- 不同的基于位置的数据源产生的人类移动网络分析是否会在不同尺度上产生相似的结果？;
- 通过深度学习注意力机制建模和预测流行度动态;
- 概念结构与科学知识的增长;
- 通过具有长短期记忆的递归神经网络建模和预测引用数;
- BitChute的心理语言学分析;
- 通过限制引导自组织;
- 识别和表征在社交媒体中驳斥错误信息的积极公民;
- 信息传播中的相互作用;
- 用于加密货币市场预测的社交媒体情绪分析;
- 用随机矩阵模拟传染病的传播;
- 调查用户激演化：一种用于识别细粒度时间变化的新数据集;
- 最大化地理社会网络中双色反向 k 最近邻的影响;
- 稀有性如何塑造 NFT 市场;
- 作为波动放大器的分层复杂网络;
- 从你认识的人到你读到的：通过隐式社会网络增强科学建议;
原文标题： Do Human Mobility Network Analyses Produced from Different Location-based Data Sources Yield Similar Results across Scales?
地址： http://arxiv.org/abs/2204.09915
作者： Chia-Wei Hsu, Chenyue Liu, Kiet Minh Nguyen, Yu-Heng Chien, Ali Mostafavi
摘要： 传感技术和基于位置的数据的迅速普及正在推动人类移动网络分析在科学和工程研究以及流行病预测和缓解、城市规划、交通工程、应急响应和业务发展中的扩展。然而，研究使用了不同的基于位置的数据提供者提供的数据集，并且从不同数据集获得的人类流动性测量和结果的可比性程度尚不清楚。为理解决这一差距，在这项研究中，我们检查了三个主要的基于位置的数据源：Spectus、X-Mode 和 Veraset，以分析不同尺度的大都市地区的人类移动网络：全球、子结构和微观。从三个数据集中获得了不同的结果，表明网络模型和度量对数据集的敏感性。这一发现对于建立基于不同数据集的人类流动性和城市动力学的广义理论具有重要意义。研究结果还强调了将真实的人体运动数据集作为测试人体运动数据集代表性的基准的必要性。不同科学和技术领域的研究人员和决策者应认识到人类流动性结果对数据集选择的敏感性，并根据数据点的代表性和结果的可转移性制定对所选数据集进行地面实测的程序。
通过深度学习注意力机制建模和预测流行度动态原文标题： Modeling and Predicting Popularity Dynamics via Deep Learning Attention Mechanism
地址： http://arxiv.org/abs/1811.02117
作者： Sha Yuan, Yu Zhang, Jie Tang, Huawei Shen, Xingxing Wei
摘要： 预测复杂演化系统中单个项目的流行动态的能力在广泛的领域具有重要意义。在这里，我们提出了一种深度学习注意力机制来模拟单个项目获得受欢迎程度的过程。我们用以往长期流行度动态量化研究中独立确认的四个关键现象来分析模型的可解释性，包括内在质量、老化效应、新近效应和马太效应。我们分析了在流行度动态预测中引入注意力模型的有效性。在一个真正的大型引文数据集上进行的大量实验表明，所设计的深度学习注意力机制在预测长期流行度动态方面具有显著的能力。它始终优于现有方法，并实现了显著的性能改进。
概念结构与科学知识的增长原文标题： Conceptual structure and the growth of scientific knowledge
地址： http://arxiv.org/abs/2204.09747
作者： Kara Kedrick, Ekaterina Levitskaya, Russell J. Funk
摘要： 科学知识如何增长？几代人以来，这个问题一直占据着科学哲学的核心地位，引发了激烈的争论，并没有产生明确的共识。许多提出的解释可以理解为他们是否以及如何将知识的扩展视为通过将科学概念组织成核心/外围结构而进行的，其中核心包含基础知识，外围包含新兴思想。在这里，我们凭经验检验这些观点，对跨越五个十年的物理和社会科学进行大规模分析。使用自然语言处理技术，我们创建了概念的语义网络，其中单词和多词名词短语在同一篇论文摘要中使用时会相互关联。对于物理科学和社会科学，我们观察到越来越僵化的核心伴随着外围概念的扩散。在物理科学中，这些变化与核心数量的增加相吻合，而在社会科学中，核心数量正在减少。在随后的分析中，我们研究了核心/外围组织与科学知识增长之间的关系，发现在核心较小、核心概念流失较少、总体数量较多的领域（后者为这也与较少的科学共识有关。总体而言，我们的研究结果表明，虽然科学概念的组织对于知识的增长很重要，但其机制因领域和时间而异。
