使用 Chung-Lu 随机图模型生成大规模无标度网络 | 网络科学论文速递20篇

核心快递

基于Chung-Lu随机图

模型生成大型无尺度网络

原标题：Generating large scale-free networks with the Chung-Lu random graph model 地址：作者：Dario Fasino, Arianna Tonetto, Francesco Tudisco

摘要：通过生成随机图模型和可扩展算法生成合成网络是网络分析中常用的工具，为实际网络中各种属性的统计分析提供了有根据的基础。 本文使用 Chung-Lu 模型来说明如何生成具有幂律分布的大型随机图。 特别是，我们专注于实现必须放置在模型参数上的基本假设，否则生成的图形将失去模型的所有理论属性，特别是预期节点度的可控性和有连接的两个节点的度数之间没有相关性。 我们提供了模型参数的显式公式，以生成满足最小、最大和平均预期度数行为的若干要求的随机图，并具有几个所需的属性，包括具有任意指定指数的幂律度数分布大于 2，其中 一个没有潜在孤立节点的巨大组件。

相互依存的不对称性使得

多层系统对级联故障更健壮

原标题：相互依赖的不对称性使多层系统更能抵抗级联故障地址：作者：刘润然，贾春晓，赖英成

摘要： 多层网络系统在自然界和工程中无处不在，这些系统对故障的鲁棒性是研究热点。 理论研究的一个主线是由渗透引起的级联故障，其中网络层之间的相互依赖性默认情况下被方便地假设为对称的。 在现实世界中，相互依存的互动往往是不对称的。 为了揭示和量化相互依赖的不对称性对网络稳健性的影响，我们关注双层系统中的渗透动力学并实施以下损坏机制：一旦网络层中的节点发生故障，它会造成损坏不仅取决于其位置在该层中，但也在另一层中其相应邻居的位置上。 我们发现渗流转变的特征取决于不对称程度，其中在一级到二级相变的性质中发生明显的转变。 在合成网络和经验网络的强大数值支持下，我们推导出了一个理论来计算两个网络层中的渗透过渡点和过渡切换点。 我们的工作不仅揭示了决定多层网络对级联故障的鲁棒性的因素，而且还提供了一个场景，通过该场景可以设计或控制系统以实现所需的弹性水平。

弱社会监督下的假新闻检测

原标题：在社会监督薄弱的情况下检测假新闻 地址：作者：舒凯、Ahmed Hassan Awadallah、Susan Dumais、刘欢

摘要：有限的标注数据正成为监督学习系统的最大瓶颈。 对于许多实际任务来说尤其如此，在这些任务中，由于隐私或数据访问限制，大规模注释示例的获取成本太高或不可用。 弱监督已被证明是通过利用弱标签、启发式规则和从外部知识源注入约束来缓解标记数据稀缺性的好方法。 在本文中，我们说明了如何利用社交媒体的各个方面来产生弱社会监督。 具体来说，我们以最近在假新闻检测方面的工作为例，说明弱社会监督在面对小标签数据问题时的有效性。 本文为学习其他社会监督薄弱的新兴任务打开了大门。

时间网络上的流行病阈值

预测：概述和未决问题

原标题：Toward epidemic thresholds on temporal networks: a review and open questions 地址：作者：Jack Leitch, Kathleen A. Alexander, Srijan Sengupta

摘要：流行病学接触网络模型已成为理解和预测传染病传播的重要工具，因为它们能够参与个体异质性，这可能是给定宿主-病原体系统基本动力学的基础。 同样重要的是，真实世界的网络会随着时间的推移而发生变化，这些变化独立于病原体的传播并对其做出反应。 这些动态在确定一种疾病在被称为流行病阈值的人群中是死亡还是流行方面起着核心作用。 本文概述了时间网络模型的流行阈值预测方法，并讨论了尚待研究的领域。

提高新闻推荐速度

准确的知识文档表示

原标题：

用于新闻推荐的快速准确的知识感知文档表示增强地址：作者：Danyang Liu、Jianxun Lian、Ying Qiao、Jun-Hung Chen、Guangzhou Sun、Xing Xie

