核心速递：

在线社会网络中网络结构与用户行为的协同演化模型：以网络驱动内容生成为例;
改进的谢林类型自旋系统的不容忍间隔和大小界限;
不完全信息、有限理性和信息共享的日常动态交通分配;
DynamicGEM：动态图嵌入方法库;
量化众包车队的感知能力;
不同密度下直线走廊老年人流的基本图表;
对社交图的稳健主动攻击;
DeepVisInterests：CNN-Ontology预测用户对社交图像的兴趣;
Facebook用户接触在线广告的大规模分析;
用Instagram预测流感;
科学合作网络的凸性;
用二次近似法快速计算大尺度图的冯诺依曼熵;

在线社会网络中网络结构与用户行为的协同演化模型：

以网络驱动内容生成为例

原文标题：

A Co-evolution Model of Network Structure and User Behavior in Online Social Networks: The Case of Network-Driven Content Generation

地址：

http://arxiv.org/abs/1512.06469

作者：

Prasanta Bhattacharya, Tuan Q. Phan, Xue Bai, Edoardo Airoldi

摘要： 随着在线社交网站（SNS）的快速增长，平台所有者和在线营销人员必须调查在这些平台上推动内容制作的因素。然而，之前的研究发现，由于无法单独评估网络形成和网络影响的影响，很难从观测数据中对这些因素进行统计建模。在本文中，我们采用并增强了一个面向行动者的连续时间模型，使用基于马尔可夫链蒙特卡罗（MCMC）的模拟方法联合估计用户的社会网络结构和内容生产行为的共同演化。

具体而言，我们提供了一种方法，用于在存在可观察和不可观察的协变量的情况下分析具有网络效应的非平稳和连续行为，类似于在社交媒体生态系统中观察到的。利用来自大型社交网站的独特数据集，我们将模型应用于六个月内对大学生的数据，以发现：1）用户倾向于与具有类似发布行为的其他人联系，2）但是，在这样做之后，用户在发布行为方面倾向于分歧，3）同伴影响对发布行为的强度敏感。

此外，我们的方法为研究人员和从业人员提供了统计学上严格的方法来分析观察数据中的网络效应。这些结果为SNS平台提供了见解和建议，以维持一个积极和可行的社区。

改进的谢林类型自旋系统的

不容忍间隔和大小界限

原文标题：

Improved Intolerance Intervals and Size Bounds for a Schelling-Type Spin System

地址：

http://arxiv.org/abs/1811.10677

作者：

Hamed Omidvar, Massimo Franceschetti

摘要： 我们在开放系统中考虑自组织隔离的Schelling模型，该模型等效于具有Glauber动力学的零温度Ising模型，或具有扩展Moore邻域的异步元胞自动机（ACA）。以前的工作表明，如果模型 tau in（ sim 0.488， sim 0.512） setminus {1/2 } 的inlerance参数，那么对于足够大的交互邻域 N ，任何粒子几乎肯定会以指数大的单色区域结束。

本文将上述结果扩展到区间 tau in（ sim 0.433， sim 0.567） setminus {1/2 } 。我们还通过 N 中的指数因子来改善单色区域大小的界限。最后，我们展示了当粒子被放置在无限格子 mathbb {Z} ^ 2 而不是平坦的圆环上时，对于上面提到的 tau 的值，足够大的 N ，并且在足够之后在很长的演化时间内，任何粒子都包含在一个大的单色区域中，其大小呈指数形式，在 N ，几乎可以肯定。新证据严格依赖于与单色区域形成相关的新颖几何结构。

不完全信息、有限理性和信息

共享的日常动态交通分配

原文标题：

Day-to-Day Dynamic Traffic Assignment with Imperfect Information, Bounded Rationality and Information Sharing

地址：

http://arxiv.org/abs/1811.10729

作者：

Yang Yu, Ke Han

摘要： 本文介绍了一种双向动态日常（DTD）交通分配模型，该模型具有同时路径和出发时间（SRDT）选择，同时包含不完整和不完善的信息以及有限理性。提出了两种SRDT选择模型来结合不完美的旅行信息：一种基于多项Logit（MNL）模型，另一种基于顺序，混合多项/嵌套Logit模型。