通过具有长短期记忆的递归神经网络建模和预测引用数原文标题： Modeling and Predicting Citation Count via Recurrent Neural Network with Long Short-Term Memory
地址： http://arxiv.org/abs/1811.02129
作者： Sha Yuan, Jie Tang, Yu Zhang, Yifan Wang, Tong Xiao
摘要： 科学研究的快速发展每年都创造了大量的出版物。在科学影响的众多量化指标中，引文计数因其在研究界的频繁使用而脱颖而出。尽管同行评审过程是预测论文未来影响力的主要可靠方式，但在大数据时代的科学影响力分析中，根据引文记录预测持久影响力的能力越来越重要。本文重点关注单个出版物的长期引用计数预测，这已成为一个新兴且具有挑战性的应用研究课题。基于以往长期科学影响量化研究中独立确认的四个关键现象，包括出版物的内在质量、老化效应和马太效应以及新近效应，我们在本文中统一了所有这些观察的公式。在上述公式的基础上，我们通过具有长短期记忆单元的循环神经网络提出了针对单个论文的长期引用计数预测模型。在真正的大型引文数据集上进行的大量实验表明，所提出的模型始终优于现有方法，并实现了显著的性能提升。
BitChute的心理语言学分析原文标题： A Psycho-linguistic Analysis of BitChute
地址： http://arxiv.org/abs/2204.08078
作者： Benjamin D. Horne
摘要： 为了更好地支持研究人员、记者和从业人员使用 MeLa-BitChute 数据集进行探索和调查报告，我们使用 LIWC22 为数据集中的视频、评论和频道提供新的心理语言元数据。本文介绍了元数据以及使用元数据过滤数据的方法。此外，我们提供 BitChute 上的语言与其他社交媒体平台的基本分析和比较。本文描述的 MeLa-BitChute 数据集和 LIWC 元数据可在以下网址找到：https://dataverse.harvard.edu/dataset.xhtml?persistentId=doi:10.7910/DVN/KRD1VS。
通过限制引导自组织原文标题： Steering self-organisation through confinement
地址： http://arxiv.org/abs/2204.10059
作者： Nuno A. M. Araújo, Liesbeth M. C. Janssen, Thomas BaROIs, Guido Boffetta, Itai Cohen, Alessandro Corbetta, Olivier Dauchot, Marjolein Dijkstra, William M. Durham, Audrey Dussutour, Simon Garnier, Hanneke Gelderblom, Ramin Golestanian, Lucio Isa, Gijsje H. Koenderink, Hartmut Löwen, Ralf Metzler, Marco Polin, C. Patrick Royall, Anđela Šarić, Anupam Sengupta, Cécile Sykes, Vito Trianni, Idan Tuval, Nicolas Vogel, Julia M. Yeomans, Iker Zuriguel, Alvaro Marin, Giorgio Volpe
摘要： 自组织是从较小的单个单元的相互作用中自发出现的时空结构和模式。从物理学、材料科学和机器人技术到生物学、地球物理学和天文学，在非常不同的系统和科学学科的许多尺度上都可以找到例子。最近的研究强调了自我组织如何通过禁闭来调节和控制。限制通过与边界的相互作用发生，并且可以作为自组织的催化剂或抑制剂。然后，它可以成为一种积极引导时空集体现象出现或压制的手段。在这里，为了为未来的研究提供一个共同的框架，我们研究了限制在自组织中的作用，并确定了需要解决的跨学科的总体科学挑战，以充分利用其科学和技术潜力。该框架不仅将加速对自组织形成更深入的共同理解，还将引发创新战略的发展，以引导自组织通过限制，例如对更智能材料的设计、生物医学组织工程和人群管理产生影响.