摘要：知识图谱包含结构良好的外部信息，对推荐系统具有一定的实用价值。 大多数现有的知识方法都假设项目推荐系统与知识图中的实体相关联，并且通过推荐系统和知识的联合建模可以更好地学习项目嵌入。 然而，这不是新闻推荐的情况，即新闻文章实际上与知识实体的集合相关。 根据文章的主题和共同实体之间的关系，区分文章中实体的重要性分数和语义信息。 如何充分利用这些实体来提供更好的新闻推荐服务非常重要。 本文提出了一种快速有效的知识感知表示模型，以提高对新闻文档的理解。 该模型由三层组成：（1）实体表示层； (2)上下文嵌入层； (3)信息抽取层。 实体由其自身和周围实体的嵌入表示。 上下文嵌入层用于区分不同实体的动态上下文，如频率、类别和位置。 信息提取层将在原始文档向量的指导下聚合实体嵌入，将文档向量转换为新的文档向量，并在真实的新闻阅读数据集上进行广泛的实验。 结果表明，该模型对个性化新闻推荐、文章类别分类、文章热度预测、本地新闻检测等各种新闻推荐任务有很大帮助。

网络中的节点相似性度量

原标题：Manipulating Node Similarity Measures in Network Address：作者：Palash Dey, Sourav Medya

摘要：节点相似性度量量化了一对节点在网络中的相似程度。 这些相似性度量是许多实际应用（如网络中的链接预测、推荐系统等）的重要基础工具，其中重要的一类相似性度量是局部相似性度量。 如果两个节点的相邻节点集之间有很大的重叠，则在局部相似性度量下两个节点被认为是相似的。 通过删除边来操纵节点相似性度量是一个重要问题。 例如，这种操纵会妨碍恐怖分子网络中链接预测的有效性。 幸运的是，围绕操作相似性度量的所有流行计算问题的计算复杂度都是 NP 难的。 在本文中，这些问题的细粒度复杂结果是通过参数复杂度方法得到的。 特别是，我们证明了其中一些具有自然参数的问题是固定参数可解 (FPT)，而其他问题仍然难以解决（特别是 W[1]-hard 和 W[2]-hard）。 最后，我们展示了 FPT 算法应用于真实数据网络以及 BA 和 ER 模型生成的合成网络的有效性。

在在线社区检测中

基于随机游走的贝叶斯建模

原标题：Bayesian Modeling of Random Walker for Community Detection in Networks 地址：作者：Takafumi J. Suzuki

摘要：本文提出了一种基于随机游走的生成模型来检测网络中的全局最优种群结构。 为了克服EM算法的局限性，基于蒙特卡洛方法，提出了一种复杂参数优化算法，该算法在以往的研究中得到应用，但有时会陷入局部最优。 我们将这些算法应用于生成的网络和真实的网络，以检查它们在检测到的群体的准确性和鲁棒性方面的表现。 结果表明，吉布斯抽样方法在检测重叠社区方面优于以前的方法。 随机游走者的马尔可夫动力学对于稳健地检测最佳社区结构至关重要。

社交游戏网络调查

原标题：在同意下建立社交网络：一项调查 地址：作者：Robert P. Gilles

摘要：本研究旨在检验关于链接形成的相互协议假设下网络形成博弈模型的文献。 在链接形成中引入同意假设会在网络形成过程中引入协调问题。 本调查探讨了从该理论得出的结论以及避免重大陷阱的各种方法。 它的主要见解来自 Myerson 对链接形成中的相互一致的研究，他的主要结论是，在相互一致和正链接形成成本下的任何网络博弈论模型中，空网络（没有任何链接的网络）总是表现为强纳什均衡。 Jackson 和 Wolinsky 提出了一个协作框架来避免这一重大陷阱。 他们提出了成对稳定网络的概念，以达到大多数非平凡的平衡网络。 不幸的是，这种成对稳定性的概念需要成对决策者在链接形成过程中采取协调行动。 我通过探索标准纳什均衡概念的潜在改进、在相互同意的完全非合作网络形成框架下研究可能的解决方案以及包括单边和一元稳定性的概念来解释非平凡网络的出现。 第一个是基于个人对其他人将如何回应自己修改网络的努力的高度理性推理。 后者将信任、有限理性行为纳入网络形成过程。 该调查以对外部关联设备作为解决网络形成中相互同意的替代框架的初步探索结束。

