个性化社交媒体短文本的自动条件生成 | 网络科学论文速递27篇

核心速递

• 个性化社交媒体短文本的自动条件生成;

• 最优多数阈值作为环境变异系数的函数;

• 利他主义和利己主义作为随机环境投票策略的比较效率;

• 系外行星与大学-产业合作;

• CostMAP：用于开发成本曲面的开源软件包;

• 来自 WhatsApp 组的加密消息中的用户和对话的参与度指数;

• 网络理论在经济地理学中的应用;

• 耦合图神经网络预测在线内容的流行度;

• 用 Simplex2Vec 嵌入进行单纯复形社区检测;

• 回声室内部：从极化中解开网络动态;

• 投影和骨干对网络拓扑的影响;

• 双曲空间中的社区检测;

• 评估 PrEP 对网上女性性工作者群体的艾滋病毒和淋病的影响;

• 城市流动性的性别差距;

• 我们要关闭媒体吗？全局信息可以破坏一维环中的本地合作;

• 用于研究并购网络中三元模体的最大熵方法;

• 利他游说的有效性：模型研究;

• 使用网络属性预测“权力的游戏”中的谋杀;

• 社会影响最大化中的种子和受众多样化;

• 带有衰减、扩散和对流的连续时间网络模型;

• 基于层重构方法的现实多路网络链路预测;

• 保护网络中的共享信息：具有策略攻击的网络安全博弈;

• 结合机器学习和社会网络分析揭示组织结构;

• 使用数百万在线红包识别并理解支付前向互惠;

• 用于网络演化分析的动态网络嵌入;

• 人类社会性的双过程方法：综述;

• 具有共同不变子空间的多异构网络的推断;

自动条件生成个

性化的社交媒体短文本

原文标题：

Automatic Conditional Generation of Personalized Social Media Short Texts

作者：

Ziwen Wang, Jie Wang, Haiqian Gu, Fei Su, Bojin Zhuang

摘要： 由于深度神经网络的快速发展，自动文本生成受到了很多关注。通常，基于统计语言模型的文本生成系统将不考虑拟人特征，这导致类似机器的生成文本。为了填补这一空白，我们提出了一种条件语言生成模型，其中包含 Big Five Personality（BFP）特征向量作为输入上下文，它编写类似人类的短文本。短文本生成器由一层长短存储器网络（LSTM）组成，其中 BFP 特征向量被连接为每个单元的输入的一部分。

为了实现监督训练生成模型，基于文本分类模型的卷积神经网络（CNN）被用于制备 BFP 标记的中文微博语料库。通过 BFP 语言计算模型验证，我们生成的中文短文显示出具有辨别力的个性，语句在语法上也是正确的，并且在语义上具有适当的表情符号。结合自然语言生成和心理语言学，我们提出的 BFP 依赖文本生成模型可以广泛用于机器翻译，图像标题，对话生成等个性化。

最优多数阈值作为

环境变异系数的函数

The Optimal Majority Threshold as a Function of the Variation Coefficient of the Environment

作者：

P.Yu. Chebotarev, V.A. Malyshev, Ya.Yu. Tsodikova, A.K.Loginov, Z.M. Lezina, V.A. Afonkin

摘要：在由随机环境（ViSE模型）中的集体决策确定的社会动态模型中，我们考虑由经典理性经济主体（或经济主义者或自我主义者）组成的同质社会的情况。我们将最优多数阈值和最大预期资本增量的表达式表示为环境参数的函数。给出了最佳阈值在零处的变化率的估计，其是绝对常数：

利他主义和利己主义作为

随机环境投票策略的比较效率

原文标题：

Comparative Efficiency of Altruism and Egoism as Voting Strategies in Stochastic Environment

作者：

Pavel Chebotarev, Yana Tsodikova, Anton Loginov, Zoya Lezina, Vadim Afonkin, Vitaly Malyshev