识别和表征在社交媒体中驳斥错误信息的积极公民原文标题： Identifying and Characterizing Active Citizens who Refute Misinformation in Social Media
地址： http://arxiv.org/abs/2204.10080
作者： Yida Mu, Pu Niu, Nikolaos Aletras
摘要： 错误信息在社交媒体上传播的现象已经形成了一种新形式的活跃公民，他们专注于通过驳斥可能包含错误信息的帖子来解决问题。自动识别和表征这些活跃公民在社交媒体中的行为是计算社会科学中的一项重要任务，以补充错误信息分析的研究。在本文中，我们首次跨不同的社交媒体平台（即 Twitter 和微博）和语言（即英语和中文）研究这项任务。为此，（1）我们开发并公开了一个新的微博用户数据集，映射到两个类别之一（即错误信息发布者或活跃公民）； (2) 我们在新的微博数据集和现有的 Twitter 数据集上评估了一系列监督模型，我们将其重新用于该任务； (3) 我们对两个用户类别之间的语言使用差异进行了广泛的分析。
信息传播中的相互作用原文标题： Interactions in Information Spread
地址： http://arxiv.org/abs/2204.10165
作者： Gaël Poux-Médard, Julien Velcin, Sabine Loudcher
摘要： 大量的数据在互联网上流动。当用户决定帮助某条信息的传播（通过转发、点赞、发布内容）时，大多数研究工作假设她是根据信息的内容、发布日期、用户在网络中的位置、使用的平台等来帮助传播的. 然而，还有一个方面在文献中很少受到关注：信息交互。这个想法是，用户的选择部分取决于她之前接触过的信息。在本文档中，我们回顾了在交互建模方面所做的工作，并强调了使他们的研究复杂化的交互的几个方面。然后，我们提出了一种似乎适合回答这些挑战的方法，并详细介绍了基于它的专用交互模型。我们展示了我们的方法比现有方法更适合该问题，并为未来的工作提供线索。在整个文本中，我们表明将交互考虑在内可以提高我们对现实世界数据集中信息交互过程的理解，并认为在对传播过程进行建模时不应忽视信息传播的这一方面。
用于加密货币市场预测的社交媒体情绪分析原文标题： Social Media Sentiment Analysis for Cryptocurrency Market Prediction
地址： http://arxiv.org/abs/2204.10185
作者： Ali Raheman, Anton Kolonin, Igors Fridkins, Ikram Ansari, Mukul Vishwas
摘要： 在本文中，我们以加密货币领域为参考，探讨了不同自然语言处理模型在社交媒体情感分析中应用于金融市场预测的可用性。我们研究了不同的情绪指标如何与比特币的价格走势相关联。为此，我们探索了不同的方法来从文本中计算情感指标，发现其中大多数指标对于该预测任务来说不是很准确。我们发现其中一个模型的性能优于其他 20 多个公共模型，并且鉴于其可解释性，可以有效地对其进行微调。因此，我们确认可解释的人工智能和自然语言处理方法可能比不可解释和不可解释的方法更有价值。最后，我们分析了不同情绪指标与价格走势之间的潜在因果关系。
用随机矩阵模拟传染病的传播原文标题： To Simulate the Spread of Infectious Diseases by the Random Matrix
地址： http://arxiv.org/abs/2204.10188
作者： Ting Wang, Gui-Yun Li, Xin-Hui Li, Chi-Chun Zhou, Yuan-Yuan Wang, Li-Juan Li, Yan-Ting Yang
摘要： 建立能够模拟传染病传播的模型的主要目的是控制它们。而沿着这条路，找到疾病控制的最优策略的关键是获得大量不同场景下疾病转变的模拟。因此，优先考虑能够在更接近现实的场景下模拟疾病传播并且效率高的模型。在现实社会网络中，包括公共场所人员和公共交通工具之间的接触在内的随机接触成为传染病传播的重要途径。本文提出了一种可以有效模拟随机接触下传染病传播的模型。在这种方法中，人们之间的随机接触以随机生成元素的随机矩阵为特征，并通过马尔可夫过程模拟疾病的传播。我们报告了所提出模型的一个有趣特性：疾病传播的主要指标（例如死亡率）与人口规模无关。因此，可以对由少数群体组成的模型进行有代表性的模拟。该模型的主要优点是它可以很容易地模拟疾病在更现实的场景下的传播，从而能够提供大量的模拟来寻找最优控制策略。在此工作的基础上，将引入强化学习，在后续工作中给出最优控制策略。
调查用户激演化：一种用于识别细粒度时间变化的新数据集原文标题： Investigating User Radicalization: A Novel Dataset for Identifying Fine-Grained Temporal Shifts in Opinion
地址： http://arxiv.org/abs/2204.10190
作者： Flora Sakketou, Allison Lahnala, Liane Vogel, Lucie Flek