反向强化学习解释

YouTube 的评论行为

原标题：Rationally Inattentive Inverse Reinforcement Learning Explains YouTube Commenting Behavior 地址：作者：William Hoiles, Vikram Krishnamurthy, Kunal Pattanayak

摘要：我们考虑了逆向强化学习的一种新应用，它涉及建模、学习和预测 YouTube 观众的评论行为。 每组用户都被建模为一个理性的贝叶斯代理。 我们的方法集成了三个关键组成部分。 首先，为了识别不同的评论模式，我们使用深度嵌入聚类来估计将用户分类为不同组的框架信息（重要的外部特征）。 其次，我们提出了一种使用贝叶斯显示偏好来检验合理性的逆向强化学习算法：是否存在使给定数据合理化的效用函数，如果存在，它是否可以用于预测未来行为？ 为了表征用户群体的注意力跨度，我们引入了行为经济学的理性疏忽约束。 该测试提出了互信息成本约束，影响代理如何选择注意力策略以最大化预期效用。 在对大型 YouTube 数据集进行仔细分析后，令人惊讶的结果是，在大多数 YouTube 用户组中，评论行为与优化贝叶斯效用一致，具有合理的遗漏约束。 该论文还强调了理性疏忽模型如何准确预测未来的评论行为。 本文中使用的大量 YouTube 数据集和分析可在 GitHub 上获得，并且可以完全重现。

使用高分辨率网络

贝叶斯流行病学建模数据

原标题：Bayesian epidemiological modeling over high-resolution network data 地址：作者：Stefan Engblom, Robin Eriksson, Stefan Widgren

摘要：数学流行病学模型具有广泛的用途，包括定性和定量应用。 随着数据的不断增加，建立大规模量化的疾病传播模型成为可能。 这些模型具有巨大的潜力，例如，在公共卫生风险评估方面。 他们的主要挑战是基于监测数据的模型参数化，这个问题经常限制他们的实际应用。 我们通过开发适用于流行病学模型驱动的网络数据的贝叶斯方法提出了一个解决方案。 获取集中后验参数的最大困难是监测数据的质量； 疾病的测量通常很少，并且几乎没有关于参数的信息。 因此，需要解决经常被忽视的模型可识别性问题，我们使用越来越现实的已知真实实验的层次结构来解决这个问题。 我们提出的贝叶斯方法在所有综合测试中的表现令人信服。 通过对瑞典产志贺毒素大肠杆菌 0157 的致病性测量，我们能够获得符合数据的第一性原理精确统计模型。 在此模型中，我们通过评估疾病检测和干预方案的效率来探索贝叶斯公共卫生框架的潜力。

使用递归神经网络对车辆运动模式进行建模

原标题：Modeling vehicular mobility patterns using recurrent neural networks 地址：作者：Kevin O'Keeffe, Paolo Santi, Carlo Ratti

摘要：事实证明，有关车辆运动模式的数据在许多情况下都很有用。 然而，准确再现这些移动模式的生成模型很少见。 在这里，我们探讨循环神经网络是否可以解决这个问题。 通过培训纽约和上海的出租车网络以及密歇根的私家车网络，我们表明移动模式的大多数方面都是可重现的。 特别是，循环神经网络可以很好地捕获街道使用的空间分布，而其他模型很难做到这一点。

使用个性化的 PageRank

对海量模型图进行定向采样

原标题：Targeted sampling from massive Blockmodel graphs with personalized PageRank 地址：作者：Fan Chen, Yini Zhang, Karl Rohe

摘要：本文提供了个性化网页排名 (PPR) 的统计理论和直觉，这是一种从大型网络中抽取社区小样本的流行技术。 我们研究的环境是一个很难获得或维护的整个网络。 但是，我们可以从感兴趣的种子节点开始，遍历它们的连接网络以找到其他节点。 通过设计特定的游走方法，PPR载体可以在不查询整个大规模图的情况下，代替度数校正的随机块模型进行滚雪球采样。 我们进一步研究 PPR 向量是否可以选择属于同一块的节点作为种子节点。 我们通过 Twitter 中的大型朋友网络证明了这种方法的有效性，我们使用 Twitter API 对其进行了抓取。 我们发现 (i) 调整和未调整的 PPR 技术是互补的方法比特币预测模型，其中调整使结果特别局限于种子节点周围，以及 (ii) 偏差调整从度正则化中受益匪浅。