摘要：在本文中，我们使用两个标准研究在随机环境（ViSE模型）中通过投票确定的社会动态模型中的利己主义和利他主义策略的效率：最大化平均资本增量和最小化破产参与者的数量。提案是随机生成的，考虑相应分布的三个族：正态分布，对称 Pareto 分布和 Student’s t 分布。

结果发现，在重尾分布的情况下，前面描述的“损失坑”悖论并不存在。自我主义策略可以更好地保护单体免受侵略性环境中的灭绝，而不是利他主义者，然而，在更有利的环境中，利他主义的效率更高。利他主义策略之间的比较表明，在严酷的环境中，每个人都应该得到支持，以尽量减少灭绝，而在更有利的条件下，支持最弱的参与者使群体更有效。研究参与者资本的动态，我们确定了两个被认为标准相互矛盾的情况。在研究的下一阶段，将探讨联合投票策略和涉及参与者自私和利他策略的社会。

从系外行星数据看大学-产业合作

原文标题：

Exoplanets and University-Industry Collaboration

作者：

T. Banks, E. Budding

摘要：商业组织对大学外展计划进行了简要回顾，该计划使用开普勒系外行星数据。介绍了从这项研究中得出的主要见解，并讨论了工业界和学术界之间这种合作的好处和挑战。希望这个帐户能成为其他人效仿的鼓舞人心的榜样。

CostMAP：用于开发

成本曲面的开源软件包

原文标题：

CostMAP: An open-source software package for developing cost surfaces

作者：

Brendan Hoover, Richard S. Middleton, Sean Yaw

摘要：成本曲面是影响景观社会，环境和工程定价成本的定量方法。成本曲面是路径优化和最低成本路径（LCP）计算的关键方面，用于广泛的学科，包括计算机科学，景观生态学和能源基础设施建模。线性特征是沿着成本表面传统路由计算的一个关键弱点，因为它们无法识别从单元移动到其相邻邻居是跨越线性障碍（增加成本）还是跟随走廊（降低成本）。

遵循和避免线性特征可以大大改变预测路线。在本文中，我们介绍了一种使用搜索内核来解决这种“邻接”问题的方法，该内核可识别这些关键障碍和走廊。我们已经将这种方法构建到一个名为 CostMAP（cost surface multi-layer aggregation program）的新的基于 Java 的开源软件包中，该软件包使用搜索内核计算成本表面和成本网络。

CostMAP 不仅包括新的邻接功能，它还是一个多功能的多平台软件包，允许用户输入多个 GIS 数据层，并设置权重和规则，以开发加权成本网络。我们将 CostMAP 性能与传统的成本表面方法进行比较，并通过运动生态学框架和碳捕获与存储（CCS）的管道路由中的示例，在走廊和避障之后显示出显著的性能提升。我们还证明了新软件可以直接计算全国范围内的成本曲面。

来自 WhatsApp 组

的加密消息中的用户

和对话的参与度指数

原文标题：

Engagement index for users and conversations in encrypted messages from WhatsApp groups

作者：

Moshe Cotacallapa, Didier A. Vega-Oliveros

摘要：WhatsApp 是一个非常受欢迎的跨平台消息传递平台，拥有超过15亿用户，是多个国家/地区的首选通信媒体。该平台中有趣的功能被称为分组（WG），它是由一组用户创建的加密端到端虚拟会议室，只有小组成员才能发送和查看消息。WG 提供的隐私和安全的优点吸引了家人，朋友，企业和组织的关注。

但是，在某些情况下，这些工作组已被用作传播危险内容或虚假新闻的强大工具。在这项工作中，我们提出了一种新方法，通过使用时间交互网络并且无需阅读消息来衡量 WhatsApp 小组的对话和用户的参与程度。我们的框架创建了一个网络集合，代表每10分钟对话的时间演变。通过这种方式，我们使用网络测量来为部分会话建立参与度指数（EI）。我们在五个实际 WG 数据中的结果表明，EI 能够根据每个类别识别不同类型的对话和用户行为，以及用户参与的异常。