作为基础模型的这两个变体进一步扩展了两个特征：有限理性（BR）和信息共享。通过将无差异带结合到MNL模型的随机效用组件中来考虑BR，形成基于BR的DTD随机模型。旅行信息共享的宏观模型被整合到DTD动态中，以解释不完整信息对旅行者SRDT选择的影响。

根据Lighthill-Whitham-Richards（LWR）流体动力网络加载模型，这些DTD选择模型与日内动态相结合。大规模网络（Anaheim）的模拟说明了用户的自适应决策和网络条件（包括本地中断）与不同信息可用性和用户行为水平之间的相互作用。我们的研究结果强调了对网络瞬态和非平衡状态建模的需求，这些状态在均衡约束的网络设计和优化中经常被忽视。

DynamicGEM：

动态图嵌入方法库

原文标题：

DynamicGEM: A Library for Dynamic Graph Embedding Methods

地址：

http://arxiv.org/abs/1811.10734

作者：

Palash Goyal, Sujit Rokka Chhetri, Ninareh Mehrabi, Emilio Ferrara, Arquimedes Canedo

摘要： DynamicGEM是一个开源Python库，用于学习动态图的节点表示。它由最先进的算法组成，用于定义连接随时间演变的节点的嵌入。该库还包含网络上四个下游任务的评估框架：图重建，静态和时间链路预测，节点分类和时间可视化。我们已经实施了各种指标来评估最先进的方法，以及来自不同领域的不断发展的网络示例。我们有易于使用的函数来调用和评估方法，并有广泛的使用文档。此外，DynamicGEM提供了一个模板，可以轻松添加新算法，以便进一步研究该主题。

量化众包车队的

感知能力

原文标题：

Quantifying the sensing power of crowd-sourced vehicle fleets

地址：

http://arxiv.org/abs/1811.10744

作者：

Kevin P. O’Keeffe, Amin Anjomshoaa, Steven H. Strogatz, Paolo Santi, Carlo Ratti

摘要： 传感器可以测量空气质量，交通拥堵和城市环境的其他方面。他们提供的细粒度诊断信息可以帮助城市管理者监控城市的健康状况。最近，提出了一种“驱动”模式，其中传感器部署在第三方车辆上，以低成本实现广泛覆盖}对驾驶感测的研究主要集中在传感器工程上，但一个关键问题仍未得到探索：需要多少车辆来充分扫描城市？在这里，我们通过分析出租车队的传感能力来解决这个问题。

出租车在城市中很多，并且通常配备有一些传感技术（例如GPS），是传感器的天然主机。我们的策略是将驾驶感应视为一个传播过程，其中感应地形区域随着配备传感器的出租车在城市街道中扩散而扩展。与一个简单的出租车运动模型相结合，这个类比让我们可以分析地确定一天内出租车队所感知的城市街道网络的比例。我们的结果与从九个主要城市获得的出租车数据一致，并显示极少数的出租车可以扫描大量街道。这一发现似乎具有普遍性，表明它对城市的适用性超出了此处分析的范围。

此外，由于出租车运动结合了随机性和规律性（乘客的目的地是随机的，但是通往他们的路线是确定性的），出租车队的传播属性是不寻常的;与随机行走形成鲜明对比的是，我们的出租车模型的静止密度符合Zipf定律，与经验出租车数据一致。我们的结果对城镇议员，智慧城市设计师和其他城市决策者具有直接效用。

不同密度下直线走廊

老年人流的基本图表

原文标题：

The fundamental diagrams of elderly pedestrian flow in straight corridors under different densities

地址：

http://arxiv.org/abs/1811.10883

作者：

Xiangxia Ren, Jun Zhang, Weiguo Song, Shuchao Cao

摘要： 全球人口正在老龄化，各国正面临着满足老年人交通需求的持续挑战。在这项研究中，我们调查了直线走廊中老年人的运动特征，并将其与年轻人进行比较。在实验室实验中，老年人的自由速度（约1.28米/秒）明显慢于年轻人（约1.4米/秒）。