层级位置神经网络预测

推特用户地理定位

原标题：A Hierarchical Location Prediction Neural Network for Twitter User Geolocation 地址：作者：Binxuan Huang, Kathleen M. Carley

摘要：准确的用户位置估计对于许多在线服务来说非常重要。 以前基于神经网络的方法大多忽略了位置之间的层次结构。 本文提出了一种用于 Twitter 用户位置预测的基于层次结构的神经网络。 我们的模型首先为用户预测国家，然后使用国家结果来指导城市级预测。 此外，我们采用字符感知词嵌入层来克服推文中的噪声信息。 通过特征融合层，我们的模型可以适应不同的特征组合，并在不同特征设置下的三个通用基准上取得最先进的结果。 该方法不仅提高了预测精度，而且大大缩短了平均误差距离。

通过选择领导者改变社交网络的观点

原标题：Shifting Opinions in a Social Network Through Leader Selection 地址：作者：Yuhao Yi, Timothy Castiglia, Stacy Patterson

摘要：本文研究了社交网络中的 French-Degroot 意见动态。 我们考虑一个给定政党领导人的网络，我们提出了选择一组反对党领导人的问题，以便将平均意见转变为期望值。 这个问题概括了人们对影响力最大化问题更深入研究的结论。 当每一方只有一个领导人时，我们使用网络的拉普拉斯矩阵来表示普遍意见。 分析表明，两个领导节点之间的影响是平衡的。 我们发现选择至多 k 个完全顽固的领导者来改变平均意见的问题是 NP 难的。 然后，将问题简化为具有子模背包约束和附加基数约束的子模最大化问题，并提出了一种上界搜索贪心算法来逼近最优解。 在随机网络和真实网络中进行实验，验证了算法的有效性。

自适应目标利润

最大化的高效逼近算法

原标题 Efficient Approximation Algorithms for Adaptive Target Profit Maximization 地址：作者：黄可可、唐晶、肖小奎、孙爱新、Andrew Lim

摘要：给定一个社交网络G，利润最大化问题需要一组种子节点来实现利润最大化，即影响收益的传播减去种子选择的成本。 Target Profit Maximization (TPM) 问题是 Profit Maximization (PM) 问题的推广比特币预测模型，其目标是从目标用户集 T 中选择种子节点的子集以最大化利润。 现有的 PM 算法大多考虑非自适应设置，即在不知道它们如何影响其他用户的情况下，在一批中选择所有种子节点。 本文研究了自适应设置中的 TPM 问题，其中通过多批次选择种子用户，利用前几批次的实际影响知识进行批次选择。 为了充分理解这个问题，我们研究了oracle模型和噪声模型下的自适应TPM问题，分别提出了ADG和AddATP算法，并给出了强有力的理论保证。 此外，为了更好地处理噪声模型下的采样误差，我们提出了基于混合误差的思想，并在此基础上设计了一种新的HATP算法，大大提高了AddATP的效率。 我们在真实的社交网络上进行了大量的实验来评估性能，实验结果有力地证实了我们解决方案的优越性和有效性。

符号网络的双曲线节点嵌入

原标题：Hyperbolic Node Embedding for Signed Networks 地址：作者：Wenzhuo Song, Shengsheng Wang

摘要： 万维网的快速发展产生了大量复杂的异构网络数据。 为了促进网络分析算法，有符号网络嵌入方法自动学习有符号网络中节点的特征向量。 然而，现有算法只能将网络嵌入到欧几里得空间中，尽管许多已报告的带符号网络的特征更适合非欧几里得空间。 此外，以前的工作没有考虑现实世界中广泛存在的网络的层次结构。 在这项工作中，我们研究了双曲空间网络是否是表示签名网络的更好选择的问题。 在本文中，我们提出了一种基于结构平衡理论和黎曼优化的非欧几里德符号网络嵌入方法。 我们的方法将符号网络嵌入到庞加莱球体中，这是一个可以看作连续树的双曲空间。 此功能使我们能够捕获签名网络中的底层层次结构。 我们通过实验将我们的方法与三个基于欧几里得的基线在六个真实世界数据集上的可视化、符号预测和重建任务上进行了比较。 实验结果表明，双曲嵌入算法比欧几里得嵌入算法具有更好的嵌入效果，能够从符号网络中提取有意义的潜在层次结构。