网络理论在经济地理学中的应用

原文标题：

Appliance of network theory in economic geography

作者：

Alexandra Barina, Gabriel Barina, Mihai Udrescu

摘要：不断发展的地理研究需要人们对网络有很好的理解。因此，本文考虑了复杂网络的理论以及应用及其在地理学中的作用，以及确定各种地理网络轨迹。它评估单体之间的链接如何导致网络保留的演进过程，网络变化，以及地理如何影响这些机制。

原文标题：

Coupled Graph Neural Networks for Predicting the Popularity of Online Content

Qi Cao, Huawei Shen, Jinhua Gao, Bingzheng Wei, Xueqi Cheng

摘要：预测社会网络中在线内容的普及是信息传播，广告和推荐实践中的重要问题。以前的方法主要利用早期采用者的人口统计，时间和结构模式进行流行度预测。这些方法忽略了早期采用者和潜在采用者之间的交互，或者忽略了潜在采用者之间在社会网络上的交互。因此，它们无法捕捉社会网络中早期采用者触发的级联效应，从而降低预测能力。

在本文中，我们思考网络感知流行度预测的问题，利用用户之间的早期采用者和社会网络进行流行度预测。我们提出了一种新方法，即耦合 GNN，它使用两个耦合图神经网络来捕获信息扩散中的级联效应。一个图神经网络模拟人际影响，由用户的采用状态决定。

另一个图神经网络通过来自邻居的人际影响来模拟用户的采用状态。通过邻域的这种迭代聚合，所提出的方法自然地捕获了社会网络中信息扩散的级联效应。对合成数据和现实世界新浪微博数据进行的实验表明，我们的方法明显优于最先进的流行度预测方法。

用Simplex2Vec嵌入

进行单纯复形社区检测

原文标题：

Simplex2Vec embeddings for community detection in simplicial complexes

作者：

Jacob Charles Wright Billings, Mirko Hu, Giulia Lerda, Alexey N. Medvedev, Francesco Mottes, Adrian Onicas, Andrea Santoro, Giovanni Petri

摘要：拓扑表示正迅速成为捕获和编码复杂系统中高阶交互的流行方式。他们在癌症基因组学，大脑功能和计算社会科学等学科中取得了应用，用于表示数据和推理模型的描述性特征。虽然激烈的研究集中在拓扑表征的连通性和同源性特征上，但是对于单纯复合物的群落结构的研究却出人意料地受到关注。为此，我们采用符号嵌入的最新进展来计算和可视化单纯复合体的社区结构。

我们首先研究了合成单纯复合物的嵌入对高阶相互作用的稳定性。然后，我们关注社会和大脑功能数据产生的复合体，并展示如何利用更高阶的交互来改进聚类检测并评估更高阶交互对各个节点的影响。我们总结了划分限制和扩展这项工作的方向。

信息茧房内：使

网络从极化中解开

原文标题：

Inside the Echo Chamber: Disentangling network dynamics from polarization

作者：

Duilio Balsamo, Valeria Gelardi, Chengyuan Han, Daniele Rama, Abhishek Samantray, Claudia Zucca, Michele Starnini

摘要：信息茧房的定义是同时存在关于有争议的主题和同质性意见的极化，即个人偏好与志同道合的同伴互动。虽然最近的努力致力于在在线社交媒体上探讨极化辩论中信息茧房的存在，但导致这些现象出现的动态仍不清楚。在这里，我们通过提出新的指标来帮助这一努力，以从观点两极分析网络动态的影响。通过使用2016年巴西有争议的政治辩论期间收集的 Twitter 数据集，我们采用时间网络方法来衡量信息茧房效应随时间的变化。

我们在网络中定义了一种意见一致性度量，显示信息茧房在观察期内如何变弱。对网络中主题标签扩散的分析表明，这是由于具有相反意见的用户之间的社交互动的增加。最后，分析用户表达和接受的意见之间的相互熵，可以量化社会传染效应。我们发现经验证据表明用户的两极分化及其相互作用的动态可能是独立发展的。研究在线社会网络中信息茧房和极化的动态的广泛研究人员可能对我们的研究结果感兴趣。