结果发现，与年轻行人相比，老年人的基本图表显示出类似的趋势。然而，在相同的密度下，在观察到的密度范围（<3.0平方米）中，老年人的速度总是低于年轻行人的速度。当考虑从低密度下的行人运动计算出的平均速度时，两个标准化的基本图表非常吻合。通过分析边界距离，最近邻居以及行人的空间分布区域来探讨差异的原因。我们的研究结果可用于改善行人模型和行人设施的设计，这对老年人来说更为友好。

对社交图的稳健主动攻击

原文标题：

Robust active attacks on social graphs

地址：

http://arxiv.org/abs/1811.10915

作者：

Sjouke Mauw, Yunior Ramírez-Cruz, Rolando Trujillo-Rasua

摘要： 为了防止泄露隐私敏感数据，例如用户之间的名称和关系，社会网络图必须在发布之前匿名化。社会网络图的朴素匿名化通常在于删除用户的所有识别信息，同时保持原始图结构。已经开发了对天真匿名图的各种类型的攻击。主动攻击形成一种特殊类型的此类隐私攻击，其中攻击者向社会网络注入许多虚假用户（通常称为sybils），允许攻击者创建后来用于重新识别sybil节点的其他结构模式。匿名后的用户。

一些研究表明，在已发布的图表中添加少量噪声已足以缓解此类主动攻击。因此，主动攻击被称为对隐私保护社交图谱发布的微不足道的威胁。在本文中，我们认为这些研究揭示了特定攻击的缺点，而不是作为一般策略的主动攻击的固有问题。为了支持这种说法，我们开发了一种强大的主动攻击的概念，这是一种对社会网络图的小扰动具有弹性的主动攻击。

我们将强健主动攻击的设计制定为优化问题，并且我们给出了主动攻击策略的不同阶段的鲁棒性定义。此外，我们引入各种启发式方法来实现这些鲁棒性概念，并通过实验证明新的强大攻击比原始攻击更具弹性，同时保持相同的可行性水平。

DeepVisInterests：CNN-Ontology

预测用户对社交图像的兴趣

原文标题：

DeepVisInterests: CNN-Ontology Prediction of Users Interests from Social Images

地址：

http://arxiv.org/abs/1811.10920

作者：

Onsa Lazzez, Wael Ouarda, Adel M.Alimi

摘要： 在本文中，我们提出了一个名为DeepVisInterests的新系统，它基于深度神经方法为本体构建执行社会视觉数据中的用户兴趣预测任务。我们已经进行了全面的统计研究，以验证我们的DeepVisInterests系统。所提出的系统基于使用一组深度视觉特征构建用户兴趣本体，以便学习由Facebook定义的热门兴趣主题的语义表示。

事实上，DeepVisInterests系统解决了发现归属兴趣的问题（如何从她/他在OSN中提供的社交图像中检测到用户兴趣），并通过与自我评估的兴趣主题进行比较来分析自动预测的表现（用户在拟议调查问卷中提供的兴趣主题）通过我们在240位Facebook用户收集的社交图像数据库上进行的实验。本文进行的定性和定量实验研究表明，DeepVisInterests在最近的相关作品中排名第一，准确率为0.80。

Facebook用户接触

在线广告的大规模分析

原文标题：

Large-scale analysis of user exposure to online advertising in Facebook

地址：

http://arxiv.org/abs/1811.10921

作者：

Aritz Arrate, José González Cabañas, Ángel Cuevas, María Calderón, Rubén Cuevas

摘要： 在线广告是大部分互联网服务的主要收入来源。有大量文献旨在优化广告参与，理解在线广告的隐私和道德含义等。但是，据我们所知，以前的工作没有大规模分析真实用户对在线广告的曝光。

