，由于 i) 一方面现有随机模型检查器的显著性，以及 ii) 即使对于较小的人口规模，所得到的马尔可夫模型的大小也存在严重的限制。
用于建模社交媒体帐户行为的通用语言
原文标题： A General Language for Modeling Social Media Account Behavior
地址： http://arxiv.org/abs/2211.00639
作者： Alexander C. Nwala, Alessandro Flammini, Filippo Menczer
摘要： 恶意行为者利用社交媒体抬高股价、影响选举、传播错误信息和挑拨离间。为此，他们采用了包括使用不真实帐户和活动在内的策略。目前检测这些滥用行为的方法依赖于专门针对可疑行为而设计的功能。然而，这些方法的有效性会随着恶意行为的发展而衰减。为了应对这一挑战，我们提出了一种用于建模社交媒体帐户行为的通用语言。这种语言中的单词称为 BLOC，由代表用户操作和内容的不同字母表中的符号组成。该语言高度灵活，无需大量微调即可用于对广泛的合法和可疑在线行为进行建模。使用 BLOC 来表示 Twitter 帐户的行为，我们在检测社交机器人和协调的不真实行为方面实现了与最先进的方法相当或更好的性能。
转自：“网络科学研究速递”微信公众号
如有侵权，请联系本站删除！