投影和骨架技术

对网络拓扑的影响

原文标题：

The Impact of Projection and Backboning on Network Topologies

作者：

Michele Coscia, Luca Rossi

摘要：二分网络是研究各种现象的众所周知的策略。处理这种类型网络的常用方法是将二分数据投影到单数据加权图中，然后使用反向键技术仅提取有意义的边。尽管投影和反向链接的方法各不相同，但我们认为很少关注这两个过程的组合对数据和最终网络拓扑结构的影响。

在本文中，我们研究了投影和骨架技术的可能组合对二分网络的影响。我们表明，12种方法分为两个集群，产生具有非常不同拓扑结构的单不同网络。我们还表明，所产生的投影和骨架组合对网络集中化的影响程度很大。

双曲空间中的社区检测

原文标题：

Community Detection in the Hyperbolic Space

作者：

Matteo Bruno, Sandro Ferreira Sousa, Furkan Gursoy, Matteo Serafino, Francesca V. Vianello, Ana Vranić, Marián Boguñá

摘要：在双曲线空间中嵌入网络可以揭示网络结构的有趣特征，尤其是在自相似特征方面。隐藏的度量空间可以被认为是网络的底层结构，能够保留一些在现实世界网络中普遍观察到的有趣特征，例如度分布的异质性，高聚类系数和小世界效应。此外，双曲线平面中节点的角度分布揭示了嵌入网络的社区结构。值得注意的是，虽然大量文献比较了众所周知的社区检测算法，但如何定义网络上的理想社区分区仍然没有达成共识。

此外，这里首次研究了嵌入双曲空间的网络中发现的社区的启发式方法。我们将嵌入式网络上的分区与嵌入步骤之前获得的分区进行比较，无论是合成网络还是两个真实网络。本文的第二部分介绍了在意大利选举背景下信息管道在转发网络中的应用。我们的结果揭示了反映政治谱的社区结构，鼓励进一步研究社区检测启发式在映射到双曲面上的图的应用。

评估艾滋病毒和淋病

的预暴露预防对网上

女性性工作者群体的影响

原文标题：

Evaluating the impact of PrEP on HIV and gonorrhea on a networked population of female sex workers

作者：

Alba Bernini, Elodie Blouzard, Alberto Bracci, Pau Casanova, Iacopo Iacopini, Benjamin Steinegger, Andreia Sofia Teixeira, Alberto Antonioni, Eugenio Valdano

摘要：性接触是艾滋病毒的主要传播途径。即使在艾滋病毒感染率中等或低的人群中，这也会使性工作者感染的风险更高。除安全套使用外，预暴露预防（PrEP）是性工作者降低感染艾滋病毒风险的有效工具。然而，与安全套不同，PrEP 没有提供针对艾滋病毒以外的性传播感染的直接保护。

我们使用女性性工作者（FSWs）和客户之间的性接触经验网络来模拟艾滋病毒和淋病的传播。然后，我们调查了 PrEP 采用和依从性对HIV和淋病流行率的影响。我们还研究了由于风险感知降低而无风险行为可能增加的影响（无风险补偿）。我们发现，当艾滋病毒是唯一流行的人群时，即使高风险补偿，PrEP 也能有效降低艾滋病病毒感染率。

相反，两种疾病之间复杂的相互作用表明，不同级别的风险补偿需要不同的干预策略。最后，我们发现仅向最活跃的 FSW 提供 PrEP 不如采用统一的 PrEP 有效。我们的工作表明，需要考虑这些疾病与现有预防措施之间复杂相互作用所产生的影响，以制定有效的干预策略。

城市流动性的性别差距

原文标题：

作者：

Laetitia Gauvin, Michele Tizzoni, Simone Piaggesi, Andrew Young, Natalia Adler, Stefaan Verhulst, Leo Ferres, Ciro Cattuto