本文使用数据集对广告和广告客户的曝光进行了全面分析，该数据集包括2016年10月至2018年5月期间收集的超过5K用户的140,000个独特广告客户的700多万个广告。该研究主要关注Facebook，是收入方面仅次于谷歌的第二大广告平台，每月活跃用户超过2.2B。我们的分析显示，Facebook用户每周暴露70个广告（中位数），来自12个广告客户。广告代表用户新闻源中收到的所有信息的10％到15％。新闻源中广告部分的小幅增加1％可能大致代表Facebook每周收入增加8.17M美元。

最后，我们还揭示Facebook用户过度投票，因为在最好的情况下，Facebook为广告目的分配给用户的利益中只有42.91％实际上与用户收到的广告相关。

用Instagram预测流感

原文标题：

Predicting the Flu from Instagram

地址：

http://arxiv.org/abs/1811.10949

作者：

Oguzhan Gencoglu, Miikka Ermes

摘要： 用于监测诸如流感的传染病的常规监测系统由于缺乏熟练的医疗保健专业人员，社区的偏远和缺乏通信基础设施而面临挑战。基于互联网的监控方法在逻辑上和经济上都具有吸引力。搜索引擎查询和Twitter一直是此类方法中主要使用的数据源。本研究的目的是评估替代数据源Instagram的预测能力。

通过使用来自Instagram的317周公开数据，我们培训了几种机器学习算法，以预测和预测芬兰官方流感样疾病事件的数量，其中有关每周事件的全人口官方统计数据可用。除了在线帖子的日期和标签计数功能之外，我们还能够利用深度卷积神经网络利用已发布图像的可视内容。

我们最好的临近预报模型的平均绝对误差为每周11.33次事故，测试数据的相关系数为0.963。用于预测1周和2周的预测模型显示出统计显著性，同时达到相关系数分别为0.903和0.862。这项研究表明社交媒体，特别是数字照片在其中的共享，可以成为流行病学领域的宝贵信息来源。

科学合作网络的凸性

原文标题：

Convexity in scientific collaboration networks

地址：

http://arxiv.org/abs/1811.11030

作者：

Lovro Šubelj, Dalibor Fiala, Tadej Ciglarič, Luka Kronegger

摘要： 最近，网络（图）中的凸性被定义为其每个子图的属性，以包括该子图的节点之间的所有最短路径。它可以在标度[0,1]上测量，其中1被分配给完全凸起的网络。在去除最少数量的边之后出现的图的最大凸部分称为凸骨架。它基本上是一个派系树，已被证明有许多有趣的特征。

在本文中，讨论了科学合作网络背景下凸凸和凸骨架的概念。更具体地说，我们分析了斯洛文尼亚计算机科学，物理学，社会学，数学和经济学研究人员的共同作者网络，并从中提取了凸形骨架。然后，我们根据协作频率分布，通过各种参数（例如出版年份和类型，共同作者的出生年份，状态，性别，纪律等）将这些凸骨架与剩余图（余数）进行比较。

我们还显示了顶部通过在原始网络及其骨架上计算的四个基本中心度量来区分科学家，并得出结论：凸骨架可能有助于检测在原始协作网络中难以识别的有影响力的学者。作为其固有特征，凸骨架保留了协作网络的属性。这些包括高级结构属性，但也包括同一作者通过中心性措施强调的事实。此外，最重要的关系以及最重要的合作都保留在骷髅中。

用二次近似法快速计算

大尺度图的冯诺依曼熵

原文标题：

Fast Computing von Neumann Entropy for Large-scale Graphs via Quadratic Approximations

地址：

http://arxiv.org/abs/1811.11087

作者：

Hayoung Choi, Jinglian He, Hang Hu, Yuanming Shi

摘要： 冯·诺伊曼图熵（VNGE）可以用作图复杂度的度量，其可以是信息发散和图之间距离的度量。由于需要计算VNGE来查找所有特征值，因此对于大规模图而言计算要求很高。我们提出了用于计算冯诺依曼图熵的新的二次近似。提出了修正的泰勒和径向投影近似。我们的方法将VNGE的立方复杂度降低到线性复杂度。随机图模型和各种真实网络数据集的计算模拟证明了其卓越的性能。