摘要： 随着对潜在的两极分化社会影响的担忧增加，对社交媒体用户的细粒度意见转变建模的能力越来越需要。然而，缺乏适合该任务的公开可用数据集是一项重大挑战。在本文中，我们介绍了一个创新的注释数据集，用于建模微妙的意见波动和检测细粒度的立场。随着时间的推移和整个对话线程，该数据集包括足够数量的每个用户的立场极性和强度标签，因此可以在长期和短期内检测到细微的意见波动。所有帖子均由非专家注释，并且大部分数据也由专家注释。我们提供招聘合适的非专家的策略。我们对注释者间协议的分析表明，从非专家的多数投票中获得的注释与专家的注释质量相当。我们提供了对短期和长期立场演变的分析，比较具有摇摆和坚决态度的用户之间的语言使用情况，以及细粒度的立场检测基线。
最大化地理社会网络中双色反向 k 最近邻的影响原文标题： Maximizing the Influence of Bichromatic Reverse k Nearest Neighbors in Geo-Social Networks
地址： http://arxiv.org/abs/2204.10203
作者： Pengfei Jin, Lu Chen, Yunjun Gao, Xueqin Chang, Zhanyu Liu, Christian S. Jensen
摘要： 地理社会网络为地理定位服务的营销和推广提供了机会。在这种情况下，我们探索了一个新问题，称为最大化双色反向 k 最近邻的影响 (MaxInfBRkNN)。目标是找到一组兴趣点 (POI)，这些兴趣点对社会影响者具有地理文本和社会吸引力，他们预计将通过在线影响传播在很大程度上促进 POI。换句话说，问题是检测一组具有最大口碑（WOM）营销潜力的最佳 POI。此功能在各种现实生活应用中都很有用，包括社交广告、基于位置的病毒式营销和个性化 POI 推荐。然而，用理论保证解决 MaxInfBRkNN 具有挑战性，因为 BRkNN 检索ingeo-social 网络的开销过高，以及搜索最佳 POI 集的 NP 和#P-hardness。为了实现实用的解决方案，我们提出了一个框架，该框架具有精心设计的索引、高效的批处理 BRkNN 处理算法以及支持近似和启发式解决方案的替代 POI 选择策略。在真实和合成数据集上的大量实验证明了我们提出的方法的良好性能。
稀有性如何塑造 NFT 市场原文标题： How rarity shapes the NFT market
地址： http://arxiv.org/abs/2204.10243
作者： Amin Mekacher, Alberto Bracci, Matthieu Nadini, Mauro Martino, Laura Alessandretti, Luca Maria Aiello, Andrea Baronchelli
摘要： 我们通过分析 2018 年 1 月至 2022 年 3 月期间收集的 370 万笔交易的数据集来量化不可替代令牌 (NFT) 的稀有性，并调查它如何影响市场行为，其中涉及分布在 410 个集合中的 130 万个 NFT。首先，我们根据 NFT 拥有的一组人类可读属性来考虑 NFT 的稀有性，并表明大多数集合呈现出异质的稀有模式，很少有稀有 NFT，而有大量更常见的 NFT。然后，我们分析市场表现并表明，平均而言，更稀有的 NFT：(i) 以更高的价格出售，(ii) 交易频率较低，(iii) 保证更高的投资回报 (ROI)，以及 (iv) 更少风险，即不太容易产生负回报。我们预计这些发现将引起研究人员以及 NFT 创建者、收藏家和交易者的兴趣。
作为波动放大器的分层复杂网络原文标题： Layered Complex Networks as Fluctuation Amplifiers
地址： http://arxiv.org/abs/2204.10251
作者： Melvyn Tyloo
摘要： 在复杂网络系统理论中，一个重要的问题是如何评估系统对外部扰动的鲁棒性。考虑到这一任务，我研究了多层网络系统中噪声的传播。我发现，对于一个两层网络，最初注入一层的噪声可以在另一层中被强烈放大，这取决于每一层中复杂网络的连接程度以及它们的拉普拉斯矩阵的特征模态重叠的程度。这些结果允许预测系统及其子网络的潜在有害条件，其中波动水平很重要，以及如何避免它们。
从你认识的人到你读到的：通过隐式社会网络增强科学建议原文标题： From Who You Know to What You Read: Augmenting Scientific Recommendations with Implicit Social Networks
地址： http://arxiv.org/abs/2204.10254
作者： Hyeonsu B. Kang, Rafal Kocielnik, Andrew Head, Jiangjiang Yang, Matt Latzke, Aniket Kittur, Daniel S. Weld, Doug Downey, Jonathan Bragg
摘要： 科学出版的步伐不断加快，需要快速识别相关论文的方法。虽然根据用户兴趣训练的神经推荐器会有所帮助，但它们仍然会导致推荐论文的列表冗长、单调。为了改善发现体验，我们引入了多种新方法来增强推荐与文本相关性消息，这些消息突出了推荐论文与用户发布和交互历史之间的知识图连接。我们探索由作者实体和仅使用引用的实体介导的关联。在一项大规模的真实世界研究中，我们展示了我们的方法如何显著提高参与度——以及由作者调解时的未来参与度——而不会对高被引作者产生偏见。为了扩大出版或互动历史较少的用户的消息覆盖范围，我们开发了一种新方法，突出与用户感兴趣的主体作者的联系，并在受控实验室研究中对其进行评估。最后，我们综合了未来基于图的消息的设计含义。
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。本系列在公众号“网络科学研究速递”（netsci）和个人博客进行同步更新。
,