摘要：使用公共交通工具或只是在街道上移动这件事上存在性别问题。妇女和女孩经常从事多功能，多站式出行，以便做家务，工作和学习（形成所谓“旅行链”）。以女性为户主的家庭在城市环境中往往更为突出，她们往往比男性更多地从事低薪/非正规工作，获得交通补贴的机会有限。

在这里，我们通过独特地结合各种数据集（包括电信和开放数据的商业来源），从性别角度介绍城市交通的最新结果。我们通过分析从一大群匿名移动电话用户的呼叫详细记录（CDR）中提取的移动轨迹，在3个月的时间内，探讨了智利圣地亚哥大城市地区的女性和男性的城市流动。

我们发现，考虑到用户呼叫行为的差异，女性移动的次数少于男性，访问较少的独特位置，并且在这些位置之间分配时间较少。通过绘制圣地亚哥52个社区的流动性别差异，我们发现更高的流动性差距与社会经济指标相关，例如较低的平均收入，以及缺乏公共和私人交通选择。这些结果为政策制定者在圣地亚哥市设计更具性别包容性的交通计划提供了新的见解。

我们要关闭媒体吗？

全局信息可以破坏

一维环中的本地合作

原文标题：

Shall we turn off the media? Global information can destroy local cooperation in the one-dimensional ring

作者：

Bilge Aydin, Marta Biondo, Deepak Gupta, Mattia Ivaldi, Francesca Lipari, Pablo Lozano, Francesco Parino, Ennio Bilancini, Leonardo Boncinelli, Valerio Capraro

摘要：在本文中，我们研究了当交互结构严格局部化时合作的演化，因此适应性仅取决于局部行为，而竞争结构部分是全局的，因此选择也可能发生在远程单体之间。我们通过模型中的数值模拟来探索这种新颖的设置，其中单体以一维环排列。初步结果表明，全球范围的比较系统地有利于强选择，而其弱选择的影响较不系统，但总体上仍然有利于合作的断裂。此外，全球比较的程度似乎减少了合理的固定时间。

用最大熵方法研究并

购网络研究中的三元模体

原文标题：

Maximum entropy approaches for the study of triadic motifs in the Mergers & Acquisitions network

作者：

Ihusan Adam, Stefano Garlaschi, Jian-Hong Lin, Simone Piaggesi, Matteo Barigozzi, Andrea Gabrielli, Rossana Mastrandrea

摘要：在过去几年中，统计物理学已成功应用于复杂网络建模。特别是，已经表明，可以利用最大熵原理来构造真实世界网络的图集合，其最大化图结构的随机性，保持固定的一些拓扑约束。这样的集合可以用作空模型来检测统计上显著的结构模式，并在信息不完整的情况下重建网络结构。最近，这些随机化方法已被用于研究经济和金融中的自组织系统，例如银行间和世界贸易网络，以便检测拓扑变化，并且可能还有经济危机的预警信号。

在这项工作中，我们考虑对并购网络（M＆A）具有不同约束的配置模型，对于二元和加权 M＆A 网络分别比较三元和二元模体，再加上使用随机副本就可以在更高阶次阐明其组织水平。

利他游说的有效性：模型研究

The effectiveness of altruistic lobbying: A model study

作者：

Pavel Chebotarev, Zoya Lezina, Anton Loginov, Yana Tsodikova

摘要：利他主义的游说是为了公共利益或为了社会中受保护最少的部分的利益进行游说。事实上，利他主义者有各种各样的策略，从为整个社会的利益行事到弱势群体支持。我们如何比较这些策略的有效性？另一个问题是：“给定一个策略，是否有可能估计选择它的最佳参与者数量？”最后，这些问题的答案取决于社会福祉的程度吗？我们可以说社会越穷，更重要的是关注最贫困人口的支持吗？我们在随机环境中通过投票确定的社会动态模型的框架内回答这些问题。

使用网络属性预测

“权力的游戏”中的谋杀

Predicting kills in Game of Thrones using network properties

Jaka Stavanja, Matej Klemen

摘要： HBO最受欢迎的节目“权力的游戏”这样的电视连续剧已经具有大量的专注粉丝，他们观看并彻底分析节目的每一分钟。观众之间大部分讨论的，也是这个系列最为人所知的似乎是对最重要人物的戏剧性谋杀。