基于用户中心性分析的居住区位估计

原标题：User's Centrality Analysis for Home Location Estimation 地址：作者：Shiori Hironaka, Mitsuo Yoshida, Kyoji Umemura

摘要：用户属性（例如家庭位置）对许多应用程序都很有用。 许多研究人员一直在研究如何利用用户之间的关系来估计用户的家庭位置。 众所周知，某些用户（例如名人）的家庭位置很难使用关系来估计。 然而，由于估计所有名人的家庭位置实际上并不困难，因此重要的是要弄清楚那些家庭位置难以估计的用户的特征。 我们分析了代表用户特征的中心性以及与朋友共享同一家庭位置的倾向是否相关。 结果表明，PageRank 和 HITS 分数与用户是否与朋友有相同的家庭位置有关，HITS 分数较高的用户与朋友有相同家庭位置的频率较低。 这个结果表明，有两类用户的家庭位置难以估计：中心用户（关注很多名人）和权威用户（名人）。

超密集二体欧式匹配

SIR在网络中的元分布

原标题：Meta Distribution of SIR in Ultra-Dense Networks with Bipartite Euclidean Matchings 地址：v.org/abs/1910.13216

作者：Alexander P. Kartun-Giles、Konstantinos Koufos、Sunwoo Kim

摘要：超密集网络通过空间重用最大化空间频谱效率。 他们的稠密极限方法在数学上很困难，因为欧几里德组合理论虽然易于描述，但通常很棘手，并且通常涉及随机模型。 这些模型定义方式的微小变化可能会导致它们预测的定性属性发生重大差异，例如与信息共享、数据容量或其效率相关的元分布。 本文着重于欧几里得空间中的三角相关和可变链接距离，并讨论了更多基本模型中引入的关键假设。

基于属性选择的实时竞价策略优化

原标题：Real-time Bidding campaigns optimization using attribute selection 地址：作者：Luis Miralles, M. Atif Qureshi, Brian Mac Namee

摘要：实时竞价是目前在线广告生态系统中最有前途的系统之一。 在这项研究中，通过优化用户配置文件和发布商网站的参数，提高了 RTB 广告活动的性能。 大多数关于优化 RTB 广告活动的研究都集中在出价策略上。 相比之下，我们研究的目标是通过寻找最大化印象和平均利润的配置来优化 RTB 广告活动。 实验表明，当广告主要求的访问次数较少时，很容易找到平均盈利能力较高的配置，但随着要求访问次数的增加，平均盈利能力往往会下降。 此外，配置优化已与其他有趣的策略相结合，以进一步提高活动的盈利能力。 除了参数配置之外，该研究还考虑了以下提高盈利能力的补充策略：i) 选择访问次数少的多种配置，而不是访问次数多的独特配置； ii) 根据成本和盈利能力的阈值放弃访问； iii) 分析数据集的缩减空间并推断解决方案； iv) 通过在所需访问次数下包含解决方案来增加搜索空间。 RTB平台可以为广告商提供成熟的广告优化方法，使他们的广告更有利可图。

比特币交易图中的黑客子网分析

原标题：分析比特币交易图中的黑客子网络 地址：作者：Daniel Goldsmith、Kim Grauer、Yonah Shmalo

摘要：黑客攻击是与加密货币相关的最具破坏性的犯罪之一，自 2009 年以来窃取了数十亿美元。Chainalysis 的专家调查人员追踪了从交易所最初入侵到链下服务的被盗资金，在这些服务中，犯罪分子能够将被盗资金转换为法定货币或其他加密货币。 我们分析了属于两个知名黑客组织的六个比特币交易黑客子网络。 我们根据网络的静态和动态特征对每个黑客进行分析，并通过我们新提出的方法成功地将每个黑客分类到各自的黑客群体中。 发现节点平衡、入度和出度等静态属性不是有用的指标。 我们验证了我们的操作假设，即两个黑客组织之间的主要区别在于资金通过子网络中的终端节点加速流出。

来源：网络科学研究快报 审稿人：赵子明 编辑：张爽

免责声明：Arxiv文章摘要版权归文章原作者所有，本人翻译。 未经同意请勿转载。 本系列在微信公众号“网络科学研究快车”（微信ID netsci）和个人博客（提供RSS订阅）同步更新。

◆◆◆