在我们的工作中，我们尝试使用关于角色和其他元数据的先前死亡的数据来预测角色的谋杀（杀手和受害者）。我们构造一个网络，其中角色为节点，如果一个节点杀死另一个节点，则链接两个节点。然后我们使用链路预测框架并评估不同的技术来预测下一个可能的谋杀。

最后，我们在社交角色网络上构建来自各种网络属性的特征，我们将其与经典数据挖掘技术结合使用。我们看到，由于谋杀数据集规模小且随机分布，我们无法用标准指数预测太多。但是，我们表明可以构建一个指标，它非常适合我们为权力的游戏创建的确切网络，但可能不适用于其他系列。

我们还看到，我们在社交角色网络上计算的功能也有助于标准机器学习方法，但不会产生我们希望的准确预测。总体上最好的结果是通过使用链路预测的自定义指标来实现的，这适合我们的网络类型并且给出了 ROC 曲线（AUC）值在0.863范围内的区域。

社会影响力最大化

中的种子和受众多样化

Diversifying Seeds and Audience in Social Influence Maximization

Yu Zhang

摘要：出于扩大营销的目的，现阶段影响最大化（IM）被广泛研究。然而，之前的工作较少强调观众在不同社区中的平衡程度以及选择种子节点的多样性。在本文中，我们将受众多样性和种子多样性纳入 IM 任务。从模型的角度来看，为了表征我们目标函数中的影响扩散和多样性，我们采用了三种常用的经济学效用（即完美替代，完美补充和科布-道格拉斯效用）。

我们通过展示它们的优良属性来验证我们对这三个函数的选择。从算法的角度来看，我们提出了各种近似策略来最大化效用。在观众多样化中，我们提出了一种依赖于解决方案的近似算法来规避硬度结果。在种子多样化中，我们证明了基于非单调子模块最大化的（ 1 / e-ε）近似比。实验结果表明，我们的框架在效用最大化和结果多样化方面都优于其他自然启发式算法。

带有衰减、扩散和对

流的连续时间网络模型

Models of Continuous-Time Networks with Tie Decay, Diffusion, and Convection

Xinzhe Zuo, Mason A Porter

摘要： 对离散时间内的时间网络的研究已经在各种应用中产生了对时间依赖网络系统的许多见解。然而，对于许多复杂系统，开发网络的连续时间模型并将它们与相关的离散模型进行比较是有用的。在本文中，我们研究了几个连续时间网络模型，并在数值和分析上检查它们的离散近似。

为了考虑连续时间网络，我们将图中的每个边与时间相关的关系强度相关联，该关系强度采用连续的非负值，并且在最近的交互之后随时间衰减。我们研究了平均连接强度在几个模型中如何随着时间的推移演变，并且我们在数值和分析上探讨了在这些模型中出现巨大连通分量的标准。

基于层重构方法

的现实多路网络链路预测

Link Prediction in Real-World Multiplex Networks via Layer Reconstruction Method

作者：

Amir Mahdi Abdolhosseini-Qomi, Seyed Hossein Jafari, Amirheckmat Taghizadeh, Naser Yazdani, Masoud Asadpour, Masoud Rahgozar

摘要： 关于链路预测问题的大量研究致力于在单层（simplex）网络中寻找丢失的链路。所提出的链路预测方法基于观察到的网络结构来计算未连接节点对之间的相似性度量。然而，将相似性概念扩展到多路网络是一个双重挑战。现实世界的多路网络层没有相同的组织，但却没有完全不同的组织。因此，应该确定多路网络的层有多相似。

另一方面，需要知道类似的层如何在具有缺失链路的目标层上的链路预测任务中做出贡献。众所周知，特征向量很好地反映了网络的结构特征。因此，如果共享相似的特征向量，多层网络的两层具有 w.r.t. 结构特征。实验表明，真实世界的多路网络层是相似的 w.r.t. 结构特征和相似性的价值远远超出其随机对应物。此外，显示如果缺少链接的添加或删除不会显著改变网络结构特征，则缺少链接是高度可预测的。

否则，如果变化很大，结构特征的类似副本可能会有所帮助。基于此概念，层重建方法（LRM）能够找到具有其他类似层的结构特征的目标层的观察结构的最佳重建。来自不同学科的真实多路网络的实验表明，该方法受益于网络中的信息冗余，并且有助于链路预测的性能在即使缺失链路的条件下也能保持稳健。

保护网络中的共享信息：

具有策略攻击的网络安全博弈

Protecting shared information in networks: a network security game with strategic attacks

Bram de Witte, Paolo Frasca, Bastiaan Overvest, Judith Timmer

摘要： 泄露机密信息的数字安全漏洞不仅会影响其系统渗透的个体，而且还会损害与渗透系统具有社会关联的其他个体。尽管有人认为这些外部因素会导致人们对安全投资不足，但这一假设受到了攻击受保护程度最低的单体的战略对手的可能性的挑战。

在本文中，我们研究了一种安全博弈的新模型，其中个体在联系人网络中共享敏感信息的令牌。个体有机会投资于安全性，以防止可以战略性或随机性攻击的攻击。我们表明，在存在随机攻击的情况下，与社会最优相比，投资不足总是在纳什均衡中占优势。相反，当攻击是战略性的时候，根据网络拓扑和信息传播过程的特征，投资不足或过度投资都是可能的。

实际上，当个体之间的依赖性较低时（由于信息网络稀疏连接或者因为共享信息令牌的可能性很小），个体在安全性方面投入的资源多于社会最优节点。当信息共享更有可能时（因此，当攻击带来的风险更高时），这些过度投资会转移到投资不足的状态。

结合机器学习和社

会网络分析揭示组织结构

Combining Machine Learning and Social Network Analysis to Reveal the Organizational Structures

Mateusz Nurek, Radosław Michalski

摘要： 在组织内形成层级是优化职责，责任和信息流的自然方式。只有最小的组织才有可能缺乏层次结构，但是，如果组织结构增长，层级的出现是不可避免的。大多数情况下，它的存在导致其成员在不同组织层面承担不同性质的任务和职责的。另一方面，员工通常每天发送数十封电子邮件，通过这样做，并且通过参与其他活动，他们自然形成一个非正式的社会网络，其中节点是个体，边是连接它们的动作。

起初，这样的社会网络可能看起来与组织网络不同。但是，对该网络的分析可能会导致再现公司的组织层次结构。这是因为在层次结构中持有相似位置的人可能也可能共享归因于他们角色的类似行为和沟通方式。这项工作的关键概念是评估社会网络衡量与特征工程中获得的其他功能相结合的程度，以及组织社会网络成员的分类。作为回答研究问题的技术，采用了机器学习装置。

这里，对于分类任务，使用决策树和随机森林算法，以及一个简单的集体分类算法，这也是本文提出的。使用的方法允许比较传统的机器学习分类方法，与社会网络分析和典型的图算法相比较。

使用数百万在线红

包识别并理解支付前互惠

Identify and understand pay-it-forward reciprocity using millions of online red packets

Yuan Yuan, Tracy Liu, Chenhao Tan, Qian Chen, Alex Pentland, Jie Tang

摘要： 支付前互惠鼓励亲社会行为的传播。然而，现有的支付前行为的经验证据主要基于实验室实验，实验室实验在样本量和外部有效性方面受到限制。扩展这项研究，我们的研究使用一个自然实验来检验现实生活环境中的付费转发互惠，其中包含340万在线平台用户的大规模数据集。

我们的自然实验是通过中国在线社会网络平台微信用于将在线货币礼品（也称为“红包”）分发给收件人的机制中的随机性实现的。我们的结果显示，收件人平均支付他们收到的金额的10.34％。我们进一步发现，“最幸运抽奖”的收件人，或那些获得相应红包最大份额的人，比其他收件人支付的可能性高1.5倍。我们的分析表明，在多个接收者设置中，用户的付费转发行为由群体规范强制执行，最幸运的抽奖接收者应该发送第一个后续礼物，并通过平台分割的随机金额的分布式社交偏好来促进。

最后，我们的研究表明，那些没有任何群体内朋友的接受者确实会向前付款，即使他们的付费行为不太可能受到他们在熟人中的声誉问题的影响。总的来说，我们的工作提供了鼓励支付前向互惠的机制和条件的见解，这对促进亲社会行为有影响。

用于网络演化分

析的动态网络嵌入

Dynamic Network Embeddings for Network Evolution Analysis

Chuanchang Chen, Yubo Tao, Hai Lin

摘要： 网络嵌入学习将节点表示为低维向量，以保持网络节点和社区之间的接近度以进行网络分析。动态网络中的时间边（例如，关系，联系人和电子邮件）对于网络演进分析是重要的，但是网络嵌入中的现有方法很少可以从时间边捕获动态信息。

在本文中，我们提出了一种新的动态网络嵌入方法来有效地分析动态网络的演化模式。我们的方法使用随机游走来保持节点之间的接近度并应用动态伯努利嵌入来训练离散时间网络嵌入在相同的向量空间中无对齐节点以保持稳定节点的时间连续性。

我们通过链路预测和演化节点检测将我们的方法与几种最先进的方法进行比较，实验证明我们的方法通常在这些任务中具有更好的性能。我们的方法通过两个真实的动态网络进一步验证，通过检测演化节点并在嵌入空间中可视化它们的时间轨迹。

人类社会性的双

过程方法：一篇综述

The dual-process approach to human sociality: A review

Valerio Capraro

摘要： 哪些社会决策很直观？哪些是需要商议的？在过去的几十年中，人类社会性的双过程已成为一个充满活力和令人兴奋的研究领域。在这里，我回顾了关于合作，利他主义，诚实，公平效率，正面和负面互惠以及道德判断的认知基础的现有文献。对于这些领域中的每一个，我列出了一些我认为对进一步推进我们对人类社会认知的理解至关重要的开放性问题。

最后，我试图引入一个博弈论框架来组织现有的经验证据。这个框架似乎很有前景，因为事实证明，预测通常与除了正互惠以外的所有实验数据一致。我试图让评论自成一体，详尽无遗，并以研究为导向。我希望它有助于进一步关注这个迷人的研究领域。

具有共同不变子

空间的多异构网络的推断

Inference for multiple heterogeneous networks with a common invariant subspace

作者：

Jesús Arroyo, Avanti Athreya, Joshua Cape, Guodong Chen, Carey E. Priebe, Joshua T. Vogelstein

摘要： 多种异构网络数据模型的开发在统计网络理论和跨多个应用领域都至关重要。尽管对单图推理进行了充分研究，但多个图推理在很大程度上尚未探索，部分原因在于适当建模图差异所固有的挑战，同时保留了足够的模型简单性以使估计可行。本文通过引入一个新的模型 - 公共子空间独立边（COSIE）多随机图模型来解决这一差距，该模型描述了在顶点上具有共享潜在结构的异构网络集合，但每个图可能具有不同的连接模式。

COSIE 模型包含许多流行的网络表示，包括随机块模型。该模型具有足够的灵活性，能够有意义地解释重要的图差异，并且足够容易在多个网络中进行准确的推理。特别地，邻接矩阵的联合谱嵌入，即多邻接谱嵌入（MASE）-在 COSIE 模型中会导致对每个图的基础参数的同时一致估计。在温和的附加假设下，MASE 估计满足图特征值估计的渐近正态性和产量改进。

在模拟和实际数据中，COSIE 模型和 MASE 嵌入可以部署用于许多后续网络推理任务，包括降维，分类，假设检验和社区检测。具体而言，当 MASE 应用于通过扩散磁共振成像构建的连接体的数据集时，结果是患者对脑扫描的准确分类以及能确定不同受试者脑部扫描的异质性。